La inteligencia artificial en el sector sanitario ya no es una promesa futura: es una realidad operativa que se despliega a una velocidad que desborda los circuitos de validación, regulación y adopción clínica. Mientras los laboratorios de investigación y las grandes tecnológicas —Google DeepMind, Microsoft, Nvidia, y una constelación de startups— anuncian avances semanales en modelos fundacionales para biología, radiología o historiales clínicos, la infraestructura regulatoria y ética avanza a paso administrativo.

El último informe de la FDA muestra la magnitud del desfase: solo en 2023 se autorizaron más de 690 dispositivos médicos basados en IA/ML, un 33% más que el año anterior. La mayoría corresponden a radiología y cardiología, pero la nueva ola —modelos de lenguaje grande (LLM) para resúmenes de alta, asistentes de codificación clínica, gemelos digitales para simulación quirúrgica— plantea desafíos cualitativamente distintos. No se trata ya de algoritmos de clasificación estrecha, sino de sistemas generativos probabilísticos que alucinan, razonan de forma opaca y aprenden en continuo.

Esta brecha genera tres tensiones críticas. Primera, la validación clínica: los ensayos controlados aleatorizados (ECA) requieren años; los modelos se actualizan en semanas. La FDA ha propuesto marcos de "cambio predeterminado" (Predetermined Change Control Plans) para permitir actualizaciones sin re-certificación completa, pero la implementación real sigue en pañales. Segunda, la responsabilidad legal: cuando un LLM sugiere una dosis errónea o omite una alergia en el resumen automático, ¿quién responde? El desarrollador, el hospital, el médico que validó la salida? Los marcos de responsabilidad médica actuales no contemplan agentes autónomos de decisión asistida.

Tercera, la confianza del clínico. Un estudio reciente en *JAMA Network Open* reveló que el 68% de los facultativos no confía en herramientas de IA sin supervisión humana directa, y solo el 12% las usaría para decisiones críticas sin doble verificación. La "caja negra" sigue siendo barrera de adopción real, más que tecnológica.

Mientras tanto, la carrera del hardware acelera: clusters de H100 y Blackwell entrenan modelos de miles de millones de parámetros con datos multimodales (imagen, genómica, texto clínico, series temporales). Proyectos como Med-Gemini, Med42 o BioGPT demuestran rendimiento a nivel de experto en benchmarks como USMLE o MIMIC-IV, pero su despliegue en producción choca con la fragmentación de historiales electrónicos (EHR), la soberanía del dato sanitario (GDPR, HIPAA, ley española de protección de datos) y la falta de estándares de interoperabilidad (FHIR ayuda, pero no resuelve la calidad del dato).

En España, el Plan de Salud Digital y la Estrategia Nacional de IA prevén sandboxes regulatorios y compra pública innovadora, pero la ejecución es desigual entre comunidades autónomas. El Hospital Clínic de Barcelona o la Fundación Jiménez Díaz pilotan ya asistentes generativos para notas de enfermería y triaje, pero escalar requiere gobernanza de dato, auditoría algorítmica continua y formación clínica masiva.

La paradoja es clara: la tecnología corre a velocidad de GPU; la realidad —pacientes, médicos, reguladores, sistemas de salud— camina a velocidad de comité. Cerrar esa brecha no es solo cuestión de más inversión, sino de diseñar marcos adaptativos de gobernanza algorítmica, validación en mundo real (RWE) y responsabilidad compartida. Si no lo hacemos, la IA en salud seguirá siendo un espectáculo de demos impresionantes y pilotos eternos, sin transformar realmente la asistencia.