La consulta médica del futuro ya no necesita bata blanca. En hospitales de Estados Unidos, Europa y Asia, sistemas de inteligencia artificial están tomando decisiones clínicas que antes correspondían exclusivamente a radiólogos, oncólogos y cardiólogos. Detectan tumores en mamografías con precisión superior a la humana, predicen sepsis horas antes de que los síntomas aparezcan y sugieren tratamientos personalizados en tiempo real. El problema es serio: nadie ha diseñado un marco regulatorio, ético ni operativo para lo que viene después.

El artículo publicado por Fast Company bajo el título "The AI doctor will see you soon" expone un vacío estructural que preocupa a toda la industria tech. La medicina autónoma no es ciencia ficción; es una hoja de ruta en despliegue. Modelos como Med-PaLM de Google, GPT-4 aplicado a diagnóstico clínico o el sistema IBM Watson for Oncology llevan años operando en entornos reales, aunque siempre con supervisión humana. La diferencia es que la siguiente generación apunta a eliminar esa supervisión.

¿Por qué importa ahora? Tres factores coinciden. Primero, la capacidad técnica: los modelos multimodales actuales pueden interpretar imágenes, historiales, secuencias genómicas y literatura médica simultáneamente. Segundo, la presión económica: los sistemas sanitarios buscan desesperadamente reducir costes ante el envejecimiento poblacional. Tercero, la escasez de especialistas: en zonas rurales de Latinoamérica, África o el sur de Estados Unidos, un médico con IA supera la alternativa de no tener médico.

Aquí aparece el nudo del asunto. Si una IA autónoma receta un tratamiento y el paciente sufre daños, ¿quién asume la responsabilidad legal? ¿El hospital que compró el software? ¿El desarrollador del modelo? ¿El médico que aprobó el sistema aunque nunca lo supervise? ¿El regulador que aprobó su comercialización? La respuesta actual en la mayoría de jurisdicciones es incómoda: nadie con claridad, o todos a la vez, lo que equivale a nadie en la práctica.

El marco regulatorio europeo, con la AI Act, clasifica los sistemas médicos como de "alto riesgo" y exige evaluaciones continuas, documentación técnica y supervisión humana significativa. Sin embargo, la definición de "supervisión humana" se vuelve borrosa cuando la IA supera al supervisor. Estados Unidos avanza con aprobiciones puntuales de la FDA mediante el programa 510(k), pieza por pieza, sin una doctrina integral. China prioriza velocidad de implementación con controles retrospectivos. En Hispanoamérica, la regulación es fragmentaria o inexistente.

Expertos consultados por el reportaje señalan un punto crítico que rara vez aparece en titulares: la automatización no elimina el error médico, lo redistribuye. Un sistema que falla en el 2% de los casos frente a un radiólogo que falla en el 5% parece una victoria arrolladora. Hasta que procesas 50.000 pacientes al día y los errores, aunque proporcionalmente menores, se convierten en miles de afectados. La escala cambia la naturaleza del problema.

Además, existe la cuestión de los sesgos algorítmicos documentados. Estudios publicados en Nature Medicine y The Lancet Digital Health han demostrado que modelos entrenados mayoritariamente con datos de pacientes blancos norteamericanos rinden peor con poblaciones latinas, africanas o asiáticas. Desplegar estas herramientas en sistemas públicos de salud sin adaptación local es, en el mejor de los casos, negligente; en el peor, una forma de iatrogenia digital masiva.

¿Qué necesitan los profesionales tech que trabajan en o con el sector salud? Tres cosas urgentes. Primero, exigir transparencia algorítmica: saber con qué datos se entrenó el sistema, cuáles son sus tasas de error desagregadas por demografía y qué mecanismos de explicabilidad ofrece. Segundo, participar en el diseño de protocolos de fallback: qué ocurre cuando el sistema no sabe, cuando falla o cuando el paciente lo rechaza. Tercero, presionar para que existan auditorías independientes obligatorias, no solo certificaciones previas a la comercialización.

La promesa es real. Una IA médica bien implementada podría democratizar el acceso a diagnóstico especializado en países con escasez de profesionales, reducir errores por fatiga o fatiga cognitiva y liberar a los médicos para concentrarse en lo que las máquinas no pueden replicar: empatía, contexto y decisiones bajo incertidumbre ética. Pero todo eso requiere planificación. Y el reloj corre más rápido que los reguladores.