La inteligencia artificial promete transformar la salud pública, pero esa transformación no será homogénea ni simultánea. Mientras España anuncia una inversión de 12,8 millones de euros para integrar IA en la sanidad madrileña —beneficiando a 155.000 pacientes al año— y Estados Unidos pone en marcha PULSE, un programa que lleva modelos de OpenAI y Anthropic a 2.000 profesionales sanitarios, en América Latina la pregunta no es si la IA llegará, sino cómo y para quién.
El contraste entre ambos hemisferios es elocuente. Las economías del Norte pueden darse el lujo de pilotear, fallar, corregir y escalar. En la región, donde los sistemas de salud arrastran décadas de subinversión, brechas de conectividad y fragmentación de datos, cada implementación fallida no es un aprendizaje: es un costo que pagan los pacientes. Por eso, la noticia que debería marcar el paso no son los millones de euros españoles ni los grandes nombres de Silicon Valley, sino la evidencia clínica que acaba de publicar JAMA Network Open: 21 modelos de lenguaje evaluados en más de 16.000 respuestas clínicas revelan que, aunque son aceptables para un diagnóstico final, fallan estrepitosamente en el diagnóstico diferencial, la etapa donde se descartan enfermedades y se evitan errores fatales.
El espejismo de la transferencia automática
Los pilotos exitosos en Estados Unidos y Europa no son replicables sin mediación. El programa PULSE, por ejemplo, se apoya en infraestructuras de datos interoperables, personal capacitado en salud digital y marcos regulatorios que, en su mayoría, América Latina aún no tiene. La Comunidad de Madrid puede ejecutar un convenio de 223 millones de euros hasta 2029 porque cuenta con sistemas de historias clínicas electrónicas estandarizadas, redes de atención primaria consolidadas y una cultura de supervisión médica que, aunque mejorable, existe.
En la región, en cambio, la realidad es otra. La conectividad sigue siendo irregular en zonas rurales; los datos clínicos suelen estar en silos, mal estructurados o simplemente no digitalizados; y la capacitación del personal sanitario en competencias digitales es incipiente. Saltarse estos pasos para emular lo que funciona en Madrid o en una clínica de Boston no solo sería imprudente: sería peligroso.
La evidencia que enfría el entusiasmo
El estudio de JAMA Network Open no es una curiosidad académica. Es una alerta operativa. Los modelos de lenguaje, incluso los más avanzados como ChatGPT, Gemini o Grok, carecen de la capacidad de manejar la incertidumbre clínica que un médico entrenado desarrolla tras años de práctica. Como señaló la médica de familia Susana Manso, miembro del grupo de IA de la Sociedad Española de Medicina de Familia, “los modelos aún presentan limitaciones importantes en la gestión de la incertidumbre”.
En un contexto donde un diagnóstico diferencial mal hecho puede significar la diferencia entre tratar una infección a tiempo o dejar que una sepsis avance, delegar esa tarea en un modelo que acierta en el diagnóstico final pero se equivoca en el proceso es una apuesta que ningún sistema de salud debería asumir sin una supervisión humana rigurosa y protocolos de verificación explícitos.
La herramienta correcta, pero insuficiente
En este escenario, el Kit de herramientas de evaluación de la preparación para la integración de la IA en la salud pública que lanzaron el BID y la OPS es un avance significativo. Propone evaluar gobernanza, infraestructura de datos, calidad de la información, capacidad del personal, marcos regulatorios y sostenibilidad financiera. La directora de la OPS, Jarbas Barbosa, lo definió como “un esfuerzo colectivo para garantizar que nadie se quede atrás”, mientras que el presidente del BID, Ilan Goldfajn, insistió en que “el fortalecimiento de las instituciones, la inversión en datos y, lo más importante, en las habilidades de las personas, serán fundamentales para cosechar los beneficios de la IA”.
El problema es que un kit, por bien diseñado que esté, no reemplaza la voluntad política. En América Latina sobran diagnósticos y faltan ejecuciones. Que exista una guía para evaluar la preparación no garantiza que los ministerios de salud la usen, que los tecnócratas la apliquen con honestidad o que los congresos aprueben los presupuestos necesarios para cerrar las brechas que la guía detecte.
Soberanía y preparación: el camino antes que la prisa
La tentación de saltar etapas es comprensible. La IA promete optimizar la vigilancia epidemiológica, mejorar la gestión de recursos y personalizar la atención en contextos donde los sistemas colapsan con frecuencia. Pero la experiencia de otros sectores —la banca, el comercio electrónico— muestra que la adopción tecnológica sin bases sólidas genera exclusión, no inclusión.
Para los ministerios de salud y las gerencias de tecnología sanitaria en la región, la prioridad no debería ser cuándo lanzar un piloto de IA, sino cómo construir las condiciones para que ese piloto no sea un fracaso evitable. Eso implica invertir en gobernanza de datos, estándares de interoperabilidad, anonimización, capacitación del personal y marcos regulatorios que definan responsabilidades cuando un algoritmo se equivoca. Sin esas bases, cualquier implementación será un espejismo que ampliará la brecha entre quienes ya tienen acceso a tecnología y quienes siguen esperando una cita médica.
La IA en salud pública ya no es ciencia ficción. Pero convertirá su promesa en realidad solo en aquellos sistemas que se tomen en serio la preparación. Para América Latina, la lección no es correr detrás de lo que hace el Norte, sino construir la soberanía para decidir cuándo, cómo y para quién implementarla. Porque, como advierte la propia Coalición para la Salud con IA, “cada transformación tecnológica triunfa o fracasa según la confianza, la gobernanza y la ejecución”. En la región, las tres están en déficit.
