Durante los últimos dos años la inteligencia artificial pasó de ser un tema reservado a laboratorios, universidades y grandes empresas tecnológicas para convertirse en una conversación habitual dentro de hospitales, mutualistas, ministerios y direcciones de servicios de salud.

La pregunta aparece en reuniones de gestión, congresos, pasillos y grupos de WhatsApp:

¿La inteligencia artificial viene a ayudar al sistema sanitario o representa una amenaza para él?

La respuesta más honesta probablemente sea incómoda:

Depende menos de la tecnología y más de la calidad del sistema que intenta utilizarla.

La inteligencia artificial no corrige organizaciones mal diseñadas. Tampoco resuelve por sí sola problemas estructurales de recursos humanos, financiamiento o gobernanza.

En muchos casos, simplemente acelera procesos ya existentes.

Y cuando esos procesos son deficientes, también acelera sus errores.

El espejismo de la eficiencia

La promesa más frecuente asociada a la IA es la eficiencia, y la evidencia reciente le da cierta razón.

Un relevamiento de la OECD sobre ensayos clínicos controlados encontró que el 75% de las soluciones de IA evaluadas en salud mostraron un impacto positivo medible (Han et al., 2024, citado en OECD, Scaling Artificial Intelligence in Health, 2025).

En radiología, uno de los terrenos donde la IA lleva más tiempo madurando, una encuesta europea de 2024 a 572 profesionales encontró que el 48% ya utilizaba alguna forma de IA en su práctica diaria, y otro 25% planeaba adoptarla pronto (Zanardo et al., 2024).

Pero la adopción global sigue siendo desigual. En Estados Unidos, el uso de IA en organizaciones de salud creció del 5,9% al 8,3% entre 2023 y 2025, todavía por debajo de sectores como los servicios financieros (11,6%), la educación (15,1%) o los servicios profesionales (19,2%) (estudio comparativo de adopción sectorial de IA, JAMA, 2025).

La literatura internacional muestra potencial para optimizar múltiples procesos:

  • gestión de camas
  • predicción de demanda asistencial
  • programación quirúrgica
  • asignación de recursos
  • vigilancia epidemiológica
  • documentación clínica
  • apoyo a la toma de decisiones

La Comisión Europea identifica entre los principales beneficios la capacidad de prever ingresos hospitalarios, optimizar recursos y mejorar la utilización de personal e infraestructura.

Sin embargo, existe una diferencia crítica entre automatizar un proceso y mejorar un proceso.

Si la información de origen es deficiente, la automatización suele amplificar el problema.

Existe una frase clásica en informática:

Garbage in, garbage out.

En salud sigue siendo cierta.

El problema no son los algoritmos

La mayoría de los sistemas sanitarios no fracasan por falta de algoritmos.

Fracasan por:

  • fragmentación de información
  • problemas de coordinación
  • incentivos contradictorios
  • sobrecarga laboral
  • escasez de recursos
  • gobernanza insuficiente

La OECD ha señalado que el principal obstáculo para escalar inteligencia artificial en salud no es la falta de herramientas sino la ausencia de bases de datos interoperables, marcos de gobernanza sólidos y capacidades institucionales adecuadas.

Una encuesta realizada a fines de 2024 entre 43 sistemas de salud estadounidenses confirma este diagnóstico desde otro ángulo: el 77% de los gestores señaló la inmadurez de las herramientas de IA como principal barrera de adopción, seguida de limitaciones financieras (47%) e incertidumbre regulatoria (40%) (encuesta Scottsdale Institute, otoño 2024).

Esto es especialmente relevante para países pequeños.

El caso uruguayo

Uruguay posee ventajas significativas, y no son solo discursivas.

Hoy ocupa el puesto 25 a nivel global en el Índice de Gobierno Digital de Naciones Unidas (2024), diez posiciones más que en el relevamiento anterior, y lidera América Latina y el Caribe por sexta edición consecutiva, superado en toda América únicamente por Estados Unidos.

En salud digital específicamente, fue el primer país de América Latina en implementar una historia clínica electrónica nacional interoperable entre todos los prestadores, públicos y privados, un proceso iniciado en 2007 que contó con financiamiento del BID por aproximadamente USD 21 millones distribuidos en tres préstamos (2013, 2017 y 2021).

Entre las ventajas estructurales:

  • cobertura sanitaria universal
  • elevada digitalización estatal, reconocida internacionalmente
  • infraestructura de conectividad robusta
  • experiencia acumulada en historia clínica electrónica
  • tamaño poblacional manejable

Pero también enfrenta limitaciones conocidas por cualquier gestor sanitario:

  • heterogeneidad de sistemas de información
  • dificultades de interoperabilidad
  • escasez de recursos humanos especializados
  • presión asistencial creciente
  • envejecimiento poblacional
  • limitaciones presupuestales

La realidad cotidiana de un hospital departamental difiere enormemente de la realidad de un centro terciario en Montevideo.

Por esa razón, importar soluciones desarrolladas para otros contextos puede producir resultados decepcionantes.

Dónde la IA probablemente sí aporte valor

Documentación clínica

Probablemente sea uno de los usos más inmediatos.

Resúmenes clínicos.

Pases de guardia.

Transcripción de consultas.

Generación de borradores.

Organización de información dispersa.

Reducir carga administrativa puede liberar tiempo profesional para actividades de mayor valor clínico.

Gestión de camas

La predicción de ingresos y egresos es uno de los usos más estudiados internacionalmente.

No elimina la escasez de camas.

Pero puede mejorar la planificación.

Vigilancia epidemiológica

Aquí Uruguay posee una oportunidad particularmente interesante.

La integración futura entre:

  • laboratorios
  • sistemas PROA
  • vigilancia epidemiológica
  • historia clínica electrónica

podría permitir identificar tendencias antes de que resulten evidentes para los equipos humanos.

Detección de oportunidades diagnósticas perdidas

Este es un campo emergente.

No se trata de diagnosticar automáticamente.

Se trata de identificar patrones longitudinales que merezcan revisión profesional.

Consultas reiteradas.

Síntomas persistentes.

Trayectorias clínicas atípicas.

Interconsultas incumplidas.

Resultados anormales olvidados.

La IA puede actuar como una segunda capa de vigilancia clínica.

Pero conviene matizar el entusiasmo con un dato: en la misma encuesta a sistemas de salud estadounidenses, las herramientas de detección temprana de sepsis ya están en producción en buena parte de las instituciones y, sin embargo, solo el 38% reporta un nivel de éxito alto. Estar implementado no es lo mismo que estar funcionando bien.

Donde la IA puede empeorar el sistema

Automatización de malas decisiones

Un error individual afecta a un paciente.

Un error automatizado puede afectar a miles.

La escala modifica la naturaleza del riesgo.

Sesgo invisible

Los algoritmos aprenden de datos históricos.

Los datos históricos contienen errores.

Contienen omisiones.

Contienen inequidades.

El caso más documentado ocurrió en Estados Unidos. En 2019, una investigación publicada en Science analizó un algoritmo usado a nivel nacional por aseguradoras para decidir qué pacientes necesitaban programas de atención adicional (Obermeyer, Powers, Vogeli y Mullainathan, 2019).

El algoritmo usaba el gasto histórico en salud como variable para estimar la necesidad clínica.

El problema: los pacientes negros gastaban históricamente menos en salud que los blancos con el mismo nivel de enfermedad, no porque estuvieran más sanos, sino por barreras de acceso preexistentes.

El resultado: para un mismo puntaje de riesgo asignado por el algoritmo, los pacientes negros estaban, en los hechos, más enfermos que los blancos. Millones de personas fueron evaluadas por esta herramienta antes de que el sesgo se detectara.

Cuando los investigadores reformularon la variable utilizada, el sesgo racial se redujo en un 84%.

Nadie programó una instrucción discriminatoria. El sesgo entró por la puerta de atrás, a través de un dato aparentemente neutral que en realidad codificaba una desigualdad estructural previa.

Esa es la pregunta que cualquier gestor sanitario debería poder responder antes de incorporar una herramienta de IA: ¿qué variable está usando el algoritmo como representación de lo que realmente queremos medir, y qué historia arrastra esa variable?

Dependencia tecnológica

Existe un riesgo poco discutido.

La pérdida progresiva de capacidades organizacionales.

Cuando una institución deja de comprender los procesos que ejecuta porque delega completamente su funcionamiento a sistemas automatizados, la resiliencia disminuye.

Responsabilidad difusa

¿Quién responde cuando una recomendación algorítmica influye en una decisión incorrecta?

La OMS abordó esta pregunta en su guía de 2021 sobre ética y gobernanza de la IA en salud, resultado de casi dos años de trabajo de un grupo de veinte expertos en bioética, derecho, salud pública y tecnología. El documento establece seis principios rectores: proteger la autonomía humana en las decisiones médicas, promover el bienestar y la seguridad de las personas, garantizar transparencia y explicabilidad, fomentar la rendición de cuentas, asegurar inclusión y equidad, y promover una IA sostenible.

Pero deja explícitamente en manos de cada país y cada institución la tarea de traducir esos principios en reglas operativas concretas.

La pregunta no es teórica.

Es jurídica.

Es ética.

Y es organizacional.

Gobernanza antes que algoritmos

La experiencia internacional parece converger hacia una conclusión.

Los países que obtendrán mayores beneficios no serán necesariamente los que compren más tecnología.

Serán aquellos que desarrollen mejores sistemas de gobernanza.

La OECD propone que la expansión responsable de la IA en salud requiere cuatro pilares fundamentales:

  • bases de datos sólidas
  • mecanismos de control
  • participación de actores relevantes
  • confianza institucional

Sin estos elementos, la tecnología tiende a generar más complejidad que soluciones.

Una pregunta para los gestores

Quizás la discusión más importante no sea:

¿Necesitamos inteligencia artificial?

Sino:

¿Estamos preparados para gobernarla?

Porque la verdadera ventaja competitiva de los sistemas sanitarios durante la próxima década probablemente no será quién posee los mejores modelos.

Será quién logra integrar tecnología, procesos, personas y gobernanza sin perder el foco en el propósito fundamental del sistema.

Cuidar personas.

Conclusión

La inteligencia artificial no es amiga ni enemiga del sistema sanitario.

Es un amplificador.

En sistemas bien gobernados puede aumentar capacidades, mejorar eficiencia y fortalecer la continuidad asistencial.

En sistemas fragmentados puede acelerar errores, consolidar inequidades y generar nuevas dependencias.

Uruguay llega a esta discusión en una posición poco común: es, según Naciones Unidas, el país con el gobierno digital más avanzado de América Latina y el Caribe. Esa ventaja no es menor.

Pero gobierno digital y gobernanza de inteligencia artificial en salud no son lo mismo.

La pregunta central para Uruguay no es si adoptará inteligencia artificial.

Eso ya está ocurriendo.

La verdadera pregunta es si la institucionalidad sanitaria logrará el mismo nivel de madurez en gobernanza de IA que ya alcanzó en infraestructura digital.

Porque la historia demuestra que la tecnología rara vez corrige problemas organizacionales.

Pero sí tiene una extraordinaria capacidad para hacerlos más visibles.

Sine fumo et nugis.