Si el siglo XX peleó por el acceso a la información clínica, el XXI pelea por algo distinto: quién puede convertir esa información en decisiones útiles, seguras y contextualizadas.
Es una distinción que parece sutil pero no lo es. Tener datos no es lo mismo que poder usarlos. Y esa diferencia, en salud, se mide en vidas.
El mapa de la inversión no es el mapa de la necesidad
La discusión global sobre el futuro de la inteligencia artificial en salud no ocurre en abstracto. Hay cifras, hay direcciones de inversión y hay decisiones de política que ya están moldeando dónde y cómo la IA será una realidad sanitaria, y dónde seguirá siendo una promesa lejana.
Según datos de Grand View Research, el mercado global de IA en salud se estima en USD 36.670 millones en 2025 y se proyecta a USD 505.590 millones en 2033, con una tasa de crecimiento anual compuesta cercana al 39%. Son números que impresionan en cualquier presentación.
Pero esos números tienen una geografía muy precisa.
Norteamérica concentró más del 54% de ese mercado en 2025. La mayor parte de la inversión se acumula donde el gasto sanitario es alto, la infraestructura digital está consolidada y existen las capacidades técnicas para entrenar, validar y adaptar modelos a contextos locales. El Foro Económico Mundial advierte de forma consistente que los beneficios económicos y sociales de la IA siguen acumulándose en el Norte Global, principalmente Estados Unidos, Europa y China, mientras los países de ingresos medios y bajos observan desde afuera un desarrollo que en teoría debería beneficiarlos.
En gran parte del Sur Global, el acceso a tecnologías de IA en salud es todavía incipiente. No porque el problema no exista, sino porque los modelos y datos actuales se entrenan sobre poblaciones de países de altos ingresos, no sobre las realidades demográficas y epidemiológicas de África, Asia central o América Latina. En octubre de 2025, el propio WEF publicó un análisis con un título que no deja lugar a interpretaciones: AI in healthcare risks could exclude 5 billion people. Cinco mil millones de personas que podrían quedar fuera, no por falta de necesidad, sino porque los sistemas se construyeron para otro mundo.
Cinco mil millones de personas. No es una estadística menor.
Dos verdades incómodas
La narrativa dominante sobre IA en salud tiene un problema: asume que la tecnología es inherentemente igualadora. Que un buen algoritmo es un buen algoritmo en cualquier lugar del mundo. Esa suposición choca con la realidad de dos maneras concretas.
La primera es que la IA no es automáticamente igualadora. Una revisión publicada en la revista Digital Health en 2025, que analizó estudios sobre IA en salud en el Sur Global entre 2022 y 2025, documentó que los avances siguen concentrados en el Norte, dejando al Sur en desventaja significativa por infraestructura deficiente, sesgos en los datos de entrenamiento y limitada capacidad técnica local. El WEF lo ilustra con ejemplos concretos: algoritmos de detección de cáncer de piel entrenados principalmente con imágenes de tonos claros que funcionan peor en pieles oscuras, o calculadoras de riesgo cardiovascular construidas sobre cohortes europeas y americanas que subestiman o sobreestiman riesgos en poblaciones africanas, sudasiáticas o latinoamericanas. No porque el algoritmo sea malo, sino porque fue entrenado para otro mundo.
La segunda es que la brecha tecnológica es fundamentalmente económica y política, no técnica. Los países con capacidad de invertir en centros de datos, talento digital, integración clínica y despliegue regulado están ampliando su ventaja competitiva en salud. Los países sin ese apalancamiento quedan relegados a ser mercados consumidores de tecnología desarrollada en otro contexto, para otra población, con otros problemas. No coproductores. Consumidores.
Lo que esto significa para quien ejerce medicina en el Sur
Trabajar en salud en Uruguay, en Argentina, en cualquier país de América Latina, implica operar en un sistema con recursos limitados, infraestructura digital desigual y una carga epidemiológica que ningún modelo entrenado en el Norte conoce bien.
Eso no significa que la IA no tenga nada para ofrecer. Significa que la forma en que se adopta importa tanto como la tecnología en sí. Importa quién entrena los modelos y con qué datos. Importa si existe capacidad local para validarlos, cuestionarlos y adaptarlos. Importa si hay masa crítica de profesionales que puedan interpretarlos con rigor epidemiológico y contexto sociocultural, no solo con entusiasmo tecnológico.
Porque en la práctica clínica del siglo XXI, no alcanza con tener acceso a un modelo. Hay que tener los recursos y la formación para saber cuándo confiar en él y cuándo no.
La pregunta que nadie quiere responder
¿Estamos dispuestos a redefinir qué significa ejercer la medicina cuando la información deja de ser el recurso escaso y, en cambio, la capacidad de invertir en tecnología sí lo es?
Es una pregunta incómoda porque no tiene respuesta técnica. Tiene respuesta política.
Implica decidir si la IA en salud va a ser una herramienta de equidad o una nueva forma de concentrar ventajas en quienes ya las tienen. Implica preguntarse qué papel juegan los sistemas de salud públicos, las universidades y los organismos reguladores en un ecosistema dominado por empresas privadas con sede en otro hemisferio. Implica aceptar que adoptar tecnología sin contexto crítico no es modernización. Es dependencia con otro nombre.
Eso no es ciencia ficción. Es política sanitaria con números del mundo real.
Y es una conversación que en el Sur Global todavía estamos aprendiendo a tener.
Sine fumo et nugis.
Lectura compartida
Commentarii
Este espacio está pensado para aportes breves, preguntas o lecturas críticas sobre el artículo. Por ahora, todo texto enviado queda sujeto a revisión editorial antes de cualquier publicación.