Un paciente necesita un diagnóstico fiable y un camino claro hacia el tratamiento. Para los líderes del sector sanitario, la última investigación de Microsoft en IA médica plantea una pregunta práctica: ¿cómo debería una organización evaluar un sistema que reúne evidencia y toma decisiones a lo largo de varios pasos?
Mi opinión es que MAI-DxO merece atención tanto por su proceso de decisión como por su precisión. Los CEO y los CTO deberían estudiar ese proceso manteniendo una frontera clara entre el rendimiento en investigación y el valor clínico demostrado.
El estudio, Sequential diagnosis with language models, apareció en Science el 22 de octubre de 2026. MAI-DxO combinado con GPT-5 alcanzó un 83,2% de precisión diagnóstica en 304 casos difíciles de la NEJM. Los médicos generalistas que usaban recursos de referencia alcanzaron un 36,1%, frente al 22,3% sin ellos. En 325 casos de admisión desde urgencias, el sistema alcanzó un 80,3%, frente al 46,8% de los médicos. Son resultados de evaluaciones controladas sobre historiales de casos. [1, 2]
Esos porcentajes de los médicos describen el rendimiento en las tareas del estudio. Nunca deberían presentarse como la precisión general de los médicos en la práctica cotidiana. Además, una puntuación global en un benchmark deja sin responder una pregunta crucial: ¿qué errores podrían causar el mayor daño?
MAI-DxO coordina un panel virtual que propone diagnósticos, cuestiona suposiciones y selecciona preguntas o pruebas. Su evaluación cambia a medida que llega información. El benchmark mide el camino hasta el diagnóstico, incluidos los costes estimados de las pruebas. Microsoft también evaluó configuraciones con restricciones de coste más estrictas. [2]
Para los líderes empresariales, la lección de diseño útil es separar la propuesta de una respuesta de la revisión de su evidencia. Un revisor debería poder identificar qué falta, cuestionar la explicación principal y pedir más información antes de que siga adelante una acción relevante.
Varios roles de IA pueden seguir repitiendo el mismo error. Por eso, el acuerdo entre agentes debe contrastarse con evidencia externa. Añadir debate crea otro componente que evaluar; no constituye una verificación independiente.
Yo compararía los sistemas en tres dimensiones. Comparar la puntuación de la respuesta final con la calidad del proceso de decisión completo. Comparar los costes estimados de la tarea con el coste total de prestar el servicio. Comparar el rendimiento sobre registros históricos con los resultados observados durante el uso prospectivo. Cada comparación responde a una pregunta de inversión distinta.
Por ejemplo, una recomendación barata puede generar un trabajo de revisión considerable. Una respuesta correcta puede llegar demasiado tarde para ayudar. Un sistema que funciona bien con registros completos puede tener dificultades cuando falta información importante. Los líderes necesitan una evaluación que haga visibles estas diferencias.
SDBench usa un modelo de guardián (gatekeeper) para proporcionar la información solicitada y un modelo de juez para valorar los diagnósticos. El guardián puede generar resultados coherentes con el caso cuando un resultado solicitado no figura en el registro. Estos mecanismos hacen posible la evaluación interactiva, pero también introducen supuestos que requieren escrutinio. [3]
Esto importa porque el entorno de evaluación influye en el resultado medido. Un hospital debe determinar cómo se comporta un sistema con información incompleta, testimonios contradictorios y retrasos operativos. La precisión diagnóstica por sí sola no puede establecer la seguridad del paciente, la calidad del tratamiento ni la eficacia de un equipo clínico.
Microsoft ha anunciado un estudio prospectivo con el Beth Israel Deaconess Medical Center en el que los pacientes interactuarán con el sistema y su rendimiento se comparará con las evaluaciones independientes de los médicos. Se trata de una validación planificada, no de una evidencia ya lograda de mejores resultados para los pacientes. [2]
Los CEO deberían definir el beneficio previsto antes de financiar el despliegue. En un piloto sanitario, podría ser un reconocimiento más rápido de una afección concreta o un mejor apoyo para revisar casos difíciles. Nombren al responsable clínico, acuerden las medidas de resultado y establezcan las condiciones para detener el piloto. Eviten tomar decisiones de personal a partir de una comparación de benchmarks.
Los CTO deberían construir una evaluación en torno al flujo de trabajo previsto. Comparar el proceso existente, la IA trabajando sola en un entorno controlado y los médicos apoyados por la IA. Usar casos representativos del servicio propuesto. Examinar los diagnósticos graves omitidos, las pruebas innecesarias, el tiempo hasta la decisión y la carga de revisar las recomendaciones. Informar los resultados para los grupos de pacientes relevantes, además del promedio general.
Comenzar con una evaluación retrospectiva usando datos con una gobernanza adecuada. Si la evidencia justifica avanzar, considerar un estudio prospectivo supervisado con liderazgo clínico y las aprobaciones necesarias. Mantener la autoridad para ordenar pruebas o cambiar tratamientos explícitamente asignada. Definir cuándo debe el sistema deferir la decisión y cómo puede un médico anularla.
Exigir evidencia trazable para las recomendaciones, acceso controlado a la información de los pacientes y un registro del modelo y de la versión del flujo de trabajo utilizados. Repetir las evaluaciones pertinentes cuando cualquiera de ellos cambie. Un piloto exitoso necesita un proceso operativo capaz de detectar el deterioro y permitir la retirada.
Los líderes financieros deberían distinguir los costes estimados de las pruebas de los ahorros realizados. Incluir la integración, la revisión clínica, la monitorización y la evaluación continua en el caso de negocio. Cualquier ahorro debe valorarse junto a las consecuencias de los diagnósticos omitidos y las pruebas evitables.
La misma disciplina de evaluación es útil al considerar la IA para reclamaciones de seguros, excepciones de compras o investigación de incidentes. Esas aplicaciones necesitan su propia evidencia. Un benchmark médico no puede validar un flujo de trabajo financiero u operativo.
MAI-DxO ofrece una razón para examinar cómo la IA pide evidencia, revisa su posición y decide cuándo detenerse. El valor empresarial dependerá de si esos comportamientos mejoran un servicio definido en condiciones operativas reales.
Si usted aprobara un piloto de IA médica, ¿qué evidencia exigiría antes de permitir que sus recomendaciones influyeran en la atención al paciente?
Piense matemáticamente. Ingeniere inteligentemente. Lidere estratégicamente. Construya con responsabilidad. Escale globalmente. Cree valor empresarial real a través de la inteligencia artificial.
[1] Nori, H. et al. (2026). Sequential diagnosis with language models. Science. https://doi.org/10.1126/science.aeh7930
[2] Microsoft AI (22 de octubre de 2026). Building Medical Superintelligence. https://microsoft.ai/news/building-medical-superintelligence/
[3] Microsoft. Documentación de SDBench. https://microsoft.github.io/sdbench/
