Dr. Carlos Alberto Díaz | saludbydiaz.com

La inteligencia artificial ya no golpea la puerta de la clínica: está sentada en la cabina de mando, ayudando a redactar historias clínicas, sugiriendo diagnósticos diferenciales y proponiendo planes terapéuticos con una fluidez cada vez más convincente. Un reciente artículo de perspectiva publicado en The New England Journal of Medicine (Abdulnour et al., julio de 2026) plantea una advertencia que interpela directamente a quienes gestionamos instituciones de salud: cuanto más capaz parece un copiloto de IA, más tienden los profesionales a delegarle tareas, y en ese proceso erosionan las mismas competencias que necesitarían para detectar cuándo la máquina se equivoca.

Los autores llaman a esto la ‘paradoja de la automatización‘: un riesgo humano que se suma a las limitaciones propias de estos sistemas, como las confabulaciones (respuestas fluidas pero falsas), la vulnerabilidad a la desinformación y la tendencia a la complacencia con el criterio del usuario. Para navegar ese filo, proponen adaptar a la clínica un marco ya validado en otro entorno de alto riesgo: el Crew Resource Management (CRM) de la aviación.

La trampa de la fluidez

El artículo ilustra el problema con el caso de un residente que evalúa a un paciente con disnea progresiva. Ante la sospecha de insuficiencia cardíaca descompensada, le pide a la IA que revise su razonamiento; el sistema confirma el diagnóstico y sugiere el tratamiento estándar. El residente, conforme con esa validación, no advierte que la herramienta pasó por alto un dato clínico relevante que él mismo había recogido. Recién cuando un médico de mayor experiencia, alerta a las limitaciones de la IA, revisa el caso con ojo crítico, se detecta el hallazgo omitido y se corrige el rumbo diagnóstico.

El episodio no es una falla aislada de la tecnología: es la consecuencia de un patrón. La confianza ciega conduce al razonamiento delegado; el razonamiento delegado erosiona la habilidad clínica con el tiempo; y esa erosión —los autores hablan de ‘desaprendizaje’, ‘nunca aprendizaje’ en quienes se forman ya con IA, y ‘aprendizaje deficiente’— vuelve al profesional cada vez más dependiente y, paradójicamente, más expuesto a los errores del propio sistema que lo asiste.

Cinco competencias del clínico-piloto

El CRM se desarrolló para preservar la coordinación, la vigilancia y el desempeño en cabinas de alto riesgo, y ya cuenta con validación como marco de entrenamiento en salud. Aplicado a la relación clínico-IA, exige un requisito previo ineludible: ‘volar solo’, es decir, sostener la capacidad de razonar de forma independiente antes de apoyarse en la herramienta, porque sin ese punto de referencia interno no hay manera de juzgar si la respuesta de la IA es correcta. Sobre esa base se apoyan cinco competencias concretas.

Competencia	Traducción a la práctica clínica
1. Conciencia situacional	Monitorear la incertidumbre en tiempo real y reconocer cuándo se cruzan los límites del propio conocimiento clínico.
2. Comunicación	Formular consultas precisas a la IA y verificar que la respuesta obtenida responda realmente a la pregunta clínica planteada.
3. Gestión de tareas	Decidir qué tareas retener, cuáles delegar y con qué grado de vigilancia, según el riesgo clínico involucrado.
4. Verificación cruzada	Contrastar las recomendaciones de la IA con evidencia independiente y estar dispuesto a descartarlas cuando corresponda.
5. Toma de decisiones colectiva	Razonar de forma independiente antes de consultar a la IA, y usarla luego para refinar o desafiar el propio razonamiento.

Qué significa esto para la gestión sanitaria

Para quienes dirigimos clínicas, sanatorios y hospitales, el valor de este marco no es solo pedagógico. Convertir el uso de IA en una práctica visible, discutible y evaluable —en lugar de una caja negra individual entre el profesional y la pantalla— es también una cuestión de gobernanza clínica y de gestión de riesgo asistencial. Algunas líneas de acción concretas que se desprenden del artículo:

• Incorporar la ‘calibración de la confianza en la IA’ como competencia formal dentro de los programas de residencia y de educación médica continua, con instrumentos de evaluación que midan si el profesional detecta confabulaciones u omisiones.
• Diseñar simulaciones en las que, deliberadamente, la IA entregue información incorrecta, y medir la capacidad del equipo de capturar ese error antes de que llegue al paciente.
• Establecer que descartar una recomendación de la IA es un acto clínico legítimo y documentable, no una anomalía a justificar.
• Diferenciar, según la tarea y el riesgo, entre un enfoque ‘centauro’ (división estratégica de tareas y evaluación cuidadosa en contextos de alto riesgo o herramientas no validadas) y uno ‘cyborg’ (integración más estrecha en tareas de bajo riesgo con herramientas ya validadas).
• Hacer de la supervisión clínica un espacio explícito para observar cómo se formulan las consultas a la IA, cómo se evalúan sus respuestas y cómo se toma la decisión de aceptar o rechazar su sugerencia.

Perspectiva a futuro

La discusión que instala este artículo va a profundizarse a medida que los sistemas de IA se integren en los registros clínicos electrónicos, los sistemas de soporte de decisión y la escritura automatizada de historias clínicas dentro de nuestras instituciones. El riesgo de desaprendizaje no es hipotético: ya se documentan estudios de automatización en el razonamiento diagnóstico asistido por modelos de lenguaje. La pregunta que cada institución debiera hacerse no es si va a incorporar estas herramientas —eso ya está ocurriendo— sino con qué gobernanza, qué entrenamiento y qué indicadores de calidad va a acompañar esa incorporación.

En ese sentido, el planteo de fondo de los autores es alentador: si la IA se diseña para señalar su propia incertidumbre y declarar sus límites, en lugar de responder siempre con la misma fluidez segura, puede aliviar la carga cognitiva del profesional en vez de competir con su vigilancia. Esa es, probablemente, la variable que más debiera pesar cuando una institución evalúa qué herramientas de IA clínica incorporar: no solo su exactitud promedio, sino su honestidad frente a la duda.

Idea central para la gestión • El copiloto de IA no reemplaza el criterio clínico: lo pone a prueba. • La calidad asistencial del futuro incluirá, como competencia formal, saber cuándo confiar en la IA, cuándo verificarla y cuándo descartarla. • La gobernanza de la IA clínica empieza por hacer visibles y evaluables estas interacciones, no por prohibirlas ni por automatizarlas sin control.

Referencia

Abdulnour RE, Akbarialiabad H, Haghighi A, Leachman SA. Crew Resource Management — Navigating AI’s Automation Paradox. N Engl J Med. Publicado el 22 de julio de 2026. DOI: 10.1056/NEJMp2600938.

Este artículo fue elaborado con asistencia de Claude AI (Anthropic) como herramienta de redacción y edición, bajo supervisión científica del autor.