El trabajo, encabezado por investigadores de Harvard con colaboradores de Stanford, evaluó un agente avanzado de IA —“o1 preview”, el primer modelo de OpenAI con razonamiento paso a paso— en una batería de pruebas que imitan el trabajo clínico real. Los investigadores le pidieron que llegara a diagnósticos, elaborara planes de estudios y resolviera tareas de “razonamiento clínico” comparando sus respuestas con las de médicos especialistas y generalistas.

En un escenario en vivo, el modelo se puso a prueba en 76 casos reales de guardia en un hospital de Boston, en tres momentos: el triage inicial al ingreso, el primer contacto con el médico y la admisión a sala o terapia intensiva. Dos médicos evaluadores, que no sabían si cada valoración provenía del modelo o de dos médicos de staff, determinaron que “o1 preview” igualó o superó la performance de los expertos en cada etapa, con un desempeño especialmente alto en el triage, cuando hay menos información disponible.

Una IA que diagnostica y maneja casos al nivel de los expertos

En otras pruebas, la IA se mostró particularmente sólida en diagnósticos de enfermedades raras y casos complejos. Allí se utilizó una serie clásica de escenarios publicados por el Massachusetts General Hospital en The New England Journal of Medicine, tradicionalmente muy difíciles. “Estos casos suelen ser muy desafiantes… están llenos de detalles arcanos o distractores y abarcan muchas áreas de la medicina”, señaló Arjun Manrai, coautor senior del estudio. “El rendimiento de la IA comparado con expertos humanos en estos casos realmente ha sorprendido a mucha gente”, agregó.

Thomas Buckley, doctorando en la Escuela de Medicina de Harvard, apuntó que los resultados sugieren que “o1 preview” está logrando un diagnóstico casi óptimo en este conjunto de casos complejos que se utilizan como benchmark de la capacidad diagnóstica de las computadoras desde 1959.

Mucho más que diagnóstico: la IA también decide mejor cómo manejar los casos

El estudio también midió la capacidad del modelo en “razonamiento de manejo” (management reasoning): recomendaciones sobre uso de antibióticos, enfoque de los objetivos de cuidado y decisiones vinculadas al final de la vida, entre otras. En este terreno, “o1 preview” superó de manera clara a modelos previos de IA y también a médicos que trabajaban con ayudas tradicionales como búsquedas en Google u otras herramientas de consulta.

“El razonamiento de manejo probablemente es una tarea más compleja que el razonamiento diagnóstico”, explicó Peter Brodeur, clínico del Beth Israel Deaconess Medical Center. “Requiere considerar no solo las características objetivas del caso, sino también factores subjetivos: el contexto y la situación en la que uno está. Por eso, probablemente no sorprenda que un modelo de razonamiento rinda significativamente mejor que humanos y que ChatGPT‑4 en este tipo de tareas”.

Sin embargo, los autores remarcan que estos resultados no deben interpretarse como una invitación a reemplazar médicos. Manrai fue tajante: los hallazgos no significan que “la IA reemplace a los médicos, a pesar de lo que algunas empresas [que venden soluciones de salud basadas en IA] probablemente digan”.

Harvard pide ensayos clínicos controlados y mantiene al médico en el centro

El artículo, publicado en Science, plantea que el desempeño de “o1 preview” justifica “una necesidad urgente de ensayos controlados” para evaluar cómo desplegar esta tecnología de forma segura y efectiva en entornos clínicos reales. Adam Rodman, coautor senior, profesor asistente en Harvard Medical School y líder del task force de IA de la facultad, sostuvo que el estudio demuestra de manera concluyente que los modelos de razonamiento de IA “pueden cumplir los criterios para hacer diagnósticos al más alto nivel de rendimiento humano”.

Rodman ve, al menos, dos casos de uso donde estos sistemas podrían ser especialmente valiosos: el triage en guardias —donde los pacientes llegan con síntomas poco claros y grandes volúmenes de datos ruidosos de la historia clínica electrónica— y el rol de “segunda opinión”. “Uno puede imaginar fácilmente cómo un sistema que corre pasivamente sobre la historia clínica electrónica podría mejorar la calidad si lograra identificar errores diagnósticos u oportunidades perdidas antes de que ocurran”, señaló.

Sobre la segunda opinión, recordó que “sabemos que los médicos que obtienen segundas opiniones de colegas humanos generalmente mejoran la atención”. En 2025, un estudio de Elsevier mostró que el 20% de los clínicos ya consultaba a un modelo de lenguaje como segunda opinión, una cifra que, según Rodman, seguramente creció. Mirando hacia adelante, proyecta que “va a haber un subconjunto de tareas que los humanos hagan mejor, tareas que los sistemas de IA hagan mejor de manera consistente, y tareas donde haya algún grado de aumento o trabajo en equipo. Y, como investigador, no sé de antemano cuál será cada una”.

Lo que Rodman no quiere ver, advirtió, es el avance de “empresas de doctores IA” que busquen “sacar a los médicos del circuito o minimizar la supervisión clínica”. “No creo que estos resultados apoyen eso”, subrayó. “Lo que apoyan es una agenda de investigación robusta y ambiciosa para entender cómo podemos usar estas tecnologías para mejorar la vida de los pacientes”.

IA, imágenes y límites actuales: por qué el contacto humano sigue siendo insustituible

Los autores también marcaron límites importantes. El estudio se basó exclusivamente en entradas de texto, un terreno donde los modelos de lenguaje suelen desempeñarse muy bien. En la práctica, los médicos evalúan muchos otros tipos de información. “Tienen que escuchar al paciente, revisar radiografías de tórax, estudios de imágenes y usar muchos otros tipos de datos —señales fisiológicas, EKG, ECG— en la toma de decisiones diaria”, recordó Manrai.

El equipo está realizando “estudios paralelos” para medir el rendimiento de estos modelos sobre imágenes y otros tipos de señales, y ya observa una mejora rápida en esos frentes. Aun así, Manrai imagina un futuro donde los modelos trabajen “en asociación con los médicos, para ayudarlos a tomar mejores decisiones”. Reconoce que “los modelos de IA pueden equivocarse” y que “pueden ser complacientes”, pero enfatiza que también “están aportando valor real y ayudando hoy a pacientes y médicos”.

Manrai remarcó también la dimensión humana de la atención. “En última instancia, creo que las personas quieren que sean humanos quienes las guíen en decisiones de vida o muerte, que las acompañen en tratamientos difíciles, que hablen de decisiones que afectan su calidad de vida, cómo juegan con sus hijos o qué pueden hacer en el trabajo”, sostuvo. Para él, estos avances no se tratan de reemplazar ese vínculo humano, sino de contar con “herramientas mucho mejores para ayudarnos”.

En un contexto donde los sistemas de salud —incluidos los de América Latina— enfrentan guardias sobrecargadas, brecha de recursos humanos y presión por reducir errores diagnósticos, el desempeño de modelos como “o1 preview” anticipa un escenario en el que la capacidad de integrar IA clínica de alto rendimiento será un factor competitivo clave tanto para hospitales y aseguradoras como para las empresas tecnológicas y farmacéuticas que buscan posicionarse en la próxima generación de soluciones para la atención de emergencias y la medicina interna.

La entrada IA de Harvard supera a médicos en guardias de emergencia y reabre el debate sobre el rol del médico se publicó primero en .