La trampa de la respuesta fácil: IA y el riesgo de formar médicos que no aprendan a pensar

Te despiertas con náusea y dolor abdominal. Esperas a que se te pase, pero el dolor aumenta. Decides ir con tu médico. Le cuentas qué sientes, desde cuándo comenzó, qué comiste, si has tenido fiebre o diarrea. Él te escucha, te explora y, al volver, guarda silencio. No te explica qué sospecha. En cambio, abre una plataforma de inteligencia artificial y escribe: “Paciente con dolor abdominal, náusea y vómito. ¿Cuál es el diagnóstico más probable?”.

¿Qué pensarías?

“Mi médico está actualizado, utiliza herramientas modernas”. Quizá. Pero sospecho que muchos pensarían algo más incómodo: “¿Para esto vine? ¿No pude haber hecho yo lo mismo desde mi casa con ChatGPT? ¿De verdad voy a pagar por esto?”.

Esa incomodidad nos lleva al centro del problema: en la era de la inteligencia artificial, ¿cómo formar médicos que usen herramientas poderosas sin dejar de desarrollar criterio propio? La IA ya está entrando a aulas, hospitales y consultorios. Puede revisar diagnósticos, ordenar información, explicar conceptos difíciles, simular pacientes y ofrecer retroalimentación inmediata. Pero también puede convertirse en una trampa: permitir que el estudiante obtenga respuestas antes de aprender a construirlas, y que parezca competente antes de aprender realmente a pensar como médico.

La medicina no es la única profesión frente a este dilema. Arquitectos, abogados, ingenieros o periodistas pueden usar IA para ampliar su capacidad o para volver superficial su trabajo. La diferencia no está en usarla o no, sino en cuánto criterio propio existe antes de delegarle una parte del pensamiento.

En medicina, esta discusión adquiere un peso particular porque el razonamiento clínico se aplica directamente sobre la salud de las personas. Un diagnóstico no es solo una palabra en una pantalla. Es una hipótesis que debe sostenerse con historia clínica, exploración física, estudios, contexto, juicio y responsabilidad. Una respuesta correcta pero mal razonada puede ser tan peligrosa como una respuesta incorrecta.

Por eso la pregunta central no es si la inteligencia artificial debe entrar a la medicina. Ya entró. La pregunta importante es otra: ¿formará médicos más capaces o peligrosamente dependientes?

El riesgo: parecer competente antes de serlo

En un artículo de perspectiva publicado en Nature Medicine, Yuhe Ke, Nan Liu y colaboradores proponen un concepto inquietante: el never-skilling. La palabra podría entenderse como “nunca desarrollar habilidades”. No se refiere a perder una capacidad que antes se tenía, sino a algo más silencioso: no llegar a construirla desde el inicio. El riesgo no es solo que un médico olvide cómo razonar porque una máquina lo hace por él; el riesgo es que un estudiante nunca aprenda a razonar bien porque desde el principio recibió respuestas demasiado fáciles. (1)

Los autores distinguen este fenómeno de otros riesgos cercanos. El deskilling ocurre cuando un profesional ya formado pierde habilidades por depender demasiado de una herramienta. El mis-skilling aparece cuando alguien aprende mal porque acepta sin crítica respuestas incorrectas, sesgadas o incompletas. Pero el never-skilling preocupa especialmente en estudiantes y médicos en formación, porque aparece justo cuando todavía se construyen las bases del pensamiento clínico. (1)

Ahí está la verdadera trampa. La IA puede hacernos parecer competentes antes de serlo. Un estudiante puede resolver un caso con ayuda de un modelo de lenguaje, elaborar diagnósticos diferenciales y proponer un tratamiento razonable. Desde fuera, parece que domina el problema. Pero si se le retira la herramienta, quizá no pueda explicar por qué eligió ese diagnóstico, qué datos lo apoyan, qué hallazgos lo contradicen o qué haría si el paciente no mejora. La respuesta puede ser correcta, pero el razonamiento no fue necesariamente suyo.

Aunque todavía falta evidencia directa y sistemática sobre este fenómeno en medicina, la preocupación ya no es lejana. Hoy no es raro que estudiantes o residentes usen IA para responder preguntas del pase de visita, redactar análisis médicos o resolver dudas clínicas. El problema no es consultarla, sino permitir que reemplace el esfuerzo de ordenar datos, jerarquizarlos y construir una interpretación propia del paciente.

Aprender medicina no consiste solo en acumular respuestas correctas. Consiste en pensar bajo incertidumbre. En educación sabemos que aprender requiere cierto grado de incomodidad. A veces, intentar resolver un problema antes de recibir la respuesta permite recordarlo, entenderlo y aplicarlo después. A esto se le ha llamado dificultades deseables: obstáculos que parecen hacer más lento el aprendizaje al inicio, pero lo vuelven más sólido a largo plazo. (1,2,3)

Algo parecido ocurre con la práctica deliberada. Nadie aprende a explorar un abdomen, interpretar un electrocardiograma o construir un diagnóstico diferencial solo leyendo la respuesta correcta. Se aprende intentando, equivocándose, recibiendo retroalimentación y volviendo a intentarlo. La IA puede acelerar este proceso si funciona como un tutor que pregunta, reta y corrige. Pero puede debilitarlo si entrega conclusiones antes de que el estudiante haya hecho el esfuerzo de pensar. (1,4)

También existe un problema de carga mental. Al empezar medicina, todo parece demasiado: síntomas, signos, laboratorios, síndromes, diagnósticos, tratamientos. La IA puede ayudar a ordenar esa información. Pero si la ordena siempre por nosotros, el estudiante corre el riesgo de no construir sus propios esquemas mentales. Puede aprender a leer respuestas, pero no necesariamente a organizar el conocimiento en su cabeza. (1,2)

Un punto delicado es la diferencia entre un principiante y un experto. Una herramienta útil para un médico con experiencia puede ser riesgosa para quien apenas aprende. El experto detecta cuando la IA se equivoca, exagera una posibilidad o ignora un dato clínico importante. El principiante, en cambio, puede aceptar una respuesta porque suena clara, ordenada y convincente. Los grandes modelos de lenguaje generan textos probables a partir de enormes cantidades de información. Su fortaleza principal no es verificar la verdad clínica de cada afirmación, sino generar respuestas plausibles, coherentes y útiles. En medicina, una respuesta plausible no siempre es segura.

La solución: aprender a usar IA sin dejar de pensar

¿Entonces, cuál es la mejor solución? ¿Prohibirla? ¿Pedirle a los estudiantes que no la usen? Probablemente no. Prohibirla por completo sería tan poco realista como pedirle a un estudiante que no use internet. La IA ya forma parte del mundo en el que estudiamos, trabajamos y tomamos decisiones. La pregunta no debería ser si debemos usarla, sino cómo, cuándo y con qué límites.

Con esa lógica, Ke, Liu y colaboradores proponen integrar la inteligencia artificial en la educación médica de manera progresiva. Primero, formar una competencia basal sin IA: enseñar a escuchar al paciente, hacer una historia clínica, explorar, identificar datos relevantes, proponer diagnósticos y justificar decisiones. No se trata de rechazar la tecnología, sino de construir pensamiento clínico propio. Antes de pedirle a una máquina que complete el razonamiento, el estudiante necesita aprender a iniciarlo. (1)

Después, cuando el alumno ya tiene bases clínicas, la IA puede introducirse de forma guiada para aprender a calibrarla: saber cuándo confiar, dudar, verificar o rechazar una recomendación. En fases avanzadas, como internado o residencia, podría integrarse a la práctica supervisada, pero siempre con una pregunta central: qué aporta el médico que la IA no sustituye. Ahí entran el contexto del paciente, la exploración física, los valores personales, la evolución clínica y la responsabilidad de decidir. Usar IA en medicina no debería significar obedecer una pantalla, sino utilizar críticamente una herramienta. (1)

Esto cambia por completo la forma de utilizarla. No es lo mismo preguntarle a un modelo de lenguaje: “¿Cuál es el diagnóstico?”, que pedirle: “Contrasta mi sospecha diagnóstica con otros diagnósticos diferenciales y dime qué datos podrían apoyarla o refutarla”. No es lo mismo solicitarle: “Dame el tratamiento”, que decirle: “Evalúa críticamente este plan y dime qué riesgos debo vigilar”. Tampoco es lo mismo pedirle que escriba por completo una nota médica, que solicitarle que revise si nuestro razonamiento está incompleto, si omitimos un dato relevante o si damos demasiado peso a un hallazgo.

Un buen uso de la IA en medicina podría empezar al revés de como muchos imaginan: primero pienso, luego la IA cuestiona. Primero propongo mi diagnóstico diferencial, mi plan de estudio o mi interpretación del caso; después le pido a la herramienta que busque omisiones, contradicciones o alternativas. Así, la IA no sustituye el razonamiento clínico: lo somete a prueba.

En medicina, la IA puede convertirse en un tutor poderoso si se usa para practicar. Puede crear casos clínicos, adaptar la dificultad, ofrecer retroalimentación inmediata, mostrar errores frecuentes y ayudar a repasar temas complejos. Pero para que esto funcione, debe usarse como herramienta de entrenamiento, no como máquina de respuestas. El objetivo no es llegar más rápido a una conclusión, sino aprender mejor el camino para llegar a ella.

Esta discusión dialoga con una preocupación más amplia sobre la universidad y las humanidades. Dardo Scavino ha propuesto entender la IA no como una inteligencia aislada, sino como “ingenio acumulado”: una tecnología alimentada por lenguaje, conocimiento, imágenes, traducciones, música, textos y trabajo humano colectivo. Nain Martínez plantea que la respuesta educativa no puede reducirse a vigilar, prohibir o detectar su uso, sino a rediseñar tareas que impulsen el razonamiento humano, muestren dónde fallan los modelos y cierren —no amplíen— brechas educativas. En medicina, esto recuerda que la IA no piensa desde el vacío ni educa por sí sola. Su valor depende de la cultura académica que la rodea: puede empobrecer la formación si ahorra todo esfuerzo, o fortalecerla si sirve para contrastar ideas, discutir errores y hacer visible el razonamiento. (5,6)

La evidencia sobre tecnología educativa apunta en esa dirección, aunque no se refiere exclusivamente a modelos generativos en medicina. No basta con poner una pantalla frente al estudiante. Algunos metaanálisis han encontrado beneficios con herramientas digitales, sobre todo cuando existe entrenamiento docente, acompañamiento y uso complementario a otros métodos. La pregunta no es si la tecnología “sirve” en abstracto, sino bajo qué condiciones ayuda realmente a aprender. (7,8)

Y por otro lado, también necesitamos conservar espacios sin IA: exámenes orales, discusión al pie de cama, presentación de pacientes, razonamiento frente a un profesor, exploración física supervisada y decisiones clínicas justificadas. No porque la medicina deba quedarse en el pasado, sino porque hay habilidades que solo se desarrollan cuando el estudiante enfrenta el problema antes de recibir la respuesta.

¿Herramienta o piloto automático?

La UNESCO ha insistido en una idea sencilla, pero fundamental: la tecnología educativa debe ser un medio, no un fin. Debe complementar la relación humana del aprendizaje, no sustituirla. En medicina, esto significa que la IA puede acompañar al estudiante, al profesor y al médico, pero no debe desplazar aquello que hace humana y responsable a la práctica clínica: escuchar, interpretar, dudar, explicar, acompañar y decidir con prudencia. (9)

Se ha dicho muchas veces que la inteligencia artificial puede ser un excelente copiloto. La metáfora es útil, pero incompleta: para aprovechar a un copiloto, primero hay que aprender a ser piloto. En medicina, eso significa formar criterio clínico antes de delegar decisiones, sostener una hipótesis propia y corregir el rumbo cuando la herramienta se equivoca.

La inteligencia artificial puede formar médicos más capaces o peligrosamente dependientes. La diferencia estará en si la usamos para razonar mejor o para dejar de hacerlo. Si sirve para practicar, contrastar ideas, detectar errores y ampliar la mirada, puede ser extraordinaria. Pero si se convierte en una fuente de respuestas inmediatas que evita pensar, puede debilitar justo aquello que más necesitamos proteger: el juicio clínico.

La IA nos obliga a preguntarnos qué habilidades estamos dispuestos a dejar de practicar por comodidad. Puede ayudarnos a aprender más rápido, ordenar información y detectar errores; pero si la usamos demasiado pronto como sustituto del esfuerzo, puede debilitarnos en aquello que más necesitamos conservar: la capacidad de intentar, equivocarnos, corregir y construir criterio propio.

El peligro no es que la inteligencia artificial piense como médico o como ser humano. El peligro es que los médicos, y los seres humanos, dejemos de pensar. El futuro deseable también es posible: uno en el que la IA no sustituya nuestra inteligencia, sino que nos obligue a usarla con más profundidad, responsabilidad y humanidad.

Bibliografía

1. Ke Y, Jin L, Ong JCL, Thirunavukarasu AJ, Car J, Cheung CY, et al. AI-induced never-skilling in medical education. Nat Med. 2026 Jun;32(6):1997-2006. doi:10.1038/s41591-026-04438-y.
2. Sweller J. Cognitive load during problem solving: effects on learning. Cogn Sci. 1988;12(2):257-285. doi:10.1207/s15516709cog1202_4.
3. Bjork EL, Bjork RA. Making things hard on yourself, but in a good way: creating desirable difficulties to enhance learning. In: Gernsbacher MA, Pew RW, Hough LM, Pomerantz JR, editors. Psychology and the real world: essays illustrating fundamental contributions to society. New York: Worth Publishers; 2011. p. 56-64. Available from:https://bjorklab.psych.ucla.edu/wp-content/uploads/sites/13/2016/04/EBjork_RBjork_2011.pdf
4. Ericsson KA, Krampe RT, Tesch-Römer C. The role of deliberate practice in the acquisition of expert performance. Psychol Rev. 1993;100(3):363-406. doi:10.1037/0033-295X.100.3.363.
5. Scavino D. IA: ingenio acumulado. Letras Libres. 2025 Sep;(321):10-13.
6. Martínez N. La universidad frente al fuego de la IA. Letras Libres. 2025 Sep;(321):17-19.
7. Hillmayr D, Ziernwald L, Reinhold F, Hofer SI, Reiss KM. The potential of digital tools to enhance mathematics and science learning in secondary schools: a context-specific meta-analysis. Comput Educ. 2020 Aug;153:103897. doi:10.1016/j.compedu.2020.103897.
8. Major L, Francis GA, Tsapali M. The effectiveness of technology-supported personalised learning in low- and middle-income countries: a meta-analysis. Br J Educ Technol. 2021;52(5):1935-1964. doi:10.1111/bjet.13116.
9. Global Education Monitoring Report 2023: Technology in education: A tool on whose terms? Paris: UNESCO; 2023. doi:10.54676/UZQV8501. Available from:https://unesdoc.unesco.org/ark:/48223/pf0000385723

Declaración de uso de inteligencia artificial

Este ensayo fue editado con apoyo de ChatGPT, de OpenAI. La revisión final del contenido, la selección de ideas, la interpretación de las fuentes y la responsabilidad sobre el texto corresponden exclusivamente al autor.