El diagnóstico médico con IA suma un nuevo capítulo: Microsoft AI ha publicado en Science un estudio sobre MAI-DxO, un sistema que coordina varios agentes de IA como si fueran un panel de médicos. En una simulación con casos del New England Journal of Medicine, acertó el 83% de los diagnósticos, frente al 36% de médicos de atención primaria e internistas. La cifra impresiona, pero los propios datos del estudio obligan a leerla con cuidado.
Qué ha publicado Microsoft y por qué importa el diagnóstico médico con IA
MAI-DxO no es un único modelo que responde a una pregunta. Es un orquestador que reparte el trabajo entre varios agentes de IA, cada uno con un papel dentro de un panel que razona sobre el caso clínico, igual que haría un grupo de médicos que discuten un paciente difícil. Microsoft AI lo ha sometido a una simulación con casos complejos procedentes del New England Journal of Medicine, una publicación de referencia en medicina clínica, y ha comparado su rendimiento con el de profesionales humanos.
El resultado principal es el que ha trascendido: 83% de aciertos en el diagnóstico, frente al 36% de los médicos de atención primaria e internistas que participaron en la comparación. Es una diferencia amplia sobre el papel, y por eso el estudio ha llamado la atención. Que se publique en Science, y no solo como nota de prensa o preprint, le da un peso adicional ante la comunidad científica.
El contexto también importa. Microsoft no está sola: Google y OpenAI ya han defendido que sus sistemas igualan o superan a médicos en distintas tareas. El diagnóstico médico con IA se ha convertido en uno de los terrenos donde las grandes tecnológicas quieren demostrar que sus modelos sirven para algo más que redactar correos o resumir documentos. Un resultado sanitario sólido es una carta de presentación potente, y las tres compañías lo saben.
Lo que dicen los datos del estudio: el modelo base pesa más que el panel
Aquí empieza la letra pequeña. Según los datos del propio estudio, buena parte de la mejora procede de los modelos base más potentes y no solo de la arquitectura de agentes. Cuando Microsoft cambió el modelo base por GPT-5.5, la precisión de MAI-DxO en casos complejos subió del 72% a casi el 87%. Es decir, un salto de unos quince puntos que se explica por tener un motor mejor debajo, no por haber añadido más agentes al panel.
Hay un segundo dato que enfría el entusiasmo. En los casos de urgencias, MAI-DxO no mejoró: ambas configuraciones rondaron el 85%. Si la orquestación multiagente fuese la clave del rendimiento, cabría esperar ventaja también en ese escenario. No ocurrió. La mejora se concentra en los casos complejos y, dentro de ellos, depende en gran medida del modelo que sostiene el sistema.
Hay además una limitación de diseño que conviene subrayar: los especialistas no entraron en la comparación. El 36% corresponde a médicos de atención primaria e internistas, es decir, generalistas. En medicina, ante un caso raro o complejo, lo normal es derivar a un especialista. Comparar la IA con quien no suele resolver ese tipo de caso en solitario favorece el titular, aunque no invalide el resultado. Y recordemos que se trata de una simulación con casos publicados, no de pacientes reales en una consulta con prisas, pruebas incompletas y una historia clínica desordenada.
Dicho de otro modo, el estudio demuestra que un sistema multiagente con un modelo potente rinde muy bien en un entorno controlado. No demuestra todavía que supere a un equipo clínico real, ni que su aportación venga de la coordinación entre agentes y no de la potencia bruta del modelo. Son preguntas distintas y el titular solo responde a la primera.
Cuándo y para quién será relevante el diagnóstico médico con IA
Con los datos disponibles, lo razonable es situar este trabajo en la fase de investigación avanzada, no en la de producto listo para desplegar. Una simulación con casos del New England Journal of Medicine es un buen banco de pruebas, pero no sustituye a un ensayo en entornos clínicos reales, con pacientes, con flujos de trabajo hospitalarios y con responsabilidad legal detrás de cada decisión. El estudio no aporta, según la información disponible, un calendario de llegada a la práctica clínica, y conviene no inventarlo.
¿A quién le afectará primero? A los grupos de investigación y a los equipos que desarrollan software sanitario, que tienen aquí una referencia sobre cómo estructurar agentes alrededor de un problema difícil. También a los responsables de innovación de hospitales y aseguradoras, que ya reciben presentaciones comerciales con cifras parecidas y ahora disponen de un ejemplo concreto de qué preguntas hacer: contra quién se compara, en qué tipo de casos y con qué modelo base.
Para una PYME que no trabaje en salud, la relevancia directa es limitada y no tiene sentido forzarla. La lección útil es de método: cuando un proveedor presente un sistema de agentes con un porcentaje de acierto espectacular, hay que preguntar cuánto de ese resultado se debe a la arquitectura y cuánto al modelo subyacente, y en qué escenarios no mejora. En este estudio, esa pregunta tiene respuesta publicada, y es incómoda para el relato simple de que «más agentes, mejor resultado».
El horizonte realista pasa por validaciones prospectivas, comparaciones con especialistas y evaluaciones regulatorias. Nada de eso aparece resuelto hoy. Lo que sí existe es una señal clara de hacia dónde empujan las grandes tecnológicas y un punto de partida técnico documentado en una revista de primer nivel.
Análisis Blixel
Un porcentaje de acierto sin su comparador es un dato incompleto, y el 83% frente al 36% es un buen ejemplo. El número está bien construido para el titular: enfrenta a un sistema con panel de agentes contra generalistas, justo el grupo que menos casos raros resuelve por sí solo. Los especialistas, que son quienes de verdad se enfrentan a esos diagnósticos, no estaban en la mesa. Eso no convierte el estudio en humo, pero sí lo coloca en su sitio.
Lo más interesante, en mi opinión, está en la parte menos citada. Con GPT-5.5 la precisión en casos complejos pasó del 72% a casi el 87%, y en urgencias nada cambió. Esa es la señal de que el diagnóstico médico con IA avanza sobre todo gracias a los modelos base, y que la orquestación de agentes es un complemento cuyo valor real aún está por aislar. Si la mejora llega con cada nueva generación de modelos, el mérito diferencial de cada empresa se diluye y la comparación entre Microsoft, Google y OpenAI se parecerá más a una carrera de motores que a un duelo de métodos.
Mi posición es clara: bienvenido sea que estos sistemas se publiquen en revistas científicas y no solo en notas de prensa, porque eso permite descubrir las limitaciones que aquí hemos podido leer. Pero conviene exigir lo mismo a todo el sector. Comparar con especialistas, medir en pacientes reales y separar el efecto del modelo del efecto del sistema. Mientras eso no ocurra, tratar el 83% como prueba de que la IA supera a los médicos es una conclusión que el propio estudio no sostiene.
¿Quieres aplicar esto en tu empresa? En Blixel.ai te ayudamos a integrar IA con sentido común. Hablemos.