Lo que ya está pasando, lo que viene hasta 2031 y por qué todo depende de que los datos se hablen.
El 7 de octubre estaba en el Summit País Digital, en Santiago de Chile. Escuché una frase que todavía me da vueltas: la utilidad de la IA en salud no es que la consulta dure menos. Es que el médico tome una decisión distinta.
Esa misma semana pasaron tres cosas.
En Chile, el Ministerio de Salud, Corfo, el Ministerio de Ciencia y Fundación País Digital firmaron el inicio del diseño de un sandbox nacional para probar IA con datos reales del sistema público.
En Perú, el Minsa publicó sus lineamientos para usar IA de forma segura, responsable y ética.
Y en Lima, según El Peruano, en el Hospital Hipólito Unanue se mostró en prueba un software para que cuatro hospitales compartan sus historias clínicas electrónicas.
Lee la última otra vez. Cuatro hospitales. En prueba. En 2026.
Esa es la tesis de esta edición: en salud, la IA avanza más rápido que los datos que la alimentan. Y la década que viene se decide en esa brecha.
Hace dos años empecé esta serie con Educación, Banca y Derecho. Hoy le toca a la industria donde trabajo. Aquí no hay datos de mi empleador: solo señales públicas, lo que he visto y mis apuestas.
Dónde estamos hoy: cuatro señales
1. Perú escribió las reglas antes de tener los casos.
El 6 de octubre salió en El Peruano la Resolución Ministerial N.° 903-2026-MINSA: los lineamientos del Minsa para usar sistemas de IA de forma segura, responsable y ética. Cubre todo el ciclo: diseño, desarrollo, compra, implementación, operación y retiro. Lo que más me gustó es una palabra: retiro. Casi nadie la escribe. Una IA que nadie apaga sigue decidiendo con datos que nadie revisa.
2. Chile quiere probar antes de comprar.
El sandbox chileno tiene una idea simple: validar algoritmos con datos del propio sistema público antes de usarlos con pacientes. Según medios chilenos, el primer banco de prueba tendrá 166.569 mamografías de 75.461 mujeres atendidas en el sistema público. Se va a medir si cada algoritmo habría detectado los cánceres que después se confirmaron por biopsia, y cuántos errores comete. Y los resultados irán en un informe abierto. No es "compramos IA". Es "primero vemos si funciona con nuestra gente".
3. La meta de fondo no es la IA. Es la ficha clínica.
En el mismo Summit se discutió la hoja de ruta para que todas las fichas clínicas de Chile sean interoperables al 2030, como pide su Ley 21.668. Y se dijo algo que en Perú también conocemos: muchos pacientes todavía cargan su historia en papel o la reconstruyen de memoria.
4. En Lima, compartir la historia clínica sigue en prueba.
El 1 de octubre, el ministro de Salud visitó tres hospitales de Lima. En el Hipólito Unanue se mostró un software para intercambiar historias clínicas entre cuatro hospitales, dentro del Registro Nacional de Historias Clínicas Electrónicas (RENHICE). Está en etapa de prueba. Es un buen paso. Y también muestra la distancia: escribimos reglas para la IA mientras los hospitales todavía aprenden a hablar entre ellos.
Para que dos hospitales se entiendan, no basta con conectar los sistemas. Tienen que hablar el mismo idioma.
En salud, ese idioma tiene nombre: HL7 FHIR. Es un estándar que define cómo se escribe un paciente, una alergia o un resultado para que cualquier sistema lo lea igual. Es como un enchufe universal: no importa la marca del equipo, entra.
El Minsa ya tiene su guía FHIR para la historia clínica, todavía en desarrollo. Chile también publica las suyas. La base existe. Falta usarla.
Ahora (2026–2027): la IA ya entró, pero no por donde la esperábamos
Cuando se habla de IA en salud, todos piensan en el diagnóstico. Pero no está entrando por ahí. Está entrando por todo lo que rodea a la consulta.
Te lo cuento siguiendo el camino de un paciente.
1. Antes de la consulta: la cita que se agenda sola
Un agente de IA por WhatsApp te recuerda la cita un día antes. Si no puedes ir, la reagendas ahí mismo, sin llamar. Y ese cupo no se pierde: el agente busca a otro paciente en lista de espera, le ofrece el horario y lo llena en minutos. Varios agentes se hablan entre ellos para reasignar citas en tiempo real.
Suena simple. No lo es. Antes de prenderlo hay que escribir los criterios:
- ¿Quién tiene prioridad para ese cupo: el que más espera, el más grave o el que está más cerca?
- ¿Cuántas veces se puede reagendar?
- ¿Cuándo el agente deja de responder y pasa a una persona?
- ¿Qué datos del paciente puede ver y con qué permiso?
Si eso no está escrito, el agente solo decide más rápido algo que nadie decidió.
2. En la consulta: resumir, escuchar y dejar la nota lista
Empieza antes de que el paciente entre. La IA lee su historia y le deja al médico un resumen: diagnósticos, alergias, medicamentos, últimos resultados. El médico ya no tiene que revisar veinte pantallas en dos minutos.
Durante la consulta, la IA escucha y transcribe la conversación. Al final, arma la nota en el formato que pide cada especialidad. El médico la revisa, la corrige y la firma.
Ese último paso pesa más de lo que parece. Una nota bien formateada se puede leer, buscar y usar después. Una nota libre se queda en el sistema y nadie la vuelve a mirar.
¿Funciona? UCLA Health lo probó con un ensayo aleatorizado: 238 médicos de 14 especialidades y unas 72 mil atenciones (NEJM AI, 2025). Con la herramienta que mejor funcionó, el tiempo por nota bajó de 4:30 a 3:49 minutos. Unos 41 segundos. Pero el grupo sin IA también bajó: de 4:22 a 4:04. 18 segundos, sin ninguna herramienta.
Si ese hospital no hubiera tenido un grupo de control, habría celebrado 41 segundos. Lo que de verdad se le puede atribuir a la IA es la diferencia entre los dos grupos: 9,5%. El burnout mejoró cerca de 7%. Y las notas tenían "ocasionalmente" errores clínicamente importantes.
En un día con 20 pacientes, esos segundos suman. Pero si solo medimos minutos, vamos a celebrar la herramienta equivocada. Por eso, antes de comprar: mide, y compara contra quienes no la usan.
Y el problema casi nunca es el modelo. Es encontrar la historia completa del paciente: la mitad está en otro sistema, otra sede o un papel escaneado. Un resumen hecho con media historia se ve igual de seguro que uno completo. Ese es el riesgo.
3. En imágenes: formato, voz y después los hallazgos
En radiología pasa lo mismo, en orden.
Primero, el formato. La IA ordena el informe en una plantilla por tipo de examen, corrige la ortografía y revisa que el hallazgo y la conclusión digan lo mismo.
Después, la voz. El radiólogo dicta mientras mira la imagen y la IA transcribe en tiempo real. Sus manos y sus ojos se quedan en la imagen, no en el teclado.
Recién al final, los hallazgos. La IA mira la imagen y le marca al radiólogo lo que podría estar pasando por alto. No firma. Sugiere. Y para llegar aquí hace falta lo que vimos en Chile: probar con imágenes de pacientes locales.
4. Después del alta: el seguimiento que no suelta
El paciente se va a casa con indicaciones que no siempre entiende. La IA las convierte en algo simple: qué tomar, cuándo y qué señales vigilar.
A las 48 horas, un agente le escribe: ¿tomaste tu medicina?, ¿cómo te sientes? Si algo no cuadra, pasa el caso a una enfermera.
Y antes de salir, ya tiene su cita de control. El círculo se cierra donde empezó: en una cita que se agenda sola.
Lo que tienen en común
Ninguno de los cuatro es diagnóstico. Los cuatro hacen lo mismo: resumir, escuchar, ordenar en un formato y coordinar. Le quitan trabajo a alguien para que decida mejor.
Y los cuatro fallan por lo mismo: datos incompletos y criterios que nadie escribió.
Lo que viene (2028–2031)
Agentes que se coordinan entre servicios.
Esto todavía no es común. Pero seguro más de uno ya lo está pensando, y algunos ya lo están construyendo.
Un agente por servicio. El de emergencia avisa al de hospitalización que viene un paciente. El de hospitalización revisa las camas y le pide al de admisión que prepare el ingreso. El de enfermería coordina el traslado. Nadie llama cinco veces por teléfono para preguntar lo mismo.
Estos agentes coordinan la logística, no el tratamiento. La cama la asigna una persona. El alta la da un médico. Y tiene que quedar registro de qué se dijeron. Si no hay registro, no hay trazabilidad. Hay fe.
De resumir a recomendar.
En el Summit mostraron una escalera simple: la IA resume, organiza, recomienda y la persona decide. Hoy casi todo está en los dos primeros peldaños. El salto a recomendar lo cambia todo, porque recomendar ya influye en la decisión. Y eso no se gobierna igual.
Probar con pacientes locales será requisito.
Un algoritmo entrenado con pacientes de otro país no conoce a los nuestros. El banco de mamografías de Chile es el tipo de cosa que se va a multiplicar en la región.
La década (2032–2036)
De atender al que llega a anticipar al que va a llegar. Monitoreo después del alta, pacientes crónicos seguidos en casa y demanda prevista antes de que la emergencia se llene.
Dos datos que explican por qué no hay otra salida:
- La OMS estima que en 2030 faltarán 11,1 millones de trabajadores de salud en el mundo.
- La CEPAL calcula que las personas de 60 años o más pasarán de 14,7% de la población de América Latina y el Caribe en 2025 a 25% en 2050.
Más pacientes, más años de enfermedad crónica y menos manos. La IA no crea esa presión. Solo puede ayudar a que duela menos.
Lo que no va a cambiar
La decisión clínica sigue siendo humana. La IA recomienda. La persona decide.
Faltan personas. Ningún software contrata a una enfermera.
La confianza del paciente se pierde una sola vez.
Y si el dato entra mal, la IA no lo arregla. Solo se equivoca más rápido.
Mis apuestas (con fecha corta)
Esto es opinión, no dato. Por eso cada apuesta tiene fecha de revisión, aquí, en público.
Apuesta 1. En 2028, la discusión no va a ser por el modelo. Va a ser por quién firma la recomendación: la primera norma o protocolo en la región que diga quién responde cuando la IA recomienda y el médico acepta. La reviso en octubre de 2028.
Apuesta 2. Antes de 2029, los primeros agentes de IA en hospitales de la región van a entrar por la coordinación entre servicios (emergencia, hospitalización, admisión), no por la consulta. La reviso en octubre de 2028.
Apuesta 3. En 2028, comprar IA en salud va a exigir evidencia con pacientes locales, no solo la del proveedor. La reviso en octubre de 2028.
Apuesta 4. El primer gran escándalo de IA en salud en la región no va a ser un diagnóstico equivocado. Va a ser una IA que nadie apagó o datos usados sin permiso. La reviso en octubre de 2028.
Apuesta de la década. La métrica de éxito va a pasar de "minutos ahorrados" a "mejores decisiones": menos reingresos, menos tiempo hasta el tratamiento. La reviso a mitad de camino, en 2031.
Qué haría el lunes si dirigiera una clínica o un hospital
- Haría el inventario. Qué IA ya se usa, incluida la que el personal usa por su cuenta desde el celular.
- Mediría antes de comprar. Tiempo por nota, días de espera para una cita, errores. Sin una línea base, cualquier piloto "funciona".
- Haría que mis propios sistemas se hablen. Que la historia de un paciente se vea completa en todos los servicios y en todas las sedes.
- Le pediría evidencia local al proveedor. ¿Con qué pacientes lo probaste? ¿Cuántos errores comete con los nuestros?
- Le pondría dueño y fecha de revisión a cada IA. Y decidiría desde el primer día cómo se apaga.
Para cerrar: sin datos que se hablen, no hay IA que sirva
El agente de WhatsApp, el resumen antes de la consulta, el informe dictado, los agentes entre servicios. Todos necesitan lo mismo: ver al paciente completo.
Y hoy el paciente está partido en pedazos. Una parte en emergencia, otra en el laboratorio, otra en la clínica donde se atendió el año pasado. Y otra, solo en su memoria.
Por eso la verdadera tarea de la década no es comprar IA. Es construir un ecosistema de datos que se hable.
Hacia adentro: que los servicios, los sistemas y las sedes compartan la misma historia, con la misma calidad y un dueño para cada dato.
Hacia afuera: que prestadores públicos y privados, aseguradoras y el Estado puedan intercambiar información con estándares comunes, con permiso del paciente y con registro de quién vio qué.
Un agente que coordina con media historia solo pide más rápido el mismo papel. Un modelo que recomienda con datos incompletos se equivoca con más confianza.
La IA es la parte visible. La interoperabilidad es la que decide si funciona.
Hace dos años escribí sobre la década siguiente en educación, banca y derecho, y me quedé con una deuda: no dejé mis apuestas por escrito. Esta vez sí.
¿Cuál de estas apuestas crees que está equivocada? Dímelo en los comentarios. Si en octubre de 2028 tenías razón, te doy el crédito en la edición de revisión.
Fuentes
- Resolución Ministerial N.° 903-2026-MINSA (gob.pe)
- El Peruano, "Minsa aprueba lineamientos para el uso seguro y ético de la IA en el sector salud" (6-oct-2026)
- El Peruano, "Ministro de Salud verificó los avances tecnológicos que se implementan en tres hospitales de Lima" (1-oct-2026)
- Fundación País Digital, Summit: hoja de ruta de interoperabilidad al 2030 y primer sandbox de IA en salud (9-oct-2026)
- Trendtic, "Chile tendrá su primer banco público para validar inteligencia artificial en la detección del cáncer de mama" (8-oct-2026)
- Emol (El Mercurio), banco de pruebas de IA para cáncer de mama (8-oct-2026)
- UCLA Health, ensayo aleatorizado de escribas de IA, NEJM AI (26-nov-2025)
- Versión preliminar del mismo estudio (medRxiv, jul-2025), tiempos por grupo
- OMS, "Global strategy on human resources for health: workforce 2030", EB156/15 (20-dic-2024)
- CEPAL (CELADE), Cecchini y Sosa, "Envejecimiento y desigualdades estructurales" (jun-2026)
Deyvis Laura
Fundador de NLP Analytics. Líder de transformación digital con IA y datos, docente de posgrado y speaker.
Publicado originalmente en el newsletter Insights Powered by AI & Data.