Hay una forma de ayuda que empobrece. La conocemos bien en clínica: el cuidador que lo hace todo por el paciente sin fomentar su autonomía acaba acelerando su dependencia; el residente al que siempre le resuelven la duda no termina de construir criterio. Ayudar de más no es un exceso de bondad. Es una manera sutil de quitarle a otro la ocasión de pensar. Algo parecido nos está pasando con la inteligencia artificial. Y en gestión sanitaria, donde se decide con información incompleta, recursos escasos y consecuencias sobre personas concretas, conviene detenerse antes de celebrar cada nueva herramienta que «nos lo pone fácil».
La medicina lleva tiempo preguntándose por este riesgo, y empiezan a acumularse evidencias. Una de las aportaciones más interesantes es una revisión publicada en 2025 en el New England Journal of Medicine sobre cómo supervisar el uso de la IA en la formación clínica[1]. Su principal mérito es haber puesto nombre a algo que muchos intuíamos, al distinguir tres riesgos diferentes: la pérdida de destreza, el no llegar nunca a adquirirla y el aprendizaje de lo erróneo.
El primero es el más conocido: profesionales con experiencia que pierden capacidades porque dejan de ejercerlas. El segundo es más inquietante: no llegar a desarrollar nunca una competencia básica porque la IA hizo la tarea antes. A diferencia de la pérdida de destreza, aquí no hay nada que perder, porque nunca hubo nada que se aprendiera. El tercero es el más silencioso: la incorporación de los errores de la herramienta como si fueran razonamiento propio. Este riesgo no deja un vacío, sino que sustituye el conocimiento correcto por otro erróneo, y lo hace con el mismo tono fluido y seguro que la IA emplea para todo lo demás. La revisión no se queda en el diagnóstico. Propone un marco de supervisión, DEFT-AI, pensado para que cada vez que alguien en formación usa la IA se convierta en una ocasión de enseñanza que fortalezca el juicio en lugar de externalizarlo. Es decir, no plantea renunciar a la herramienta, sino acompañar su uso con supervisión explícita.
Es un asunto de cómo aprendemos a pensar cuando algo piensa por nosotros. Y la gestión es, ante todo, una actividad de juicio que también se aprende. La pérdida de destreza tiene su versión directiva. Un equipo de dirección que se acostumbra a recibir ya elaborados el plan de actuación, el análisis de la lista de espera o la memoria anual va perdiendo, poco a poco, la capacidad de construirlos y, sobre todo, de detectar cuándo están mal construidos.
El «nunca aprender» es probablemente el riesgo más serio para nuestras organizaciones. Pensemos en quienes hoy asumen por primera vez un puesto directivo, una jefatura de sección, una coordinación de enfermería o una dirección de unidad. Si su primer cuadro de mando, su primer plan funcional o su primera negociación de objetivos los construye la IA, ¿cuándo aprenderán a hacerlo? La gestión se aprende equivocándose y corrigiendo, y ese aprendizaje no se puede delegar. Estamos ante una generación de gestores que puede llegar a los puestos con documentos impecables y un criterio sin entrenar.
El aprendizaje de lo erróneo es quizá el más peligroso en gestión, porque nuestros errores tardan en hacerse visibles. Una priorización mal planteada, un supuesto de demanda equivocado o una interpretación sesgada de un indicador pueden instalarse en la cultura de un servicio durante años. Si además llegan con buen formato y argumentación convincente, se cuestionan menos. A todo ello se suma la difuminación de la responsabilidad. Un documento que nadie ha pensado del todo es un documento que nadie defiende del todo. Y en la gestión pública hay que poder rendir cuentas: ante los profesionales, ante los pacientes y ante la ciudadanía.
La medicina narrativa nos enseñó, con Rita Charon, que atender bien exige escuchar la historia del otro, sostener la ambigüedad y no precipitarse en el cierre[2]. Gestionar bien se parece más a eso de lo que solemos admitir. Detrás de cada indicador hay una médica de guardia, un paciente que espera, un equipo que se cansa. La IA puede ordenar los datos; no puede escuchar el malestar que esos datos no recogen.
Algunas propuestas para una ayuda a la medida
- Pensar primero, consultar después. Formular la propia hipótesis antes de pedir nada a la herramienta la convierte en un interlocutor crítico y no en un oráculo.
- Supervisar el uso, no solo el resultado. Igual que la revisión de Abdulnour y cols. proponen para la formación clínica, en gestión deberíamos preguntar no solo qué propone un informe, sino cómo se ha llegado a él y qué parte es razonamiento propio.
- Proteger el aprendizaje de los nuevos gestores. Quien se inicia en la gestión debería hacer primero el trabajo y usar la IA después para contrastarlo, no al revés.
- Pedirle a la IA que discrepe. Una herramienta a la que se le pide que busque los puntos débiles de una propuesta es más útil que una que se limita a pulirla.
Gestionar no es producir documentos; es decidir con sentido. Una IA que nos ayuda demasiado nos ahorra tiempo, pero puede costarnos algo más valioso: la costumbre de pensar por nosotros mismos aquello que solo nosotros podemos pensar.
Referencias
[1] Abdulnour RE, Gin B, Boscardin CK. Educational Strategies for Clinical Supervision of Artificial Intelligence Use. N Engl J Med. 2025;393(8):786-797.
[2] Charon R. Narrative Medicine: Honoring the Stories of Illness. New York: Oxford University Press; 2006.