Aumenta el uso de consejos de salud con IA mientras la desinformación supera a las salvaguardas

Google News ha puesto el foco en una señal contundente de adopción: aproximadamente una de cada seis personas ha recurrido a la IA para determinadas formas de consejo sobre salud. La advertencia no consiste simplemente en que los chatbots cometan errores. Es que millones de personas los consultan antes, después y, en ocasiones, en lugar de ponerse en contacto con un profesional médico.

Encuestas más recientes sugieren que la adopción ya ha superado esa cifra destacada. Un sondeo de KFF de junio de 2026 reveló que el 29% de los adultos estadounidenses utiliza herramientas de IA o chatbots para obtener información de salud al menos una vez al mes. Esa tasa casi se había duplicado desde el 17% registrado dos años antes.

El conflicto central ya es evidente. ChatGPT, Google Gemini, Microsoft Copilot y otros asistentes de propósito general ofrecen respuestas inmediatas y privadas. Los médicos aportan contexto clínico, responsabilidad y la capacidad de examinar a un paciente. Los consumidores desean cada vez más la primera experiencia, pero su salud puede depender de la segunda.

Esta no es otra historia sobre si un chatbot aprobó un examen de medicina. Es una prueba de lo que ocurre cuando el software conversacional se convierte en una puerta de entrada no oficial a la atención sanitaria sin asumir sus responsabilidades legales y clínicas.

El titular de Google News subestima la rapidez con la que cambió el comportamiento

Los consejos de salud con IA han pasado de ser una experimentación ocasional a un canal habitual de información.

La cifra de una de cada seis personas sigue siendo importante porque marca el punto en el que el uso de chatbots se volvió demasiado común como para descartarlo como un caso marginal. Sin embargo, las pruebas más recientes muestran lo rápido que ese referente quedó desactualizado.

El último sondeo de seguimiento de KFF concluyó que el 29% de los adultos estadounidenses utiliza IA para obtener información de salud al menos una vez al mes. La encuesta, representativa a nivel nacional, abarcó a 2.480 adultos y se realizó del 7 al 31 de mayo de 2026.

Ese porcentaje se acerca al 31% que utiliza las redes sociales para obtener información de salud cada mes. Los chatbots de IA se han sumado de facto a las plataformas sociales como fuente generalizada de orientación sanitaria, pese a su historia mucho más breve entre los consumidores.

Otro sondeo de KFF, realizado del 24 de febrero al 2 de marzo, encuestó a 1.343 adultos. Encontró que el 32% había utilizado IA para obtener información sobre salud física o mental durante el año anterior.

La distinción entre uso mensual y uso anual importa. Ninguna de las dos métricas significa que todos los usuarios pidan a un chatbot que diagnostique una enfermedad. Las personas utilizan estos sistemas para varias tareas distintas, con consecuencias muy diferentes.

En la encuesta anterior, el 27% de los adultos afirmó haber utilizado IA para investigar síntomas o información general sobre una afección. El 19% buscó explicaciones sobre pruebas, diagnósticos o resultados de laboratorio. El mismo porcentaje utilizó IA para comprender o comparar opciones de tratamiento.

El 16% había pedido ayuda a la IA para decidir si debía acudir al médico. Ese caso de uso desplaza al chatbot de la recuperación de información hacia el triaje, es decir, el proceso de decidir con qué urgencia alguien necesita atención.

El patrón de salud mental exige la misma atención. El 16% había utilizado IA para obtener información o consejos sobre salud mental o bienestar emocional durante el año anterior. El 11% buscó consejos para afrontar problemas, mientras que el 9% utilizó una conversación con IA para hablar de preocupaciones personales.

Estas categorías pueden solaparse, por lo que no deben sumarse. Aun así, muestran que los usuarios están planteando a los chatbots preguntas que antes dirigían a motores de búsqueda, médicos, consejeros, familiares o a nadie.

Google News es relevante aquí como algo más que un canal de distribución. Google Search ofrece cada vez más resúmenes generados por IA, mientras que Gemini puede responder preguntas de seguimiento de forma conversacional. La línea que separa un resultado de búsqueda convencional de una respuesta médica de IA es cada vez más difícil de distinguir para un usuario común.

Ese cambio transforma el antiguo patrón de “Dr. Google”. La búsqueda tradicional exigía que los usuarios eligieran entre enlaces y compararan fuentes. Un chatbot combina el material en una respuesta fluida, a menudo sin mostrar la incertidumbre, los desacuerdos o la calidad de las fuentes que hay detrás.

La fluidez reduce el esfuerzo. También puede hacer que la información débil parezca concluyente.

La rapidez, la privacidad y el acceso están superando la fricción clínica

Las personas no eligen la IA solo porque confíen en ella; muchas la eligen porque la alternativa sanitaria es lenta, cara o incómoda.

KFF descubrió que el 65% de los usuarios de IA para salud consideraba la información rápida o inmediata como una razón importante para utilizar la tecnología. El 41% quería información antes de decidir si acudir a un proveedor. El 36% valoraba la posibilidad de investigar una pregunta en privado.

Estos motivos describen una ventaja de producto que los sistemas médicos tienen dificultades para igualar. Un chatbot responde a cualquier hora. No requiere desplazamientos, aprobación del seguro, una cita programada ni una conversación sobre un síntoma vergonzoso.

Los problemas de acceso también impulsan la adopción. El 19% de los usuarios de IA para salud citó la imposibilidad de pagar a un proveedor como una razón importante. El 18% afirmó que carecía de un proveedor habitual o que no podía conseguir una cita.

Las presiones eran mayores entre los usuarios más jóvenes. Entre los usuarios de IA para salud menores de 30 años, el 38% citó la falta de un proveedor habitual o de acceso a citas. El 29% señaló el coste de la atención profesional.

Los ingresos generaron otra brecha. Casi un tercio de los usuarios con ingresos familiares anuales inferiores a 40.000 dólares identificó la asequibilidad como una razón importante para recurrir a la IA.

El sondeo de West Health, según informó Associated Press, encontró un patrón similar. Aproximadamente una cuarta parte de los adultos estadounidenses había utilizado recientemente IA para obtener información o consejos de salud.

Alrededor de cuatro de cada diez usuarios recientes buscaban apoyo fuera del horario laboral habitual. Cerca de tres de cada diez no querían pagar una consulta médica. Aproximadamente dos de cada diez no tenían tiempo, se habían sentido desestimados previamente o consideraban que la pregunta era demasiado vergonzosa para planteársela a una persona.

Estos hallazgos complican la respuesta habitual de que los usuarios simplemente deberían consultar a un médico. Ese consejo ignora la razón por la que muchas personas abrieron un chatbot.

El producto está cubriendo una brecha creada por el acceso a la atención sanitaria, no solo compitiendo con sitios web médicos. Una etiqueta de advertencia no puede resolver la escasez de citas, los altos costes ni la ausencia de apoyo fuera del horario habitual.

Eso no convierte a la IA en un sustituto equivalente. Explica por qué la gente sigue utilizándola pese a saber que los errores son posibles.

Los sistemas más sólidos pueden resumir un término de laboratorio, ayudar a alguien a preparar preguntas para una consulta o traducir el lenguaje clínico a palabras comunes. Estos usos pueden hacer más productiva una conversación médica.

El riesgo aumenta cuando la misma interfaz pasa de la explicación a la recomendación. Un usuario puede empezar preguntando qué significa un marcador de análisis de sangre y luego preguntar si debería cambiar un medicamento. La transición ocurre dentro de una conversación continua, sin un límite claro entre educación y atención.

Los asistentes de propósito general también adaptan su lenguaje al usuario. Esa personalización puede parecer comprensión clínica incluso cuando el modelo carece de un historial completo, un examen físico o acceso fiable a registros actualizados.

Este es el objetivo de presión creado por el aumento de la adopción. Los proveedores de atención sanitaria deben responder a información que los pacientes obtienen en otros lugares. Las empresas tecnológicas deben decidir dónde termina una explicación útil y dónde comienza una práctica médica regulada.

La disyuntiva central es la comodidad sin responsabilidad clínica

La IA ofrece la capacidad de respuesta de una conversación médica privada sin los deberes asociados a la práctica de la medicina.

Un modelo de lenguaje grande genera texto prediciendo secuencias probables a partir de patrones en los datos. No examina a un paciente, no comprende de forma independiente la causalidad ni asume responsabilidad por una decisión asistencial.

Ese mecanismo no hace que todas las respuestas médicas sean erróneas. Significa que una respuesta convincente y una respuesta clínicamente justificada no son lo mismo.

La diferencia se vuelve especialmente importante durante el triaje. Las molestias en el pecho, los dolores de cabeza persistentes, los efectos secundarios de medicamentos y los cambios repentinos de ánimo pueden tener causas inocuas o urgentes. Una recomendación segura depende de detalles que los usuarios pueden omitir o malinterpretar.

Los chatbots pueden hacer preguntas de seguimiento, pero no pueden saber de forma fiable qué queda sin decir. Tampoco pueden medir signos vitales, realizar una exploración u observar el comportamiento físico, salvo que un sistema clínico especializado les proporcione esas entradas.

El problema no se limita a las invenciones evidentes. Una respuesta puede contener afirmaciones individualmente precisas y, aun así, producir una recomendación general perjudicial. Podría enfatizar una explicación común sin dar prioridad a una emergencia poco frecuente.

Los sistemas de IA también pueden mostrar complacencia, una tendencia a acomodarse a las suposiciones o a la conclusión preferida contenida en la solicitud de un usuario. En medicina, el acuerdo puede reforzar la desinformación o retrasar la atención.

Los investigadores siguen probando cómo la presentación afecta a la confianza. Un experimento preregistrado de 2026 comparó consejos atribuidos a una enfermera titulada, una “enfermera de IA” especializada y ChatGPT.

Los participantes evaluaron los consejos en escenarios de bajo riesgo, alto riesgo y sensibilidad moral. El diseño del estudio también varió si la orientación precisa parecía intuitiva o contradecía expectativas comunes.

Esto importa porque los pacientes no juzgan los consejos únicamente por su precisión. Responden a la etiqueta de la fuente, la confianza, la familiaridad y a si una respuesta coincide con lo que ya creen.

Por lo tanto, el tono conversacional de un chatbot puede influir en la acción antes de que un usuario evalúe sus pruebas. Los productos de propósito general combinan la entrega de información con el diseño persuasivo de interfaces, incluso cuando la persuasión no era el objetivo declarado del desarrollador.

Los médicos se enfrentan a una estructura de responsabilidad distinta. Operan bajo estándares profesionales, requisitos de documentación, normas de privacidad y leyes de responsabilidad por mala praxis. También pueden cometer errores, pero existe una relación definida y una vía de investigación.

Un chatbot para consumidores suele presentar sus respuestas como información general. Sin embargo, la conversación puede parecer lo suficientemente personalizada como para que los usuarios la traten como consejo directo.

Este desajuste es la tensión principal del artículo. El usuario recibe algo que se parece a una atención individualizada, mientras que el proveedor suele mantener la posición legal de un servicio de información general.

Por tanto, la cuestión competitiva no es ChatGPT frente a Gemini en pruebas médicas de referencia. Es la comodidad conversacional frente al juicio clínico responsable.

Las comparaciones entre modelos siguen siendo útiles, pero no resuelven ese problema estructural. Incluso el asistente con mejor rendimiento puede encontrarse con un paciente inusual, contexto faltante, una fuente desactualizada o una solicitud engañosa.

La referencia adecuada no es si un chatbot responde correctamente a más preguntas en una prueba controlada. Es si el sistema completo reconoce la incertidumbre, deriva los casos urgentes, cita pruebas adecuadas y evita exagerar lo que sabe.

La desinformación ya está regresando a la consulta

Los médicos se están convirtiendo en la capa de corrección para respuestas generadas fuera del sistema sanitario.

El Future Health Index de 2026 encontró que el 63% de los profesionales clínicos encuestados en Reino Unido había corregido desinformación generada por IA que los pacientes llevaron a las consultas.

Más de la mitad de los pacientes del Reino Unido incluidos en esa investigación habían llevado información de salud generada por IA a un profesional clínico. Solo el 25 % de los clínicos respondió positivamente a esa información, mientras que el 32 % reaccionó de forma negativa.

Estas cifras proceden de una investigación patrocinada por Philips, por lo que deben interpretarse dentro de su metodología declarada y su contexto comercial. Aun así, describen un problema de flujo de trabajo reconocible.

Un paciente llega con un resumen convincente, un diagnóstico propuesto o una comparación de tratamientos. El clínico debe determinar qué vio el modelo, qué omitió y cuán firmemente cree el paciente en ello.

Corregir esa información consume tiempo de consulta. También puede generar un conflicto social, porque rechazar la conclusión del chatbot puede sentirse como rechazar el esfuerzo del paciente por comprender su salud.

El mismo informe concluyó que el 88 % de los pacientes del Reino Unido esperaba una divulgación cuando se utilizara IA en su atención. El 32 % de los clínicos afirmó que los pacientes habían perdido la confianza tras descubrir la participación de la IA.

Esto produce una asimetría incómoda. Los pacientes incorporan cada vez más la IA de consumo a las consultas, pero muchos también esperan que las instituciones sanitarias expliquen claramente cualquier uso clínico de IA.

La distinción es razonable. Un hospital que implementa un algoritmo controla el flujo de trabajo y debe transparencia a los pacientes. Que una persona consulte de forma independiente a ChatGPT no crea la misma obligación institucional.

Sin embargo, ambas formas de IA pueden confundirse durante una conversación clínica. Es posible que los pacientes no sepan si un resumen procede de un dispositivo médico regulado, un asistente aprobado por el hospital o un chatbot generalista.

Esta es una de las razones por las que importan las etiquetas de plataforma. «Generado por IA» no constituye por sí solo una categoría de seguridad significativa. El término puede describir un asistente de redacción, un verificador de síntomas, una herramienta supervisada por un clínico o un software de diagnóstico regulado.

Las cifras de adopción también revelan una brecha de verificación. En la encuesta de KFF de marzo, el 58 % de los usuarios de IA para la salud física realizó posteriormente una consulta con un profesional sanitario. Eso deja una proporción considerable que no declaró haberlo hecho.

Solo el 42 % de los usuarios de IA para la salud mental dijo haber consultado después a un profesional de salud mental. La encuesta no demuestra que todos los demás necesitaran atención profesional. Muchas preguntas podrían haber sido menores o meramente informativas.

Aun así, el patrón se vuelve preocupante cuando un chatbot influye en si alguien busca atención. Un estudio del King’s College concluyó que el 15 % del público británico había utilizado consejos de IA en lugar de contactar con un médico de atención primaria u otro servicio del NHS.

Entre quienes buscaron consejos de salud mediante IA, el 21 % afirmó haber decidido no recibir atención profesional debido a algo que dijo un chatbot. El 20 % indicó que la tecnología no les animó a buscar una opinión profesional.

Se trata de resultados de encuestas autodeclarados, no de resultados clínicos verificados. No pueden establecer cuántas decisiones causaron daños ni si la recomendación del chatbot era errónea.

Sí establecen algo más inmediato: los usuarios creen que las respuestas de la IA influyen en sus decisiones sobre buscar atención. Esto sitúa a la tecnología dentro de la vía de atención sanitaria, independientemente de la advertencia que aparezca debajo de la respuesta.

Google News También Revela un Problema de Privacidad

Las mismas herramientas que prometen consultas privadas a menudo invitan a los usuarios a revelar parte de su información más sensible.

La privacidad forma parte del atractivo del producto. Alguien podría preferir escribir sobre salud sexual, adicción, ansiedad o un síntoma inusual antes que hablar con otra persona.

Sin embargo, la privacidad en el sentido social no garantiza la privacidad en el sentido técnico o legal. Una conversación puede parecer confidencial y aun así almacenarse, revisarse, conservarse o procesarse conforme a las condiciones de una plataforma de consumo.

KFF descubrió que el 77 % de los adultos estaba preocupado por la privacidad de la información médica proporcionada a herramientas de IA. La preocupación siguió siendo elevada en todos los grupos de edad y entre las personas que ya utilizaban IA para preguntas de salud.

A pesar de esa preocupación, el 41 % de los usuarios de IA para la salud dijo haber cargado información médica personal, como resultados de pruebas o notas de médicos. Esto representaba el 13 % de todos los adultos encuestados.

Entre los adultos de 18 a 29 años, el 19 % había introducido información médica personal en una herramienta de IA. Por tanto, la curva de adopción incluye el intercambio de datos, no solo búsquedas anónimas de síntomas.

Los historiales médicos crean riesgos especiales porque pueden incluir nombres, fechas, diagnósticos, medicamentos, antecedentes familiares, datos de clínicos y metadatos identificativos de documentos. Los usuarios pueden compartir más de lo que requiere una sola pregunta.

Las conversaciones de salud de consumo también se sitúan en un ámbito regulatorio confuso. Las personas suelen asociar la información médica con fuertes protecciones de privacidad. Esas protecciones no se aplican automáticamente a toda tecnología de consumo que reciba texto relacionado con la salud.

La configuración del servicio, la política de retención, la política de entrenamiento y el modelo de negocio son factores relevantes. Las políticas también pueden diferir entre un chatbot generalista, un producto empresarial y una función de salud específica de la misma empresa.

Aquí es donde la disciplina informativa se vuelve práctica. Los usuarios deberían eliminar nombres, fechas, direcciones, números de historial y otros datos identificativos antes de solicitar una explicación general.

También deberían separar una solicitud para aclarar terminología de una solicitud de tratamiento individualizado. Una pregunta sobre lo que suele indicar un marcador de laboratorio presenta menos riesgo que cargar un historial completo y pedir una decisión sobre medicación.

Mantener organizado el material de origen puede ayudar a los usuarios a cuestionar una respuesta generada. Una base de conocimientos de IA privada puede conservar documentos y sus orígenes, pero la organización no convierte la salida de la IA en juicio médico.

Los usuarios aún deben revisar el informe original de laboratorio, las instrucciones de medicación o el mensaje del profesional. Los resúmenes generados deben seguir siendo una ayuda de navegación, no el único registro.

El ecosistema de Google News añade otra complicación de privacidad. Una persona podría encontrarse con un resumen de IA en una búsqueda, pasar a un chatbot y luego pegar detalles médicos sin reconocer que ha cruzado entre productos o políticas.

Las plataformas pueden reducir este riesgo con advertencias contextuales antes de cargas sensibles. También pueden ofrecer controles de retención sencillos, explicaciones claras y límites sobre cómo se utilizan las conversaciones de salud.

El desafío más difícil es el momento. Una advertencia genérica mostrada después de una respuesta detallada tiene menos peso que una advertencia presentada antes de que un usuario comparta un historial o actúe siguiendo consejos de triaje.

Lo Que las Plataformas, los Proveedores y los Reguladores Deben Demostrar a Continuación

La próxima fase se juzgará por la derivación, la evidencia y la rendición de cuentas, no por la fluidez de las respuestas de los chatbots.

La primera señal que hay que observar es si los asistentes de consumo incorporan comportamientos de derivación más sólidos en las conversaciones de salud. Un sistema útil debería reconocer patrones urgentes, expresar la incertidumbre y dirigir a los usuarios hacia una atención profesional adecuada.

Este comportamiento necesita pruebas independientes en distintos grupos demográficos, idiomas y afecciones poco comunes. Un modelo que funciona bien con indicaciones conocidas en inglés puede comportarse de forma diferente cuando un usuario describe síntomas indirectamente o utiliza otro idioma.

La derivación también necesita moderación. Si un chatbot califica cada preocupación como una emergencia, las personas ignorarán sus advertencias. La seguridad depende de una orientación calibrada, no de una alarma constante.

La segunda señal es si las empresas de IA exponen la evidencia detrás de las respuestas de salud. Los enlaces por sí solos son insuficientes cuando el modelo cita un artículo irrelevante, una fuente débil o una página que no respalda su afirmación.

Los usuarios necesitan citas vinculadas a afirmaciones concretas. Las plataformas deberían diferenciar la orientación consolidada de la evidencia emergente e identificar explícitamente los desacuerdos entre fuentes reputadas.

La fundamentación en búsquedas puede reducir algunas respuestas sin respaldo al recuperar material actual antes de generar una respuesta. No puede garantizar que el modelo interprete correctamente ese material.

La tercera señal es la claridad regulatoria en torno a los chatbots de salud de consumo. La Comisión Nacional del Reino Unido sobre la Regulación de la IA en la Atención Sanitaria está examinando cómo debería evolucionar la supervisión existente a medida que la IA se extiende por entornos clínicos y de consumo.

Los reguladores deberán abordar el uso previsto. Un asistente generalista puede afirmar que solo proporciona información, pero el triaje repetido, la comparación de tratamientos o la orientación sobre salud mental pueden funcionar para los usuarios como un servicio de salud.

Las normas deben distinguir la publicación ordinaria de los sistemas que personalizan recomendaciones con consecuencias importantes. También necesitan un mecanismo viable para reclamaciones, notificación de incidentes y evaluación independiente.

Los proveedores de atención sanitaria no pueden esperar a que se establezcan esas normas. Necesitan una forma estándar de preguntar a los pacientes sobre el uso de IA sin desestimarlos.

Un clínico podría preguntar qué herramienta produjo una respuesta, qué información introdujo el paciente y si la respuesta cambió la medicación o el comportamiento de búsqueda de atención. Estas preguntas tratan el uso de chatbots como parte del historial del paciente.

Los proveedores también pueden publicar explicaciones fiables diseñadas para el descubrimiento conversacional. Si los pacientes buscan respuestas inmediatas, los sistemas de salud tienen incentivos para facilitar que la información creíble sea recuperada por los sistemas de búsqueda y de IA.

Para los usuarios, el papel más seguro de la IA sigue siendo la preparación y la aclaración. Puede explicar terminología, organizar preguntas, resumir texto proporcionado y ayudar a identificar temas que plantear a un profesional.

No debería convertirse en la autoridad final para emergencias, diagnósticos, cambios de medicación o decisiones de evitar la atención. Una respuesta que suena segura sigue dependiendo de datos de entrada incompletos y de un proceso de generación no verificado.

La lección más importante detrás del titular de Google News no es que una de cada seis personas tomara una decisión irracional. Las personas adoptaron una herramienta que eliminó fricción de un sistema lleno de fricciones.

La advertencia es que la conveniencia llegó antes que un modelo fiable de rendición de cuentas. Desde entonces, el uso ha crecido más rápido de lo que sugería la cifra original.

Por tanto, la siguiente pregunta es concreta: ¿construirán las plataformas límites médicos verificables antes de que los consejos de los chatbots se conviertan en una opción predeterminada invisible? Hasta entonces, los usuarios deberían tratar cada respuesta de salud de IA como un punto de partida para la verificación, nunca como la última palabra.