Estudio de Rutgers sobre IA y consumo de sustancias revela un uso generalizado, pero la seguridad sigue sin medirse
Investigadores de Rutgers descubrieron que el 32,3 % de los adultos jóvenes encuestados había utilizado IA generativa para obtener información relacionada con sustancias, sin determinar si esas interacciones les ayudaron o perjudicaron. El estudio de Rutgers sobre IA y consumo de sustancias cuantifica un comportamiento delicado: preguntar a un software conversacional sobre drogas, alcohol y sus consecuencias. Su tensión central reside en la distancia entre la confianza de las personas en una respuesta y la evidencia de que esa respuesta merece tal confianza.
Los hallazgos llegan mientras los chatbots se convierten en otro espacio al que las personas llevan preguntas que quizá dudarían en plantear cara a cara. La IA generativa, un software que produce contenido en respuesta a indicaciones, puede hacer que esos intercambios parezcan directos y personales. Esa comodidad genera una responsabilidad de salud pública, incluso cuando el producto comenzó como un asistente de propósito general.
La búsqueda de Google ofrece una comparación importante. Los investigadores encontraron un solapamiento considerable entre las personas que usan chatbots y las que buscan información relacionada con sustancias en la web. Por tanto, la historia trata de otra capa influyente entre una pregunta y una decisión. Desarrolladores, profesionales clínicos y comunicadores de salud afrontan ahora el mismo asunto sin resolver: ¿qué ocurre después de que alguien acepta una respuesta conversacional?
Lo que realmente midió el estudio de Rutgers sobre IA y consumo de sustancias
El estudio documenta el uso declarado y las percepciones, en lugar de beneficios o perjuicios médicos demostrados.
Publicado el 19 de octubre de 2026 en JMIR Formative Research, la encuesta sobre IA y sustancias analizó las respuestas de 995 residentes de Estados Unidos de entre 18 y 29 años. Los participantes fueron reclutados a través de Prolific en abril de 2026. De esa muestra, 321 declararon haber utilizado alguna vez IA generativa para fines relacionados con sustancias.
Entre esos usuarios, el 48,2 % afirmó hacerlo al menos una vez al mes. Las preguntas sobre consecuencias fueron especialmente frecuentes. La encuesta también reveló que el 57,5 % de todos los participantes había buscado información relacionada con sustancias en Google. Entre quienes declararon usar IA para este tema, el 92,8 % también había utilizado Google para buscarlo.
Estas audiencias superpuestas complican cualquier afirmación de que los chatbots hayan desplazado a la búsqueda. Una persona puede alternar entre un buscador, un chatbot y otras fuentes durante el mismo proceso de búsqueda de información. La encuesta no establece qué fuente se consultó primero, qué respuesta prevaleció ni si alguien verificó respuestas contradictorias.
Esta distinción cambia las implicaciones para el negocio y el producto. Un chatbot no necesita convertirse en la fuente exclusiva de información de alguien para influir en su comprensión. Podría resumir lo que encontró en otro lugar, explicar terminología desconocida o proporcionar la respuesta final que la persona recuerda. Son funciones posibles, no comportamientos establecidos por esta encuesta.
El momento también merece la misma cautela. Octubre marca la publicación y difusión de los hallazgos; las respuestas describen comportamientos declarados en abril. Los lectores deben evitar tratar el titular como una medición en tiempo real de la adopción actual. Los cambios en los productos posteriores a la recopilación de datos tampoco pueden explicar las respuestas que los investigadores ya habían recogido.
La referencia del titular a los adultos jóvenes también requiere límites. Esta investigación se refiere a adultos dentro de un rango de edad específico. No debe convertirse en una afirmación sobre menores, todos los estudiantes o todas las personas que consumen sustancias. Formular una pregunta relacionada con sustancias tampoco establece consumo personal, dependencia o intención de experimentar.
Para los lectores de tecnología, el cambio concreto es la visibilidad. La investigación de Rutgers sobre chatbots otorga a un caso de uso antes poco examinado una audiencia cuantificable dentro de esta muestra. La publicación hace más difícil pasar por alto a esa audiencia, mientras deja abierta a investigación la calidad y las consecuencias de sus interacciones.
Eso basta para justificar la atención sin exagerar el resultado. La investigación sobre adopción puede identificar dónde corresponde evaluar. Sin embargo, no puede sustituir esa evaluación, por llamativo que parezca el titular o por familiar que se haya vuelto la interfaz del chatbot.
Los comunicadores de salud se enfrentan a una audiencia más allá de sus propios sitios web
Los hallazgos presionan a las organizaciones cuya información fiable debe competir por atención dentro de interfaces conversacionales.
En sus hallazgos sobre chatbots y adultos jóvenes del 23 de octubre, Rutgers describió que los participantes buscaban principalmente información sobre riesgos y consecuencias. La autora principal, Mireia Triguero Roura, advirtió que la desinformación procedente de estas herramientas podría contribuir a conductas de riesgo. Esa advertencia identifica un peligro potencial; no establece que la encuesta haya observado tal perjuicio.
La implicación práctica va más allá de publicar otra página web precisa. Las organizaciones de salud deben considerar cómo se mantiene su información cuando alguien la encuentra mediante una explicación generada. Una respuesta puede conservar una conclusión general y, al mismo tiempo, omitir matices que importan a un lector concreto.
Pensemos en una situación ilustrativa: alguien pide a un chatbot que explique una advertencia que encontró en un sitio web de salud. El asistente ofrece una respuesta más breve y la persona pregunta si la advertencia se aplica a sus circunstancias. Este ejemplo es hipotético, pero muestra cómo un intercambio informativo puede avanzar hacia una interpretación personalizada.
Esa transición importa para las organizaciones que suministran el conocimiento subyacente. Su página original podría distinguir cuidadosamente entre educación general y evaluación individual. Un resumen conversacional podría ocultar esa distinción. La pregunta para los comunicadores es si el límite esencial sigue visible cuando la información cambia de formato.
Los profesionales clínicos afrontan un desafío comunicativo relacionado. Una persona que llega con una explicación generada por IA puede tener ya una interpretación segura de lo que significa su pregunta. Como implicación de los hallazgos, las conversaciones clínicas deben dejar espacio para examinar esa interpretación sin tratar la búsqueda de información de la persona como una conducta indebida.
Una respuesta despectiva dejaría sin contestar la pregunta subyacente. Una respuesta acrítica otorgaría al chatbot más autoridad de la que justifica la evidencia. El enfoque más útil consiste en identificar qué información recibió la persona, qué entendió y dónde permanece la incertidumbre.
Los equipos de salud pública también tienen un problema de distribución. El material claro debe poder encontrarse, comprenderse y ser adecuado para una cita o resumen precisos. Eso no garantiza que un chatbot conserve su significado. Sí ofrece a los comunicadores un punto concreto desde el que empezar a evaluar cómo aparece su trabajo más allá de sus propios canales de publicación.
La presión es inmediata y continua. Las organizaciones pueden revisar ahora la claridad de los recursos existentes. Determinar si la entrega conversacional mejora la comprensión requiere evidencia adicional. Son responsabilidades relacionadas, pero operan en plazos distintos y no deben presentarse como el mismo logro.
Por tanto, el estudio cuestiona una definición estrecha de la comunicación digital en salud. Publicar contenido preciso sigue siendo esencial. Comprender las interfaces mediante las cuales las personas interpretan ese contenido pasa a ser otra parte del trabajo, especialmente cuando esas interfaces invitan a preguntas de seguimiento que el autor original nunca ve.
El acceso conversacional y la orientación verificada cubren necesidades distintas
Una respuesta accesible puede mejorar el acceso a la información y, aun así, dejar sin resolver su fiabilidad.
El atractivo de una interfaz conversacional es fácil de entender como propuesta de producto. Un usuario puede formular una pregunta incómoda en lenguaje cotidiano, pedir aclaraciones y continuar sin navegar por una colección de páginas. Estas características describen un estilo de interacción. No establecen idoneidad clínica.
Este es el intercambio central detrás de la información sanitaria con IA. Reducir la fricción puede facilitar que se formule una pregunta. La misma reducción puede hacer más fácil aceptar una respuesta sin examinar su fundamento. Que eso ocurra en la práctica, y con qué consecuencias, requiere un estudio directo.
La búsqueda de Google ofrece una referencia útil porque suele presentar múltiples destinos y editores visibles. Los usuarios aún deben evaluar esas fuentes, y los resultados de búsqueda no garantizan precisión. Un chatbot puede comprimir ese trabajo en una sola respuesta, lo que hace especialmente importante la base de su síntesis.
ChatGPT, Google Gemini, Meta AI y My AI de Snap aparecieron como ejemplos en la descripción de IA generativa de la encuesta de Rutgers. Su inclusión no establece un rendimiento comparativo. La investigación no ofrece base para nombrar un ganador ni para asignar una ventaja de seguridad medida a un producto concreto.
Una comparación significativa tendría que examinar las mismas preguntas en condiciones comparables. Los evaluadores tendrían que registrar qué respondió cada sistema, qué evidencia aportó y cómo gestionó el contexto ausente. Una respuesta pulida por sí sola sería una base inadecuada para clasificar productos en este contexto.
Los sondeos históricos refuerzan la necesidad de distinguir el uso de la confianza. En su encuesta de agosto de 2024 sobre IA e información sanitaria, KFF descubrió que el 25 % de los adultos menores de 30 años usaba chatbots al menos una vez al mes para obtener información sanitaria. Entre todos los adultos, el 29 % afirmó confiar en los chatbots para proporcionar información sanitaria fiable.
Estas cifras describen una encuesta distinta y una categoría más amplia de preguntas sanitarias. No pueden establecer una tendencia de adopción frente a los hallazgos de Rutgers. Las poblaciones, las preguntas y las medidas son diferentes. Su valor aquí es contextual: el uso de chatbots y los juicios sobre su fiabilidad ya eran preocupaciones públicas separadas antes de este estudio concreto.
El desafío para el producto es hacer comprensible esa separación durante un intercambio. Una interfaz útil debería comunicar cuándo está explicando información general y cuándo la pregunta del usuario supera lo que el sistema puede establecer de forma responsable. Ese es un objetivo de diseño, no un resultado demostrado por la investigación de Rutgers.
La visibilidad de las fuentes también importa. Una cita ofrece al usuario algo que inspeccionar, pero su presencia no demuestra que la respuesta represente con precisión el material citado. La evaluación debe examinar la conexión entre una afirmación y su evidencia, incluido si los matices sobrevivieron al resumen.
Para los lectores que ya organizan material técnico mediante una base de conocimiento personal, la distinción de gestión de la información resulta familiar. Mantener accesible una fuente original permite realizar comprobaciones posteriores. No convierte una explicación guardada en orientación médica verificada.
La implicación más amplia es que la accesibilidad y la rendición de cuentas necesitan medidas separadas. Un sistema puede ser fácil de usar y, al mismo tiempo, difícil de auditar. Los equipos de producto deberían poder explicar cómo evalúan ambas, en lugar de pedir que una conversación satisfactoria sirva como evidencia de cada una.
La confianza necesita una evaluación que la satisfacción no puede proporcionar
La impresión positiva de un usuario es una observación importante, pero no es una prueba de precisión.
Rutgers informó que los participantes percibían las herramientas de IA como útiles, fiables y dignas de confianza. Esas percepciones ayudan a explicar por qué este caso de uso merece atención. Indican a los investigadores algo sobre la relación que los usuarios creen tener con la tecnología, sin establecer si una respuesta concreta era correcta.
Esa diferencia es especialmente importante cuando el usuario formula una pregunta porque carece de los conocimientos necesarios para valorar una respuesta. La legibilidad puede hacer que una explicación sea más fácil de entender. La confianza puede hacer que sea más fácil aceptarla. Ninguna de estas cualidades establece por sí sola que la explicación contenga los hechos y las salvedades necesarios.
Por ello, una evaluación futura debería separar varias cuestiones. ¿La respuesta ofrecía información precisa? ¿Omitía algo relevante? ¿El usuario entendía su incertidumbre? ¿El intercambio influyó en una decisión posterior? Combinar esas preguntas en una puntuación general de satisfacción ocultaría las distinciones importantes.
La guía sobre IA generativa de la Organización Mundial de la Salud aborda aplicaciones sanitarias más amplias de modelos que aceptan y generan distintos tipos de contenido. Identifica preocupaciones como afirmaciones falsas o incompletas, sesgos y una dependencia excesiva de los resultados automatizados. Estas preocupaciones proporcionan un marco para la evaluación, en lugar de demostrar que todos los intercambios fallen.
Una respuesta incompleta es particularmente relevante para las pruebas de producto. Los evaluadores deberían examinar lo que un sistema omite, además de lo que afirma explícitamente. Una respuesta puede contener afirmaciones generales precisas y, aun así, no comunicar las limitaciones de aplicarlas a una situación individual.
El mismo principio se aplica a la incertidumbre. Una advertencia al inicio de una conversación no demuestra que las respuestas posteriores mantengan límites adecuados. La evaluación debería seguir la interacción a medida que el usuario añade detalles, pide tranquilidad o cuestiona una respuesta cautelosa.
Estas son prioridades de prueba propuestas, no hallazgos del estudio de Rutgers sobre IA y consumo de sustancias. La distinción evita que el artículo atribuya capacidades o fallos a sistemas que los investigadores no probaron. También dirige la atención hacia la evidencia que los desarrolladores podrían producir para abordar la brecha real.
La utilidad percibida también debe formar parte de esa evaluación. Una explicación técnicamente precisa que los usuarios no pueden entender plantea su propio problema de comunicación. El objetivo debería ser evaluar la comprensión y la precisión conjuntamente, preservando al mismo tiempo sus significados distintos.
Esto crea un estándar exigente para las afirmaciones sobre productos. Una empresa que describa un asistente como útil para preguntas sensibles debería explicar qué significa “útil” según su evidencia. Respuestas más rápidas, redacción más clara, contenido preciso y mejores decisiones son logros diferentes. Una demostración de uno no debería convertirse discretamente en una afirmación sobre todos ellos.
El debate público se beneficia de la misma disciplina. Es posible reconocer el atractivo del acceso conversacional y, al mismo tiempo, exigir evidencia más sólida sobre la fiabilidad. Esa postura se desprende directamente de las preguntas no resueltas, sin asumir ni un beneficio universal ni un daño inevitable.
Las diferencias demográficas y de muestreo limitan el titular
El resultado de “un tercio” corresponde a esta muestra de la encuesta y no debería convertirse en una estimación nacional precisa.
Los investigadores identifican una muestra en línea no probabilística como una limitación. En ese diseño, los participantes no ingresan mediante un proceso que otorgue a cada persona elegible una probabilidad de selección conocida. Por tanto, las personas especialmente activas en línea o familiarizadas con la IA podrían estar sobrerrepresentadas.
Las cuotas de reclutamiento pueden mejorar el equilibrio demográfico de una muestra sin eliminar ese problema de selección. Ajustarse a determinadas características de la población no demuestra que los participantes se parezcan a todas las demás personas en sus hábitos de información. La distinción importa porque el comportamiento investigado está estrechamente vinculado a la actividad en línea.
Esta salvedad no elimina el comportamiento informado. Cambia lo que la cifra puede respaldar. El estudio aporta evidencia de un uso considerable dentro del grupo reclutado y una razón para investigar más. No determina con exactitud cuán común es ese comportamiento entre todos los adultos jóvenes estadounidenses.
La encuesta también depende de que los encuestados recuerden y describan su propio comportamiento. Los autores señalan que sus medidas adaptadas no se habían pilotado ni validado previamente. Por tanto, los lectores deberían considerar los hallazgos como un esfuerzo inicial de medición con incertidumbre reconocida, no como un instrumento final para seguir a toda la población.
Los hallazgos demográficos requieren una cautela similar. Los encuestados negros y hombres eran más propensos a informar del uso de IA relacionado con sustancias. Rutgers analiza posibles explicaciones relacionadas con el acceso a la atención sanitaria, el estigma, la confianza y los hábitos de búsqueda de información. Esas explicaciones siguen siendo hipótesis, no causas establecidas por la encuesta.
Una asociación no demuestra que una característica demográfica produzca un comportamiento. Tampoco revela si los distintos grupos recibieron respuestas diferentes o experimentaron consecuencias distintas. Esas preguntas requieren evidencia sobre interacciones y resultados que este estudio no proporciona.
Para los desarrolladores, la implicación es examinar si las evaluaciones representan adecuadamente a las personas que usan el producto. Un público de prueba que pase por alto grupos importantes de usuarios puede dejar preguntas importantes sin responder. Esa recomendación debería orientar una investigación inclusiva, en lugar de justificar suposiciones sobre el juicio o la vulnerabilidad de cualquier grupo.
Para periodistas y lectores, la redacción importa. “Adultos jóvenes encuestados” preserva el límite del resultado. “Adultos jóvenes”, sin matices, puede implicar una certeza más amplia. La diferencia es pequeña en un titular y sustancial en la interpretación.
La investigación de Rutgers sobre chatbots tampoco puede establecer una dirección causal entre el uso de IA y las necesidades de información sanitaria. Las personas que buscan más información podrían recurrir a más canales. Distintos hábitos informativos podrían preceder a la adopción de chatbots. Una sola encuesta no puede determinar la secuencia.
Estos límites hacen que la investigación de seguimiento sea más valiosa. Encuestas repetidas con métodos comparables podrían examinar cambios a lo largo del tiempo. Estudios que sigan a los participantes podrían investigar qué ocurrió después de un intercambio. Auditorías directas de respuestas podrían abordar la precisión. Cada diseño responde a una pregunta distinta, por lo que no debería esperarse que un único seguimiento resuelva todo.
La próxima evidencia debería conectar las respuestas con la comprensión
Los avances posteriores más útiles mostrarán qué dicen los sistemas, qué entienden los usuarios y cómo se conectan ambas cosas.
El estudio de Rutgers sobre IA y consumo de sustancias establece una razón para examinar de cerca una aplicación sensible de la IA de consumo. Durante los próximos meses, los lectores deberían buscar evidencia específica en lugar de asumir que una publicación, una actualización de producto o una declaración de seguridad resuelve la incertidumbre.
La primera señal es una evaluación independiente de las respuestas de chatbots relacionadas con sustancias. Una evaluación útil publicaría su conjunto de preguntas, criterios de evaluación, versiones de producto probadas y enfoque respecto a la información ausente. La revisión de expertos debería examinar la precisión, las omisiones, la incertidumbre y el punto en que un sistema se orienta hacia una guía individualizada.
Respuestas sistemáticamente apropiadas reforzarían el argumento de que el acceso conversacional puede atender a este público de forma responsable. Errores relevantes y repetidos reforzarían las preocupaciones sobre depender de sistemas de uso general en este contexto. Cualquiera de los dos resultados aportaría algo que las cifras de adopción por sí solas no pueden proporcionar.
La segunda señal es la investigación sobre la interpretación de los usuarios. Los investigadores deberían examinar qué creen las personas que estableció una respuesta, qué salvedades recuerdan y si verifican sus fuentes. Una respuesta puede parecer adecuadamente cautelosa para un evaluador y, aun así, dejar al lector con una certeza injustificada.
La evidencia de que los usuarios entienden los límites respaldaría la eficacia de los enfoques de comunicación existentes. La evidencia de que habitualmente no perciben esos límites los cuestionaría. Esto ayudaría a distinguir un problema en el contenido generado de un problema en la forma en que la interfaz presenta ese contenido.
La tercera señal es un cambio transparente en el producto acompañado de una evaluación medible. Esté atento a que los desarrolladores expliquen cómo gestionan las preguntas sanitarias ambiguas, la verificación de fuentes y las transiciones hacia el asesoramiento personalizado. Una nueva advertencia o función de derivación cobra sentido cuando la evidencia muestra cómo afecta al intercambio.
Una mejora documentada reforzaría la confianza en una intervención específica. Un anuncio sin una prueba divulgada dejaría sin resolver la incertidumbre central. La pregunta relevante es qué cambió en el comportamiento observado, no cuán tranquilizador suena el lenguaje del lanzamiento.
Ninguna de estas señales exige tratar toda la información sanitaria conversacional como intrínsecamente inútil o intrínsecamente segura. Exigen evidencia ajustada a la afirmación. La adopción, la satisfacción, la calidad del contenido, la comprensión y los resultados sanitarios deben formar parte de la misma investigación, manteniendo visibles sus diferencias.
Lea el estudio de Rutgers sobre IA y consumo de sustancias teniendo presente esta distinción, y aplíquela al próximo titular sobre chatbots. Pregunte quién participó, qué midieron los investigadores y si un resultado informado se refiere al uso, la confianza, la precisión o los resultados. Cuando una empresa introduzca una salvaguarda, busque una evaluación de la interacción real. Cuando una encuesta describa confianza, evite interpretarla como prueba de corrección. La siguiente pregunta importante es si las respuestas accesibles ayudan a las personas a comprender información fiable y reconocer sus límites. Siga la evidencia que conecte esos pasos y mantenga la investigación original al alcance cuando un titular prometa más de lo que el estudio midió.
