Microsoft: su IA acierta 83% en casos clínicos complejos

Qué encontró el estudio que Microsoft publicó en Science

El sistema de diagnóstico con IA de Microsoft acertó en el 83% de casos clínicos complejos simulados, frente al 36% de médicos de atención primaria y medicina interna general que trabajaron solos y con material de referencia. Lo reporta un estudio publicado el jueves en la revista Science. El resultado equivale a más del doble de aciertos que los médicos evaluados.

El matiz importa y viene en la propia cobertura: casos de esa complejidad, en la práctica real, los resuelven especialistas o equipos médicos, y ninguno de los dos formó parte de la comparación. La cifra mide a la IA contra un generalista que trabajó sin colegas, no contra el estándar de referencia del hospital.

Mustafa Suleyman, CEO de Microsoft AI, llamó al resultado un paso hacia la "superinteligencia médica", que la compañía define como "la capacidad de superar a los sistemas de salud contemporáneos liderados por humanos en razonamiento médico y coordinación a lo largo de todo el arco de cuidado".

¿Qué es MAI-DxO y cómo funciona por dentro?

MAI-DxO —o DxO— no es un modelo de lenguaje. Es una capa de orquestación: coordina varios agentes de IA que actúan como un panel de médicos. El panel interroga al paciente, pide pruebas y debate entre sus integrantes hasta cerrar un diagnóstico.

La lógica es distinta a la de un chatbot que responde una pregunta suelta. Se parece más a un comité clínico que delibera, con la diferencia de que cada "especialista" del comité es un agente distinto corriendo sobre el mismo modelo base.

Para un founder que construye productos con IA, ahí está el primer aprendizaje del caso: la arquitectura de agentes ya se está usando para atacar problemas donde el costo de un error es altísimo y donde un solo modelo, por bueno que sea, no alcanza el umbral de confianza.

El dato incómodo: ¿cuánto aporta la orquestación y cuánto el modelo?

Los propios datos del estudio sugieren que buena parte de la mejora viene de los modelos de IA subyacentes, y que el sistema de orquestación de Microsoft suma ganancias encima de eso. Microsoft probó DxO con modelos de OpenAI, Google, Anthropic, Meta y DeepSeek, y sus mejores resultados salieron con GPT-5 y GPT-5.5 de OpenAI.

• Con GPT-5, solo y con un prompt corto, el sistema marcó 78,9% en casos complejos a unos US$8.400 por caso. DxO recortó ese costo en alrededor de US$3.000, pero subió la precisión apenas unos cuatro puntos.
• Con GPT-5.5, el modelo más nuevo, DxO llevó la precisión de 72% a casi 87%, con un costo levemente menor.
• Con Gemini 2.5 Flash, DxO subió el resultado de 46,4% a casi 69%.

La conclusión práctica es incómoda para quien vende la orquestación como producto: cuando el modelo base ya es fuerte, la ganancia del sistema de agentes se comprime. Los investigadores de Microsoft lo admiten: las mejoras de precisión se achican a medida que los modelos se acercan al máximo teórico.

Y hay otro corte que rompe el relato: en casos de urgencias, la mejora de DxO —en precisión y en costo— fue mínima, tanto con GPT-5 como con GPT-5.5 (ambos rondaron el 85% con y sin DxO, a un costo similar). La orquestación brilla en el caso raro y complejo, no en el volumen de la guardia.

¿Cuánto pesa el costo por diagnóstico?

Microsoft midió DxO en accuracy y en costo por caso. Es una decisión metodológica que vale la pena copiar: en salud, un punto de precisión no sirve si el unit economics no cierra.

Como antecedente, en un benchmark previo que TechRepublic recopiló —contenido publicado originalmente por eWeek el 30 de junio de 2025—, MAI-DxO había alcanzado 85,5% de acierto sobre 304 casos reales del New England Journal of Medicine, frente a un 19,9% promedio de 21 médicos estadounidenses y británicos que resolvieron los casos sin herramientas ni referencias. En ese ejercicio el sistema redujo el gasto diagnóstico promedio a US$2.396 por caso, un 20% menos que los US$2.963 de los médicos. Son números de una evaluación distinta y anterior, pero marcan la misma dirección: menos pruebas, igual o mejor resultado.

Los propios investigadores de Microsoft advierten que esas estimaciones de costo se apoyaron en precios hospitalarios de EE. UU. y no contemplan diferencias regionales, seguimiento posterior ni factores del paciente como tiempo, acceso o comodidad. Tampoco hay validación en entornos clínicos reales: el benchmark usó casos raros y complejos.

¿Qué están haciendo Google y OpenAI en el mismo terreno?

Microsoft se suma a Google y OpenAI en la carrera por demostrar que su IA puede igualar o superar a los médicos. El comparable más directo acaba de publicarse.

Google publicó junto a Beth Israel Deaconess Medical Center (BIDMC) un estudio clínico en The Lancet para evaluar AMIE, su IA de diagnóstico conversacional, en visitas reales de atención urgente. Según la cobertura de Unite.AI, la publicación salió el 8 de octubre de 2026 y en ella 98 pacientes conversaron con el sistema antes de su consulta, con médicos supervisando en tiempo real. Ninguna de las conversaciones tuvo que interrumpirse bajo criterios de seguridad predefinidos, según TechTarget.

Los números de AMIE, según el propio equipo de Google Research y BIDMC: el diagnóstico final apareció dentro de sus siete primeras posibilidades en el 90% de los casos, en el top-3 en el 75% y como primera opción en el 56%. En la comparación cegada, los médicos superaron a AMIE en practicidad y costo-efectividad de los planes de manejo, algo que Google atribuyó a que el sistema no accede a la historia clínica electrónica, no puede hacer un examen físico y no recibe insumos multimodales.

La diferencia de diseño entre ambos estudios es la que un founder tiene que leer con lupa. El de Microsoft es una simulación sobre casos publicados. El de Google es prospectivo, con pacientes reales, aunque de un solo centro y sin comparación controlada contra un flujo de trabajo baseline.

¿Qué significa esto para tu startup?

El mensaje para quien construye en salud digital o en IA aplicada es doble: la oportunidad es enorme y la métrica que importa no es la que se usa en el marketing.

• Mide costo por caso, no solo accuracy. DxO subió la precisión cuatro puntos en un escenario y bajó unos US$3.000 el costo; en urgencias no movió ninguna de las dos agujas. Si tu producto de IA resuelve un problema recurrente y de alto volumen, primero verifica que la capa de agentes aporte cuando el modelo base ya es bueno. En muchos casos, el salto grande está en migrar de modelo, no en sumar agentes.
• Diseña tu evaluación antes de tu demo. El patrón de Microsoft —panel de agentes, casos difíciles, costo por caso, comparación contra humanos— es replicable en cualquier vertical regulado: legal, financiero, seguros. Un set de evaluación propio, con casos que un humano resuelve a duras penas, vale más que un benchmark público.
• Si tu tesis es salud, el cuello de botella es la integración, no el modelo. Google identificó que su IA pierde frente al médico en practicidad y costo-efectividad por no tener acceso a la historia clínica, no poder examinar físicamente y no ver al paciente. Ahí hay producto: capas de integración con sistemas hospitalarios, captura de datos estructurados y flujos multimodal.
• Vigila el calendario de validación real. Microsoft evalúa DxO con Beth Israel Deaconess Medical Center en Boston, comparando sus recomendaciones contra las de los médicos en paralelo. Dominic King, vicepresidente de Salud de Microsoft AI, dijo que esperan "la evidencia más contundente" al cierre del estudio. Para una startup de salud, los resultados de esos ensayos prospectivos son la señal de qué se puede desplegar a escala y qué queda en el laboratorio.

La apuesta de fondo: datos clínicos y flywheel

Suleyman no es un recién llegado al problema. Fue cofundador de DeepMind, adquirida por Google en 2014; al año siguiente Google DeepMind compró Hark, la startup de gestión de tareas clínicas de King, y ambos lanzaron DeepMind Health. Suleyman se sumó a Microsoft para liderar su unidad de IA en 2024.

Su tesis es que la salud está entrando en la fase en la que ya entraron el chat y el código: un flywheel de uso real que identifica huecos del modelo y los parchea. Microsoft trabaja con Mayo Clinic para entrenar un modelo fundacional de salud, con lanzamiento previsto para el próximo año, y Suleyman sostiene que en 2027 veremos "un avance estilo coding para los registros médicos": predicciones en streaming sobre cómo podría evolucionar la historia clínica de un paciente.

También calcula que los modelos de salud serán "un orden de magnitud mejores en capacidad dentro de los próximos 24 a 36 meses". Es una promesa con fecha, y eso convierte el calendario de validación clínica en el activo más valioso de esta carrera. Para un founder hispanohablante en salud digital, la pregunta estratégica no es si la IA diagnosticará mejor que un generalista, sino quién tendrá los datos y la integración para demostrarlo en un hospital real.

Fuentes

• Microsoft's Mustafa Suleyman says its AI outperforms doctors on hard cases as he chases 'medical superintelligence'
• Google's AMIE Primary Care Feasibility Study Published in The Lancet
• Google AI chatbot performs well in primary care settings
• Microsoft's Medical AI Redefines Diagnostics
• Google's AMIE study shows AI can enhance patient-physician relationships