La Inteligencia Artificial Generativa (Generative AI) es una rama de la inteligencia artificial diseñada para crear contenido nuevo y original a partir de datos existentes.
En lugar de limitarse a reconocer patrones o clasificar información (como hace la IA tradicional), la IA generativa aprende las estructuras subyacentes de los datos y luego genera ejemplos nuevos que podrían haber pertenecido al conjunto original.
🔹 En otras palabras:
La IA generativa no solo predice o detecta, sino que produce: texto,
imágenes, sonidos, código, moléculas o incluso datos sintéticos.
| Mito / Confusión | Realidad |
|---|---|
| “Es una IA que simplemente busca en internet o copia información.” | No. Los modelos generativos no buscan ni copian; generan contenido nuevo basado en patrones aprendidos. |
| “Es un motor de búsqueda avanzado.” | No. ChatGPT o Gemini no “buscan”, sino que predicen la siguiente palabra más probable en función del contexto del texto previo. |
| “Produce conocimiento real o verificado.” | No necesariamente. La IA generativa no entiende ni valida la verdad; su salida depende de los datos de entrenamiento y del diseño del prompt. |
| “Siempre usa datos reales o personales.” | Falso. Muchos modelos pueden trabajar con datos sintéticos o anonimizados, lo cual es esencial en medicina. |
| “Todos los modelos de IA son generativos.” | No. La IA generativa es solo una subcategoría dentro del aprendizaje automático. Otros tipos se enfocan en clasificación, predicción o segmentación. |
Prompt Engineering (ingeniería de prompts) es la disciplina que consiste en diseñar, estructurar y optimizar instrucciones (prompts) para guiar el comportamiento de modelos de inteligencia artificial generativa —como ChatGPT o Gemini— con el fin de obtener respuestas más precisas, relevantes y útiles.
En otras palabras:
Es el arte y la ciencia de comunicarse eficazmente con modelos de lenguaje para que realicen tareas específicas de la forma deseada.
Un prompt es el mensaje de entrada que recibe el modelo (texto, imagen o mezcla de ambos). El modelo no “piensa” como un humano, sino que predice la siguiente palabra más probable según el contexto y el patrón estadístico aprendido. Por eso, la forma en que formulamos el prompt determina la calidad de la salida.
El Prompt Engineering se basa en comprender:
En medicina, el Prompt Engineering permite transformar modelos genéricos como ChatGPT en asistentes especializados capaces de:
Prompt básico:
“Explícame qué es la insuficiencia cardíaca.”
Prompt diseñado (ingeniería de prompt):
“Actúa como un cardiólogo docente. Explica qué es la insuficiencia cardíaca a estudiantes de tercer año de medicina, usando lenguaje técnico claro, ejemplos clínicos y una tabla con causas principales y tratamientos iniciales.”
Resultado: una respuesta más estructurada, didáctica y adaptada al contexto educativo.
| Componente | Descripción | Ejemplo médico |
|---|---|---|
| Rol | Define el papel del modelo. | “Actúa como médico internista experto en enfermedades infecciosas.” |
| Tarea | Especifica claramente qué debe hacer. | “Resume la historia clínica en formato SOAP.” |
| Contexto | Añade información relevante o restricciones. | “Paciente hospitalizado con antecedentes de diabetes y fiebre persistente.” |
| Formato | Indica cómo debe presentarse la respuesta. | “Devuélvelo en forma de tabla con diagnósticos diferenciales y pruebas sugeridas.” |
| Ejemplo o referencia (Few-Shot) | Muestra un ejemplo de salida deseada. | “Ejemplo de resumen: … Ahora genera uno similar.” |
| Técnica | Propósito | Ejemplo médico |
|---|---|---|
| Role Prompting | Ajustar el nivel y tono. | “Actúa como tutor de residentes de medicina interna.” |
| Chain of Thought | Inducir razonamiento paso a paso. | “Razonemos paso a paso antes de llegar al diagnóstico.” |
| Few-Shot Prompting | Enseñar con pocos ejemplos. | “Aquí tienes un ejemplo de informe radiológico. Ahora genera uno similar.” |
| Reflexion / Critic Prompting | Pedir revisión o autoevaluación. | “Revisa si tu resumen incluye todos los hallazgos importantes del estudio.” |
| Prompt Chaining | Crear flujo secuencial de prompts. | “1️⃣ Resume el artículo. 2️⃣ Identifica las variables. 3️⃣ Propón una hipótesis.” |
| Concepto | Función | Relación con Prompt Engineering |
|---|---|---|
| IA generativa | Crea contenido nuevo a partir de datos aprendidos. | El prompt engineering es la forma de guiar esa generación. |
| LLM (Large Language Model) | Modelo de lenguaje que predice texto (como ChatGPT). | El prompt es su principal interfaz de control. |
| Deep Learning | Base técnica (redes neuronales profundas) que hace posible la generación. | El prompt engineering no modifica la red, sino cómo la usamos. |
| Fine-Tuning | Ajusta el modelo con nuevos datos. | Prompt Engineering ajusta las instrucciones, no los datos ni el modelo. |
Prompt Engineering = Diseñar instrucciones inteligentes para que los modelos generativos produzcan resultados útiles, confiables y adaptados al contexto médico o científico.
| # | Chatbot | Creador / plataforma | En qué destaca | URL oficial |
|---|---|---|---|---|
| 1 | ChatGPT | OpenAI | Asistente general, voz, GPT-4o, 1 M tokens, tienda de GPTs | https://chat.openai.com" |
| 2 | DeepSeek | DeepSeek (China) | LLM chino de rápido crecimiento, top en matemáticas y código | https://chat.deepseek.com |
| 3 | Google Gemini | Google DeepMind | Multimodal, 2 M tokens, integrado en Gmail, Docs, Android | https://gemini.google.com |
| 4 | Perplexity | Perplexity | Búsqueda en tiempo real con fuentes citadas | https://www.perplexity.ai |
| 5 | Claude | Anthropic | Redacción segura y largos contextos (200 k), uso de “computadora” | https://claude.ai |
| 6 | Microsoft Copilot | Microsoft | Asistente en Office 365, Windows 11, generación de imágenes | https://copilot.microsoft.com |
| 7 | Grok | xAI (X/Twitter) | Acceso directo a la red social X, tono informal | https://grok.x.ai |
| 8 | Poe | Quora | Portal único para usar GPT-4o, Claude, Gemini, Llama, etc. | https://poe.com |
| 9 | Meta AI | Meta | Incrustado en Facebook, Instagram, WhatsApp, gafas Ray-Ban | https://www.meta.ai |
| 10 | Mistral | Mistral AI | Modelo europeo open-source, barato y de alto rendimiento | https://chat.mistral.ai |
| 11 | Kimi | Moonshot AI | 200 k contexto, subida de archivos de 100 MB, nuevo K1.5 | https://kimi.moonshot.cn |
| 12 | Qwen | Alibaba Cloud | Familia open-source (0,5-72 B), excelente en código | https://qwenlm.github.io |
| 13 | Google AI Mode | Google (Search Labs) | Página de búsqueda que razona en voz alta con URLs en vivo | https://labs.google.com/search/ai-mode |
La ética de la inteligencia artificial (IA), particularmente en el contexto de la IA generativa, es un campo crítico y cada vez más relevante, especialmente en sectores como la salud y la medicina. Existen varios aspectos éticos que deben ser considerados para garantizar el uso responsable y justo de estas tecnologías. A continuación, se destacan los puntos clave:
El uso de la IA generativa en la medicina tiene el potencial de transformar la atención al paciente, pero también plantea desafíos éticos significativos. La clave para abordar estos desafíos es desarrollar e implementar principios éticos sólidos, que prioricen la seguridad, la equidad, la transparencia y el respeto a los derechos de los pacientes. La colaboración entre profesionales de la salud, desarrolladores de IA y reguladores es esencial para garantizar que la tecnología se utilice de manera responsable y en beneficio de todos.
| # | Fuente | Contenido clave / por qué es relevante |
|---|---|---|
| 1 | Regulation (EU) 2024/1689 – AI Act (UE) — texto oficial del AI Act. (Artificial Intelligence Act) | Marco regulatorio horizontal (primero en el mundo) sobre IA, incluye categorías de riesgo, obligaciones para los modelos de propósito general, transparencia, etc. |
| 2 | “High-level summary of the AI Act” (UE) (Artificial Intelligence Act) | Versión más accesible del AI Act, buena para médicos y profesionales no legales. |
| 3 | European Medicines Agency (EMA) “Reflection paper on the use of Artificial Intelligence (AI) in the medicinal-product lifecycle” (sept 2024) (European Medicines Agency (EMA)) | Específica para el ámbito de medicamentos: uso de IA/ML en ensayos clínicos, desarrollo de fármacos, regulatorio. Muy relevante para médicos-investigadores. |
| 4 | EMA “Guiding principles on the use of large language models (LLMs) in regulatory science and for medicines regulatory activities” (2024) (European Medicines Agency (EMA)) | Enfoque directo en modelos generativos (LLMs) aplicados a regulación de medicamentos. |
| 5 | OMS “Ethics and governance of artificial intelligence for health” (marzo 2025) (World Health Organization) | Marco global para IA en salud: ética, gobernanza, derechos humanos. Adecuado para formación de médicos en IA generativa. |
| 6 | OMS “Guidance on large multimodal models (LMMs) for health” (18 enero 2024) (World Health Organization) | Enfoque recién actualizado sobre IA generativa (modelos multimodales) en salud — justo lo que estás buscando para tu curso. |
| 7 | International Society for Pharmacoeconomics and Outcomes Research (ISPOR) “ELEVATE-GenAI: Reporting Guidelines for the Use of Generative AI in HEOR studies” (2024) (PubMed) | Guía para investigación con IA generativa en resultados de salud y economía de la salud. Muy pertinente para médicos-científicos. |
| 8 | “FUTURE-AI: International consensus guideline for trustworthy and deployable AI in healthcare” (2023) (arXiv) | Marco interdisciplinario (científicos, clínicos, ética) sobre cómo desarrollar IA confiable en salud. |
| 9 | “Generative AI in EU Law: Liability, Privacy, Intellectual Property, and Cybersecurity” (arXiv/pre-print) (arXiv) | Documento académico que analiza implicaciones legales y regulatorias de IA generativa en la UE — útil para entender contexto. |
| 10 | Pan American Health Organization (PAHO) “AI prompt design for public health: Using generative AI responsibly” (2025) (Pan American Health Organization) | Guía para salud pública en América Latina — muy útil para formación localizada (España/Cataluña) y para médicos interesados en salud pública. |
| Nombre del patrón | Descripción | Cuándo usarlo | Ejemplo aplicado en medicina |
|---|---|---|---|
| Role Prompting | Define explícitamente el rol que debe asumir el modelo para ajustar tono, lenguaje y nivel de detalle. | Cuando se necesita una respuesta adaptada a un contexto profesional o disciplinar. | “Actúa como un profesor de anatomía que explica a estudiantes de medicina los fundamentos del sistema nervioso central.” |
| Few-Shot Prompting | Se proporcionan pocos ejemplos antes de pedir una nueva salida similar. Permite guiar el estilo, formato o razonamiento. | Cuando se busca consistencia o precisión en tareas repetitivas o con estructura definida. | “Ejemplo 1: Resumen estructurado de un caso clínico… Ejemplo 2: … Ahora genera un resumen del siguiente caso.” |
| Chain of Thought (CoT) | Pide al modelo que razone paso a paso antes de dar una conclusión. Favorece la transparencia y coherencia. | En tareas que requieren razonamiento clínico, diagnóstico diferencial o planificación de investigación. | “Analiza los síntomas paso a paso antes de proponer un diagnóstico probable.” |
| Zero-Shot Prompting | El modelo responde sin ejemplos previos, confiando en su conocimiento general. | Cuando se necesita explorar nuevas ideas, realizar brainstorming o validar conceptos sin sesgos previos. | “Propón 5 ideas innovadoras para aplicar IA en la monitorización de pacientes crónicos.” |
| Self-Consistency Prompting | Genera múltiples razonamientos y selecciona el más coherente o probable. | En decisiones clínicas, síntesis de evidencia o evaluación de hipótesis. | “Genera tres posibles interpretaciones de estos resultados de laboratorio y selecciona la más consistente.” |
| Reflexion / Self-Reflection Pattern | Pide al modelo revisar o criticar su propia respuesta para mejorarla. | Cuando se requiere calidad, rigor o autoevaluación de la salida. | “Revisa tu resumen del artículo y corrige posibles sesgos metodológicos o errores de interpretación.” |
| Decomposition Pattern | Divide una tarea compleja en subtareas más simples. | En generación de protocolos o diseño de proyectos de investigación. | “Descompón el proceso de diseño de un estudio clínico en pasos secuenciales: hipótesis, población, variables, análisis, ética.” |
| Socratic Prompting | El modelo formula preguntas para guiar el razonamiento del usuario. | En enseñanza médica interactiva o tutorías clínicas. | “Formula preguntas que ayuden al estudiante a identificar la fisiopatología detrás de una insuficiencia cardíaca aguda.” |
| Step-by-Step Instruction (Procedural Prompting) | Se solicita al modelo que describa o enseñe un procedimiento de forma secuencial. | En educación médica o entrenamiento clínico. | “Explica paso a paso cómo realizar una punción lumbar de forma segura.” |
| Data-to-Text Prompting | Convierte datos estructurados en narrativa o explicación natural. | Al interpretar resultados de estudios, dashboards o cohortes. | “Describe los hallazgos principales de este conjunto de datos de laboratorio en lenguaje clínico comprensible.” |
| Persona Fusion / Multi-Role Prompting | Se combinan varios roles o perspectivas para obtener una visión más rica. | En investigación interdisciplinaria o docencia integral. | “Responde como si fueras una médica y una bioeticista debatiendo sobre el uso de IA en decisiones de fin de vida.” |
| ReAct (Reason + Act) | El modelo alterna entre razonar y ejecutar acciones (buscar, resumir, comparar). | Cuando se requiere que el modelo combine pensamiento analítico y acción (p. ej., extracción y síntesis). | “Analiza la siguiente nota clínica, identifica diagnósticos posibles y resume el razonamiento que los respalda.” |
| Prompt Chaining | Combina múltiples prompts secuenciales donde la salida de uno alimenta al siguiente. | En generación de reportes complejos o pipelines de análisis médico. | “1️⃣ Resume el artículo. 2️⃣ Identifica variables clave. 3️⃣ Genera una tabla para extracción de datos.” |
| Critic Pattern | Se solicita que el modelo actúe como revisor crítico de una respuesta o documento. | En revisión de artículos, proyectos o protocolos. | “Evalúa críticamente este protocolo de estudio y sugiere mejoras en la metodología.” |
| Contrastive Prompting | Se pide comparar opciones o escenarios. | En toma de decisiones clínicas o diseño de tratamientos alternativos. | “Compara el uso de IA para cribado de retinopatía diabética frente al diagnóstico tradicional.” |
| Simulation Prompting | Se generan entornos simulados para aprendizaje o práctica clínica. | En educación médica o simulación de casos clínicos. | “Simula un caso de emergencia geriátrica y actúa como paciente, enfermero y médico tratante.” |
| Context-Enriched Prompting | Se añade información contextual (como antecedentes, entorno o objetivos). | En personalización de respuestas clínicas o educativas. | “Considerando un hospital rural con recursos limitados, propone un protocolo para diagnóstico de tuberculosis.” |
| Iterative Refinement Prompting | Se genera una primera versión y luego se pide mejorarla iterativamente. | En redacción científica, protocolos o materiales docentes. | “Genera un resumen del artículo. Ahora revisa para mejorar claridad y rigor metodológico.” |
| Ethical Reasoning Prompting | Se instruye al modelo para integrar consideraciones éticas o regulatorias. | En IA médica, investigación o decisiones clínicas complejas. | “Describe los dilemas éticos de usar modelos de IA para predecir mortalidad hospitalaria.” |