En casos diagnósticos complejos extraídos del New England Journal of Medicine, el sistema de inteligencia artificial de Microsoft acertó el diagnóstico en el 83% de las ocasiones. Los médicos generalistas que trabajaron con los mismos expedientes solo llegaron al 36%, menos de la mitad. Esta vez los números no salieron de un blog corporativo: aparecen en Science, una de las revistas científicas con revisión por pares más exigentes del mundo.
El sistema se llama MAI-DxO y no es un modelo único, sino un orquestador que enfrenta a varias inteligencias artificiales entre sí, como un comité médico que discute un caso. Una propone un diagnóstico, otra lo contrasta con los síntomas, una tercera insiste en pedir una prueba adicional antes de que el grupo llegue a una conclusión. Participaron GPT-5 y GPT-5.5 de OpenAI, Gemini 2.5 Flash de Google, y modelos de Anthropic, Meta y DeepSeek.
Las mejoras variaron mucho según el modelo. GPT-5.5 por sí solo alcanzó el 72% y subió al 87% dentro del orquestador, además de recortar unos 3.000 dólares en pruebas innecesarias por caso. Gemini 2.5 Flash pasó del 46,4% al 69%. GPT-5, en cambio, solo ganó unos cuatro puntos porcentuales, señal de que la orquestación no ayuda igual a todos los modelos.
El jefe de Microsoft AI, Mustafa Suleyman, calificó el resultado como un paso hacia la 'superinteligencia médica': un razonamiento capaz de superar incluso a los mejores equipos médicos humanos. La afirmación es ambiciosa, y el propio estudio admite una limitación importante: el grupo de comparación fueron médicos generalistas, no los especialistas o equipos completos que normalmente atienden casos tan complejos. En los casos de tipo urgencias, la IA no mostró ninguna ventaja real.
Por ahora se trata de una simulación de laboratorio con descripciones escritas de casos, no de pacientes reales. La siguiente prueba sí lo será: Microsoft ha pactado con el Beth Israel Deaconess Medical Center probar MAI-DxO en entornos reales de urgencias, con pacientes que den su consentimiento. La distancia entre adivinar un diagnóstico sobre papel y trabajar en una sala de urgencias real puede resultar mucho mayor que la que separa el 83% del 36%.


