¿Hacia dónde vamos en IA y otras tecnologías en 2025? (enfoque en el sector salud)

Sumando una más a la explosión de columnas sobre prospectiva en tecnologías e Inteligencia Artificial (IA) para el año 2025, quiero compartir con los lectores algunas ideas respecto a lo que -posiblemente- nos espera en este campo con enfoque en el sector de la salud.

Para el año 2025 y subsiguientes (si la amenaza de la III WW nos deja seguir viviendo) el panorama tecnológico se perfila con avances disruptivos en inteligencia artificial (IA), computación cuántica, ciberseguridad, robótica y computación espacial, entre otros. Estas innovaciones prometen redefinir múltiples sectores y la forma en que interactuamos con las máquinas, lo que ha sido definitivamente el mayor hito desde 2022. Pero, hay una palabra que puede ser la clave para entender lo que se impondrá y esa es la “convergencia”, sobre eso escribiremos al final.  

A continuación, exploramos las tendencias más destacadas que moldearán el futuro cercano y su impacto potencial en la sociedad, incluyendo por supuesto a la medicina.

1. Medicina Guiada por Agentes y Multiagentes (Agentic Medicine)

En el vertiginoso mundo de la IA, el desarrollo de sistemas de agentes basados en modelos de lenguaje de gran escala (LLMs) está cobrando cada vez más relevancia. Anthropic, una empresa de investigación en IA, ha enfatizado recientemente que, a menudo, los patrones simples y componibles ofrecen resultados más eficientes que los marcos excesivamente complejos. Este hallazgo marca un punto de inflexión en la forma de diseñar y desplegar agentes inteligentes, es decir NO todo requiere un agente, pero los campos de mayor complejidad, los ecosistemas adaptativos como la salud si se beneficiarían potencialmente de ellos. Recapitulemos antes sobre algunos conceptos claves descritos por Anthropic:

• Flujos de trabajo: Sistemas donde los LLMs y herramientas se orquestan mediante rutas de código predefinidas. Ofrecen consistencia y predictibilidad al momento de ejecutar tareas bien definidas.
• Agentes: Sistemas donde los LLMs se encargan de dirigir dinámicamente sus procesos y la utilización de herramientas. Son idóneos cuando se requiere flexibilidad y una toma de decisiones impulsada por el modelo a gran escala. Esto es secuencialidad.

Ahora bien, atención con lo siguiente: Existen diferencias fundamentales entre lo que es y hace un asistente generativo entrenado en un dominio específico versus el concepto de agentes y sistemas multiagentes.

Esta diferencia fundamental se puede entender a partir de cómo cada uno de estos sistemas (agente, sistema multiagentes y modelo generativo entrenado) percibe, razona y actúa sobre un entorno o un conjunto de datos:

1. Agente
   • Un agente es un sistema capaz de percibir un entorno (recibir entradas o estímulos) y llevar a cabo acciones (generar salidas) con cierto grado de autonomía.
   • Estos agentes pueden basarse en modelos de IA (como un LLM) u otros enfoques, pero su característica distintiva es la capacidad de decidir o actuar de forma autónoma, ya sea siguiendo un flujo de trabajo predefinido o eligiendo dinámicamente las herramientas y pasos que utilizará.
   • Un agente puede incorporar componentes de aprendizaje, planificación, razonamiento o simplemente ejecutar reglas programadas (ver imagen abajo).
2. Sistema Multiagentes
   • Un sistema multiagentes (o multi-agent system) está conformado por varios agentes que interactúan entre sí y, potencialmente, con un entorno compartido.
   • Cada agente mantiene su propia perspectiva, objetivos o metas, y la dinámica de la interacción entre agentes (cooperación, competencia o coordinación) es clave para resolver problemas de mayor complejidad.
   • Este tipo de arquitectura es relevante en aplicaciones donde la colaboración o negociación entre múltiples entidades autónomas (por ejemplo, robots, sistemas de trading, agentes de software) genera mejores soluciones que un agente único.
3. Modelos Generativos Entrenados o Ajustados en Dominios Específicos
   • Un modelo generativo (por ejemplo, un modelo de lenguaje entrenado en un dominio particular de medicina o finanzas) se centra en generar contenido o datos plausibles: texto, imágenes, audio, etc.
   • A diferencia de los agentes, un modelo generativo no necesariamente “decide” qué acción tomar en el mundo real. Su objetivo es producir salidas (respuestas textuales, síntesis, predicciones) a partir de un contexto o conjunto de ejemplos.
   • Estos modelos pueden ser integrados dentro de un agente para dotarlo de capacidad de generación, pero por sí mismos no suelen poseer autonomía de acción ni capacidad de orquestar tareas: se limitan a recibir un prompt o entrada y generar la salida solicitada.
   • Cuando se dice que están “entrenados” o “ajustados” en dominios específicos, implica que su conocimiento está enfocado y optimizado para ese contexto (por ejemplo, textos clínicos, finanzas, derecho, etc.), pero no realizan una toma de decisiones fuera del proceso de generación de contenido.

Es importante entender que existen agentes de búsqueda o documentadores (research agent) que son muy similares en sus salidas a los modelos generativos entrenados, pero es claro distinguir que para ser agente, el sistema debe tener capacidad contextual y cierto grado de autonomía. En el mercado de Health-Tech lo que más abundan son modelos generativos entrenados y ajustados, pero este año con seguridad veremos una explosión de agentes y servicios de agentes (sistemas multi agentes) lo cual cambiará sin duda el concepto de soluciones al de ecosistemas inteligentes (orquestadores).

Entonces ¿cuándo utilizar agentes?: La recomendación principal es comenzar con la solución más sencilla posible y aumentar la complejidad solo cuando sea estrictamente necesario. Un enfoque minimalista no solo reduce costos y latencia, sino que puede ser suficiente para numerosas aplicaciones, complementándolo con técnicas de recuperación de información y ejemplos contextuales.

Diseñar sistemas de agentes de manera escalonada ayuda a equilibrar costos, latencia y robustez. El proceso general (y espero que no muy técnico es el siguiente):

1. LLM Aumentado: El bloque inicial, en el que los modelos utilizan activamente la recuperación de información, herramientas y memorias.
2. Encadenamiento de Indicaciones (Prompt Chaining): Se descompone una tarea en pasos secuenciales, permitiendo verificaciones intermedias y un mayor control del flujo.
3. Enrutamiento (Routing): Clasifica entradas y las dirige a tareas más especializadas, ideal para contextos donde se manejan categorías distintas.
4. Paralelización: Distribuye subtareas en paralelo o replica la misma tarea para obtener múltiples perspectivas, ahorrando tiempo y mejorando la calidad de las respuestas.
5. Orquestador-Trabajadores: Un modelo principal descompone tareas y sintetiza las salidas de múltiples “trabajadores”, adaptándose dinámicamente a la complejidad de cada proyecto.
6. Evaluador-Optimizador: Un modelo produce una respuesta mientras otro la evalúa y retroalimenta. Este ciclo iterativo es especialmente útil cuando se cuenta con criterios de evaluación claros que justifiquen la mayor latencia a cambio de resultados más refinados.

Existen ya diversas plataformas de Low-Code y No-Code que permiten desarrollar en forma rápida agentes adaptados a necesidades específicas (ver LangGraph, LangChain) o incluso directorios de agentes (https://aiagentsdirectory.com/). De igual forma existen ya un sinnúmero de herramientas alojadas en GitHub que permiten agilizar el desarrollo de estos agentes. En salud los ejemplos mayoritarios están en procesos de agendamiento, estimación de costos y cadena logística.

Sin embargo es clave reconocer el concepto de mantener al humano en el proceso de creación, lo que algunos llaman “Human in The Loop” (HITL). En el contexto de agentes hace referencia a la inclusión de personas dentro del proceso de toma de decisiones y supervisión de los sistemas automatizados. En lugar de permitir que un agente actúe completamente de manera autónoma, se brinda a los humanos la posibilidad de intervenir, validar y corregir los resultados cuando sea necesario. Esto garantiza que las acciones del agente se alineen con criterios éticos, reglamentarios o simplemente con la intencionalidad humana, evitando sesgos o errores que podrían pasar inadvertidos en un sistema 100% automatizado. En la medida en que los agentes de IA, y especialmente en salud ganan autonomía y capacidad de decisión, se hace imprescindible mantener la figura del HITL ya que esto podría garantizar:

• Supervisión y ajuste fino: Expertos que intervienen para corregir y orientar las salidas del modelo. Los equipos clínicos y las Unidades de IA Clínica son fundamentales en este papel.
• Ética y responsabilidad: Prevención de sesgos y alineación de las decisiones automatizadas con valores y regulaciones establecidas.
• Mejora continua: Retroalimentación humana que optimiza el desempeño del agente en ciclos iterativos, sobre todo en contextos críticos como la salud, la industria o la seguridad.

2. Convergencia tecnológica: la era de la integración

Como mencioné previamente, ante esta evolución agigantada de desarrollos, la fusión de distintas tecnologías emergentes —IA, computación cuántica, robótica y digitalización del mundo físico— está moldeando nuevos ecosistemas, lo que me gusta llamar modelos envolventes. Esta convergencia no solo mejora el rendimiento individual de cada tecnología, sino que crea sinergias que generan mayor eficiencia y oportunidades de innovación. Pasaremos entonces de lo que veníamos (conectómica) a la convergenómica. Veamos algunas de dichas intersecciones.

2.1. IA y robótica

La unión de IA y robótica impulsa la aparición de robots humanoides cada vez más avanzados, capaces de interactuar de manera más natural y efectiva con los humanos. Estas soluciones se extienden a numerosos sectores, desde la atención médica hasta la logística y la educación. Aunque del campo de la cibernética, veremos una evolución gradual de los sistemas de perfeccionamiento humano, especialmente de las interfaces cerebro-máquina y dispositivos de mayor integración corporal.

2.2. Computación cuántica y criptografía post-cuántica

La computación cuántica se avecina como una de las tecnologías más disruptivas de la próxima década (ya Google parece haberse adelantado). Al tiempo que promete resolver problemas complejos en fracciones de segundo, también plantea nuevos riesgos para la seguridad de los datos, obligando a desarrollar algoritmos y sistemas de criptografía post-cuántica que protejan la información ante el poder de cómputo de estas máquinas.

2.3. Ciberseguridad en la era de la IA

La creciente conectividad digital y la incorporación de IA en múltiples dispositivos y sistemas aumentan los desafíos de ciberseguridad.

• Amenazas más sofisticadas: Los atacantes aprovechan la IA para lanzar ataques más complejos y difíciles de detectar.
• Defensa inteligente: La misma IA sirve como aliado en la detección y respuesta en tiempo real.
• Pasaporte Digital de Productos (UE): Normativas como esta obligarán a las empresas a transparentar su huella ambiental y adoptar protocolos de seguridad más rigurosos, reforzando la ciberseguridad en toda la cadena de valor.

3. Tecnologías sostenibles y eficiencia energética

La sostenibilidad es un factor clave en la evolución de la tecnología. Con el auge de la IA y los centros de datos de alto consumo, la industria se enfoca en crear soluciones más eficientes y ecológicas:

• Chips de IA de bajo consumo: Para disminuir la huella de carbono y abaratar costos energéticos.
• Centros de datos verdes: Infraestructuras que operan con energías renovables y emplean sistemas de enfriamiento más eficientes.
• Prácticas responsables: Diseño de productos con materiales reciclables y optimización de procesos logísticos.

4. Computación espacial: fusionando lo digital y lo físico

La computación espacial surge de la integración entre el entorno físico y el digital, abriendo puertas a experiencias inmersivas y contextuales.

• Realidad aumentada (RA): Permite visualizar y manipular datos superpuestos en el mundo real, con aplicaciones en campos tan variados como la medicina, la educación y el turismo.
• Gemelos digitales: Réplicas virtuales de procesos o sistemas físicos que ayudan a optimizar y predecir comportamientos en fábricas, cadenas de suministro o plantas de energía, reduciendo así riesgos y costos.

5. El futuro de la interacción humano-tecnología

Expertos como Sayan Chakraborty señalan que, en menos de una década, la IA se integrará totalmente en nuestras vidas cotidianas, reduciendo la dependencia de dispositivos como computadoras y teléfonos. En su lugar, surgirán nuevas modalidades de interacción más intuitivas y proactivas.

• Tecnología imperceptible: Dispositivos ligeros y casi invisibles que posibilitarán un diálogo continuo con la IA.
• Asistentes proactivos: Sistemas capaces de predecir y satisfacer necesidades sin requerir la intervención constante del usuario.
• Privacidad y regulación: La adopción de estas tecnologías exigirá normas claras que protejan la integridad y la autonomía de las personas.

6. Tendencias en microchips para 2025

La creciente demanda de IA, IoT y computación cuántica acelera la innovación en el ámbito de los semiconductores.

6.1. Chips específicos para sectores clave

Se espera un aumento en el diseño de microchips especializados para automoción, salud, wearables y aplicaciones industriales. El objetivo es maximizar rendimiento y eficiencia energética, personalizando las capacidades de cada chip a las necesidades particulares de cada sector.

6.2. Miniaturización y eficiencia energética

La industria de semiconductores, liderada por gigantes como TSMC e Intel, aspira a alcanzar nodos de proceso avanzados (3 nm e incluso 2 nm), lo que permitirá integrar más transistores en menor espacio y, a la vez, reducir el consumo energético. Este salto tecnológico habilitará la producción de dispositivos más livianos y potentes, con un menor impacto ambiental.

7. Identidad Digital

En este entorno cada vez más interconectado y sensible a la transformación de lo que conocemos como “realidad”, la identidad digital se convierte en un pilar fundamental para garantizar la confianza, la seguridad y la trazabilidad de las interacciones en línea. La convergencia de tecnologías como la IA, la blockchain y la computación cuántica exige soluciones robustas que permitan autenticar la identidad de usuarios y dispositivos sin sacrificar la privacidad. Desde la verificación de datos personales hasta la protección frente a fraudes y usurpación de identidad, estos desarrollos son esenciales para sostener la evolución de los ecosistemas digitales y fortalecer la gobernanza en un mundo que tiende a la convergencia total.

Algunas de las compañías que han destacado en el desarrollo de soluciones para identidad digital incluyen:

• Okta: Conocida por sus soluciones de gestión de identidades y accesos en la nube, ofreciendo autenticación segura y Single Sign-On (SSO) para organizaciones de todos los tamaños.
• Onfido: Especializada en verificación de identidad utilizando IA para analizar documentos e información biométrica, ayudando a las empresas a validar la autenticidad de sus usuarios.
• Yoti: Ofrece una plataforma de identidad digital que permite a los usuarios almacenar y compartir datos personales de manera segura a través de una aplicación móvil.
• ID.me: Enfocada en soluciones de verificación de identidad para servicios gubernamentales y empresariales en sectores como salud, finanzas y educación.
• Ping Identity: Provee herramientas de gestión de identidades y accesos con un alto enfoque en la experiencia del usuario y la seguridad, facilitando la integración de múltiples aplicaciones y servicios.

8. Conclusiones: hacia un futuro híbrido y humano-céntrico

Para 2025, las tecnologías emergentes como la IA, la computación cuántica y la robótica habrán alcanzado un punto de madurez que les permitirá redefinir múltiples sectores económicos y sociales. Sin embargo, será fundamental mantener el componente humano para asegurar la responsabilidad, transparencia y ética en el desarrollo y despliegue de estas herramientas.

La adopción de arquitecturas simples y flexibles en la construcción de sistemas multiagentes, la búsqueda de la eficiencia energética, la convergencia de tecnologías y la incorporación de soluciones de ciberseguridad serán factores determinantes en esta transición. Otro tema que no tratamos en este escrito es el de la transformación de los modelos de venta de servicios, el famoso SaaS (servicio de software) está falleciendo y seguramente tendremos el auge de microservicios a demanda y mercados de agentes/modelos con arquitecturas de multinube.

En este camino, la sostenibilidad y la protección de datos personales se presentan como ejes cruciales para lograr una evolución tecnológica inclusiva y enfocada en el bienestar humano.

En definitiva, nos dirigimos a un escenario donde la fusión de IA, robótica, computación cuántica y plataformas digitales crea un ecosistema inteligente cada vez más interconectado y convergente. La clave estará en combinar la potencia de estas tecnologías con la supervisión, guía y creatividad humanas, garantizando que la innovación mejore la calidad de vida de las personas y promueva un futuro responsable y sostenible para todos.