INFORME · SEPTIEMBRE 2026

La IA clínica entra al flujo de trabajo: qué está cambiando en la práctica médica

La conversación sobre IA en medicina está cambiando. La pregunta ya no es solo qué puede generar un modelo, sino dónde encaja en la práctica diaria, quién revisa sus resultados y qué condiciones necesita una clínica para incorporarlo sin añadir más trabajo.

Elaborado por el Equipo de Producto y Análisis de Itaca. Este análisis combina evidencia científica, estudios profesionales, marcos regionales de adopción y una señal agregada de uso de Itaca entre el 1 de enero y el 24 de septiembre de 2026. Los datos propios complementan la evidencia pública; no se presentan como una medición del mercado latinoamericano.

De probar herramientas a integrarlas en la práctica

La adopción está pasando de la curiosidad por una herramienta general a usos vinculados con tareas concretas. En su encuesta de 2026, la American Medical Association encontró que el 81 % de los médicos encuestados en Estados Unidos declaraba conocer o usar IA en su práctica. Los resúmenes de investigación y estándares de atención, junto con la documentación y la preparación de notas, aparecieron entre los usos más extendidos.

En Latinoamérica y el Caribe, un estudio regional presentado por la OPS mostró una exposición amplia a herramientas de IA entre profesionales y estudiantes, pero también una brecha de formación y barreras relacionadas con competencias digitales, presupuesto, regulación e interoperabilidad. Ambos contextos apuntan a la misma transición: el reto ya no consiste únicamente en acceder a IA, sino en incorporarla con evidencia, supervisión y procesos claros.

Antes de la consulta: reunir contexto sin crear otra bandeja de entrada.
Durante la atención: reducir captura manual sin apartar al profesional del paciente.
Después del encuentro: convertir el contexto revisado en documentos y seguimiento.
En todo el flujo: adaptar la profundidad de la búsqueda de información a la pregunta clínica.

Qué revela el uso real sobre la incorporación de IA al trabajo clínico

Para complementar las encuestas y marcos públicos con comportamiento observado, analizamos de forma agregada cinco flujos clínicos apoyados por Itaca. La cohorte se concentra en Latinoamérica, pero no es una muestra probabilística ni permite estimar adopción regional. Su utilidad es más acotada: observar qué ocurre después de una primera acción, qué usos se repiten, qué salidas se concentran y dónde la coordinación introduce fricción.

Las respuestas clínicas se usan como conversación, no solo como consulta aislada

El 50,3 % de las respuestas completadas en Itaca fueron preguntas de seguimiento y el 33,8 % apareció al menos en el segundo nivel de una conversación. La mediana entre la finalización de una respuesta y la finalización de su seguimiento fue de 4,3 minutos; el 81,9 % de las respuestas de seguimiento se completó dentro de los primeros 30 minutos. En esta cohorte, la respuesta clínica se utilizó con frecuencia para aclarar, acotar o profundizar una pregunta mientras el tema seguía activo.

La documentación ocurre durante la consulta, pero el hábito exige repetición

En las sesiones de documentación observadas, el 79,9 % se realizó mediante grabación en vivo y el 13,9 % mediante entrada rápida. Sin embargo, iniciar el flujo no equivale a incorporarlo como hábito: entre quienes completaron al menos una sesión, la mediana fue una; el 29,9 % tuvo actividad en dos o más días y el 13,8 % en cuatro o más semanas distintas. Como cada usuario tuvo una ventana de observación diferente, estas cifras no miden retención; muestran por qué una primera prueba no basta para afirmar adopción sostenida.

Deep Research tuvo un uso más selectivo que las respuestas rápidas

Entre quienes utilizaron Deep Research, la mediana fue una investigación completada y el 33,5 % recurrió a la función dos veces o más. El patrón es distinto al de las respuestas breves: la revisión amplia de fuentes aparece como una capa más selectiva, utilizada cuando una pregunta justifica mayor profundidad.

Recetas y órdenes concentraron los documentos generados

Las recetas y las órdenes representaron juntas el 76,9 % de los documentos completados en Itaca durante el periodo analizado. Los resúmenes clínicos, formularios, referencias, certificados y otros tipos reunieron el porcentaje restante. El patrón muestra que el uso posterior a la consulta se concentró en documentos frecuentes y directamente accionables.

Los cuestionarios se completan pronto o no llegan a completarse

Entre los cuestionarios compartidos con 30 días completos de observación, el 13,0 % fue completado dentro de los primeros siete días y el 14,0 % dentro de treinta. Entre los que sí se completaron en ese plazo, la mediana hasta la respuesta fue de 1,7 horas. La escasa diferencia entre siete y treinta días sugiere que esperar más no resuelve por sí solo la fricción: el reto principal está en convertir la invitación en una respuesta del paciente.

Los datos no describen una adopción lineal. La IA entra por tareas concretas, se profundiza en conversaciones breves y encuentra una fricción importante cuando el flujo depende de la participación del paciente o de formar un hábito nuevo.

Consulte la metodología, las definiciones y las limitaciones de estos datos.

La unidad útil no es una función: es el flujo completo

Una consulta no comienza cuando se activa una grabación ni termina cuando se genera una nota. Empieza con antecedentes, documentos, preguntas y decisiones previas. Continúa con la conversación clínica. Después deja notas, indicaciones, órdenes, referencias, resúmenes y tareas de seguimiento.

Por eso una herramienta puede parecer impresionante en una demostración y, aun así, añadir trabajo en la práctica. Si obliga a copiar información entre sistemas, recordar qué función usar o corregir resultados fuera del flujo habitual, el costo de adopción compite con el beneficio.

La experiencia de construir Itaca en Latinoamérica apunta a una regla sencilla: la IA se adopta mejor cuando reduce una transición. El profesional no debería detener la atención para “hablar con la IA”; debería poder continuar con su trabajo y revisar un resultado útil en el momento apropiado.

Antes de la consulta: llegar con contexto, no con otra bandeja de entrada

La preparación previa puede consumir una parte importante del encuentro: localizar antecedentes, revisar documentos, recordar el motivo de seguimiento o volver a preguntar información rutinaria. La IA puede ayudar a ordenar ese material, pero solo si lo presenta de forma que el profesional pueda comprobarlo con rapidez.

Los usos con más sentido en esta etapa son concretos: organizar respuestas de un cuestionario, resumir documentos aportados, recuperar el contexto de consultas anteriores y dejar visibles los pendientes. Los datos de Itaca muestran que enviar un cuestionario no basta para incorporarlo al flujo: comenzar con más contexto depende también de la coordinación, el mensaje al paciente y los recordatorios.

En una clínica, este punto también revela una cuestión operativa: ¿quién solicita la información, dónde se guarda y qué llega realmente al profesional? Incorporar IA sin resolver esas tres preguntas puede digitalizar la fragmentación en vez de reducirla.

Durante la consulta: documentar sin convertir la atención en captura de datos

La documentación asistida es uno de los usos más visibles de la IA clínica porque se conecta con una tarea repetida en casi cada encuentro. El predominio de la grabación en vivo en los datos de Itaca sitúa esta ayuda dentro de la atención: preparar el borrador mientras el profesional atiende y dejar una nota lista para revisar, en lugar de reconstruir la consulta desde cero.

La evidencia todavía está creciendo y debe leerse con cuidado. Un estudio de mejora de calidad publicado en JAMA Network Open siguió a 46 profesionales de 17 especialidades en un sistema académico de Estados Unidos. Después de incorporar un escriba ambiental, observó asociaciones con menos tiempo por nota, más cierres el mismo día, menos trabajo fuera de horario y una menor carga mental percibida. El diseño fue pre-post, sin grupo de control, y el entorno no fue latinoamericano; sus resultados muestran potencial, no una garantía transferible a cualquier clínica.

La conclusión práctica no es que toda nota generada automáticamente sea mejor. Es que preparar un primer borrador puede retirar una tarea de composición desde cero. El beneficio depende de tres condiciones: que la estructura corresponda al tipo de consulta, que revisar sea más rápido que rehacer y que el profesional conserve la aprobación final.

Este principio se aprecia en las notas clínicas asistidas por IA: el resultado debe permanecer como un borrador revisable. El profesional edita y decide qué forma parte del registro; la generación automática no convierte el contenido en documentación final.

Después de la consulta: usar el contexto una vez, no reconstruirlo varias veces

Al terminar el encuentro suelen aparecer tareas que repiten información ya conversada. La concentración observada en recetas y órdenes sitúa el uso en salidas rutinarias y accionables: reutilizar de forma controlada el contexto que el profesional ya comprobó, en lugar de volver a redactarlo.

Esta continuidad reduce dos fricciones. La primera es volver a redactar datos que ya están en la nota. La segunda es perder la relación entre lo documentado y lo entregado al paciente. Un flujo coherente mantiene ambos elementos cerca y deja claro qué requiere revisión antes de compartir.

El mismo principio se aplica a la siguiente consulta. Un registro longitudinal útil no es un archivo más grande, sino una forma de volver a tratamientos, resultados, decisiones y pendientes sin releer toda la historia. Para el profesional, la pregunta importante es si el sistema devuelve el contexto correcto cuando lo necesita.

La documentación es el primer pilar, no el único

Empezar por documentación tiene sentido porque el problema es frecuente, visible y fácil de demostrar. También es un uso en el que la supervisión profesional encaja naturalmente: se prepara un borrador y se revisa antes de incorporarlo al expediente.

Sin embargo, una plataforma clínica queda incompleta si solo escribe notas. Los médicos también necesitan resolver preguntas puntuales, revisar una recomendación, comparar fuentes y preparar documentos relacionados con el encuentro. Estas tareas comparten contexto; tratarlas como aplicaciones separadas obliga al profesional a repetirlo.

Una arquitectura clínica coherente conecta la documentación con respuestas clínicas con fuentes, una investigación más profunda cuando la pregunta lo requiere y documentos médicos preparados a partir del contexto revisado. La distinción práctica es importante: no toda duda requiere una revisión extensa y ninguna de estas capas debe delegar la decisión clínica.

Fuentes visibles: una diferencia práctica frente a la IA genérica

Una respuesta clínica es más útil cuando permite abrir las referencias y entender de dónde procede una afirmación. Esto no elimina la necesidad de valorar calidad, actualidad y aplicabilidad, pero cambia la interacción: el profesional no recibe solo una conclusión; recibe un punto de partida que puede comprobar antes de decidir cómo usar la información.

La guía de la OMS sobre modelos multimodales en salud recomienda diseñar sistemas para tareas bien definidas, involucrar a profesionales y otras partes interesadas, y mantener evaluación y supervisión a lo largo del ciclo de vida. La OPS sitúa la IA dentro de una transformación más amplia que incluye gobernanza, interoperabilidad, capacidades y protección de datos.

Ese marco ayuda a evitar una comparación superficial entre herramientas. No basta preguntar qué modelo utiliza una plataforma. Conviene preguntar qué tarea resuelve, qué información recibe, cómo muestra las fuentes, quién revisa la salida y cómo se integra el resultado al trabajo existente.

Qué cambia cuando la adopción ocurre en una clínica

Para un médico individual, una herramienta puede ser útil desde la primera consulta. Para una clínica, el resultado depende además de procesos compartidos. Comprar acceso no equivale a cambiar la operación.

Pregunta de adopción	Qué conviene definir
Dónde empieza el flujo	Qué información llega antes de la consulta y quién comprueba que esté disponible.
Qué se revisa	Qué resultados prepara la IA, qué profesional los aprueba y en qué momento.
Qué se comparte	Cómo pasan notas, documentos y pendientes entre profesionales sin duplicar el trabajo.
Cómo se evalúa	Adopción real, tiempo de revisión, tareas terminadas y problemas detectados; no solo cuentas creadas.

La OPS señala que la transformación digital implica cambios culturales, además de tecnología. En 2026, la OPS y el BID publicaron también AI-GUARD, un marco para evaluar valor estratégico, riesgos, gobernanza, supervisión humana y mitigación de sesgos antes de implementar IA en salud. En la práctica, una clínica necesita explicar qué mejora, qué no cambia, quién responde por cada resultado y qué control conserva el profesional.

Para los equipos, la unidad de adopción no debería ser una colección de licencias, sino un flujo clínico compartido. La implementación tiene que definir cómo acompaña el contexto a la atención, qué revisa cada profesional y cómo se termina el trabajo sin duplicarlo.

Qué podemos afirmar hoy y qué falta medir

La literatura disponible permite sostener que la documentación ambiental tiene potencial para reducir parte de la carga de escribir notas y que la IA generativa puede apoyar tareas administrativas e informativas. También deja claro que la calidad, la seguridad y la utilidad dependen del diseño de la tarea, del contexto y de la supervisión.

No permite concluir que todos los profesionales ahorrarán la misma cantidad de tiempo, que toda nota será más completa ni que los resultados de un sistema de salud se trasladan sin cambios a Latinoamérica. Tampoco basta con medir cuántas veces se abre una función: para entender valor hacen falta definiciones estables de usuario, sesión, tarea terminada y revisión.

Los datos internos de este informe permiten describir uso observado, no eficacia clínica ni ahorro de tiempo. Una acción completada indica que el flujo llegó a un estado final válido dentro de Itaca; no demuestra por sí sola que el resultado se incorporó al expediente, mejoró una decisión o redujo la carga del profesional. Esas preguntas requieren mediciones adicionales.

Cómo elaboramos este análisis

Periodo de los datos internos: del 1 de enero al 24 de septiembre de 2026, en UTC. El 24 de septiembre es el último día completo incluido.
Población observada: usuarios externos con al menos una acción válida en uno de cinco flujos medidos. El tamaño de la cohorte no se publica. “Usuario activo” no significa usuario registrado ni suscriptor.
Acciones medidas: respuestas clínicas regulares, Deep Research, sesiones de documentación con nota completada, documentos completados y cuestionarios compartidos.
Conversaciones: una respuesta se clasificó como seguimiento cuando estaba vinculada a una pregunta anterior del mismo usuario. La latencia se calculó entre la finalización de una respuesta y la finalización de su respuesta de seguimiento; se excluyeron intervalos negativos.
Cadencia de documentación: días y semanas activos se calcularon entre usuarios con al menos una sesión completada. No se interpretan como retención porque cada usuario tuvo una ventana de observación diferente.
Exclusiones: usuarios internos, registros de demostración, descartados, excluidos o fallidos y eventos que no alcanzaron el estado final definido para cada flujo.
Cuestionarios: las tasas a siete y treinta días usan solo cuestionarios compartidos con una ventana completa de treinta días. La mediana de tiempo se calculó únicamente entre los cuestionarios completados dentro de ese plazo.
País y especialidad: son campos declarados en el perfil. El país estaba disponible para el 99,4 % de los usuarios activos. México, Perú, Colombia y Ecuador reunieron el 64,4 % de quienes declararon país; esta distribución describe la cohorte de Itaca, no el mercado latinoamericano. La especialidad estaba disponible solo para el 28,5 %, por lo que no se usó para comparar comportamientos entre especialidades.
Privacidad: el análisis se realizó con agregados. No se consultó ni publicó contenido clínico, identidad de pacientes ni identificadores de usuarios.
Fuentes externas: orientación de OMS y OPS sobre adopción, gobernanza y transformación digital, además de literatura científica revisada por pares.
Alcance: análisis observacional de uso dentro de Itaca. No es una encuesta regional, una estimación de prevalencia ni una evaluación de resultados clínicos.

Limitaciones

La evidencia sobre IA generativa en la práctica clínica cambia con rapidez y una parte importante procede de sistemas de salud fuera de Latinoamérica. Los datos de Itaca tienen sesgo de selección: reflejan a quienes usaron la plataforma y completaron un flujo, no a todos los usuarios registrados ni a todos los profesionales de salud. Los usuarios incorporados más tarde tuvieron menos tiempo para repetir actividad; por eso las cifras de meses activos no se interpretaron como retención. Tampoco se compararon meses completos con septiembre, que solo incluye datos hasta el día 24. Los flujos, regulaciones, infraestructura y hábitos de documentación varían entre países y organizaciones. Este informe identifica patrones y preguntas útiles; no sustituye la evaluación técnica, clínica, operativa y normativa que requiere cada implementación.

Fuentes consultadas

Este informe forma parte de los informes de Itaca sobre IA en la práctica médica.

Conozca el flujo clínico completo de Itaca

Vea cómo Itaca ayuda a preparar notas y documentos, responder preguntas con fuentes y conservar el contexto entre consultas.

Conocer Itaca para médicos