Hace trece años, los médicos polacos se negaron a firmar recetas. El Ministerio de Sanidad les había impuesto clasificar cada medicamento según su nivel de reembolso (30%, 50%, 100%), y la única herramienta que les había dado era un archivo Excel con 15.000 líneas. Los médicos, comprensiblemente, dijeron que no. Un cardiólogo joven llamado Michał Nedoszytko vio el problema y pensó que la solución era bastante sencilla. Una tarde, importó el Excel a una base de datos SQL, le puso como interfaz la cara del Ministro de Sanidad (le preguntabas y «respondía» con los datos del medicamento, y cuando no sabía, se rascaba la cabeza) y lo publicó en Facebook. Al día siguiente el servidor se cayó. La mitad de los médicos de Polonia lo estaban usando. Salió en televisión. Tres días después le llamó el Ministerio. Michał pensó que iba a la cárcel por haberle puesto la cara al Ministro a su app. Pero no. El Ministro le ofreció trabajo. Estuvo dos años como experto del Ministerio de Sanidad de Polonia.
Cuento esta historia porque no tiene nada que ver con la IA. Es 2012 y es PHP. Pero es exactamente el mismo patrón que estamos viendo ahora con la inteligencia artificial: un profesional que conoce el problema en primera persona, que tiene la capacidad técnica mínima para resolverlo, y que lo resuelve. Sin pedir permiso, sin un equipo de ingenieros, sin levantar una ronda. Una tarde. Trece años después, ese mismo cardiólogo acaba de quedar tercero entre 13.000 candidatos en el hackathon global de Anthropic. La empresa que está detrás de Claude. Y la herramienta que construyó, PostVisit.ai, la hizo en siete días. Mientras hacía guardias en el hospital. Y creo que esta historia tiene mucho más que contar de lo que parece a primera vista.
El médico que ya programaba antes de ser médico
La narrativa fácil con Michał Nedoszytko es «un doctor que aprendió a programar con IA.» Es cómoda y queda bien en un titular. También es completamente falsa. Michał lleva programando desde los quince años. Antes de entrar en medicina ya hacía webs. En la facultad creó un sistema de exámenes virtuales, un sistema de registro para congresos, una especie de red social para estudiantes de medicina. Como residente, construyó un sistema completo de historia clínica electrónica para su departamento y lo gamificó: los médicos ganaban puntos de experiencia y subían de nivel para motivarles a completar la documentación. Competían entre ellos. Fundó una startup con ese sistema. Fracasó, pero no por el producto, sino porque la empresa incumbente del hospital bloqueó cualquier integración. Cuando le preguntas qué ha cambiado la IA para él, la respuesta es menos épica y más práctica de lo que esperarías: velocidad. Antes podía resolver los mismos problemas, pero tardaba semanas o meses. Ahora tarda horas. La IA no le ha dado ideas nuevas. Le ha quitado el cuello de botella de la ejecución.
Su producto PreVisit.ai nació de una frustración clínica concreta: el 50% de los pacientes llegan a consulta sin saber qué medicación toman, ni los nombres, ni las dosis. Michał pensó que un modelo de lenguaje podía recoger esa información antes de la visita. Lo construyó, lo integró con plataformas de agenda online como Docplanner (con sede en Barcelona) y hoy tiene más de 70.000 sesiones completadas. Fue el primer hospital belga en implantarlo. PostVisit.ai, la herramienta que presentó al hackathon, ataca el otro extremo del mismo problema: el paciente sale de la consulta y muchas veces no recuerda todo lo que le han dicho. Qué medicación tomar, cada cuántas horas, qué pruebas tiene pendientes. PostVisit transcribe la consulta y envía automáticamente al paciente un resumen por WhatsApp o email. Un «reverse AI scribe»: en vez de ayudar al médico a escribir notas, ayuda al paciente a entender lo que el médico le ha dicho. La idea llevaba dos años en su cabeza. No se había atrevido a construirla en Europa por el AI Act y la regulación de dispositivos médicos. Pero cuando vio el hackathon de Anthropic, días antes de un viaje a San Francisco, pensó que era el momento.
El proceso de construcción tiene un momento que se me ha quedado grabado. Michał le describió la idea a Claude por voz durante dos o tres horas usando WhisperFlow, un sistema de dictado(donde además parece que el polaco, su idioma materno, es el idioma con mejores resultados en transcripción). Le dijo «prepara el plan y empieza a programar.» Se fue a ducharse. Pensaba que tardaría un par de días. Cuando volvió, el MVP estaba hecho. Luego lo pulió durante tres o cuatro días, grabó el vídeo del pitch con su mujer en los pasillos del hospital (encontraron a un colega cardiólogo que se iba en bici y lo usaron como paciente), y siguió programando en el avión a San Francisco con agentes de IA corriendo en un servidor remoto que creaban pull requests cuando no había wifi.
Quedó tercero entre 13.000. El primero fue un abogado de California que automatizó el papeleo de permisos de construcción. También hubo un músico de Indonesia, un especialista en infraestructuras de Uganda que conectó dashcams para evaluar carreteras. La mayoría de los finalistas no eran ingenieros. Eran profesionales, muy buenos en su campo y que conocen bien los “pains” a los que se enfrentan cada día y buscan una solución. Anthropic tardó un día más del previsto en evaluar las candidaturas. Según Michał, porque se dieron cuenta de que era un evento «bastante histórico.» Y estoy de acuerdo. Lo que ese hackathon demostró no es que cualquiera pueda programar (que también). Es que la experiencia de dominio acaba de convertirse en el activo más valioso del mercado tecnológico. Pero aquí viene el matiz, y es importante.
El otro lado: diez años para hacer un producto
Mientras Michał construía PostVisit en siete días, a 1.500 kilómetros, en Valencia, Ángel Alberich-Bayarri lleva diez años convirtiendo la imagen médica en producto. Y su perspectiva es el contrapeso perfecto. Ángel estudió telecomunicaciones. Su mujer es médico. Por ahí empezó la conexión. Descubrió que el cuerpo humano genera señales constantemente y que un ingeniero de señal e imagen tiene mucho que hacer en medicina. Le pusieron a trabajar físicamente en las salas de los radiólogos, y ahí le cambió la vida. Escuchaba cómo dictaban: «Se observa una lesión en el lóbulo hepático derecho… no podemos determinar su volumen con precisión ni su heterogeneidad.» Ángel pensó: yo puedo medir eso. De ahí salió Quibim, que hoy ha levantado más de 50 millones en Serie A, tiene aprobación regulatoria en Europa, Reino Unido y EEUU, y trabaja con Philips (que integra sus modelos en sus escáneres), Merck, Novartis y otros. Entre sus inversores está Tony Fadell, el inventor del iPod.
Lo que hace Quibim en cáncer de próstata es un buen ejemplo de lo que la IA puede ver y el ojo humano no. Una resonancia de próstata genera entre 3.000 y 4.000 imágenes. El cerebro de un radiólogo no puede procesarlas todas. Hay información que se pierde. Los radiólogos generan un score de sospecha (PIRADS) del 1 al 5, pero es cualitativo, y la variabilidad entre médicos llega al 40-50%. Quibim ha hecho algo que me parece conceptualmente muy potente: han decidido no entrenar su modelo con lo que dice el radiólogo, sino con el resultado real de la biopsia. «Hemos decidido ignorar al humano en este sentido», dice Ángel. Porque el radiólogo trabaja sin feedback: informa una resonancia, pero raramente sabe si acertó o no, porque los datos de la biopsia están en otro sistema, en otro departamento. No hay loop de aprendizaje. Quibim ha construido ese loop con IA, conectando imagen y biopsia a escala. Su modelo tiene un valor predictivo negativo del 99%: cuando dice que no hay cáncer, el 99% de las veces es verdad. Un dato que me dejó pensando: el 45% de los cánceres se detectan en fase 3 o 4, cuando los tratamientos son más limitados. Si la IA consigue mover eso a fases tempranas, con prevención basada en imagen, el impacto es difícil de exagerar.
Pero lo que más me interesa de Ángel para este artículo es el contraste con Michał en un punto concreto: qué pasa después del prototipo. Ángel publicaba papers, iba a conferencias internacionales, tenía resultados prometedores. Pero nada de eso llegaba a la práctica clínica. «Tuve que crear un producto de esto», me dice. Y luego añade algo que creo que todo el ecosistema startup debería escuchar: «Todo lo que había creado como investigador era inútil. Era como cogerlo y tirarlo a la basura. Eso fue el 0,1% de lo que me esperaba». Sistematizar equipos, documentación, control de costes, escalabilidad, certificación regulatoria, equipo comercial. Eso es un producto. Un prototipo no es un producto. Un MVP brillante construido en siete días no es un producto. Y en salud, donde el software es un dispositivo médico y hay una persona que firma como responsable legal de lo que dice el algoritmo (en Quibim esa persona es el propio Ángel), la distancia entre prototipo y producto es un abismo.
Michał lo sabe. Cuando le pregunté por la narrativa de «anyone can code», me dijo algo que creo que es exactamente la posición correcta: «La expresión de que cualquiera puede programar ahora es literalmente verdad. Programar está mayoritariamente resuelto. Pero crear software de producción es una historia completamente diferente. Los ingenieros no son obsoletos. Al contrario.»
La IA alucina, pero nosotros alucinamos mucho más
Una de las preguntas que más me interesaba hacerles a los dos era sobre alucinaciones. Porque es el argumento favorito de los escépticos: ¿cómo vas a confiar en un modelo de IA para decisiones de salud si puede inventarse una respuesta con total convicción? La respuesta de Michał me sorprendió por lo directa: «Sí, la IA alucina. Pero nosotros alucinamos mucho más». Y no lo dice como provocación. Lo dice como clínico que lleva décadas viendo cómo funciona la medicina en la práctica. Un radiólogo que informa una resonancia de próstata y le asigna un score PIRADS tiene una variabilidad del 40-50% con otro radiólogo mirando las mismas imágenes. Eso no es precisión. Eso, si lo piensas fríamente, también es una alucinación. Solo que la hemos normalizado porque viene de un humano con bata blanca. En PreVisit, la solución es sencilla: el sistema crea un resumen, pero el médico lo revisa. No sustituye la entrevista, la complementa. En PostVisit, la arquitectura de privacidad se diseñó desde cero. Pero Michał es honesto: «PostVisit es un elemento muy delicado en el sistema europeo. Por ahora, no me atrevería a crearlo de nuevo aquí».
Ángel lo aborda desde el otro extremo. En Quibim no se trata de si el modelo se equivoca o no, sino de calibrar cómo se equivoca. Han entrenado su modelo para ser más sensible que específico: prefieren detectar de más que dejar algo sin diagnosticar. «Lo que nos preocupa es dejar el cáncer sin diagnosticar», Y son transparentes con el médico sobre las limitaciones. Porque si generas demasiadas alertas, el médico te dice que le estás creando más trabajo y deja de usarte. El product-market fit en IA médica está en ese equilibrio fino entre sensibilidad y ruido. La confianza, dice Ángel, se gana con el tiempo. «Como toda relación de confianza, entre personas o entre personas y máquinas». No hay atajos. Creo que la frase de Michał merece pensarse en serio. No porque la IA sea infalible (no lo es). Sino porque la medicina humana tampoco lo es, y la comparación honesta entre las dos es mucho más matizada de lo que el debate público refleja.
La brecha que nos estamos abriendo
Hay un momento en mi conversación con Michał que resume lo que está pasando en Europa. Tres días después de que PreVisit.ai saliera en prensa en Bélgica, tenía al inspector de GDPR en la puerta del hospital preguntando si había menores involucrados. No es que la pregunta sea ilegítima. Es el timing. Es el reflejo. Es que el primer impulso del sistema europeo ante la innovación en salud sea la inspección, no la curiosidad. Michał me cuenta que cuando fue a San Francisco, se dio cuenta de que todo lo que llevaba tres años intentando hacer en Europa ya estaba funcionando allí. Los médicos americanos usan AI scribes a diario. No podrían vivir sin ellos. El principio es simple: «doctor in the loop», la IA funciona mientras el médico asuma la responsabilidad. Hay startups de Y Combinator haciendo exactamente PostVisit. OpenAI, Anthropic, Amazon, Microsoft, Perplexity, todos entrando en salud.
Ángel tiene una posición algo más matizada pero igualmente dura. «La regulación de dispositivos médicos está bien. Antes no había nada». Pero en protección de datos, dice, «hemos ido demasiado lejos». Y lanza una frase que se me quedó: «En los próximos 50 años se estudiará el impacto que tuvo la sobrerregulación de datos en el freno a la innovación en Europa». El problema concreto: en EEUU existe el Cancer Imaging Archive, un repositorio abierto con datos de cáncer de hospitales, accesible con una licencia para uso investigador y comercial. En Europa, descargar datos de un hospital para crear un modelo de IA se percibe como «querer montar un chiringuito a costa de los datos de mi centro.» El resultado es que Europa fuerza un modelo federado (llevar la IA al hospital en vez de traer los datos a la IA), pero los hospitales no tienen infraestructura de cómputo para entrenar modelos. Coste multiplicado, avance ralentizado.
Lo sé de primera mano. En Blinkfire Analytics, mi empresa, montamos la sede en EEUU desde el primer día por la misma razón. No por elección ideológica, sino por supervivencia competitiva. Es un bypass, pero es la única manera de competir en un mercado global cuando empiezas desde España. Me da que Europa tiene un problema de velocidad legislativa, no de intenciones. Las ideas detrás de GDPR y del AI Act son buenas. Pero si la regulación tarda años en adaptarse y la tecnología se mueve en meses, el resultado neto es que los emprendedores europeos compiten con una mano atada a la espalda.
La decisión que lo dice todo
Y aquí hay una decisión personal que creo que ilustra la tensión mejor que cualquier dato. Después del hackathon, Michał tuvo ofertas de VCs europeos. Podría haber montado PostVisit desde Bruselas. Pero ha decidido irse a Estados Unidos. «Si quiero aprender y evolucionar, necesito esa experiencia», me dijo. Ángel tuvo la decisión contraria. Una oferta formal para llevar Quibim a Boston con 20 millones de presupuesto. La condición: trasladar la sede. Dijo que no. «He tenido tres hijos durante estos diez años de Quibim. ¿Dónde quieres que crezcan tus hijos?». Se inspiró en los cocineros españoles: Ferran Adrià se convirtió en el número uno del mundo y la gente venía de todo el planeta a cenar a una carretera pequeña de la Costa Brava. «Esa singularidad también puede existir en Valencia», me dijo. Y levantó su Serie A de 50 millones sin mover la sede. Los dos tienen razón. Y eso es lo que más debería preocuparnos. Que un ecosistema produzca las dos decisiones simultáneamente (irse y quedarse) no es una contradicción. Es un síntoma de que el entorno no ofrece una respuesta clara. Y mientras Europa sigue sin dársela, la gente con talento decide individualmente. Unos se van. Otros se quedan a pesar de las barreras. Ninguno de los dos caminos debería ser heroico.
Lo que viene: la plataforma y el experto
Hay un último punto de la conversación con Ángel que creo que cierra todo el argumento. Quibim ha entrado en un programa con Anthropic para beneficiarse de Claude Code y conectar su plataforma con Claude for Life Sciences. Y la lógica es reveladora: OpenAI, Anthropic y los demás creadores de modelos fundacionales no quieren ser legalmente responsables en salud. No quieren la responsabilidad clínica. Cuando fabricas un dispositivo médico, hay una persona que firma como responsable técnico. Si el algoritmo dice que no hay cáncer y lo hay, esa persona responde legalmente. En Quibim, esa persona es Ángel. Los modelos fundacionales son plataformas. Pero el valor clínico, la responsabilidad legal, el conocimiento de dominio, eso lo ponen los expertos. La visión de futuro que describe Ángel es concreta: «Soluciones como Open AI for Health o Claude Health te dirán: has subido una resonancia de pelvis masculina. ¿Quieres que la pase por una herramienta certificada por la FDA que tengo integrada?». Los modelos fundacionales distribuyen. Los expertos de dominio certifican, validan y responden. Estoy convencido de que este es el patrón que vamos a ver en muchos más sectores. No solo en salud. La IA como infraestructura. El conocimiento de dominio como la capa que le da sentido, seguridad y responsabilidad. Los mejores productos de IA médica no los van a construir ingenieros buscando un problema. Los van a construir profesionales que ya conocen el problema y ahora tienen herramientas para resolverlo.
Y luego está la visión de futuro que Ángel comparte con Tony Fadell, su inversor: el full body scan preventivo como commodity. Hoy, cuando no tienes síntomas, nadie te escanea el cuerpo entero. La medicina funciona por órganos: te duele la rodilla, te hacen una resonancia de rodilla. Pero Ángel cree que vamos hacia un mundo donde un escáner completo del cuerpo, analizado automáticamente por IA, será tan rutinario como un análisis de sangre. Siete minutos dentro de la máquina, pies por delante para evitar la claustrofobia, y la IA busca lo que el ojo humano no puede procesar. Ya hay precursores. PRENUVO, empresa con la que colabora Quibim en EEUU, ofrece esos escáneres y ha hecho más de 100.000. El problema, como señala Ángel con honestidad, es que esos 100.000 son gente de alto poder adquisitivo, no una muestra representativa de la población. Para que los modelos funcionen de verdad, necesitas escanear a gente de todo perfil socioeconómico: al que fuma tres paquetes al día, al que bebe tres copas de vino, al que no hace ejercicio. Con toda la diversidad demográfica. Eso todavía no existe, pero está empezando.
Quibim trabaja ya en gemelos digitales de órganos (próstata, tumores pediátricos) y está recopilando datos de cuerpo completo. Ángel no promete fechas, pero la dirección está clara. Y cuando le preguntas a cinco años vista, ves que no es ciencia ficción. Es ingeniería, regulación y voluntad política. Las tres cosas que más tardan en alinearse. Michał lo demostró construyendo un prototipo en siete días. Ángel lo demuestra cada día convirtiendo ese tipo de ideas en productos reales que funcionan en hospitales. Los dos caminos son necesarios. La pregunta es si Europa va a facilitar los dos o solo va a hacer que ambos sean más difíciles. Yo creo que tenemos el talento. Nos falta el entorno.
La buena noticia es que vamos a seguir hablando de esto. En octubre de 2026, en el Valencia Digital Summit (VDS.tech), tendré a Michał y a Ángel conmigo en un fireside chat sobre IA y salud. Un cardiólogo que construye prototipos en siete días y un CEO que lleva diez años convirtiendo la imagen médica en producto, juntos en el mismo escenario. Creo que va a ser una conversación que merece la pena escuchar.
Este artículo lo publiqué originalmente en Suma Positiva, el substack de Samuel Gil que recomiendo seguir. Quiero agradecer a las dos personas que me han regalado su tiempo y sus historias para construir este texto: el Dr. Michał Nedoszytko, cardiólogo intervencionista en Bélgica, y Ángel Alberich-Bayarri, CEO de Quibim en Valencia.
Muy bueno. Solo comentar, o añadir, que se tiende a confundir programar y picar código, cosas que son diferentes. La primera es construir en la mente o en un papel o en el cristal de la ventana (cosa incómoda que queda bien por cámara) un flujo de procesos que lleven a la resolución de un problema y la segunda trasladar este flujo a una sintaxis determinada.
Pasar un Excel a un Access o a MySQL es trivial. Su héroe de la clase médica tuvo suerte y eso ha reafirmado su hacer. Bien por él, pero en realidad suena a «beau geste» de los primeros tiempos de la informática, cuando todos nos veíamos entrando en M$ con un disquete que contenía una aplicación que desmontaba en segundos algún sistema de seguridad por ofuscación. Pronto descubrimos que en vez de darnos un despacho de esquina llamaban al FBI.
También quiero decir que ni Claude ni Gémini son mágicos, sobre todo cuando lo que intentas es que sobre una aplicación ya establecida generar nuevas funciones. Siempre encuentras capas y capas de código que frenan el desarrollo.
Por último dentro de un tiempo prudencial también podríamos contar los pacientes que no habrían recibido la atención médica necesaria porque sus datos los hubieran marcardo como clientes deficitarios para las aseguradoras
Este no es un mundo perfecto.
Premisa: no soy un experto, ni en programación ni en bases de datos ni en machine learning ni en «IA». Pero sí tengo una cierta formación adyacente y he trabajado con herramientas del ramo.
– En el artículo se mezclan todas las herramientras de procesado estadístico computerizado en el término ubicuo hoy día: «IA». Y no es lo mismo una herramienta clínica especializada en detección de cánceres como la que se describe, que una LLM como ChatGPT o Claude, que el código generado por «agentes» basados en estas LLMs, que el código (clasificado o no como «IA») refinado por un humano a partir de lo anterior. O que una red neural de aprendizaje especializada en clasificar interacciones subatómicas, que se llevan usando desde hace décadas en física de partículas. Este «totum revolutum» me chirría un poco viniendo de un especialista, porque no es simplemente una pedantería léxica: es una confusión conceptual de las limitaciones inherentes a lo que popularmente se conoce como «IA» últimamente (los LLMs), adjudicándole éxitos y capacidades que no son suyos.
– El argumento de que «los médicos/humanos también alucinan» está calcada de una declaración reciente del incalificable personaje Altman: ante el hecho de que los centros de cálculo para sus LLMs consuman cantidades ingentes de recursos, argumentó que la gente también consume, como si ambos consumos fueran cualitativa o cuantitativamente comparables, y dejando leer entre líneas inquietantes ideas sobre qué merece más la pena «apagar» si fuera necesario elegir. Pero al margen de objeciones éticas sobre el desprecio deshumanizante que supura, la afirmación es también falsa y reduccionista. En concreto, reduce el criterio humano a un «loop de aprendizaje», por citar las palabras textuales del artículo. Ignora lo que el error humano posibilita más allá de una decisión binaria. Aparte sospecho que el porcentaje de aciertos del 99% está basado en un benchmark predefinido en lugar de fiabilidad en campo, como la mayoría de estas «historias de éxito».
– Enlazando con lo anterior, me sorprendería mucho encontrar un caso aplicativo de LLMs (sea directamente o a través de código que generen, sin intermediar mucho refinado humano de por medio) con la útilidad, fiabilidad y características descritas, aunque se les ponga el asterisco de potenciales, como a todo lo verdaderamente útil en este mundillo tan labil. No me creo que una LLM «de frontera», y de pago, como GPT Pro 5.3, a la que le pido hacerme un listado de las provincias españolas que contengan la letra Z, y que alucina repetidamente provincias que no existen, o letras Z que no existen, o se deja fuera Badajoz, en intercambios tan hilarantes como descorazonadores (porque hay gente que se fía a pies juntillas de estos «turcos mecánicos») – que una LLM decía, llegue en tiempos breves a ser fiable en un contexto clínico, o cualquier contexto donde se necesite fiabilidad en general. O que llegue a serlo NUNCA, visto que su naturaleza de procesado estadístico hace inevitable este tipo de problemas, como OpenAI admitió en su célebre paper del año pasado.
– Como coda, porque éste es el meollo del artículo: el aspecto regulador, y la dicotomía (manida) EEUU-Europa. ¿Por qué deberíamos aceptar una desregulación atropellada a favor de herramientas que no sólo adolecen de las limitaciones técnicas mencionadas arriba, aparte de muchas otras incluyendo de privacidad*, sino que además -y crucialmente- están controladas por corporaciones con discutibles y opacos intereses, sino directamente incompatibles con el Estado de derecho y la democracia occidental? ¿Por qué deberíamos dar la bienvenida a iniciativas desreguladoras en un país que ya antes de encontrarse en la triste situación política y cleptocrática actual era un ejemplo de gestión colectiva desastrosa, tanto económica como sanitaria o de inclusión social, y que ahora hace avanzar a marchas forzadas cualquier iniciativa, por ruinosa que sea, que favorezca a sus pocos y poderosísismos financiadores, en el mejor de los casos elitistas extremos, y en su declinación más aceptada descritos como «tecnofascistas»? ¿Cuáles son los costes a medio y largo plazo de depender de estas herramientas, con ese bagaje, y que es sabido ofrecen sus servicios a pérdida, mientras que en el futuro previsibile no tienen perspectivas de mejorar rentabilidades ni eficiencias de computación, sino más bien al contrario? Si en 10 años se convierten en un agujero negro o un monstruo de gastos, ¿cuál es la estrategia de salida para sostener las «eficiencias» que se supone permitieron incorporar al sistema sanitario cuando eran casi gratis? Nadie habla de rechazar la tecnología; todo lo contrario. Pero sugerir ignorar un principio de precaución legal para «ver qué pasa», con estas herramientas con esa fiabilidad actual y futura, controladas por esos personajes, para aplicarlas en ese campo – ese es otro discurso.
* –> Microsoft incluye en sus términos de uso de Copilot cómo sus outputs se ofrecen con fines «exclusivamente de entretenimiento». Mi empresa, una multinacional de seguridad cibernética y militar, nos advierte contractualmente en nuestra versión interna, acotada y legalmente responsable de fugas de información propietaria, de ChatGPT Pro, Gemini, Copilot y Claude, de que cualquier información insertada en LLMs está sujeta a ser usada sin nuestro consentimiento para entrenamientos futuros, y (lo que es más importante) puede salir a la superficie con los prompts adecuados, quizás no descubiertos en la actualidad, o bajo circunstancias aleatorias adecuadas. Me pregunto qué me debería llevar a confiar nada relevante a estos chats – mucho menos mi historial clínico.