Una empresa conocida por generar imágenes a partir de texto anuncia su entrada al diagnóstico médico. Si eso no detiene la lectura por un segundo, quizá convenga releerlo. Midjourney, el generador de imágenes que popularizó la IA visual en redes sociales, desarrolla lo que describe como un dispositivo médico basado en inteligencia artificial. El movimiento es audaz. También sigue una tendencia que, al observarla en otros contextos, genera más preguntas que entusiasmo.

La pregunta relevante no es si la IA puede aportar algo valioso a la medicina. Ya lo hace en áreas específicas. Lo que importa es qué significa que una compañía cuya base es la generación visual compita donde los errores dejan de ser estéticos para volverse clínicos.

Esto importa porque la velocidad de entrada al mercado médico supera con frecuencia la de la validación científica. No es un problema inédito, pero su aceleración actual merece atención sostenida.

El paso de Midjourney se inscribe en un entorno donde la FDA enfrenta presiones crecientes para agilizar aprobaciones de dispositivos de IA. Sucede también después de ver cómo directivas ejecutivas acortaron años de validación en casos como la ibogaína y los psicodélicos, cuando la presión mediática y política alineó los incentivos. Cuando la influencia visible reemplaza el proceso riguroso, los resultados se vuelven impredecibles. Los pacientes terminan absorbiendo esa impredecibilidad.

Lo que se conoce del dispositivo de Midjourney sigue siendo fragmentario. La compañía habla de análisis de imágenes médicas, posiblemente orientado al diagnóstico por imagen. Ese terreno ya cuenta con actores formados dentro del contexto clínico que acumularon años de pruebas hospitalarias reales. Midjourney llega desde afuera, con una arquitectura diseñada para producir imágenes plausibles, no para interpretar patología.

Aquí la advertencia de Yann LeCun adquiere peso clínico directo. Los modelos generativos optimizan coherencia visual y plausibilidad estética. No captan causalidad ni razonan procesos biológicos. Un sistema que genera pulmones sanos convincentes no detecta necesariamente patología real. La distancia entre ambas capacidades separa un diagnóstico correcto de uno que solo parece correcto.

La rendición de cuentas genera otra preocupación. La medicina ya enfrenta limitaciones de supervisión en instituciones consolidadas. Cuando ingresa una empresa cuya cultura se formó en el entretenimiento visual, surgen dudas concretas: quién responde si los algoritmos fallan, con qué transparencia operan, quién audita sus sesgos.

El ejemplo de Meta resulta ilustrativo aunque el campo sea distinto. Documentos internos mostraron que consecuencias nocivas no fueron accidentes sino resultados predecibles de decisiones que priorizaron métricas de negocio. El modelo de incentivos hacía más rentable ignorarlas. Esa misma estructura persiste en cualquier compañía tecnológica que entra a medicina bajo presión de crecimiento y expectativas de inversionistas.

Existen casos exitosos de IA diagnóstica que siguieron otro camino. El modelo de Google para detectar retinopatía diabética, validado en poblaciones reales en India y Tailandia, muestra qué ocurre cuando el proceso es riguroso y específico. La diferencia con el anuncio de Midjourney no es tecnológica sino metodológica.

Las excavaciones en antiguos sitios mesopotámicos revelan que innovaciones médicas adoptadas sin controles suficientes generaron complicaciones que tardaron generaciones en reconocerse. Las piedras no mienten. Ese registro invita a examinar con cuidado la velocidad actual.

Un aspecto poco discutido es el impacto en economías emergentes. Cuando un dispositivo se aprueba en el norte global, llega a mercados latinoamericanos y africanos con supervisión regulatoria mucho más débil. Sesgos entrenados en poblaciones específicas se despliegan sobre realidades genéticas, ambientales y sociales distintas. Desde México esta asimetría se percibe con claridad particular. No somos el laboratorio, pero sí el destino de adopción.

El relato del progreso lineal es tentador: porque la IA mejoró ciertas áreas del diagnóstico, más IA en más áreas será automáticamente mejor. El avance no funciona así. Requiere validación específica, vigilancia activa y la honestidad de reconocer cuándo una herramienta no está lista para el contexto donde se quiere usar.

Todavía no tengo claro cómo regular esto sin paralizar la innovación ni permitir que la velocidad de mercado supere la seguridad del paciente. Es un equilibrio genuinamente difícil. Lo que sí resulta evidente es que la pregunta correcta no es si Midjourney puede hacerlo, sino bajo qué condiciones, con qué validación, con qué mecanismos de responsabilidad y quién más participa en esa decisión además de la empresa y los reguladores.

La medicina ha integrado transformaciones tecnológicas antes. Algunas trajeron mejoras duraderas. Otras tardamos décadas en reconocer como errores. La diferencia nunca estuvo solo en la tecnología sino en el proceso de adopción. Un generador de imágenes compitiendo en diagnóstico médico podría aportar valor real. El camino entre capacidad técnica y confiabilidad clínica, sin embargo, no se recorre con anuncios ni con presión de inversionistas.

¿Qué condiciones harían que esta expansión fortalezca realmente la medicina sin repetir errores ya documentados?

Fuentes

1. Midjourney — Anuncios oficiales sobre expansión a dispositivos médicos (comunicados de empresa, 2025-2026)

2. FDA — Marco regulatorio para dispositivos de IA/ML en medicina: Artificial Intelligence and Machine Learning in Software as a Medical Device (fda.gov)

3. Topol, E. — Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again (2019) — validación clínica de IA diagnóstica

4. LeCun, Y. — Publicaciones técnicas sobre limitaciones de modelos generativos en comprensión causal (Meta AI Research, 2023-2024)

5. Beede, E. et al. — A Human-Centered Evaluation of a Deep Learning System Deployed in Clinics for the Detection of Diabetic Retinopathy, CHI 2020 — caso Google Health en India