La inteligencia artificial avanza con rapidez en la investigación científica y en el sector salud, pero en México ese desarrollo ocurre en un entorno todavía marcado por vacíos normativos, brechas de capacitación y debilidades en gobernanza de datos. Una revisión centrada en el contexto mexicano advierte que, aunque estas tecnologías ya muestran aplicaciones en salud pública, análisis epidemiológico, microbioma, diagnóstico asistido y gestión de riesgos clínicos, persisten desafíos éticos y regulatorios que limitan una adopción segura, transparente y alineada con estándares internacionales.
La inteligencia artificial en la investigación científica en México se ha convertido en un tema estratégico para el sistema de salud, la academia y las instituciones regulatorias. Su incorporación promete mejoras en eficiencia, precisión y capacidad predictiva, pero también abre interrogantes de fondo sobre la integridad de los procesos científicos, la protección de las personas participantes y la responsabilidad frente a decisiones mediadas por algoritmos.
El análisis del contexto mexicano muestra que la adopción de estas herramientas ha superado la evolución de los marcos éticos y regulatorios. Aunque el país dispone de normas en protección de datos personales, bioética e investigación en seres humanos, aún no cuenta con un marco específico para regular el uso de algoritmos, modelos predictivos o sistemas autónomos en investigación científica. Esa ausencia, según la revisión, genera incertidumbre jurídica y deja áreas críticas sin supervisión claramente definida.
Inteligencia artificial en la investigación científica en México: avances con madurez desigual
La revisión ubica el crecimiento de la inteligencia artificial dentro de una transformación más amplia de los métodos de producción de conocimiento. Desde la automatización de procesos experimentales hasta la modelación predictiva y el descubrimiento asistido por algoritmos, la IA ha ganado un lugar central, especialmente en las ciencias de la salud.
En el campo biomédico, estas tecnologías ya han demostrado utilidad para el análisis de imágenes médicas, la predicción de riesgos, el descubrimiento de fármacos, el análisis genómico y la optimización de sistemas de salud. Incluso, se señala que estudios recientes han mostrado capacidades comparables o superiores al desempeño clínico humano en tareas específicas, sobre todo en radiología, dermatología y patología digital.
Sin embargo, la situación mexicana dista de un despliegue homogéneo. Aunque existen avances en salud pública, análisis epidemiológico, genómica, diagnóstico asistido y automatización de procesos, estas iniciativas siguen siendo fragmentadas y con niveles heterogéneos de madurez tecnológica. La falta de infraestructura uniforme, la limitada disponibilidad de datos interoperables y la ausencia de políticas nacionales específicas dificultan una adopción sistemática de la IA en investigación científica.
Capacitación limitada y uso todavía incipiente en laboratorios y servicios de salud
Uno de los hallazgos más contundentes de la revisión se relaciona con la formación del talento humano. Un estudio nacional con 362 profesionales encontró que solo 0.5% se considera experto en inteligencia artificial y apenas 4.7% ha recibido formación formal en esta materia. Además, cerca del 60% presenta baja familiaridad con aplicaciones específicas, aunque 78% reconoce que estas herramientas ya intervienen en procesos como análisis de datos, detección de errores o verificación de resultados.
Estas cifras reflejan una tensión importante: la IA ya está presente en entornos científicos y asistenciales, pero su incorporación no ha ido acompañada de una preparación equivalente del personal. La revisión asocia esta brecha con tres factores principales: falta de capacitación técnica, percepción de riesgo laboral y ausencia de lineamientos normativos claros.
Aun así, el texto identifica un ecosistema en transición. La reciente creación del Centro Público de Formación en Inteligencia Artificial, impulsado por el Gobierno de México, es presentada como un hito potencial para fortalecer capacidades nacionales y reducir brechas en desarrollo, capacitación y gobernanza algorítmica.
Aplicaciones científicas en expansión: del microbioma al riesgo clínico
La revisión destaca que la inteligencia artificial ya se emplea de forma transversal en varios campos científicos en México. En el estudio del microbioma humano, ambiental y alimentario, los modelos de aprendizaje automático y aprendizaje profundo permiten caracterizar comunidades microbianas, identificar patrones taxonómicos y explorar asociaciones entre perfiles microbianos y enfermedades crónicas. Estas aproximaciones han fortalecido proyectos de investigación biomédica, nutricional y genómica en instituciones académicas del país.
Otra línea de expansión es el análisis de riesgos clínicos. Una revisión de 142 estudios publicados entre 2013 y 2024 identificó tres áreas principales de uso sistemático de algoritmos en ensayos clínicos: seguridad, eficacia y riesgos operativos. En seguridad, los modelos predicen toxicidad, severidad y probabilidad de eventos adversos con desempeños que alcanzan un área bajo la curva ROC de hasta 96%. En eficacia, se usan métodos clásicos y de aprendizaje profundo para anticipar respuesta terapéutica, desenlaces clínicos y efectos del tratamiento. En riesgos operativos, los modelos permiten estimar probabilidad de éxito por fase, aprobaciones regulatorias, riesgo de terminación anticipada y calidad metodológica de los protocolos.
En conjunto, estas aplicaciones muestran que la IA ya no es una promesa abstracta, sino una herramienta incorporada de manera creciente a la investigación y a la gestión del riesgo clínico. El problema, según la revisión, es que ese avance técnico no ha estado acompañado por un desarrollo equivalente en regulación, supervisión y estandarización.
Los desafíos éticos: sesgos, opacidad y consentimiento insuficiente
El artículo subraya que los beneficios potenciales de la IA conviven con dilemas éticos complejos. Entre los riesgos más relevantes aparecen los sesgos algorítmicos derivados de bases de datos no representativas, la opacidad de modelos complejos que dificulta su validación científica, y los problemas asociados al manejo de datos sensibles, especialmente cuando no están claros los alcances del uso secundario de la información.
También se advierte que el consentimiento informado tradicional resulta insuficiente para explicar a personas no expertas las implicaciones técnicas del uso de inteligencia artificial en investigación. Esta limitación compromete la autonomía de los participantes y plantea interrogantes sobre la calidad real del proceso de información.
A ello se suman amenazas a la integridad científica derivadas del uso de herramientas generativas capaces de producir datos sintéticos, imágenes modificadas o textos automatizados sin controles adecuados de trazabilidad. La revisión identifica este fenómeno como una fuente de riesgo adicional, junto con la ambigüedad sobre la responsabilidad ética y jurídica cuando una decisión o un error es atribuible al algoritmo.
Vacíos regulatorios y fragmentación institucional en México
En el plano regulatorio, la revisión es clara: México no cuenta con estándares específicos para la validación, certificación, auditorías de equidad ni supervisión del ciclo de vida de los modelos de IA. Esta carencia contrasta con marcos ya desarrollados por la Unión Europea, la OMS, la OCDE y la UNESCO.
El problema no es solo la ausencia de una ley especializada, sino la fragmentación institucional. El INAI supervisa datos personales; la CONBIOÉTICA emite lineamientos éticos; COFEPRIS regula tecnologías en salud; y la Secretaría de Ciencia, Humanidades, Innovación y Tecnología coordina políticas científicas. Sin una entidad articuladora, persisten inconsistencias en criterios, mecanismos de supervisión y alcances regulatorios.
La revisión también advierte vacíos en materia de uso secundario de datos, movilidad de información, anonimización avanzada y gobernanza del dato, todos elementos esenciales para entrenar modelos de IA. A esto se agregan desigualdades en infraestructura computacional, interoperabilidad y capacidades técnicas, lo que limita una implementación segura y estandarizada en todo el país.
Un marco integral, la tarea pendiente
La conclusión del análisis apunta a una necesidad urgente: México debe construir un marco integral de gobernanza algorítmica que garantice un uso ético, seguro y transparente de la IA en investigación científica. Ese marco, de acuerdo con la revisión, debería incluir criterios de validación algorítmica, auditorías de equidad y explicabilidad, reglas claras para el manejo de datos sensibles, lineamientos para tecnologías generativas y fortalecimiento de los Comités de Ética en Investigación.
La revisión también plantea que el fortalecimiento institucional y la formación especializada serán decisivos para una adopción responsable. En esa lógica, la consolidación de una estrategia nacional en inteligencia artificial aplicada a la investigación no solo permitiría cerrar brechas internas, sino también posicionar a México como referente regional en innovación científica con enfoque de derechos humanos y justicia algorítmica.
Más que una discusión tecnológica, el debate planteado por esta revisión es de política pública y de gobernanza científica. La inteligencia artificial ya está transformando la investigación en salud; la pregunta pendiente es si México logrará construir, con la misma velocidad, las condiciones éticas y regulatorias para que esa transformación ocurra bajo estándares de seguridad, transparencia y equidad.
Descarga el documento completo aquí:
