La inteligencia artificial generativa en salud dejó de ser una promesa de laboratorio para convertirse en un componente operativo de los sistemas sanitarios que deciden adoptarla con criterio. En Argentina, ese tránsito se produce en un contexto regulatorio particular, con una Ley de Derechos del Paciente (Ley 26.529) que consagra el derecho a la información y al consentimiento informado como eje de la relación asistencial, y con una Ley de Protección de Datos Personales (Ley 25.326) que define los datos relativos a la salud como sensibles y les otorga un régimen de protección reforzado. Cualquier despliegue de IA generativa en el sistema de salud que ignore esas coordenadas no es solo jurídicamente frágil: es clínicamente irresponsable.

De las pruebas de concepto a la implementación: qué está pasando en el ecosistema healthtech

A nivel global, las organizaciones sanitarias pasaron, entre 2023 y 2025, de preguntarse si la IA generativa era relevante para la atención médica a preguntarse cómo integrarla a escala sin fracasar en el intento. Los datos de referencia muestran que la mitad de las organizaciones sanitarias encuestadas en mercados maduros ya han desplegado casos de uso para usuarios finales, y que más del 80% superó la fase experimental. En Argentina, el proceso va algo más lento, pero el vector es el mismo. Obras sociales de escala nacional, prepagas del primer segmento y algunos efectores públicos de alta complejidad comenzaron a explorar herramientas de IA generativa para la gestión administrativa, la documentación clínica y el soporte a la decisión diagnóstica.

Lo que distingue esta etapa de la anterior no es la novedad tecnológica, sino el tipo de problema que enfrenta quien decide implementar. Mientras que hace dos años el debate giraba en torno a la confiabilidad del modelo o la aceptación del profesional, hoy el nudo está en la integración: cómo conectar una herramienta de IA con sistemas de historia clínica electrónica heredados, muchos de los cuales no respetan estándares de interoperabilidad mínimos. La Ley 26.682 de Medicina Prepaga y las resoluciones del Ministerio de Salud de la Nación sobre historia clínica electrónica establecen marcos que habilitan, pero que tampoco resuelven, esa complejidad técnica.

IA con agentes: la siguiente fase que ya empieza a plantearse en Argentina

La IA con capacidad agéntica, es decir, aquella que no solo genera contenido sino que ejecuta acciones, coordina tareas y toma decisiones encadenadas dentro de un flujo de trabajo, es la frontera que hoy concentra el interés más prospectivo del sector. En los mercados con mayor madurez de adopción, alrededor del 19% de las organizaciones ya desplegaron sistemas multiagente, mientras que más de la mitad está en fase de prueba de concepto. En Argentina, esa curva está desplazada en el tiempo, pero no ausente.

El escenario que se abre con los sistemas agénticos plantea preguntas que el marco jurídico argentino todavía no responde con precisión. El Decreto 459/2020, que reglamenta la telemedicina en el contexto de la pandemia y cuya aplicación extendida generó jurisprudencia administrativa relevante, no contempla la actuación autónoma de sistemas de IA en la toma de decisiones clínicas. Tampoco lo hace, en términos directos, la Ley 17.132 de ejercicio de la medicina, que reserva el acto médico a profesionales habilitados. La pregunta que emerge no es menor: cuando un sistema agéntico ejecuta una acción dentro de un flujo de trabajo clínico, ¿quién responde? La responsabilidad no desaparece porque la decisión la procese un modelo de lenguaje.

Eficiencia administrativa: el primer territorio conquistado

La administración sanitaria es el área donde la IA generativa encontró la entrada más rápida y con menor resistencia institucional. La generación automatizada de resúmenes de historia clínica, la carga de notas de evolución por dictado inteligente, la precarga de formularios para obras sociales y prepagas, y la clasificación de documentación para auditorías son casos de uso que ya están funcionando en algunos efectores argentinos. La razón es estructural: el trabajo administrativo en salud consume una proporción desproporcionada del tiempo profesional, y la IA puede absorber una parte significativa de esa carga sin comprometer directamente el acto médico.

Ahí, no obstante, se concentra también un riesgo que el derecho sanitario argentino vuelve visible. Si la IA generativa participa en la elaboración de la historia clínica, que según el art. 12 de la Ley 26.529 es un documento confidencial, inviolable y propiedad del paciente, entonces cualquier tratamiento de esos datos por parte del sistema debe ajustarse al art. 5 de la Ley 25.326, que exige consentimiento informado libre y expreso para el tratamiento de datos sensibles, salvo las excepciones que la propia norma prevé. La delegación de ese proceso a un proveedor tecnológico externo activa, además, el régimen de cesión de datos a terceros del art. 11 de la misma ley, con todo lo que eso implica para los contratos de servicio que las instituciones de salud suscriben con empresas de healthtech.

Productividad clínica: donde el potencial es mayor y los riesgos también

Las organizaciones de atención directa que tienen mayor madurez en adopción de IA generativa muestran que el campo de la productividad clínica, no el administrativo, es donde la tecnología despliega mayor impacto medible. Herramientas de soporte diagnóstico, síntesis de evidencia científica, asistencia en la prescripción y alertas de interacción farmacológica potenciadas por IA ya están siendo integradas en algunos flujos de trabajo clínico. El porcentaje de organizaciones clínicas que reportan haber desplegado IA generativa para productividad clínica supera, en los mercados de referencia, al de cualquier otra área funcional.

En Argentina, ese despliegue entra en contacto inmediato con la Disposición ANMAT 7075/2011 y su régimen de software como dispositivo médico, marco que la propia ANMAT ha ido reinterpretando a medida que los productos de IA comenzaron a reclamar funcionalidades que exceden el procesamiento de información para acercarse a la decisión clínica. El criterio de clasificación importa: una herramienta que sugiere diagnósticos diferenciales no es lo mismo, jurídicamente, que una que los propone como output principal. Esa frontera es porosa, y la falta de una regulación específica para IA como dispositivo médico en Argentina, a diferencia del camino que tomó la Unión Europea con el AI Act, deja un vacío que las instituciones deben gestionar con criterio propio mientras la regulación madura.

Las barreras reales: integración, capacidad interna y gobernanza

Las organizaciones que ya pasaron la fase de prueba de concepto descubren que el obstáculo más urgente no es el modelo de IA sino la arquitectura de los sistemas donde ese modelo tiene que funcionar. La integración con sistemas de HCE construidos en décadas anteriores, sin estándares HL7 FHIR consistentes, sin APIs documentadas y con lógicas propietarias que ningún proveedor quiere abrir, es el problema concreto que frena la escala. Eso, en Argentina, tiene una dimensión adicional: la fragmentación del sistema de salud entre efectores públicos, obras sociales, prepagas y prestadores privados genera una heterogeneidad de sistemas que hace que cada implementación sea, en la práctica, un proyecto casi a medida.

A esto se suma la falta de capacidad interna especializada. Las organizaciones de salud no suelen tener equipos con perfiles de machine learning, ética computacional o gestión del dato clínico. Esa brecha no se cierra con un proveedor externo que instala el sistema y se va: requiere formación sostenida, roles nuevos dentro de la institución y una cultura organizacional que sepa distinguir cuándo la IA ayuda y cuándo produce un resultado que un profesional debe revisar antes de actuar.

La gobernanza, entendida no como un departamento sino como el conjunto de políticas, procedimientos y responsabilidades que garantizan el uso adecuado de la IA, es el tercer factor que la evidencia disponible identifica como determinante del éxito o el fracaso de la implementación. En el derecho argentino, esa gobernanza tiene que construirse sobre los pilares que ya existen: el régimen de datos sensibles de la Ley 25.326, el derecho a la información del art. 3 de la Ley 26.529, el principio de consentimiento informado y la obligación de confidencialidad del art. 2 de la misma norma. No como un catálogo de cumplimiento formal, sino como un criterio sustantivo que orienta cada decisión de diseño.

Modelos de adopción: comprar, construir o codesarrollar

La tendencia dominante en los mercados con mayor madurez es la compra de soluciones desarrolladas por terceros, con un crecimiento significativo de esa estrategia entre 2024 y 2025. Las organizaciones de atención directa, con menor capacidad técnica interna, optan con más frecuencia por soluciones prefabricadas; las empresas de tecnología sanitaria, por construcción interna o codesarrollo. En Argentina, ese mapa tiene sus propias particularidades: el ecosistema local de startups healthtech creció en los últimos años, y hay actores que ofrecen soluciones específicamente adaptadas al contexto normativo y operativo argentino, lo cual no es un dato menor cuando el cumplimiento de la Ley 25.326 o la integración con los sistemas de auditoría de obras sociales están en juego.

La decisión de comprar versus construir no es solo estratégica: tiene consecuencias jurídicas directas. Cuando una institución de salud contrata a un proveedor externo para gestionar datos de salud de sus pacientes, ese proveedor queda alcanzado por el art. 25 de la Ley 25.326, que regula la prestación de servicios de tratamiento de datos por cuenta de terceros y exige que el contrato establezca con precisión las instrucciones del responsable, las medidas de seguridad aplicables y la prohibición de usar los datos con finalidades distintas a las contratadas. Ese contrato, en la práctica del sector salud argentino, rara vez está a la altura de lo que la norma exige.

El retorno de la inversión como argumento y como trampa

Los datos disponibles muestran que la mayoría de los líderes del sector salud que ya adoptaron IA generativa reportan expectativas de retorno positivo, y una proporción creciente puede cuantificarlo. Los rangos reportados oscilan entre el doble y cuádruple de la inversión inicial, aunque esa cuantificación depende en gran medida de cómo se miden los ahorros en tiempo administrativo, la reducción de errores de codificación clínica o la disminución de reinternaciones.

El riesgo de ese argumento es que se use para acelerar la implementación sin resolver los problemas de gobernanza que determinan si ese retorno se sostiene en el tiempo o si la organización queda expuesta a un incidente que lo borra de un plumazo. Un data breach que involucre datos de salud, en el marco de la Ley 25.326 y las resoluciones de la Agencia de Acceso a la Información Pública, puede generar consecuencias que ningún ahorro administrativo compensa. Y si el sistema de IA produce una recomendación clínica errónea que un profesional toma sin el escrutinio suficiente, la discusión ya no es de ROI: es de responsabilidad civil y penal.

Lo que el sistema de salud argentino necesita para que esto funcione

La adopción madura de IA generativa en salud no se logra importando modelos de implementación de otros mercados sin adaptar el marco regulatorio, la arquitectura de datos y la cultura institucional. Argentina tiene condiciones para construir un camino propio: tiene una base normativa, aunque incompleta, en la Ley 26.529, la Ley 25.326 y el Decreto 459/2020; tiene un ecosistema de actores healthtech con capacidad técnica real; y tiene un sistema de salud, fragmentado y heterogéneo, que acumula una cantidad enorme de datos clínicos que podrían alimentar modelos con impacto directo en la calidad asistencial.

Lo que falta, y no es un detalle menor, es una regulación específica para el uso de IA en salud que resuelva los vacíos que la normativa vigente no puede llenar: el estatus jurídico del output de un sistema de IA en el contexto del acto médico, el régimen de responsabilidad en sistemas multiagente, los estándares de auditoría algorítmica y los criterios de interoperabilidad que hagan posible el intercambio de información clínica entre efectores sin comprometer la privacidad del paciente.

Mientras esa regulación no existe, las organizaciones que decidan avanzar tienen que construir su propia gobernanza con lo que hay. Y "con lo que hay" no es tan poco como parece.