El sistema de IA multiagente de Microsoft supera a los médicos generalistas en diagnósticos complejos

El sistema de diagnóstico por inteligencia artificial de Microsoft, MAI-DxO, identificó correctamente condiciones médicas complejas en un entorno simulado más del doble de veces que los médicos generalistas, según un estudio publicado en Science el 22 de octubre de 2026. Mustafa Suleyman, CEO de Microsoft AI, describió este logro como un paso significativo hacia lo que la empresa denomina "superinteligencia médica", con el objetivo de cerrar la creciente brecha entre la demanda de pacientes y la disponibilidad de experiencia médica.

Qué ocurrió

El estudio evaluó MAI-DxO, también conocido como DxO, utilizando casos clínicos complejos extraídos de la New England Journal of Medicine. En estas simulaciones, el sistema de IA alcanzó una tasa de precisión del 83%. En comparación, los médicos de atención primaria y los internistas generales que trabajaban individualmente con materiales de referencia estándar solo lograron una precisión del 36%. Es importante destacar que estos casos complejos suelen ser gestionados por especialistas o equipos multidisciplinarios en entornos reales, y dichos grupos de especialistas no fueron incluidos en la línea base comparativa.

Dominic King, Vicepresidente de Salud en Microsoft AI, enfatizó que el principal desafío en la prestación moderna de servicios de salud es la desajuste entre la oferta de experiencia médica y la demanda de los pacientes. Esta publicación sitúa a Microsoft junto a competidores como Google y OpenAI, quienes también han afirmado que sus sistemas de IA pueden igualar o superar el rendimiento de los médicos humanos. Sin embargo, los datos indican que, si bien la capa de orquestación de Microsoft aporta valor, gran parte de la mejora en el rendimiento proviene de la potencia subyacente de los propios modelos de lenguaje grandes.

Microsoft probó el marco DxO con modelos de varios proveedores, incluyendo OpenAI, Google, Anthropic, Meta y DeepSeek. El mejor rendimiento se registró utilizando los modelos GPT-5 y GPT-5.5 de OpenAI. La empresa también analizó la eficiencia de costos, midiendo el gasto estimado de ejecutar la IA por caso. Por ejemplo, GPT-5 solo obtuvo una puntuación del 78,9% en casos complejos con un costo aproximado de $8,400 por caso. Cuando se potenció con DxO, el costo disminuyó unos $3,000, mientras que la precisión mejoró aproximadamente cuatro puntos porcentuales.

Cómo funciona

MAI-DxO opera como un sistema multiagente, coordinando varios agentes de IA distintos que funcionan de manera similar a un panel de médicos humanos. En lugar de depender de un único modelo para generar una respuesta, estos agentes participan en un proceso estructurado: interrogan al paciente, solicitan pruebas diagnósticas relevantes y debaten posibles diagnósticos entre ellos. Este enfoque colaborativo imita el proceso de razonamiento clínico utilizado por los equipos médicos, permitiendo al sistema verificar suposiciones y refinar sus conclusiones antes de presentar un diagnóstico final.

La eficacia de esta orquestación varía dependiendo de la capacidad del modelo subyacente y de la complejidad del caso. En casos de urgencias hospitalarias, que generalmente son menos complejos que los casos especializados utilizados en el ensayo principal, DxO mostró poca mejora tanto en precisión como en costo cuando se combinó con GPT-5. Tanto el modelo independiente como el sistema orquestado obtuvieron puntuaciones cercanas al 85%. Sin embargo, para modelos menos capaces como Gemini 2.5 Flash, el marco DxO proporcionó un impulso sustancial, elevando la precisión del 46,4% a casi el 69%. Esto sugiere que la orquestación agéntica es particularmente valiosa para optimizar modelos más débiles o para manejar acertijos diagnósticos altamente complejos donde el razonamiento de pasada única resulta insuficiente.

Detalles clave

• MAI-DxO logró una precisión del 83% en casos complejos de la New England Journal of Medicine, frente al 36% de los médicos generalistas.
• El sistema coordina múltiples agentes de IA para interrogar a los pacientes, solicitar pruebas y debatir diagnósticos en un formato de panel simulado.
• Los mejores resultados se obtuvieron utilizando los modelos GPT-5 y GPT-5.5 de OpenAI, aunque el marco admite modelos de Google, Anthropic, Meta y DeepSeek.
• DxO redujo el costo por caso en aproximadamente $3,000 para GPT-5 mientras mejoraba ligeramente la precisión, pero mostró ganancias mínimas en casos de urgencias hospitalarias.
• Microsoft está asociándose con la Mayo Clinic para entrenar un modelo fundacional específico para el sector salud, programado para su lanzamiento el próximo año.
• Una nueva evaluación clínica con el Beth Israel Deaconess Medical Center comparará las recomendaciones de DxO con las de médicos humanos en entornos reales de urgencias y atención urgente.

Por qué importa

Para ingenieros de software y líderes técnicos, este estudio destaca el cambio en la propuesta de valor de los modelos de lenguaje grandes, pasando de la capacidad bruta a la utilidad orquestada. A medida que los modelos base se vuelven más potentes, la ganancia marginal derivada de prompts adicionales o encadenamientos simples disminuye. No obstante, los resultados de DxO demuestran que las arquitecturas multiagente aún pueden extraer mejoras significativas en el rendimiento, especialmente en la optimización de costos y al trabajar con modelos más pequeños o menos capaces. Esto sugiere que construir flujos de trabajo agénticos robustos sigue siendo una habilidad crítica para desarrollar aplicaciones de IA de alto riesgo, incluso a medida que avanzan los modelos fundacionales.

Además, el movimiento hacia ensayos clínicos en el mundo real marca una transición desde la evaluación basada en benchmarks hacia el despliegue práctico. La asociación con el Beth Israel Deaconess Medical Center representa un paso significativo para validar el razonamiento clínico de la IA en entornos no estructurados y de alta presión. Si tiene éxito, esto podría establecer un nuevo estándar para la integración de herramientas de IA en los flujos de trabajo de atención sanitaria, superando tareas auxiliares como la dictación para participar activamente en el apoyo a la toma de decisiones clínicas. Este cambio requiere marcos de prueba rigurosos capaces de manejar la complejidad y diversidad de las interacciones reales con pacientes, ofreciendo una hoja de ruta para otras industrias que buscan desplegar IA en roles críticos de toma de decisiones.

Qué puedes hacer

• Evalúa marcos multiagente en tu propio dominio para ver si la orquestación mejora la precisión o reduce los costos en comparación con los prompts de un solo modelo.
• Supervisa el próximo lanzamiento del modelo fundacional de salud de Microsoft en colaboración con la Mayo Clinic para comprender estrategias de ajuste fino específicas del dominio.
• Estudia la arquitectura de DxO para aprender cómo estructurar debates entre agentes y lógicas de solicitud de pruebas para tareas de resolución de problemas complejos.
• Considera cómo diseñar estudios de validación en el mundo real, como el realizado con Beth Israel, para probar sistemas de IA en entornos vivos en lugar de solo en benchmarks estáticos.
• Mantén un registro de métricas de eficiencia de costos al desplegar agentes de IA, ya que la orquestación puede reducir a veces el uso de tokens y los costos totales de inferencia.
• Prepárate para un mayor escrutinio regulatorio y clínico a medida que la IA pasa del apoyo administrativo a roles directos de apoyo a la toma de decisiones clínicas.