1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

La Inteligencia Artificial (IA) es una disciplina de las ciencias de la computación que busca crear sistemas capaces de realizar tareas que tradicionalmente requieren inteligencia humana. Estas tareas incluyen el reconocimiento de patrones, la toma de decisiones, el procesamiento del lenguaje natural y el aprendizaje a partir de la experiencia.

En la actualidad, el término IA engloba múltiples subdisciplinas, siendo el Machine Learning (aprendizaje automático) y el Deep Learning (aprendizaje profundo) las áreas más relevantes y de mayor aplicación práctica. La IA moderna se basa en algoritmos capaces de aprender de los datos sin ser explícitamente programados para cada situación específica.

El desarrollo de la IA ha experimentado un crecimiento exponencial en los últimos años, impulsado por tres factores fundamentales: la disponibilidad de grandes volúmenes de datos, el aumento de la capacidad computacional (especialmente mediante GPUs) y los avances en algoritmos de aprendizaje automático. Esta confluencia ha permitido aplicaciones revolucionarias en sectores como la salud, el transporte, las finanzas y la administración pública.

2. MODELOS INTERPRETABLES Y MODELOS NO INTERPRETABLES

2.1. Concepto de Interpretabilidad

La interpretabilidad se refiere al grado en que una persona puede comprender el mecanismo del modelo o las razones relevantes de una salida. Puede analizarse de forma global —cómo se comporta el modelo en conjunto— y local —por qué produjo una predicción concreta—, y siempre debe valorarse respecto del destinatario de la explicación y del uso previsto.

La interpretabilidad no debe confundirse con la explicabilidad. Un modelo interpretable es comprensible por sí mismo debido a su simplicidad estructural, mientras que un modelo explicable puede requerir técnicas adicionales para generar explicaciones sobre modelos complejos que no son intrínsecamente transparentes.

2.2. Modelos Interpretables

Los modelos interpretables son aquellos cuyo funcionamiento interno es transparente y fácil de entender. Estos modelos permiten a los usuarios seguir el proceso de razonamiento que conduce a una predicción o decisión específica.

Ejemplos de modelos interpretables:

• Regresión lineal: Utiliza coeficientes ponderados que muestran claramente la contribución de cada variable
• Regresión logística: Similar a la regresión lineal pero para clasificación binaria
• Árboles de decisión simples: Estructura de diagrama de flujo que muestra visualmente las reglas de decisión
• Reglas de asociación: Expresan relaciones del tipo «si-entonces» comprensibles

Ventajas: Facilitan la auditoría y cumplimiento normativo, generan confianza en usuarios no técnicos, facilitan la inspección y pueden ayudar a detectar determinados sesgos y son adecuados para sectores regulados como salud y finanzas.

Inconvenientes: Limitación en la capacidad predictiva para problemas complejos, posible pérdida de capacidad predictiva cuando el fenómeno exige relaciones muy complejas, dificultad para capturar relaciones no lineales sofisticadas y restricciones en el manejo de datos no estructurados.

2.3. Modelos No Interpretables

Los modelos no interpretables, también llamados «cajas negras», son sistemas cuyo funcionamiento interno resulta opaco y difícil de comprender. Su mayor capacidad permite representar relaciones complejas, pero la mejora de rendimiento debe demostrarse mediante validación y no puede presumirse por la sola complejidad.

Ejemplos de modelos no interpretables:

• Redes neuronales profundas (Deep Learning): Múltiples capas de procesamiento con millones de parámetros
• Ensemble methods complejos: Random Forest con cientos de árboles, Gradient Boosting
• Support Vector Machines con kernel complejo: Transformaciones no lineales difíciles de visualizar
• Redes neuronales convolucionales: Especializadas en procesamiento de imágenes

Ventajas: Capacidad para alcanzar un rendimiento elevado en tareas complejas cuando existen datos y validación suficientes, capacidad para detectar patrones sutiles en grandes volúmenes de datos, excelente desempeño en datos no estructurados (imágenes, audio, texto) y capacidad de generalización potencialmente elevada, que debe comprobarse fuera de la muestra de entrenamiento.

Inconvenientes: Dificultad para justificar decisiones en contextos críticos, mayor riesgo de incorporar sesgos ocultos, requisitos computacionales elevados, necesidad de grandes cantidades de datos de entrenamiento y complejidad en la depuración de errores.

2.4. Tabla Comparativa

3. PRINCIPALES MODELOS Y ALGORITMOS DE MACHINE LEARNING

El Machine Learning abarca una amplia variedad de algoritmos que pueden clasificarse según su enfoque matemático y estructura. A continuación se analizan las categorías principales utilizadas en la práctica profesional actual.

3.1. Algoritmos Basados en Funciones

Estos algoritmos modelan la relación entre variables mediante funciones matemáticas que minimizan un error o distancia entre las predicciones y los valores reales.

3.1.1. Regresión Lineal

La regresión lineal es uno de los algoritmos fundamentales del aprendizaje supervisado. Establece una relación lineal entre variables independientes (features) y una variable dependiente continua (target). El modelo busca la recta de mejor ajuste que minimiza la suma de errores cuadráticos.

Fórmula básica: y = β₀ + β₁x₁ + β₂x₂ + … + βₙxₙ + ε

Donde β₀ es el intercepto, β₁…βₙ son los coeficientes de las variables independientes y ε representa el error residual.

Aplicaciones: Predicción de precios inmobiliarios, pronóstico de ventas, estimación de demanda de recursos sanitarios, análisis de tendencias temporales.

Ventajas: Simplicidad de implementación, interpretabilidad directa de coeficientes, rapidez computacional, requisitos mínimos de datos.

Limitaciones: Asume linealidad entre variables, sensible a valores atípicos, no captura relaciones complejas, puede sufrir de multicolinealidad.

3.1.2. Regresión Logística

A pesar de su nombre, la regresión logística es un algoritmo de clasificación binaria ampliamente utilizado. Aplica la función sigmoide para transformar una combinación lineal de variables en probabilidades entre 0 y 1.

Función sigmoide: P(y=1|x) = 1 / (1 + e^(-z)), donde z = β₀ + β₁x₁ + … + βₙxₙ

Aplicaciones: Detección de spam en correos electrónicos, diagnóstico de enfermedades (presencia/ausencia), predicción de abandono de clientes (churn), evaluación de riesgo crediticio.

Ventajas: Proporciona probabilidades interpretables, eficiente computacionalmente, no requiere escalado de variables, robusto frente a ruido.

Extensiones: Regresión logística multinomial para clasificación multiclase, regresión ordinal para categorías con orden natural.

3.1.3. Métodos Polinómicos

Los métodos polinómicos extienden la regresión lineal incorporando términos polinómicos de las variables independientes. Permiten modelar relaciones no lineales manteniendo la estructura básica de los modelos lineales.

Ejemplo de regresión polinómica de grado 2: y = β₀ + β₁x + β₂x² + ε

Aplicaciones: Modelado de curvas de crecimiento, análisis de respuesta dosis-efecto en farmacología, ajuste de tendencias no lineales.

3.2. Algoritmos Basados en Árboles

Los algoritmos basados en árboles dividen recursivamente el espacio de características mediante reglas de decisión, creando estructuras jerárquicas que facilitan la interpretación.

3.2.1. Árboles de Clasificación

Los árboles de clasificación (Classification Trees) asignan cada observación a una clase discreta mediante una serie de preguntas binarias. Cada nodo interno representa una prueba sobre un atributo, cada rama representa el resultado de la prueba y cada hoja representa una etiqueta de clase.

Criterios de división comunes:

• Índice Gini: Mide la impureza de un nodo (probabilidad de clasificación incorrecta)
• Entropía (ganancia de información): Mide el desorden o incertidumbre
• Error de clasificación: Proporción de observaciones mal clasificadas

Ventajas: Visualización intuitiva mediante diagramas, no requieren normalización de datos, manejan variables numéricas y categóricas, capturan interacciones entre variables automáticamente.

Aplicaciones: Diagnóstico médico (sistemas de apoyo a la decisión), aprobación de créditos, segmentación de clientes, detección de fraudes.

3.2.2. Árboles de Regresión

Los árboles de regresión predicen valores continuos en lugar de clases discretas. En cada nodo hoja se asigna un valor numérico, típicamente la media de los valores de entrenamiento que alcanzan ese nodo.

Criterio de división: Minimización del error cuadrático medio (MSE) o error absoluto medio (MAE).

Aplicaciones: Predicción de estancias hospitalarias, estimación de costes de tratamientos, pronóstico de valores de laboratorio.

3.2.3. Métodos Ensemble: Random Forest

Random Forest es un método ensemble que construye múltiples árboles de decisión durante el entrenamiento y combina sus predicciones mediante votación (clasificación) o promedio (regresión). Introduce aleatoriedad seleccionando subconjuntos aleatorios de observaciones (bootstrap) y características.

Ventajas sobre árboles individuales: Reduce significativamente el overfitting, mayor estabilidad y robustez, maneja mejor datasets grandes, proporciona medidas de importancia de variables.

Parámetros clave: Número de árboles (típicamente 100-500), profundidad máxima de árboles, número de características consideradas en cada división.

3.3. Algoritmos Basados en Reglas

Los algoritmos basados en reglas expresan el conocimiento mediante conjuntos de reglas del tipo «SI condición ENTONCES conclusión», facilitando la interpretación humana.

3.3.1. Reglas de Clasificación

Las reglas de clasificación asignan observaciones a clases mediante condiciones lógicas sobre los atributos. Ejemplo: «SI edad > 65 Y presión_arterial > 140 ENTONCES riesgo_cardiovascular = ALTO».

Métodos de generación: Extracción de reglas desde árboles de decisión, algoritmos RIPPER (Repeated Incremental Pruning to Produce Error Reduction), sistemas expertos basados en conocimiento.

Ventajas: Máxima interpretabilidad, integración con conocimiento experto, fácil validación por profesionales del dominio.

3.3.2. Reglas de Asociación

Las reglas de asociación descubren relaciones interesantes entre variables en grandes bases de datos. Son fundamentales en análisis de cestas de compra y patrones de comportamiento.

Métricas principales:

• Soporte: Frecuencia de aparición conjunta de ítems
• Confianza: Probabilidad condicional de que ocurra Y dado X
• Lift: Fuerza de la asociación comparada con la independencia

Algoritmos destacados: Apriori (búsqueda de conjuntos frecuentes), FP-Growth (árbol de patrones frecuentes), Eclat (búsqueda en profundidad).

Aplicaciones en salud: Identificación de combinaciones de síntomas, patrones de prescripción médica, comorbilidades frecuentes, efectos adversos de medicamentos.

3.4. Redes Neuronales

Las redes neuronales artificiales son modelos computacionales inspirados en el funcionamiento del cerebro humano. Están compuestas por capas de nodos (neuronas) interconectadas que procesan información mediante funciones de activación no lineales.

3.4.1. Arquitectura Básica

Una red neuronal típica consta de tres tipos de capas:

• Capa de entrada: Recibe las características del problema
• Capas ocultas: Procesan y transforman la información (pueden ser múltiples)
• Capa de salida: Produce la predicción o clasificación final

Cada conexión entre neuronas tiene un peso que se ajusta durante el entrenamiento mediante el algoritmo de retropropagación (backpropagation) y optimizadores como SGD (Stochastic Gradient Descent) o Adam.

3.4.2. Funciones de Activación

Las funciones de activación introducen no linealidad en la red, permitiendo aprender patrones complejos:

• Sigmoid: σ(x) = 1/(1+e^-x), rango [0,1]
• Tanh: tanh(x), rango [-1,1]
• ReLU (Rectified Linear Unit): f(x) = max(0,x), más utilizada actualmente
• Softmax: Para clasificación multiclase en la capa de salida

3.4.3. Tipos de Redes Neuronales

• Perceptrón Multicapa (MLP): Red feedforward básica con capas completamente conectadas
• Redes Neuronales Convolucionales (CNN): Especializadas en procesamiento de imágenes
• Redes Neuronales Recurrentes (RNN): Para datos secuenciales y series temporales
• Long Short-Term Memory (LSTM): Variante de RNN que maneja dependencias a largo plazo
• Transformers: Arquitectura moderna basada en mecanismos de atención

4. REDES NEURONALES Y DEEP LEARNING

El Deep Learning (aprendizaje profundo) es un subconjunto del Machine Learning que utiliza redes neuronales artificiales con múltiples capas de procesamiento (múltiples capas de representación aprendida). Esta profundidad permite al modelo aprender representaciones jerárquicas de los datos, desde características simples hasta conceptos abstractos complejos.

4.1. Diferencias Clave con Machine Learning Tradicional

4.2. Ventajas del Deep Learning

4.3. Aplicaciones Destacadas

• Visión por computadora: Reconocimiento facial, detección de objetos, diagnóstico médico por imágenes
• Procesamiento del lenguaje natural: Traducción automática, chatbots, análisis de sentimientos
• Reconocimiento de voz: Asistentes virtuales, transcripción automática
• Sistemas de recomendación: Personalización de contenidos y productos
• Vehículos autónomos: Percepción del entorno y toma de decisiones
• Descubrimiento de fármacos: Predicción de propiedades moleculares

5. TÉCNICAS DE SELECCIÓN DE CARACTERÍSTICAS

La selección de características (feature selection) es el proceso de identificar y seleccionar el subconjunto más relevante de variables de entrada para construir modelos predictivos. Reduce la dimensionalidad eliminando características redundantes o irrelevantes, mejorando el rendimiento del modelo y reduciendo el coste computacional.

5.1. Métodos de Filtro (Filter Methods)

Los métodos de filtro evalúan la relevancia de cada característica independientemente del algoritmo de aprendizaje, utilizando medidas estadísticas.

Técnicas principales:

• Correlación de Pearson: Mide relaciones lineales entre variables continuas
• Chi-cuadrado (χ²): Evalúa dependencia entre variables categóricas
• ANOVA F-test: Compara medias entre grupos
• Information Gain: Basado en reducción de entropía
• Mutual Information: Mide dependencia mutua entre variables

Ventajas: Rápidos computacionalmente, independientes del modelo, escalables a grandes dimensionalidades.

Limitaciones: No consideran interacciones entre variables, pueden ignorar características útiles en combinación.

5.2. Métodos de Envoltura (Wrapper Methods)

Los métodos de envoltura evalúan subconjuntos de características entrenando el modelo y midiendo su rendimiento. Buscan el subconjunto óptimo mediante búsqueda heurística.

Técnicas principales:

• Forward Selection: Añade características una a una
• Backward Elimination: Elimina características una a una
• Recursive Feature Elimination (RFE): Elimina recursivamente las características menos importantes
• Búsqueda exhaustiva: Evalúa todas las combinaciones posibles (costoso)

Ventajas: Consideran interacciones entre variables, optimizados para el modelo específico, generalmente mejor rendimiento.

Limitaciones: Computacionalmente costosos, riesgo de overfitting, no escalables a alta dimensionalidad.

5.3. Métodos Embebidos (Embedded Methods)

Los métodos embebidos realizan la selección de características durante el proceso de entrenamiento del modelo, integrando ambos procesos.

Técnicas principales:

• LASSO (Least Absolute Shrinkage and Selection Operator): Regularización L1 que fuerza algunos coeficientes a cero
• Ridge Regression: Regularización L2 que reduce la magnitud de los coeficientes; normalmente controla complejidad, pero no realiza selección estricta al no anularlos
• Elastic Net: Combinación de L1 y L2
• Importancia de características en Random Forest: Mide la contribución de cada variable
• Regularización en redes neuronales: Dropout, weight decay

Ventajas: Balance entre precisión y eficiencia computacional, integración natural con el entrenamiento, control del overfitting.

6. TÉCNICAS DE EXTRACCIÓN DE CARACTERÍSTICAS

La extracción de características (feature extraction) transforma las características originales en un nuevo espacio de menor dimensión, creando nuevas variables que capturan la información más relevante. A diferencia de la selección, crea nuevas características en lugar de seleccionar existentes.

6.1. Análisis de Componentes Principales (PCA)

PCA es la técnica de extracción más utilizada. Transforma las variables originales en nuevos componentes principales no correlacionados, ordenados por la cantidad de varianza que explican. Los primeros componentes capturan la mayor parte de la varianza, que no siempre coincide con la información más útil para predecir o decidir.

Proceso:

1. Estandarización de variables
2. Cálculo de la matriz de covarianza
3. Obtención de vectores y valores propios
4. Selección de componentes principales
5. Transformación de datos originales

Aplicaciones: Visualización de datos multidimensionales, reducción de ruido, compresión de imágenes, preprocesamiento para otros algoritmos.

Limitaciones: Asume relaciones lineales, los componentes pierden interpretabilidad original, sensible a escala de variables.

6.2. Otras Técnicas de Extracción

• t-SNE (t-Distributed Stochastic Neighbor Embedding): Visualización de datos de alta dimensión en 2D/3D
• LDA (Linear Discriminant Analysis): Maximiza separabilidad entre clases
• Autoencoders: Redes neuronales para aprendizaje de representaciones comprimidas
• SVD (Singular Value Decomposition): Descomposición matricial para reducción de dimensionalidad
• GLCM (Grey Level Co-occurrence Matrix): Extracción de características de textura en imágenes
• LBP (Local Binary Patterns): Descriptores de textura local

7. TÉCNICAS DESCRIPTIVAS Y TÉCNICAS PREDICTIVAS

Los algoritmos pueden clasificarse por su objetivo en técnicas descriptivas y predictivas. Con frecuencia las primeras emplean aprendizaje no supervisado y las segundas aprendizaje supervisado, pero ambas parejas de conceptos no son equivalentes de forma absoluta.

7.1. Técnicas Descriptivas (Aprendizaje No Supervisado)

Las técnicas descriptivas buscan patrones, estructuras o agrupaciones en datos sin etiquetas. No tienen variable objetivo predefinida.

Algoritmos principales:

• K-Means Clustering: Agrupa observaciones en k clusters minimizando varianza intra-cluster
• Clustering Jerárquico: Crea una jerarquía de clusters mediante dendrogramas
• DBSCAN: Clustering basado en densidad, identifica clusters de forma arbitraria
• Algoritmos de reducción de dimensionalidad: PCA, t-SNE, UMAP
• Reglas de asociación: Descubrimiento de patrones frecuentes
• Detección de anomalías: Isolation Forest, One-Class SVM

Aplicaciones en salud: Segmentación de pacientes por similitud clínica, identificación de subgrupos de enfermedades, detección de patrones en historiales médicos, agrupación de fármacos por efectos similares.

7.2. Técnicas Predictivas (Aprendizaje Supervisado)

Las técnicas predictivas aprenden de datos etiquetados para predecir valores de una variable objetivo en nuevos datos.

Tipos según la variable objetivo:

• Clasificación: Variable objetivo categórica (binaria o multiclase)
• Regresión: Variable objetivo continua numérica

Algoritmos de clasificación: Regresión logística, árboles de decisión, Random Forest, SVM, redes neuronales, Naive Bayes, K-Nearest Neighbors.

Algoritmos de regresión: Regresión lineal, regresión polinómica, árboles de regresión, Random Forest regressor, redes neuronales, SVR (Support Vector Regression).

Aplicaciones en salud: Predicción de riesgo de enfermedades, diagnóstico automatizado, pronóstico de supervivencia, predicción de reingresos hospitalarios, estimación de costes de tratamiento.

8. CONSTRUCCIÓN, ENTRENAMIENTO Y EVALUACIÓN DE MODELOS

8.1. Del problema de negocio o clínico al problema analítico

Un proyecto de inteligencia artificial no comienza eligiendo un algoritmo, sino delimitando una decisión, una población, un resultado y un contexto de uso. En salud, «predecir reingresos» es todavía una formulación insuficiente: hay que indicar qué pacientes se incluyen, qué se considera reingreso, cuál es el horizonte temporal, en qué momento se genera la predicción, quién la recibe y qué intervención puede adoptar. Sin esta especificación, el modelo puede optimizar una métrica estadística y, al mismo tiempo, resultar inútil o incluso perjudicial para el proceso asistencial.

La variable objetivo debe definirse sin utilizar información que no estaría disponible en el instante real de predicción. Cuando una característica incorpora datos posteriores al evento que se pretende anticipar aparece fuga de información o data leakage. Es una de las causas más frecuentes de resultados artificialmente buenos. También debe evitarse que registros del mismo paciente aparezcan simultáneamente en entrenamiento y prueba cuando la unidad de generalización es la persona; de lo contrario, el modelo puede memorizar patrones individuales y aparentar una capacidad que no tendrá ante pacientes nuevos.

8.2. División de datos y validación

La evaluación exige separar los datos utilizados para ajustar parámetros de los empleados para estimar el rendimiento final. La división clásica distingue entrenamiento, validación y prueba. El conjunto de entrenamiento sirve para aprender los parámetros; el de validación, para elegir hiperparámetros, umbrales o arquitectura; y el de prueba, reservado hasta el final, para obtener una estimación no sesgada del rendimiento. Cuando el tamaño de muestra es limitado puede aplicarse validación cruzada, pero debe respetarse la estructura temporal, los grupos clínicos y la independencia entre pacientes.

En problemas temporales no debe mezclarse aleatoriamente el pasado y el futuro si el objetivo es predecir sobre periodos posteriores. Es preferible un corte cronológico o una validación progresiva. En sistemas que se desplegarán en varios hospitales, una prueba especialmente valiosa es la validación externa geográfica: entrenar en unos centros y evaluar en otro con población, equipos y prácticas diferentes. Esta prueba revela cambios de dominio que una validación interna no detecta.

8.3. Métricas de regresión, clasificación y calibración

En regresión son habituales el error absoluto medio, el error cuadrático medio y su raíz, así como el coeficiente de determinación. Ninguna métrica debe interpretarse sin conocer la escala y la distribución del resultado. El error cuadrático penaliza más los errores grandes; el absoluto es más robusto frente a valores extremos. En clasificación, la exactitud puede ser engañosa ante clases desequilibradas. Para un evento infrecuente, un clasificador que prediga siempre la clase mayoritaria puede mostrar una exactitud elevada y carecer por completo de utilidad clínica.

La discriminación y la calibración son propiedades diferentes. Un modelo discrimina bien si ordena a los individuos desde menor a mayor riesgo; está calibrado si una probabilidad prevista del 20 % se corresponde aproximadamente con una frecuencia observada del 20 % en grupos comparables. En decisiones basadas en riesgo absoluto, una buena área bajo la curva no compensa una calibración deficiente. El umbral debe seleccionarse según costes, capacidad asistencial, prevalencia y consecuencias de falsos positivos y falsos negativos.

8.4. Sobreajuste, regularización y selección de hiperparámetros

El sobreajuste se produce cuando el modelo aprende ruido o peculiaridades del conjunto de entrenamiento y pierde rendimiento en datos nuevos. Se combate mediante simplificación, regularización, poda de árboles, parada temprana, aumento de datos, validación adecuada y control de la complejidad. La regularización L1 favorece coeficientes exactamente nulos y puede actuar como selección de variables; la L2 reduce la magnitud de los coeficientes sin anularlos necesariamente. En redes neuronales se emplean, entre otras técnicas, weight decay, dropout y early stopping.

9. TÉCNICAS DE EXPLICABILIDAD Y LÍMITES DE LA EXPLICACIÓN

9.1. Explicación global y explicación local

La explicación global intenta describir el comportamiento general del modelo: variables más influyentes, forma de las relaciones y regiones en las que cambia la predicción. La explicación local se centra en una observación concreta. Esta distinción es esencial porque una característica relevante en promedio puede no ser decisiva para un paciente determinado, y una explicación local no permite inferir sin más el mecanismo global.

Los modelos intrínsecamente interpretables ofrecen una representación directamente examinable: coeficientes de una regresión, reglas de un árbol pequeño, puntuaciones aditivas o listas de reglas. En cambio, los métodos post hoc construyen una aproximación explicativa alrededor de un modelo ya entrenado. Esa aproximación puede ser útil, pero no debe confundirse con una demostración causal ni con una reproducción exacta del razonamiento interno.

9.2. Importancia por permutación, gráficos de dependencia y explicaciones locales

La importancia por permutación mide cuánto empeora una métrica cuando se desordena una variable. Es independiente del tipo de modelo, pero las variables correlacionadas pueden repartirse o enmascarar importancia. Los gráficos de dependencia parcial muestran el efecto medio estimado de una característica al variar su valor, manteniendo el resto según los datos observados. Los gráficos ICE representan trayectorias individuales y permiten detectar heterogeneidad que el promedio oculta.

LIME ajusta un modelo sencillo en un entorno local de la observación que se desea explicar. Su resultado depende de cómo se generan las perturbaciones, de la definición de proximidad y de la estabilidad del modelo local. SHAP utiliza una formulación inspirada en valores de Shapley para repartir la diferencia entre una predicción y un valor de referencia entre las características. Proporciona propiedades matemáticas útiles, pero la explicación sigue dependiendo del modelo, del fondo de referencia y del tratamiento de dependencias entre variables.

9.3. Contrafactuales, prototipos y explicaciones causales

Una explicación contrafactual responde qué cambios mínimos habrían modificado la salida: por ejemplo, qué combinación de variables controlables habría situado un riesgo por debajo del umbral. Debe respetar restricciones de plausibilidad y acción. No tendría sentido proponer como «cambio» la edad o una condición histórica inmutable, ni combinar valores clínicamente incompatibles. Los prototipos y casos similares ayudan a contextualizar una predicción, aunque requieren medidas de similitud apropiadas y protección frente a la revelación de datos personales.

Explicar una asociación no equivale a identificar una causa. Un modelo predictivo puede utilizar una variable como marcador porque está correlacionada con el resultado, aunque intervenir sobre ella no modifique el riesgo. La inferencia causal requiere supuestos, diseño y métodos específicos. En salud, esta diferencia evita transformar una explicación estadística en una recomendación terapéutica no justificada.

9.4. Fidelidad, estabilidad y utilidad

Una explicación debe evaluarse por su fidelidad al modelo, estabilidad ante cambios pequeños, comprensibilidad para su destinatario y utilidad para una tarea. Una explicación muy simplificada puede ser legible pero infiel; otra muy detallada puede ser exacta e inutilizable. El nivel adecuado no es el mismo para una persona desarrolladora, una autoridad de vigilancia, un profesional clínico o un paciente.

La explicabilidad tampoco corrige por sí sola un modelo sesgado, mal calibrado o validado sobre una población inadecuada. Puede ayudar a detectar problemas, pero no sustituye a la gobernanza de datos, la evaluación de subgrupos, la supervisión humana ni el seguimiento posterior al despliegue.

10. APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN SALUD

10.1. Imagen médica y patología digital

La imagen médica es uno de los campos con mayor desarrollo de aprendizaje profundo. Las redes convolucionales y, progresivamente, arquitecturas basadas en atención pueden apoyar la detección, segmentación, clasificación y priorización de estudios. Una herramienta puede señalar lesiones sospechosas, delimitar órganos, cuantificar volúmenes o priorizar una lista de trabajo. El valor real no depende únicamente de la precisión del algoritmo, sino de su integración con el flujo radiológico, de la calidad de imagen, de la prevalencia local y de la interacción con el profesional.

En patología digital, el análisis computacional de portaobjetos escaneados puede localizar regiones de interés, estimar biomarcadores morfológicos o apoyar la clasificación. El tamaño de las imágenes, las variaciones de tinción y escáner y la necesidad de trazabilidad plantean requisitos técnicos específicos. Un algoritmo validado con un determinado protocolo preanalítico puede degradarse si cambian el laboratorio, la tinción o el dispositivo de digitalización.

10.2. Predicción clínica, estratificación y soporte a la decisión

Los modelos predictivos pueden estimar riesgo de deterioro, complicaciones, reingreso, consumo de recursos o respuesta terapéutica. Se alimentan de variables demográficas, antecedentes, constantes, laboratorio, medicación, texto clínico o series temporales. La predicción debe vincularse a una acción concreta y evaluarse como parte de un proceso: una alerta sin protocolo de respuesta puede aumentar carga y fatiga sin mejorar resultados.

Los sistemas de soporte a la decisión clínica deben presentar la recomendación, sus límites y la información relevante de forma que el profesional conserve control significativo. La supervisión humana no consiste en mostrar un botón de aceptación, sino en permitir comprender el propósito, reconocer situaciones fuera de alcance, contradecir la salida y registrar incidencias. La automatización puede reducir variabilidad, pero también amplificar un error de diseño a gran escala.

10.3. Procesamiento del lenguaje natural e IA generativa

El procesamiento del lenguaje natural permite extraer conceptos de informes, clasificar documentos, asistir en codificación, resumir episodios o facilitar la búsqueda clínica. Los modelos generativos pueden redactar borradores, transformar lenguaje técnico en información comprensible o asistir en documentación. Sus salidas son probabilísticas y pueden contener afirmaciones inexistentes, omisiones o referencias incorrectas. Por ello, en tareas clínicas o administrativas con consecuencias relevantes, el texto generado debe considerarse un borrador sometido a revisión humana.

La recuperación aumentada con información institucional puede reducir errores al condicionar la respuesta a fuentes controladas, pero no los elimina. Es necesario gestionar versiones, permisos, procedencia de documentos, trazabilidad de consultas y protección de datos. En ningún caso debe introducirse información clínica identificable en servicios no autorizados ni asumirse que un proveedor generalista cumple automáticamente los requisitos del entorno sanitario.

10.4. Medicina personalizada, genómica y descubrimiento de fármacos

La IA puede combinar datos clínicos, moleculares, genómicos e imagen para identificar subgrupos de pacientes o estimar respuesta. En descubrimiento de fármacos se utiliza para priorizar dianas, predecir propiedades moleculares, explorar estructuras y optimizar candidatos. Estas aplicaciones aceleran fases de investigación, pero las predicciones computacionales deben verificarse experimental y clínicamente. El modelo no sustituye los requisitos de evidencia, calidad, seguridad ni autorización aplicables.

10.5. Salud pública, operaciones y gestión sanitaria

Las técnicas descriptivas pueden segmentar poblaciones, descubrir patrones de demanda o analizar trayectorias asistenciales. Las predictivas pueden anticipar ocupación, demanda de urgencias o necesidades logísticas. En gestión se aplican a programación, mantenimiento predictivo, detección de anomalías, codificación, clasificación documental y automatización de tareas repetitivas. Estos usos también pueden afectar derechos si determinan acceso a servicios, priorización o condiciones laborales; no deben considerarse inocuos por no emitir un diagnóstico.

10.6. Riesgos específicos

Los datos sanitarios reflejan desigualdades, decisiones históricas y variabilidad en la práctica. Un modelo puede discriminar si utiliza un proxy de acceso sanitario como sustituto de necesidad clínica, si infrarrepresenta grupos o si la etiqueta histórica contiene sesgo. También existen riesgos de privacidad, ciberseguridad, deriva, automatización excesiva y pérdida de habilidades. La evaluación debe desglosar resultados por sexo, edad, origen, discapacidad, centro y otros grupos pertinentes, siempre con base jurídica y garantías.

11. CICLO DE VIDA, VALIDACIÓN CLÍNICA Y GOBERNANZA RESPONSABLE

11.1. Diseño y gobierno de datos

La calidad comienza con la definición del uso previsto y un inventario de fuentes. Deben documentarse procedencia, permisos, significado, periodicidad, calidad, transformaciones y limitaciones. En salud, una misma variable puede significar cosas distintas según centro o sistema; un valor ausente puede representar que no se solicitó una prueba, que no se integró el resultado o que el paciente fue atendido en otro ámbito. Tratar todos los ausentes como equivalentes introduce sesgo.

La gobernanza debe garantizar minimización, exactitud, seguridad, control de acceso, trazabilidad y conservación. La pseudonimización reduce riesgos, pero no convierte los datos en anónimos cuando existe posibilidad razonable de reidentificación. El conjunto de entrenamiento debe ser pertinente para el propósito y representar las condiciones previsibles de uso. La documentación debe describir exclusiones, balance de clases, variables sensibles, mecanismos de etiquetado y posibles fuentes de error.

11.2. Validación analítica, clínica y prospectiva

La validación analítica comprueba que el software procesa correctamente entradas y produce salidas reproducibles. La validación clínica examina la relación entre la salida y el fenómeno clínico de interés. La evaluación prospectiva estudia el comportamiento dentro del proceso real, incluida la respuesta humana. Estas capas no son intercambiables. Un algoritmo matemáticamente correcto puede no tener utilidad clínica; uno con buena discriminación puede generar alertas que nadie atienda o que desplacen recursos desde pacientes que también los necesitan.

Los estudios deben predefinir población, comparador, desenlaces, análisis y criterios de éxito. La selección retrospectiva de la mejor métrica después de observar resultados favorece optimismo. Cuando el sistema cambia la conducta profesional, el impacto debe medirse a nivel de proceso y resultados, no solo comparando la salida con una etiqueta histórica.

11.3. Factores humanos y supervisión

La interfaz influye en seguridad. Una probabilidad sin contexto, una escala de color ambigua o una recomendación presentada como certeza pueden inducir automatización. La supervisión humana efectiva requiere formación, información sobre limitaciones, tiempo para revisar, facultad para apartarse de la salida y mecanismos para escalar problemas. También debe analizarse el sesgo de omisión: si una herramienta no alerta, el profesional no debe interpretar automáticamente que el riesgo es inexistente.

11.4. Seguimiento y gestión del cambio

Tras el despliegue deben vigilarse rendimiento, calibración, distribución de entradas, tasa de alertas, uso, desacuerdos, incidentes y resultados por subgrupos. La deriva de datos ocurre cuando cambia la distribución de variables; la deriva conceptual, cuando cambia la relación entre variables y resultado. Nuevos equipos, protocolos, codificaciones, epidemias o cambios organizativos pueden alterar el comportamiento. El reentrenamiento no debe ser automático sin control: una nueva versión requiere validación, gestión de configuración y trazabilidad.

La retirada o suspensión debe estar prevista. Si una métrica supera límites, se detecta un incidente grave o cambia el uso previsto, la organización necesita un procedimiento para desactivar el sistema, comunicar a usuarios, conservar evidencias y evaluar impacto. La continuidad asistencial debe poder mantenerse sin depender de una herramienta no disponible.

12. APLICACIÓN DE LA IA EN EL SERVICIO ANDALUZ DE SALUD Y ANDALUCÍA

La aplicación de IA en el Sistema Sanitario Público de Andalucía debe entenderse dentro de la transformación digital, la investigación y la innovación sanitarias, no como una colección aislada de algoritmos. La Estrategia de Investigación e Innovación en Salud de Andalucía 2026-2027 incluye expresamente la digitalización, la medicina personalizada y la inteligencia artificial aplicada a la salud entre los desafíos que deben trasladarse a mejoras tangibles en atención y prevención. Este encuadre exige colaboración entre centros sanitarios, universidades, estructuras de investigación, profesionales TIC, unidades clínicas y órganos responsables de datos, seguridad y contratación.

Entre los casos comunicados oficialmente se encuentran trabajos de patología digital y patología computacional, donde la digitalización de muestras permite desarrollar y validar algoritmos de apoyo diagnóstico. También se han impulsado proyectos de investigación en emergencias, procesamiento de lenguaje y codificación diagnóstica. La existencia de un proyecto o prototipo no equivale a un despliegue asistencial generalizado: para memorizar correctamente el tema conviene distinguir investigación, validación, piloto, producto sanitario y servicio en producción.

La plataforma ayudaDIGITAL ofrece capacitación y contenidos para contextualizar la IA en el entorno sanitario, incluyendo beneficios, riesgos, marco ético y legal y metodologías de proyectos de datos. Esta dimensión formativa es esencial. Un sistema seguro puede fallar si las personas usuarias desconocen su alcance, introducen datos inadecuados, interpretan mal probabilidades o trasladan información confidencial a herramientas no autorizadas.

En un proyecto corporativo del SAS deben definirse, al menos, propietario funcional, responsable técnico, responsable del tratamiento o encaje de protección de datos, proveedor, población afectada, base jurídica, fuentes, interoperabilidad, ciberseguridad, validación, soporte, niveles de servicio, gestión de versiones y procedimiento de incidentes. En contratación es necesario exigir acceso a documentación, métricas, registros, condiciones de cambio del modelo, ubicación y tratamiento de datos, subcontratistas, portabilidad y reversibilidad. La dependencia de un servicio opaco sin capacidad de auditoría genera riesgo tecnológico y jurídico.

La arquitectura debe integrarse con los sistemas corporativos mediante interfaces controladas, identidad, autorización, registro de actividad y segregación de entornos. Las salidas relevantes deben incorporarse al flujo sin ocultar su origen algorítmico. Cuando una recomendación influya en la asistencia, debe quedar claro qué versión la produjo, con qué datos y quién adoptó la decisión final. La seguridad del paciente, el ENS, la protección de datos y la regulación sanitaria se aplican conjuntamente.

13. REGLAMENTO DE INTELIGENCIA ARTIFICIAL DE LA UNIÓN EUROPEA

13.1. Naturaleza, objeto y ámbito

La denominada «Ley de Inteligencia Artificial» es, jurídicamente, el Reglamento (UE) 2024/1689, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial. Al ser un reglamento es directamente aplicable en los Estados miembros, sin necesidad de una ley nacional de transposición, aunque requiere autoridades, procedimientos y coordinación nacionales. Su objetivo combina funcionamiento del mercado interior, promoción de una IA centrada en el ser humano y fiable, protección de salud, seguridad y derechos fundamentales y apoyo a la innovación.

El ámbito alcanza a proveedores que introducen sistemas o modelos de uso general en la Unión, responsables del despliegue establecidos en la Unión y operadores de terceros países cuando la salida se utiliza en la Unión, con las exclusiones y matices del propio Reglamento. La norma distingue roles: el proveedor desarrolla o manda desarrollar y comercializa o pone en servicio bajo su nombre; el responsable del despliegue utiliza el sistema bajo su autoridad, salvo uso personal no profesional. Una organización puede cambiar de rol si modifica sustancialmente, cambia el propósito previsto o presenta el sistema bajo su propia marca.

13.2. Enfoque basado en el riesgo

El Reglamento no regula toda IA con igual intensidad. Prohíbe determinadas prácticas de riesgo inaceptable; impone obligaciones estrictas a sistemas de alto riesgo; establece transparencia para ciertos sistemas, como interacción con personas o contenido sintético; y deja la mayoría de usos de riesgo mínimo sin requisitos específicos adicionales del Reglamento, sin perjuicio de otras normas. La clasificación depende del uso y del contexto, no de que el algoritmo sea una red neuronal, una regresión o un árbol.

13.3. Prácticas prohibidas

El artículo 5 prohíbe, entre otras conductas y con las condiciones precisas de la norma, técnicas manipuladoras o engañosas que causen perjuicio significativo, explotación dañina de vulnerabilidades, puntuación social, determinadas predicciones individuales de delito basadas únicamente en perfilado, creación de bases de reconocimiento facial mediante extracción indiscriminada de imágenes, reconocimiento de emociones en trabajo y educación salvo excepciones médicas o de seguridad, categorización biométrica para inferir determinadas características protegidas y ciertos usos de identificación biométrica remota en tiempo real por fuerzas de seguridad. La reforma de 2026 añadió una prohibición relativa a sistemas que generan contenido sexual íntimo no consentido o material de abuso sexual infantil, con su calendario específico.

Las prohibiciones deben estudiarse con precisión: no toda biometría está prohibida, ni toda detección de emociones tiene idéntico régimen. Las excepciones son estrechas y el análisis debe atender finalidad, operador, lugar, tiempo y salvaguardas.

13.4. Sistemas de alto riesgo y requisitos

Un sistema puede ser de alto riesgo porque sea componente de seguridad de un producto o un producto cubierto por legislación de armonización del anexo I y requiera evaluación por tercero, o porque se incluya en los ámbitos del anexo III y no resulte aplicable una exclusión. Los requisitos principales comprenden sistema de gestión de riesgos, gobernanza y calidad de datos, documentación técnica, registros automáticos, transparencia e instrucciones, supervisión humana, exactitud, robustez y ciberseguridad. El proveedor debe además mantener un sistema de gestión de calidad, evaluación de conformidad, registro cuando proceda, seguimiento poscomercialización e información de incidentes.

El responsable del despliegue debe utilizar el sistema conforme a instrucciones, asignar supervisión competente, garantizar pertinencia de datos de entrada bajo su control, monitorizar funcionamiento, conservar registros cuando estén bajo su control e informar de riesgos o incidentes. Determinados responsables públicos o servicios esenciales pueden tener obligaciones adicionales, como evaluación de impacto sobre derechos fundamentales, según el tipo de sistema.

13.5. Modelos de IA de uso general

Los modelos de IA de uso general pueden servir de base a múltiples sistemas. Sus proveedores tienen obligaciones de documentación, información a quienes integran el modelo, política de cumplimiento de derechos de autor y resumen suficientemente detallado del contenido de entrenamiento conforme a la plantilla europea. Los modelos con riesgo sistémico deben realizar evaluación, mitigación, notificación de incidentes graves y protección de ciberseguridad reforzada. El régimen del modelo no elimina las obligaciones del sistema concreto construido sobre él.

13.6. Transparencia

Determinados sistemas destinados a interactuar directamente con personas deben informar de que se trata de IA, salvo que resulte evidente para una persona razonablemente informada. Los proveedores de sistemas generativos deben facilitar que el contenido sintético sea detectable en formato legible por máquina, con excepciones. Quienes despliegan reconocimiento de emociones o categorización biométrica deben informar a las personas expuestas cuando el uso sea lícito. Los deepfakes y determinados textos de interés público generados o manipulados artificialmente requieren divulgación visible, con matices para obras artísticas y supervisión editorial.

13.7. Calendario actualizado tras el Digital Omnibus on AI

El Reglamento 2024/1689 entró en vigor el 1 de agosto de 2024 y su fecha general de aplicación fue el 2 de agosto de 2026, con aplicación escalonada. El Reglamento (UE) 2026/1744, conocido como Digital Omnibus on AI, se publicó el 24 de julio de 2026 y entró en vigor el 27 de julio de 2026. Esta reforma mantuvo la aplicación en agosto de 2026 de las obligaciones de transparencia y del marco general, pero desplazó los principales requisitos de alto riesgo: los sistemas del anexo III se sujetan desde el 2 de diciembre de 2027 y los sistemas vinculados a productos del anexo I desde el 2 de agosto de 2028.

13.8. Gobernanza y sanciones

La gobernanza combina la Oficina Europea de IA, el Comité Europeo de Inteligencia Artificial, autoridades nacionales, panel científico y foro consultivo. La vigilancia del mercado y la supervisión sectorial deben coordinarse. El régimen sancionador establece distintos máximos según la infracción, incluida una escala superior para prácticas prohibidas y otra para incumplimientos de obligaciones. Para empresas, los porcentajes se calculan sobre el volumen de negocio mundial anual; las reglas de proporcionalidad para pymes y determinadas empresas de mediana capitalización han sido ajustadas por la reforma de 2026. En una Administración pública, además de la multa, importan la nulidad de decisiones, responsabilidad, reputación y seguridad de las personas.

14. PROTECCIÓN DE DATOS, PRODUCTOS SANITARIOS, ÉTICA Y SEGURIDAD

14.1. Concurrencia normativa

El Reglamento de IA no sustituye el RGPD, la LOPDGDD, la legislación sanitaria, la normativa de productos sanitarios, la seguridad de redes y sistemas ni las reglas de responsabilidad. Se aplica de forma complementaria. Un sistema puede cumplir requisitos técnicos del AI Act y ser ilícito por carecer de base jurídica para tratar datos; también puede cumplir protección de datos y no superar la evaluación de conformidad sanitaria.

14.2. Datos de salud y decisiones automatizadas

Los datos relativos a la salud son categorías especiales en el RGPD. Su tratamiento requiere una base del artículo 6 y una excepción del artículo 9, además de finalidad, minimización, exactitud, limitación de conservación, seguridad y responsabilidad proactiva. La reutilización para entrenar modelos debe analizar compatibilidad, investigación, interés público sanitario u otra base aplicable; no puede justificarse por el mero valor tecnológico.

Cuando sea probable un alto riesgo para derechos y libertades procede una evaluación de impacto en protección de datos antes del tratamiento. Debe analizar necesidad, proporcionalidad, riesgos, medidas y participación de las funciones competentes. El artículo 22 del RGPD regula decisiones basadas únicamente en tratamiento automatizado que produzcan efectos jurídicos o afecten significativamente, con excepciones y salvaguardas. En salud y administración pública, mantener una intervención humana meramente formal no neutraliza el carácter automatizado.

14.3. Productos sanitarios con IA

El software puede ser producto sanitario si su finalidad prevista encaja en el Reglamento (UE) 2017/745, o producto sanitario para diagnóstico in vitro conforme al Reglamento (UE) 2017/746. La clasificación depende de la finalidad y del riesgo, no de que incorpore IA. Cuando un sistema de IA sea producto o componente de seguridad sometido a evaluación de conformidad por tercero, el AI Act lo considera de alto riesgo bajo su artículo 6. La evaluación debe coordinar requisitos de ambos marcos para evitar duplicidades, manteniendo evidencia clínica, gestión de riesgos, ciclo de vida y vigilancia.

14.4. Ética y confianza

Los principios de autonomía, beneficencia, no maleficencia, justicia y explicabilidad orientan decisiones, pero no sustituyen obligaciones legales. La justicia exige analizar quién se beneficia, quién soporta errores y si el sistema agrava desigualdades. La autonomía requiere información y capacidad de decisión; la beneficencia y no maleficencia, evidencia de beneficio y control de daños. La transparencia debe ser proporcionada y comprensible, no una descarga indiscriminada de detalles técnicos.

14.5. Ciberseguridad

Los sistemas de IA amplían la superficie de ataque. Existen riesgos de envenenamiento de datos, ejemplos adversarios, extracción o inversión del modelo, manipulación de instrucciones, fuga de información y dependencia de componentes de terceros. La protección exige seguridad desde el diseño, control de cadena de suministro, segregación, autenticación, cifrado, registro, pruebas, actualización y respuesta a incidentes. En el SAS debe integrarse con el ENS y con la gestión corporativa de seguridad, no tratarse como una excepción experimental.

15. INDUSTRIALIZACIÓN, MLOPS Y OPERACIÓN DE SISTEMAS DE IA

MLOps traslada prácticas de ingeniería, integración continua, control de versiones y observabilidad al ciclo de vida de modelos. No se limita a automatizar entrenamiento: conecta datos, código, parámetros, artefactos, pruebas, despliegue, monitorización y aprobación. La reproducibilidad exige conocer qué versión de datos, código, dependencias e hiperparámetros produjo un modelo. Un fichero binario sin esa trazabilidad no es un activo gobernable.

Un flujo robusto separa entornos de desarrollo, validación y producción; aplica revisión, pruebas y aprobación; registra el modelo en un repositorio; y permite despliegues controlados y reversión. Las pruebas deben incluir esquema de entrada, rangos, valores ausentes, rendimiento, sesgo, seguridad, latencia e integración. Para modelos generativos deben añadirse pruebas de instrucciones, contenido no permitido, fuga de información, consistencia con fuentes y resistencia a manipulación.

La observabilidad debe cubrir métricas técnicas y funcionales. Latencia, disponibilidad y errores de integración no revelan por sí solos degradación clínica. Es necesario medir distribución de entradas, calibración, tasas de alerta, aceptación, desacuerdo humano, resultados y diferencias entre subgrupos. Algunas etiquetas llegan con retraso, por lo que el sistema debe combinar indicadores inmediatos con evaluación diferida.

La gestión de proveedores es crítica. Los contratos deben especificar aviso de cambios, documentación, acceso a registros, localización de datos, uso secundario, subencargados, niveles de servicio, propiedad de artefactos, portabilidad y salida. Una actualización silenciosa de un modelo alojado como servicio puede modificar el comportamiento sin que el responsable del despliegue haya validado la nueva versión.

La eficiencia también importa. El tamaño del modelo, consumo, latencia y coste deben ser proporcionales al problema. Un modelo más complejo no es automáticamente mejor. En muchos casos, una regresión bien calibrada o un árbol limitado ofrece rendimiento suficiente, explicación más sencilla, menor coste y mejor capacidad de auditoría.

16. CONCLUSIONES E IDEAS CLAVE PARA EL REPASO

La inteligencia artificial es un campo amplio. Machine Learning es una de sus ramas y Deep Learning una familia de aprendizaje basada en redes profundas. El opositor debe evitar identificar IA exclusivamente con redes neuronales o modelos generativos. Los algoritmos basados en funciones, árboles y reglas siguen siendo esenciales por su eficacia, coste e interpretabilidad.

La elección entre modelo interpretable y no interpretable no es una competición abstracta. Depende del propósito, riesgo, datos, necesidad de explicación y rendimiento demostrado. Los modelos simples deben considerarse como referencia; la complejidad adicional debe justificar una mejora relevante. Las técnicas post hoc ayudan a comprender modelos complejos, pero tienen supuestos y no prueban causalidad.

Selección y extracción de características resuelven problemas distintos. Seleccionar conserva variables originales; extraer crea nuevas representaciones. Las técnicas descriptivas buscan comprender estructuras; las predictivas estiman resultados, aunque no existe equivalencia perfecta entre descriptivo/no supervisado y predictivo/supervisado.

En salud, el rendimiento estadístico es solo una parte. Son imprescindibles validación externa, calibración, integración en el flujo, factores humanos, equidad, seguridad, protección de datos y monitorización. La IA apoya a profesionales y organizaciones; no legitima automatizar sin gobernanza.

El marco europeo se articula alrededor del Reglamento (UE) 2024/1689, modificado por el Reglamento (UE) 2026/1744. La regulación se basa en el riesgo, distingue roles y combina prohibiciones, alto riesgo, transparencia y modelos de uso general. A fecha de agosto de 2026, la transparencia ya es aplicable, mientras que los principales requisitos de alto riesgo se han desplazado a diciembre de 2027 y agosto de 2028 según la categoría.

17. MAPA CONCEPTUAL