Ensayo crítico
eISSN 2007-5057
Investigación educ. médica Vol. 14, no. 56, México, octubre-diciembre 2025
https://doi.org/10.22201/fm.20075057e.2025.56.25735
Inteligencia artificial en la educación médica continua: ¿aliada inevitable o simplemente una herramienta más?
Alvaro Margolisa,‡
a Red Latinoamericana de Educación Médica Continua (RedEMC), Montevideo, Uruguay.
ORCID ID:
‡ https://orcid.org/0000-0002-2631-2323
Recibido: 29-julio-2025. Aceptado: 2-septiembre-2025.
Correo electrónico: alvaro.margolis@redemc.net
Este es un artículo Open Access bajo la licencia CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).
Resumen
La irrupción de la inteligencia artificial generativa (IA) ha introducido transformaciones significativas en la educación médica continua (EMC) y, en términos más amplios, en el desarrollo profesional continuo (DPC). Este ensayo busca analizar críticamente su incorporación, no desde una perspectiva tecnológica, sino enfocándose en el valor que puede aportar a instituciones, docentes y profesionales de la salud. La IA puede generar valor al aumentar la eficiencia (por ejemplo, traducción automática o redacción de resúmenes), mejorar la calidad (como la creación asistida de materiales educativos) y posibilitar prácticas previamente inviables (como el acompañamiento tutorial personalizado en tiempo real). Se exponen casos de uso en contextos formales (cursos, congresos) e informales (aprendizaje en el lugar de trabajo), destacando que la mayoría del aprendizaje clínico ocurre en este último entorno.
También se revisan las competencias necesarias para una adopción responsable por parte de educadores, y se señalan riesgos relevantes como la privacidad, la posibilidad de errores, los sesgos culturales y los dilemas éticos en torno a la transparencia y la autoría. Aun así, se propone evaluar la utilidad de estos sistemas comparándolos con el “mejor humano disponible” para consultar, que va a ser distinto en cada contexto.
Finalmente, se evidencia una rápida adopción de la IA por parte de los médicos, en contraste con una incorporación institucional más lenta. Para promover su integración organizacional se plantean estrategias que incluyen políticas de experimentación, liderazgo activo, trabajo interdisciplinario y la inclusión de la IA en los flujos operativos.
En conclusión, la IA no es solo una herramienta adicional, sino una aliada inevitable en la EMC, cuyo impacto dependerá de su alineación con necesidades reales y su integración ética y contextualizada.
Palabras clave: Educación médica continua; desarrollo profesional continuo; inteligencia artificial generativa; aprendizaje informal; adopción de la IA.
Este es un artículo Open Access bajo la licencia CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).
Artificial Intelligence in Continuing Medical Education: Inevitable ally or just another tool?
Abstract
The emergence of generative artificial intelligence (AI) has brought about significant transformations in continuing medical education (CME) and, more broadly, in continuing professional development (CPD). This essay aims to critically analyze its incorporation, not from a technological standpoint, but by focusing on the value it can bring to institutions, educators, and healthcare professionals. AI can add value by increasing efficiency (e.g., automatic translation or summarization), improving quality (such as assisted creation of educational materials), and enabling previously unfeasible practices (like real-time personalized tutoring support). Use cases are presented in both formal settings (courses, conferences) and informal ones (workplace learning), highlighting that most clinical learning occurs in the latter.
The necessary competencies for responsible adoption by educators are also reviewed, along with key risks such as privacy concerns, the possibility of errors, cultural biases, and ethical dilemmas related to transparency and authorship. Nevertheless, it is suggested that the usefulness of these systems should be evaluated in comparison to “the best available human” for consultation—which will vary depending on the context.
Finally, a rapid adoption of AI by physicians is noted, in contrast with a slower institutional integration. To support its organizational uptake, proposed strategies include experimentation policies, active leadership, interdisciplinary collaboration, and the inclusion of AI in operational workflows.
In conclusion, AI is not merely an additional tool, but an inevitable ally in CME, with its impact depending on alignment with real needs and its ethical, context-sensitive integration.
Keywords: Continuing medical education; continuing professional development; generative artificial intelligence; informal learning; AI adoption.
This is an Open Access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/).
INTRODUCCIÓN
La inteligencia artificial y otras herramientas emergentes en educación, como la analítica del aprendizaje, ya tenían aplicación en la educación médica antes del 20221,2. Sin embargo, la inteligencia artificial generativa (IA), a través de la generación de resultados que se asemejan al contenido creado por humanos, ha revolucionado al mundo, incluida la educación médica3-5. Y lo ha hecho a pasos agigantados, mucho más rápido de lo que los expertos pronosticaban hace pocos años6. La IA tiene ventajas y desventajas6, defensores y detractores, pues puede ayudar al equipo docente y también al estudiante, contribuyendo al aprendizaje y su personalización7, pero al mismo tiempo puede disminuir el esfuerzo necesario por parte del estudiante para que haya aprendizajes significativos, dificultar la evaluación al generar resultados de calidad difíciles de detectar como producto de la IA, propagar errores o sesgos, entre otros muchos aspectos.
En la educación médica continua (EMC), o en su término más amplio, Desarrollo Profesional Continuo (DPC), al tratarse del aprendizaje del profesional de la salud a lo largo de toda la vida, la evaluación tiene menos jerarquía (lo importante es aprender para mejorar la práctica clínica). Por otra parte, los errores y sesgos posiblemente puedan ser detectados más fácilmente por el profesional en actividad que por un estudiante de una carrera universitaria. La IA está siendo cada vez más integrada en esta etapa de la educación médica8,9, de la misma manera que está siendo rápidamente integrada por parte de los médicos en la práctica profesional10.
En este ensayo analizaremos diversos casos de uso con ejemplos de la IA en la EMC, desde la perspectiva de su propuesta de valor, no desde la tecnología per se: ¿qué soluciona o puede solucionar?, ¿qué problemas puede tener?, ¿cómo avanzar en su uso?
A diferencia de la revisión que hicimos hace más de una década sobre las tendencias de la educación médica continua a distancia11, que eran claramente visibles y en términos generales se cumplieron, en este caso se debe entender que nos encontramos en una situación muy dinámica y cambiante. Sería deseable que este ensayo pudiese ser un blog: interactivo, para tener una conversación con los lectores y que puedan compartir sus experiencias y perspectivas, en una temática donde todos estamos aprendiendo; y editable, para irlo actualizando con las novedades que aparezcan y que puedan impactar en la propuesta de valor de la IA en la EMC.
Antes de avanzar con los casos de uso y ejemplos, vale la pena aclarar que los mismos pueden tener al menos tres perspectivas complementarias:
•Institucional (a cargo de organizar actividades de EMC).
•Docente (a cargo de dar clases en actividades de EMC).
•De los propios profesionales y los equipos en salud.
Es decir, que puede haber un caso de uso muy útil para la Institución (por ejemplo, traducción masiva en proyectos multi idioma), que es indiferente para el docente o cursante, en la medida que la calidad de la traducción sea buena. O un caso de uso para los cursantes (formación de equipo interprofesional en un proyecto de un curso con un “miembro”, creado con IA, de otra profesión o especialidad - 12 -), que se centra en el beneficio para el profesional que está haciendo el curso.
Dentro de esas tres perspectivas, veremos ahora de qué forma la IA podría resultar de utilidad.
FORMAS POSIBLES DE SER ÚTIL
En términos generales, las formas de generar valor se pueden clasificar en tres áreas:
•Aumento de la eficiencia. Se logra hacer lo mismo más rápido y/o con menor costo. Un ejemplo es la ya mencionada traducción de textos y subtitulado/traducción de videos o eventos en vivo (figura 1). Se estima que las tareas realizables con apoyo de IA pueden realizarse significativamente más rápido, incluso en la mitad del tiempo o menos, que sin su apoyo13,14.
•Aumento de la calidad. Es decir, se logra hacer algo mejor que antes. Como ejemplo podemos mencionar que, ante el pedido de los cursantes de agregar textos de estudio además de las clases en video, y que sean en nuestro idioma, se incorporan artículos científicos elegidos por los docentes, resumidos y traducidos al español con IA (figura 2). Otro ejemplo: poder mejorar el análisis temático de las respuestas de texto libre en las evaluaciones de los cursos hechas por los asistentes.
•Lograr algo nuevo, que antes no era posible15. Por ejemplo, consulta en tiempo real a un sistema de IA ante una duda en un curso (en vez de esperar la respuesta del docente, o antes de consultar al docente), o explicar una respuesta de un docente a un tema complejo, que no se entienda fácilmente por parte del cursante.
EJEMPLOS DE APLICACIONES
Ya se han mostrado algunos ejemplos de aplicaciones de la IA en la educación continua. Antes de seguir, vale la pena considerar cómo se clasifican las actividades de desarrollo profesional continuo:
El aprendizaje del profesional en actividad incluye actividades formales, como cursos presenciales o por Internet, Webinars y Congresos, que son las tradicionalmente llamadas actividades de EMC. Pero también incluye actividades informales en el entorno laboral16, que surgen ante dudas u otras circunstancias de la práctica clínica, y llevan a consultar a un colega o a un experto, leer un artículo, consultar un libro o buscar en una base de conocimiento médico. Teniendo en cuenta que a los clínicos les surge una pregunta por cada dos pacientes que ven16, se calcula que 80% del aprendizaje es informal, y solo el 20% se basa en actividades formales como cursos y congresos. Dado que la respuesta a estas preguntas soluciona un problema concreto en el entorno institucional donde trabaja el médico, el resultado es una mejora en la calidad de la atención.
Aclarado lo anterior, veremos ejemplos de aplicaciones en ambas categorías de desarrollo profesional médico continuo. Nos referiremos a distintos casos de uso, es decir, situaciones específicas en las que una herramienta de IA se implementa con un propósito claro, orientada a resolver una necesidad o mejorar un proceso dentro del contexto de la EMC.
Educación formal (cursos, congresos, entre otros):
•Aplicaciones administrativas. Ejemplos: resumen de las reuniones del equipo docente usando Zoom o Meet/Gemini; borrador de emails a cursantes, soporte a usuarios.
•Aplicaciones docentes. Ejemplos: Ayudar a confeccionar los objetivos educativos de un curso, a elaborar presentaciones a partir de la bibliografía disponible, o a procesar los datos de la evaluación del curso.
•Centradas en el participante. Ejemplos: Roles de mentor, tutor o coach en un curso17,18. El mentor da retroalimentación, el tutor contesta directamente las dudas, mientras que el coach ayuda al cursante a reflexionar y mejorar lo que está haciendo.
•También puede ser útil en el rol de compañero de equipo, de la misma u otra profesión, por ejemplo, para completar un trabajo entregable. La utilidad ha sido demostrada en estudios aleatorizados: “Aquellos individuos que usaron inteligencia artificial igualaron el rendimiento de los equipos sin inteligencia artificial (...)”12.
Educación informal en el trabajo:
•Como profesional en forma individual. Ejemplo: Consulta en tiempo real frente a una duda en el consultorio (figura 3)19-22. Hasta ahora, los sistemas de aprendizaje contextual, como Uptodate o BMJ Best Practice, han requerido del trabajo permanente de un gran número (incluso miles) de expertos para lograr contenidos de calidad. Agregando el hecho de que en muchos casos el material resultante está solo en inglés, con la barrera que ello conlleva para la mayoría de los médicos no angloparlantes. Estas barreras de generación de contenidos e idiomas están siendo derribadas con herramientas de IA del tipo de las referidas arriba.
•Como “equipo” (donde la IA es un integrante más, y mejora los resultados - 12). Ya fue mencionado anteriormente, y la IA puede ayudar a completar perspectivas faltantes en un proyecto que requiere otros perfiles profesionales distintos al del profesional actuante (un administrador y/o un licenciado en enfermería además de un médico clínico, por ejemplo).
¿QUÉ COMPETENCIAS DEBERÍA TENER UN EDUCADOR PARA APROVECHAR LA IA EN LA EMC?
Las competencias a adquirir estarán relacionadas con las necesidades que se quieran cubrir a nivel individual o institucional, lo cual a su vez estará relacionado con el entorno profesional del educador y las competencias existentes en IA del resto del equipo con el cual trabaja. En términos generales, están listadas en esta publicación23. Estas incluyen destrezas específicas en el uso de las herramientas, recomendaciones para un uso ético y responsable, uso en la docencia clínica, en la evaluación, en la optimización de programas educativos, y en la investigación.
Y cómo obtener estas competencias: la mejor manera es la experimentación con las herramientas, para conocer sus usos y limitaciones.
PRECAUCIONES Y RIESGOS
Debemos reconocer también que estas herramientas tienen riesgos, que implican precauciones a tener en cuenta. Algunos de ellos son:
•Privacidad: De acuerdo al tipo de datos que compartamos con el sistema, las precauciones a tener. Por ejemplo, si se desean usar datos clínicos de pacientes, datos de estudiantes o datos institucionales, debemos hacerlo con sistemas que aseguren la privacidad (que aplique HIPAA, por ejemplo, para datos clínicos), y que la información no sea luego usada para entrenar el sistema.
•Errores: Hay que ser consciente que estos sistemas pueden producir errores. Las decisiones por lo tanto serán responsabilidad del usuario que lo consulta, no deben por el momento actuar en circuito cerrado, sin mediación de un humano.
•Sesgo “WEIRD”24: Este tipo de sesgo se refiere a que las respuestas sean pensadas para un público de los países ricos del hemisferio occidental, posiblemente no totalmente aplicables para otros contextos25. Otros tipos de sesgos también son posibles, dependiendo de las fuentes de datos con las que los sistemas fueron entrenados.
•Aspectos éticos: hay que considerar cómo integrar la IA en la EMC considerando los valores profesionales (como ser: el juicio crítico y la transparencia en su uso).
Al considerar estos riesgos y limitaciones, se podría tomar en cuenta la recomendación del experto Ethan Mollick, de analizarlos en relación al “mejor humano disponible” como punto de comparación26. Por ejemplo, si se trata de un microbiólogo que trabaja en un laboratorio de análisis clínicos pequeño y no tiene a quien consultar para la mayoría de sus dudas, pasar a tener un sistema que en general lo ayuda a aclararlas podría mejorar su trabajo; pero si se trata de otro microbiólogo que trabaja en una institución académica grande y puede aclarar sus dudas con colegas y con bibliografía fácilmente a su alcance, es otra situación diferente, y el beneficio de este tipo de sistema puede ser menor en este segundo caso. Siempre sabiendo que las decisiones en Medicina, con sus riesgos asociados, tienen implicaciones mayores a otras áreas del conocimiento.
ADOPCIÓN
La adopción de la IA por los médicos para su uso profesional es cada vez mayor, habiéndose casi duplicado entre 2023 y 2024, llegando en este último año al 66% de los médicos en los Estados Unidos10. Por otra parte, en estudios de adopción en distintas profesiones y empleos se ven cifras del mismo orden de magnitud14.
Por el contrario, la adopción de la IA a nivel institucional y su impacto a nivel organizacional son mucho más lentos. Como dice el experto Ethan Mollick14: “el uso de la inteligencia artificial mejora el desempeño individual, aunque no se traduce automáticamente en una mejora del desempeño organizacional. Para lograr beneficios a nivel organizacional se requiere innovación organizacional: repensar los incentivos, los procesos e incluso la naturaleza del trabajo.”
¿Qué hacer para lograr una mayor adopción en nuestras instituciones?9,14,27. Se requiere abordar algunos aspectos, tales como:
•Políticas claras que fomenten la experimentación en entornos controlados, que no la inhiban.
•Los líderes institucionales deben predicar con el ejemplo, adoptando la tecnología.
•Equipos multidisciplinarios de innovación, que incluyan usuarios de distintas áreas, que son quienes saben para qué les puede resultar más útil la tecnología.
•Compartir las mejores prácticas y descubrimientos en la organización.
•Integrar la IA en los procesos y sistemas institucionales, lo cual facilita la adopción rápida.
CONCLUSIONES PRINCIPALES
A modo de resumen, estas son las conclusiones principales:
•La IA va a ocupar un lugar cada vez más destacado en la EMC, al igual que está ocurriendo en todas las actividades profesionales y en la vida en general. Es decir, va a ser más que un aliado, respondiendo a la pregunta del título: Se combinarán las capacidades humanas con las tecnológicas en forma integrada y entrelazada28.
•Al buscar jerarquizar usos de la IA en la EMC, es importante centrarse en las necesidades (individuales e institucionales), no en la tecnología.
•Los propios profesionales consideran que el beneficio que obtienen es mayor que los riesgos de estas tecnologías, y la gran mayoría la están aplicando ya en distintos casos de uso10.
•Los usuarios de IA en algún momento ni siquiera serán conscientes de estar usando IA, en la medida de que la misma esté integrada en el flujo de trabajo institucional, como ha pasado con otras tecnologías. A modo de ejemplo de lo que ocurrirá, en estos momentos cuando uno realiza una búsqueda en Google, con frecuencia aparece la respuesta de Gemini IA primero, sin haberlo pedido nosotros
CONFLICTO DE INTERESES
El autor es director de RedEMC, una empresa dedicada a la educación médica continua para Latinoamérica.
REFERENCIAS
1.Chan KS, Zary N. Applications and challenges of implementing artificial intelligence in medical education: integrative review. JMIR Med Educ. 2019 Jun 15;5(1):e13930. doi:10.2196/13930. PMID: 31199295; PMCID: PMC6598417.
2.Margolis A, López-Arredondo A, García S, et al. Social learning in large online audiences of health professionals: improving dialogue with automated tools. MedEdPublish. 2019;8:55. doi:10.15694/mep.2019.000055.2.
3.Gordon M, Daniel M, Ajiboye A, Uraiby H, Xu NY, Bartlett R, et al. A scoping review of artificial intelligence in medical education: BEME Guide No. 84. Med Teach. 2024 Apr;46(4):446-70. doi:10.1080/0142159X.2024.2314198. Epub 2024 Feb 29. PMID: 38423127.
4.Hallquist E, Gupta I, Montalbano M, Loukas M. Applications of artificial intelligence in medical education: a systematic review. Cureus. 2025 Mar 1;17(3):e79878. doi:10.7759/cureus.79878. PMID: 40034416; PMCID: PMC11872247.
5.Rincón EHH, Jimenez D, Aguilar LAC, et al. Mapping the use of artificial intelligence in medical education: a scoping review. BMC Med Educ. 2025;25:526. doi.org/10.1186/s12909-025-07089-8.
6.Coiera E. The fate of medicine in the time of AI. Lancet. 2018 Dec 1;392(10162):2331-2332. doi: 10.1016/S0140-6736(18)31925-1.
7.Lomis K. Apoyando a educadores médicos innovadores: Iniciativas de la Asociación Médica Estadounidense para transformar la educación médica. Investig Educ Med. 2025; 14:9-13. 10.22201/fm.20075057e.2025.54.25704.
8.Ensign D, Nisly SA, Pardo CO. The future of generative AI in continuing professional development (CPD): crowdsourcing the Alliance community. J CME. 2024 Dec 9;13(1):2437288. doi:10.1080/28338073.2024.2437288. PMID: 39664116; PMCID: PMC11633854.
9.Alliance for Continuing Education in the Health Professions. ACEHP AI position statement [Internet]. 2024 Jul. Disponible en: https://www.acehp.org/Portals/0/Docs/Alliance%20AI%20Position%20Statement%20-%20Final.pdf
10.American Medical Association. AMA augmented intelligence research: physician sentiments around the use of AI in health care. Informe institucional 2025 [Internet]. Disponible en: https://www.ama-assn.org/system/files/physician-ai-sentiment-report.pdf
11.Margolis A. Tendencias en educación médica continua a distancia. Investig Educ Med. 2013;2(5):50-54. Disponible en: https://riem.facmed.unam.mx/index.php/riem/article/view/450
12.Dell’Acqua F, Ayoubi Ch, Lifshitz-Assaf H, Sadun R, Mollick ER, Mollick L, et al. The cybernetic teammate: a field experiment on generative AI reshaping teamwork and expertise. Harvard Business School Strategy Unit Working Paper No. 25-043. 2025 Mar 28. Disponible en: http://dx.doi.org/10.2139/ssrn.5188231
13.Hartley J, Jolevski F, Melo V, Moore B. The labor market effects of generative artificial intelligence. 2024 Dec 18: http://dx.doi.org/10.2139/ssrn.5136877
14.Mollick ER. Making AI work: leadership, lab, and crowd [Internet]. 2025 May 25. Disponible en: https://www.oneusefulthing.org/p/making-ai-work-leadership-lab-and
15.Mollick ER. Strategies for an accelerating future [Internet]. 2024 Feb 20. Disponible en: https://www.oneusefulthing.org/p/strategies-for-an-accelerating-future
16.Sehlbach C, Pizzuti C. Acknowledging the role of informal learning and practice settings in CPD systems. Med Teach. 2024 Sep 20. doi:10.1080/0142159X.2024.2401481.
17.Del Fiol G, Workman TE, Gorman PN. Clinical questions raised by clinicians at the point of care: a systematic review. JAMA Intern Med. 2014 May;174(5):710-8. doi:10.1001/jamainternmed.2014.368. PMID: 24663331.
18.Mollick ER. Assigning AI: seven ways of using AI in class [Internet]. 2023 Jun 12. Disponible en: https://www.oneusefulthing.org/p/assigning-ai-seven-ways-of-using
19.Sahlman WA, Ciechanover AM, Grandjean E. Khanmigo: revolutionizing learning with GenAI. Harvard Business School Case 824-059. 2023 Nov. Revised 2024 Apr. Disponible en: http://hbr.org/product/Khanmigo--Revolutionizing/an/824059-PDF-ENG
20.Pathway. Sitio web de Pathway [Internet]. Disponible en: https://www.pathway.md/home
21.Patel N, Grewal H, Buddhavarapu V, et al. OpenEvidence: enhancing medical student clinical rotations with AI but with limitations. Cureus. 2025 Jan 3;17(1):e76867. doi:10.7759/cureus.76867.
22.Margolis E, Margolis A. Just-in-time answers to clinical questions as an opportunity for effective professional development. Ponencia presentada en: AMEE 2025; 2025 Ago 23-27; Barcelona, España.
23.Zheng Q, Abdullah S, Rawal S, Zakka C, Ostmeier S, Purk M, et al. MIRIAD: augmenting LLMs with millions of medical query-response pairs. arXiv [Preprint]. 2025 Jun 9. doi:10.48550/arXiv.2506.06091.
24.International Advisory Committee on Artificial Intelligence (IACAI). Artificial intelligence in medical education: the 2025 IACAI vision and integration frameworks [Internet]. 2025. Disponible en: https://www.medbiq.org/initiatives/international-advisory-committee-artificial-intelligence
25.Mihalcea R, Ignat O, Bai L, Borah A, Chiruzzo L, Jin Z, et al. Why AI is WEIRD and shouldn’t be this way: towards AI for everyone, with everyone, by everyone. Proc AAAI Conf Artif Intell. 2025;39(27):28657-70. doi:10.1609/aaai.v39i27.35092.
26.Sherman L, Aboulsoud S, Leon-Borquez R, Ming K, Yang DY, Chappell K. An overview of global CME/CPD systems. Med Teach. 2024;46(11):1428-40.
27.Mollick ER. The best available human standard [Internet]. 2023 Oct 22. Disponible en: https://www.oneusefulthing.org/p/the-best-available-human-standard
28.Triola MM, Rodman A. Integrating generative artificial intelligence into medical education: curriculum, policy, and governance strategies. Acad Med. 2025 Apr 1;100(4):413-8. doi:10.1097/ACM.0000000000005963.
29.Mollick ER. Centaurs and cyborgs on the jagged frontier [Internet]. 2023 Sep 16. Disponible en: https://www.oneusefulthing.org/p/centaurs-and-cyborgs-on-the-jagged