Dominio público · Wikimedia Commons
Durante los últimos años se ha instalado una asociación casi automática entre número de parámetros y capacidad: si un modelo es mayor, debería resolver mejor cualquier problema. En IA clínica, y en muchos otros entornos profesionales, esa conclusión es demasiado simple.
Especialización frente a capacidad general
Una consulta médica no es una única tarea de IA. En un mismo flujo aparecen reconocimiento de voz, identificación de entidades clínicas, detección de negaciones, clasificación, comprobación de evidencias, estructuración de información y, al final, generación de texto. Cada una tiene características distintas, y la evidencia disponible apunta a que en algunas de ellas un modelo entrenado para un problema concreto puede competir con sistemas mucho mayores y, en determinadas condiciones, superarlos.
Un estudio publicado en *Nature Communications* por Chen et al. en 2025 comparó cuatro grandes modelos de lenguaje sobre doce conjuntos de datos de procesamiento de lenguaje biomédico, correspondientes a seis tipos de aplicaciones. Los enfoques de ajuste fino tradicionales, incluidos modelos de las familias BERT y BART, superaban a los grandes modelos usados en zero-shot o few-shot en buena parte de las tareas evaluadas. La ventaja de los grandes modelos aparecía sobre todo cuando la tarea exigía razonamiento más abierto, como determinadas preguntas médicas.
El trabajo documentó además algo relevante para aplicaciones sensibles: los sistemas generativos podían producir respuestas convincentes que omitían información o introducían contenido ausente en los datos originales. No significa que un enfoque sea universalmente mejor, sino que la arquitectura adecuada depende del trabajo que se le pide.
Verificar una afirmación no es redactar una respuesta
En un trabajo presentado en el BioNLP Workshop de ACL 2026, Kumar estudió modelos ajustados con solo 1.008 ejemplos de entrenamiento y los comparó con grandes modelos propietarios. En HealthVer, BioLinkBERT alcanzó un macro-F1 de 62,4, frente a 53,2 y 42,4 de los dos modelos propietarios evaluados; un modelo de 7.000 millones de parámetros ajustado con QLoRA llegó a 65,2. En SciFact, BioLinkBERT obtuvo 87,5, frente a 85,6 y 77,9.
Son resultados dentro de datasets, configuraciones y tareas concretas, no una clasificación universal. El propio trabajo señala un artefacto estructural en SciFact que puede favorecer a los modelos ajustados, por lo que HealthVer es la comparación más interesante. La conclusión útil es otra: no siempre hace falta el sistema más grande disponible para tomar una decisión acotada.
Un filtro rápido antes de una operación costosa
Abbes et al. estudiaron en 2025 si la información de un documento basta para responder a una consulta, un problema de *groundedness*. Encoders ligeros como RoBERTa o NomicBERT obtuvieron resultados comparables a modelos mucho mayores con una latencia considerablemente inferior. De ahí se desprende una arquitectura razonable: modelos pequeños y rápidos para filtrar, comprobar o clasificar primero, y modelos generativos más costosos solo en las etapas donde aportan valor.
Tampoco conviene idealizar los modelos pequeños
Hu et al. compararon en 2024 modelos BERT con modelos de la familia LLaMA ajustados por instrucciones para extracción de información clínica. Los LLaMA lograban mejoras moderadas en reconocimiento de entidades y extracción de relaciones, con mayor ventaja ante datos no vistos en el entrenamiento, pero a cambio de más requisitos computacionales y, en algunas configuraciones, una ejecución hasta 28 veces más lenta. Precisión, generalización, latencia, coste, memoria y capacidad de auditoría forman parte del mismo problema de ingeniería.
Qué implica para tu empresa
Esta discusión no es exclusiva de la sanidad. Al diseñar una arquitectura de IA, estas preguntas ayudan más que preguntar cuál es el modelo del momento:
- ¿Qué tareas concretas componen el proceso y cuáles se pueden evaluar por separado?
- ¿Alguna etapa se reduce a extraer, clasificar o verificar, donde un modelo especializado puede bastar?
- ¿Qué latencia, coste y nivel de control exige cada etapa?
- ¿Dónde sigue haciendo falta un modelo generativo grande, por interpretación abierta o generación compleja?
En nuestro producto Myukura partimos de la misma idea: la calidad de una aplicación clínica no se mide solo por el nombre o el tamaño del modelo, sino por la arquitectura que lo rodea, los mecanismos de verificación, la trazabilidad de los datos, el tratamiento de los errores y la intervención del profesional. Es también el criterio con el que abordamos los proyectos de consultoría y automatización y el que explicamos con más detalle en IA especializada vs IA genérica. Si tu equipo necesita entender estas decisiones antes de tomarlas, es parte de lo que trabajamos en formación en IA.
Fuentes
- Chen et al. (2025), Nature Communications 16, 3280
- Kumar (2026), BioNLP Workshop, ACL 2026 (arXiv:2606.12854)
- Abbes et al. (2025), arXiv:2506.21288
- Hu et al. (2024), arXiv:2411.10020