Foto de referencia: equipo de ultrasonido en una sala médica, 7 de noviembre de 2025. Shixart1985, vía Wikimedia Commons, CC BY 2.0. Recorte editorial. La ubicación no está documentada en la ficha; la imagen no demuestra que el equipo utilice IA ni corresponde a la audiencia.
Nos reportamos desde el seguimiento a una discusión que conecta tecnología y atención médica: la Comisión Séptima del Senado recogió observaciones al proyecto 216 de 2026 sobre inteligencia artificial en salud. El balance publicado el 19 de octubre muestra una pregunta central: cómo aprovechar estas herramientas sin diluir la responsabilidad sobre las decisiones y los datos de los pacientes.
Una audiencia, no una ley aprobada
De acuerdo con el informe del Senado, la iniciativa de Nadia Blel Scaff, del Partido Conservador, busca un marco de gobernanza, ética e integridad científica. Entidades, academia y sector privado presentaron aportes antes del primer debate. La audiencia no significa que el Congreso haya aprobado una nueva regulación.
Entre las observaciones estuvieron fortalecer la supervisión humana, precisar responsabilidades y evaluar los sistemas con población colombiana. También se planteó proteger los datos sensibles y coordinar las reglas con las disposiciones existentes. Los aportes serán considerados para la ponencia: no los presentamos como obligaciones que ya imponga esta iniciativa.
En palabras sencillas, gobernanza significa decidir quién autoriza una herramienta, con qué controles se utiliza y quién responde cuando falla. No alcanza con anunciar que un proceso tiene IA. Hace falta saber qué tarea hace, bajo qué condiciones funciona y dónde puede intervenir una persona.
La discusión tiene antecedentes internacionales
La Organización Mundial de la Salud, OMS, publicó en 2021 seis principios para estas tecnologías. Incluyen autonomía humana, seguridad, transparencia, rendición de cuentas, equidad y sostenibilidad. Esa orientación es un antecedente técnico; no reemplaza el trámite de las leyes colombianas.
La OMS advierte que los sistemas entrenados principalmente con datos de países de altos ingresos pueden no funcionar igual en otros contextos. También señala riesgos de sesgos y usos indebidos de información. De ahí que evaluar el desempeño local tenga sentido: la calidad no se prueba solamente con una demostración convincente o un resultado promedio.
Piense en un ejemplo hipotético: una herramienta ayuda a ordenar imágenes para revisión. Nuestra pregunta sería si se midieron sus errores, quién revisa sus alertas y qué sucede cuando no reconoce un caso. El ejemplo ilustra cómo examinar una función; no describe un sistema concreto ni recomienda una decisión clínica.
Qué debería poder entender el paciente
Nuestra lectura editorial es que una explicación útil debe separar apoyo y decisión. Una recomendación automatizada no nos cuenta por sí sola quién la revisó. Para evaluar el servicio, interesa conocer el papel del personal de salud y el mecanismo para pedir aclaraciones sobre un resultado que afecte la atención.
También vale preguntar qué datos se usan y con qué finalidad. La discusión no se agota en obtener una respuesta rápida: una información puede ser sensible aunque viaje por una interfaz amable. Transparencia significa que la explicación pueda comprenderse, no que quede enterrada entre palabras que solo entiende el proveedor.
En nuestra nota sobre IA y pronósticos de inflación examinamos otro campo donde una respuesta segura necesita evaluación. Aquí el contexto cambia y la responsabilidad importa aún más. Sigamos el proyecto por sus controles concretos: innovar también es poder explicar quién responde y cómo se corrige un error. 🩺
