El "never-skilling" se viralizó. Pero el paper pide más de lo que entrega

Desde que Ke y colaboradores publicaron su Perspectiva en Nature Medicine este mayo, el concepto de "never-skilling" recorre grupos de WhatsApp de facultades de medicina, hilos de LinkedIn y presentaciones de congresos con una velocidad que considero que el propio artículo no merece del todo, o más precisamente, que merece por razones diferentes a las que se citan. El paper tocó un nervio real: la intuición de que algo está cambiando en la manera en que los médicos jóvenes piensan, y que la IA podría tener algo que ver. Esa intuición vale la pena tomársela en serio. El artículo, sin embargo, construye sobre ella más de lo que la evidencia disponible sostiene, y ese matiz importa si queremos usar este debate para algo útil.

Lo que sí aporta el paper, y no es poco, es vocabulario y taxonomía. Los autores distinguen con precisión tres fenómenos que solíamos confundir. El "deskilling" describe la erosión de competencias ya adquiridas en clínicos experimentados que delegan progresivamente en la IA. El "mis-skilling" nombra algo más peligroso: la internalización acrítica de errores del sistema como si fueran verdad clínica, contaminando los esquemas de razonamiento del médico. Y el "never-skilling" —el concepto central— describe la falla en construir esas competencias desde el principio, cuando la IA sustituye el esfuerzo cognitivo que la formación requiere antes de que exista arquitectura clínica que valga la pena proteger. A esto le suman la "falsa proficiencia (Del ingl. proficiency)": el trainee que rinde bien en ambientes con IA disponible pero colapsa cuando el sistema no está. Estos conceptos tienen valor diagnóstico independientemente de cuánta evidencia los respalde hoy. Nombrar bien un riesgo es el primer paso para medirlo.

El problema es el paso que sigue. Los autores citan tres mecanismos teóricos por los cuales el never-skilling podría ocurrir, y aquí es donde el análisis se vuelve más interesante de lo que el paper reconoce. El primero apela a la teoría de las dificultades deseables: las condiciones que hacen el aprendizaje más difícil en el corto plazo producen retención más duradera. El segundo invoca la carga cognitiva: la formación de esquemas clínicos depende del procesamiento esforzado en la memoria de trabajo, y la IA que entrega respuestas evita ese procesamiento. El tercero cita la práctica deliberada: la expertise se construye mediante resolución de problemas con retroalimentación, no mediante acumulación de horas de exposición pasiva. Los tres son marcos sólidos de la ciencia del aprendizaje. Pero los autores los usan para argumentar que la IA es una amenaza a esos procesos, cuando en realidad describen exactamente las palancas que una IA bien diseñada puede activar mejor que cualquier método pedagógico previo.

Una IA en modo socrático puede calibrar la dificultad de los casos al nivel exacto donde el esfuerzo produce aprendizaje sin producir abandono, algo que ningún libro de texto ni ninguna rotación hospitalaria garantiza. Puede dosificar la carga cognitiva de manera dinámica, presentando la información en la secuencia y densidad que el aprendiz específico necesita en ese momento específico, no la que el plan curricular estipuló para todos. Puede generar ciclos de práctica deliberada a escala, con retroalimentación inmediata sobre el proceso de razonamiento y no solo sobre la respuesta final. Los propios autores lo reconocen cuando hablan del "modo aprendizaje" versus el "modo entrega de respuestas", pero lo tratan como una posibilidad secundaria cuando debería ser el argumento central. Lo que ellos llaman el riesgo del never-skilling es en realidad el riesgo de usar la IA mal, que es una cosa bastante diferente.

Nosotros los médicos hemos incorporado tecnologías que cambiaron profundamente el acto de razonar sin que eso constituyera una catástrofe cognitiva. Por ejemplo, los anestesiólogos actuales no calibran la profundidad anestésica con el estetoscopio porque tienen capnografía y oximetría de pulso. Los radiólogos formados en la era digital no desarrollaron el ojo para interpretar placas húmedas en negatoscopio con las variaciones de revelado que alteraban el contraste, y los reportes no se volvieron menos precisos por eso. En ninguno de estos casos la adaptación tecnológica produjo médicos menos capaces; produjo médicos adaptados a un estándar de práctica diferente. La pregunta no es si la IA crea dependencia en los trainees, que probablemente lo hará, sino cuáles dependencias son clínicamente peligrosas y cuáles representan delegación racional a una herramienta superior para esa tarea. Eso requiere evidencia específica por dominio, y esa evidencia no existe todavía.

Lo más valioso del paper podría ser, paradójicamente, su agenda de investigación. Los autores proponen estudios longitudinales aleatorizados comparando currículos con distintos niveles de asistencia de IA, con medición de competencia independiente en múltiples puntos del tiempo. Eso es exactamente lo que necesitamos. El resultado educativo depende del diseño de la herramienta, no de la presencia de IA en el aula. Los autores reconocen honestamente que la evidencia directa de never-skilling en trainees médicos es inexistente, que este es un modelo de riesgo y no un fenómeno establecido. El problema es que esa honestidad no siempre sobrevive el viaje de X (antes Twitter) a la sala de juntas de una escuela de medicina o a los chats de WhatsApp con los profesores.

Nuestra responsabilidad no es decidir si la IA entra a la educación médica, porque ya entró. Es decidir cómo la adopatamos y diseñamos. No estamos a merced de la pereza mental que (según los autores) podrían tener nuestros estudiantes ni de los algoritmos de las empresas tecnológicas, del mismo modo en que no estamos a merced del bisturí o del electrocardiograma. Estamos a merced de nuestra propia claridad sobre qué queremos que la herramienta haga. El never-skilling no es el futuro inevitable de la medicina con IA; es el futuro posible de una medicina con IA mal integrada. Y esa es una distinción que nosotros, los que diseñamos los currículos, los que enseñamos en aulas y hospitales, sí podemos controlar.

Referencia:

Ke, Y., Jin, L., Ong, J. C. L., Thirunavukarasu, A. J., Car, J., Cheung, C. Y., Tham, Y. C., Ting, D. S. W., Ong, M. E. H., Compton, S., Narayan, A., Keane, P. A., Wong, T. Y., Bates, D. W., Tan, P., & Liu, N. (2026). AI-induced never-skilling in medical education. Nature Medicine. https://doi.org/10.1038/s41591-026-04438-y