---
canonical_url: "https://suractual.com.ar/contenido/42251/microsoft-afirma-que-su-sistema-de-inteligencia-artificial-acerto-mas-del-doble-"
title: "Microsoft afirma que su sistema de inteligencia artificial acertó más del doble de diagnósticos complejos que un grupo de médicos generalistas"
article_type: "Article"
description: "El sistema se llama MAI-DxO y funciona como un panel virtual de especialistas: varios modelos analizan el mismo caso y cruzan sus respuestas antes de llegar a un diagnóstico. El estudio se publicó este jueves en la revista Science. La propia compañía reconoce que la mayor parte de la mejora viene de los modelos de base y no de la capa de coordinación."
main_image: "https://suractual.com.ar/download/multimedia.normal.b6c5c68e239dbc72.bm9ybWFsLndlYnA%3D.webp"
date_published: "2026-10-22T22:25:00-03:00"
date_modified: "2026-10-22T22:27:17-03:00"
author_name: "Redacción"
author_url: "https://suractual.com.ar/usuario/2/redaccion"
category_name: "Chubut"
category_url: "https://suractual.com.ar/categoria/1/chubut"
---

# Microsoft afirma que su sistema de inteligencia artificial acertó más del doble de diagnósticos complejos que un grupo de médicos generalistas

![images (10)](/download/multimedia.normal.b6c5c68e239dbc72.bm9ybWFsLndlYnA%3D.webp)

Microsoft informó que su sistema MAI-DxO —Microsoft AI Diagnostic Orchestrator— acertó más del doble de veces que un grupo de médicos generalistas al resolver casos clínicos complejos. El estudio se publicó este jueves en la revista *Science*.

**Cómo funciona**

El mecanismo es lo más interesante del anuncio, porque no se trata de un modelo nuevo sino de una forma de organizar los que ya existen.

MAI-DxO opera como un panel virtual de especialistas. Varios modelos de inteligencia artificial analizan el mismo caso de manera independiente y después cruzan sus respuestas entre sí antes de llegar a un diagnóstico. La lógica replica lo que en medicina se llama ateneo o junta médica: en lugar de una única opinión, varias miradas que se contrastan.

Microsoft evaluó modelos de OpenAI, Google, Anthropic, Meta y DeepSeek. Los mejores resultados los obtuvo combinando su sistema de coordinación con GPT-5 y GPT-5.5, de OpenAI.

**Los números, con el costo incluido**

El estudio introduce una variable que no suele aparecer en este tipo de comparaciones: cuánto sale llegar al diagnóstico.

GPT-5 por sí solo acertó en el 78,9% de los casos complejos, con un costo estimado de 8.400 dólares por caso —el precio de los estudios que el sistema solicitaba para llegar a su conclusión—. Al sumarle la capa de coordinación MAI-DxO, el costo bajó unos 3.000 dólares y la precisión subió alrededor de cuatro puntos porcentuales.

En casos de urgencia, en cambio, la diferencia entre usar GPT-5 solo o con el orquestador fue prácticamente nula, tanto en precisión como en costo.

**Lo que la propia empresa reconoce**

Hay dos limitaciones que Microsoft admite y que conviene no perder.

La primera es de atribución: el estudio reconoce que la mayor parte de la mejora en la precisión proviene de los modelos de lenguaje de base, y que la capa de orquestación aporta una mejora menor.

La segunda es de techo. Un vocero de la compañía señaló que las ganancias de precisión se reducen a medida que los modelos se acercan a un límite teórico, y definió el rol del orquestador en otros términos: equilibrar precisión y costo, antes que maximizar aciertos.

Microsoft anunció además que va a liberar como código abierto el banco de pruebas de MAI-DxO, para que otros investigadores puedan replicar los resultados o cuestionarlos.

**Lo que viene**

Mustafa Suleyman, responsable de la división de inteligencia artificial de la compañía, señaló que Microsoft está entrenando un modelo fundacional orientado a salud junto con la Clínica Mayo, con lanzamiento previsto para el año próximo.

En otra entrevista aportó un dato que dimensiona la escala del uso actual: la empresa recibe 50 millones de consultas sobre salud por día a través de sus asistentes y su buscador.

**La distinción que hay que hacer**

El estudio compara desempeño en casos clínicos complejos y documentados, no atención médica real. Un caso de estudio llega escrito, con los datos ya ordenados. Un paciente llega con síntomas que hay que interpretar, un relato que hay que ordenar y un examen físico que ningún modelo hace.

El resultado es relevante como medida de capacidad de razonamiento diagnóstico. No es una medida de capacidad de atender.

*Fuentes: estudio publicado en la revista Science (22 de octubre de 2026); declaraciones de Mustafa Suleyman a TechCrunch y a Yahoo Finance; vocería de Microsoft.*

---

*Contenido creado y optimizado para IA con [Medios CMS](https://medios.io)* — Plataforma profesional para la gestión de medios digitales y portales de noticias.