Médico. Especialista en Infectología. Magíster en Investigación Clínica.
Ex fellow del Área de Investigación en Medicina Interna, Servicio de Clínica Médica, Hospital
Italiano de Buenos Aires. Asociado al Servicio de Cardiología.
Profesor Adjunto, Maestría de Informática en Salud, Departamento de Posgrado, Universidad
Hospital Italiano de Buenos Aires.
Archivos de Medicina Familiar y General • Vol. 23, N 1 • Marzo 2026 Entrevista
Cómo citar: Grande Ratti, M. F. (Entrevistadora) & Sánchez Thomas, D. (Entrevistado). (2026). Inteligencia
artificial para investigadores/as: una mirada práctica y cotidiana. Archivos de Medicina Familiar y General,
23(1), 32 –38.
MFGR: La irrupción de la Inteligencia Artificial (IA) en el ámbito de la investigación científica no
solo transforma las metodologías tradicionales, sino que plantea nuevas formas de pensar y hacer
ciencia en lo cotidiano. Bajo esta temática, hoy hablaremos con nuestro invitado, buscando
explorar su aplicación práctica, una perspectiva accesible para investigadores e investigadoras de
diversas disciplinas, aunque principalmente en ciencias de la salud. Ante todo, gracias por tu
valioso tiempo, y ¿te gustaría presentarte?
DST: En cuanto a mi formación, soy médico de base, me desempeñé como becario de investigación
clínica e hice una maestría. Actualmente trabajo en el campo de la informática en salud. Reconozco
que, como profesional de la medicina, tengo ciertas limitaciones técnicas, pero intento
mantenerme activo tanto en el ejercicio clínico como en el aprendizaje continuo. Buena parte de
los conocimientos que he adquirido en torno a IA ha sido de manera autodidacta, lo cual considero
una modalidad cada vez más necesaria en un contexto donde la información evoluciona de forma
acelerada.
Más allá de los cursos formales, hoy en día es fundamental complementar con la exploración, pasar
de la teoría a la práctica. Se trata de un campo en constante cambio, cada semana aparece un
nuevo modelo o aplicación (p. ej. ChatGPT, Gemini, Grok), y mantenerse actualizado es clave para
no quedar atrapado en una visión obsoleta del uso de estas tecnologías. Debo declarar que me
dedico principalmente al análisis de datos, a la producción de materiales para la academia y la
docencia, y en todas estas áreas la IA se ha vuelto una aliada indispensable.
MFGR: En el contexto actual, existe una sobreabundancia de charlas, webinars, cursos y debates
en torno a la IA, lo que puede generar una cierta saturación informativa. En este marco, considero
valioso ofrecer una perspectiva centrada en la utilidad práctica de estas herramientas: qué
aplicaciones concretas pueden adoptarse, cuáles son accesibles para comenzar a trabajar y en qué
medida pueden integrarse en el flujo cotidiano de investigación. ¿Podrías compartirnos qué, cómo
y para qué usa la IA en investigación?
Diego Sánchez
Thomas
Inteligencia artificial para
investigadores/as: Una
mirada práctica y cotidiana
Entrevista
32
Archivos de Medicina Familiar y General • Vol. 23, N 1 • Marzo 2026 Entrevista
DST: Claro. Mi intención es transmitirles cómo incorporo estas herramientas a mi cotidianidad. Si
bien reconozco la importancia de las discusiones filosóficas y teóricas sobre la IA (relacionadas
principalmente con la confidencialidad de los datos), muchas veces terminan opacando el costado
práctico, especialmente relevante para quienes desean empezar a incorporar estas tecnologías en
su trabajo. Les voy a compartir de manera abierta cómo es mi experiencia para tareas vinculadas a
la investigación biomédica.
Para empezar, siempre procuro pensarlas como un asistente al que no podría permitirme contratar.
Es decir, no delego en ellas aquellas tareas que requieren de mi propia creatividad o juicio
profesional. En todo caso, puedo emplearlas como disparadoras de ideas, pero mantengo claro que
su principal función debe ser ayudarme a optimizar tiempos, no reemplazar el trabajo que me
corresponde realizar como investigador. Cuando, por ejemplo, debo redactar un trabajo académico
sobre un tema específico, suelo evitar solicitarle al modelo que escriba el texto completo. En su
lugar, le pido sugerencias, referencias o puntos clave para desarrollar mi propio abordaje.
MFGR: Expongamos un ejemplo.
DST: Si se me asignara como tarea el escribir un artículo, no le pediría al modelo que redacte
directamente una introducción. Si lo hiciera, probablemente recibiría un texto estructurado, con un
lenguaje genérico, fácilmente reconocible como generado por IA, y que posiblemente replique
contenidos ya disponibles en internet. En ese caso, no solo perdería originalidad, sino también
autenticidad, cayendo en uno de los principales errores criticados en el uso de estas tecnologías: la
despersonalización del contenido y la pérdida de la voz propia del autor. Por eso, insisto en que
estas herramientas deben ser un apoyo, no un reemplazo. Es fundamental que la impronta
personal, el pensamiento crítico y la voz del investigador estén presentes en cada trabajo. Esa es,
en definitiva, la forma en que yo concibo el uso responsable y efectivo de la IA en el ámbito
académico.
MFGR: Hoy en día circula una enorme cantidad de información relacionada con los riesgos del uso
indebido de la IA, especialmente en el ámbito académico: plagio, producción de papers
fraudulentos, generación de contenido sin sustento, entre otros. ¿Qué opinión tenés para
compartirnos al respecto?
DST: De nuevo, creo que es fundamental que quienes usamos estas herramientas estemos siempre
presentes en lo que escribimos. La IA no puede ni debe reemplazar nuestra voz ni nuestra
responsabilidad como autores. Tampoco puede reemplazar el estudio. Si intento escribir sobre un
tema que no comprendo, el resultado será pobre: tendré respuestas genéricas, sin profundidad, y
se notará que quien escribió no domina el tema. En cambio, cuando estudio, investigo, me informo
y trabajo previamente, la calidad de las respuestas que obtengo mejora notablemente. La IA puede
ser útil como apoyo, especialmente si le ofrezco buen material de base, pero nunca puede sustituir
el proceso de aprendizaje. Por eso, sostengo que estas herramientas no reemplazan el estudio, la
lectura crítica, la escritura reflexiva ni el tiempo dedicado a la búsqueda bibliográfica. Son, en todo
caso, un complemento. Del mismo modo que una calculadora no enseña matemáticas, la IA no
enseña a pensar ni a escribir: somos nosotros quienes debemos desarrollar esas capacidades y usar
estas herramientas para potenciar nuestro trabajo.
Otro aspecto clave que he aprendido es la importancia del contexto. Cuando interactuamos con un
modelo de lenguaje, debemos brindarle la mayor cantidad de información posible, tal como lo
haríamos al hablar con otra persona. Cuanto más claro sea el marco contextual en el prompt (p. ej.
público objetivo, revista científica puntual, estilo de redacción requerido -formal/académico-),
mejor será la calidad de las respuestas que obtendrán .
(1)
Incluso, muchas veces es útil indicarle al modelo qué rol debe asumir: por ejemplo, pedirle que
actúe como un investigador en salud respiratoria de un centro especializado; este tipo de
33
Archivos de Medicina Familiar y General • Vol. 23, N 1 • Marzo 2026 Entrevista
indicaciones pueden cambiar significativamente la calidad y profundidad de los textos generados. A
veces, al incluir detalles sobre nuestro país o institución, los resultados pueden variar. Pero
justamente de eso se trata: de probar, experimentar, ajustar y validar.
MFGR: Hay muchas aristas de la IA en la investigación. En particular, hace no tanto revisamos el
tema haciendo hincapié en oportunidades y desafíos para la escritura científica . Específicamente,
mencionamos su capacidad para mejorar la claridad y fluidez de los textos, superar el bloqueo del
escritor, disparar ideas (brainstorming) y proporcionar asistencia en las revisiones (p. ej. cómo
responder a comentarios mayores/menores), básicamente aspectos relacionados con lo que nos
estabas contando. Estamos acostumbrados a escribir de forma sencilla o con lenguaje más
coloquial, mientras que la escritura académica requiere un entrenamiento que se adquiere con la
práctica. ¿Qué sugerencia tenés al respecto?
(2)
DST: Un uso que me resulta particularmente efectivo es el de asignar un rol específico a la IA. Por
ejemplo, si necesito redactar un resumen clínico, puedo pedirle que actúe como una médica
auditora y que me marque los hitos más relevantes de una internación. O bien, si estoy escribiendo
un artículo, puedo solicitar que asuma el rol de un editor de una revista científica en el área
correspondiente y que critique el texto desde esa perspectiva. A veces, incluso imagino un 'panel
de expertos' con distintos perfiles, como un médico especialista en enfermedades respiratorias o
un epidemiólogo, para que la retroalimentación sea más rica. Este enfoque —el de trabajar con
voces críticas simuladas o roles especializados— me resulta más práctico que pedir una evaluación
genérica, porque me obliga a anticipar los criterios de calidad que se aplicarían en un entorno real
de revisión académica. Así, además de mejorar el contenido, se entrena el juicio crítico, que es una
de las habilidades más importantes en investigación. Podría indicarle al modelo que critique lo que
acabo de escribir desde la mirada de un analista de datos, o bien desde la de un médico clínico
general. Esto me permite obtener retroalimentaciones diversas y más ricas, que difícilmente
surgirían si solo le pidiera a la IA que evalúe el texto desde 'mi' propia mirada o perfil profesional.
Incluso es posible guardar estos paneles imaginarios y reutilizarlos en otros trabajos, lo que permite
mantener una cierta coherencia en la retroalimentación a lo largo del tiempo. Se pueden crear
perfiles especializados en temas técnicos, clínicos, metodológicos o incluso en áreas menos
convencionales, como efectos visuales o comunicación pública. Lo interesante es que este ejercicio
no disminuye la calidad del contenido; al contrario, la enriquece al incorporar miradas alternativas.
MFGR: ¿Lo usas para los manuscritos que te interesan publicar?
DST: Por supuesto. Esta idea de asignar roles al modelo tiene una aplicación muy concreta y
cotidiana en investigación. Por ejemplo, antes de enviar un manuscrito a una revista, suelo generar
un prompt del tipo: 'Imagínate que sos un revisor extremadamente riguroso de una revista
científica de alto impacto, ¿qué observaciones harías sobre este manuscrito?'. A partir de allí, recibo
comentarios que, en muchos casos, efectivamente tengo en cuenta y me ayudan a mejorar el
trabajo. Si bien no todos son pertinentes, la mayoría ofrece un punto de vista diferente que vale la
pena considerar.
Además, esta dinámica resulta especialmente útil cuando se trabaja con múltiples formatos de
entrega: congresos nacionales, revistas científicas, informes institucionales, etc. Cada uno de estos
entregables tiene requerimientos específicos —extensión, estilo, estructura—, y la IA puede ayudar
a adaptar el contenido a cada contexto (p. ej. ajustar títulos, reducir caracteres o palabras). También
la uso como disparador para secciones más complejas, como la discusión, o para identificar
fortalezas y limitaciones de un estudio a partir de un resumen de resultados.
Incluso, en el proceso de respuesta a revisores, donde muchas veces los comentarios son breves o
ambiguos, la IA puede ayudar a interpretar lo que se está señalando y a redactar posibles
respuestas. En ese sentido, funciona como un asistente en la mediación de una comunicación
34
Archivos de Medicina Familiar y General • Vol. 23, N 1 • Marzo 2026 Entrevista
35
asincrónica, que muchas veces puede resultar difícil de descifrar.
MFGR: ¡Muy interesante! ¿Hay alguna herramienta en particular que recomiendes?
DST: Si bien uso frecuentemente ChatGPT, también he probado otros modelos, como el Notebook
LM, que utilizamos en algunas instancias de la maestría. Me resultó bastante cómodo, aunque la
elección del modelo depende mucho de las preferencias y necesidades de cada quien. Lo
importante es encontrar la herramienta con la que uno se sienta más cómodo para trabajar,
sabiendo que todas tienen sus fortalezas y limitaciones.
Una de las grandes ventajas de trabajar con un único modelo de lenguaje —particularmente si
dispone de memoria— es que permite construir sobre interacciones previas. Por ejemplo, cuando
armo un 'panel de expertos' ficticio para que revise mis textos desde distintas perspectivas, ese
panel queda guardado dentro del entorno del modelo y puedo volver a usarlo más adelante. Eso
facilita mucho el trabajo iterativo y sostenido. El problema, claro, es que estos paneles no siempre
son fácilmente transferibles de un modelo a otro o entre plataformas, lo que puede limitar su
portabilidad.
Algunos modelos, en sus versiones gratuitas, no permiten guardar memoria o incorporar archivos,
pero en las versiones pagas esta posibilidad existe, y, en mi experiencia, cambia radicalmente la
calidad del trabajo. No es que recomiende pagar por estas herramientas, pero si alguien realmente
las usa con frecuencia, podría considerar esa opción.
MFGR: Buenísimo. Antes mencionaste que lo usas con frecuencia para análisis de datos, ¿podrías
explicarnos algo sobre este punto?
DST: Claro. En cuanto a mi propio flujo de trabajo, uno de los usos más frecuentes que le doy a la
IA es en el análisis de datos, especialmente para la corrección y la adaptación de códigos. Si ya he
desarrollado un análisis para un trabajo anterior, puedo reutilizar ese código como base y solicitarle
al modelo que lo adapte a una nueva investigación, indicándole las variables y objetivos
actualizados. Este tipo de asistencia me ahorra mucho tiempo.
Como analista, cuando tengo que comenzar un nuevo proyecto, lo primero que hago es cargarle al
modelo toda la información disponible: una tabla con la base de datos, un archivo de código en R,
enlaces relevantes, etc. Si los datos no son demasiado pesados, pueden subirse directamente. Eso
me permite referirme a esos elementos a lo largo del proceso y, a su vez, obtener respuestas
mucho más ajustadas a mis necesidades.
Por ejemplo, si tengo un código que me está generando errores, no es lo mismo pedir ayuda sobre
una línea suelta que compartir el código completo y explicar qué intento hacer. En ese caso, el
modelo no solo me va a corregir el error, sino que lo hará comprendiendo el objetivo general del
análisis, lo que mejora muchísimo la calidad de la respuesta.
Lo mismo aplica cuando se trabaja con visualizaciones. Si ya tengo un gráfico generado en una
línea específica del script —por ejemplo, en la línea 25— puedo decirle: 'Al gráfico de la línea 25
aplícale una paleta de colores más clara, algo tropical, con azules y amarillos' y el modelo va a
modificar esa parte puntual del código sin alterar lo demás.
En mi experiencia, el esfuerzo inicial que uno hace para entender la lógica del código, o para
escribir de manera medianamente clara, se ve recompensado por la calidad de las devoluciones.
Además, permite realizar tareas complejas —como análisis estadísticos o elaboración de
visualizaciones publicables— en mucho menos tiempo del que antes demandaban, cuando uno
debía buscar durante horas en foros o documentaciones técnicas. Hoy, si uno aprende lo básico y
se apoya en estas herramientas de manera estratégica, puede obtener resultados de gran nivel
técnico y con mayor eficiencia.
Otra utilidad está relacionada con la construcción de gráficos. Puedo solicitarle al modelo que
aplique ciertos cambios en el gráfico, conforme a las nuevas indicaciones, sin necesidad de
Archivos de Medicina Familiar y General • Vol. 23, N 1 • Marzo 2026 Entrevista
reescribir o reconfigurar todo desde el principio. Esto no solo ahorra tiempo, sino que también
optimiza mi productividad. En el pasado, realizar estas modificaciones solía demandar horas —o
incluso días — de ajustes técnicos y estéticos, sobre todo cuando se trabajaba con herramientas
como R, Python u otros entornos gráficos. Muchas veces eran cambios menores desde lo
informativo, pero que requerían una considerable inversión de tiempo debido a cuestiones de
formato o compatibilidad con las normativas de una revista científica. Hoy, ese proceso se ha
vuelto mucho más ágil.
MFGR: Nos dejaste reflexionando cuando mencionaste que subiste una base de datos. Es un tema
sobre el que vale la pena detenerse. En lo personal, creo que es un tópico lleno de inquietudes,
sobre todo cuando hablamos de información vinculada a investigación clínica, donde claramente
estamos trabajando con datos sensibles y, muchas veces, con información personal . ¿Cuál es tu
postura al respecto?
(3)
DST: Me parece muy pertinente la preocupación en relación al uso de IA y el manejo de datos
personales. En mi caso, nunca subo datos identificables. Siempre procuro utilizar versiones
narrativas, tablas desagregadas o fragmentos que ya están anonimizados. Si necesito hacer un
cálculo puntual, no subo toda la base de datos, sino únicamente la columna específica que quiero
procesar, y en un formato que no comprometa la privacidad de las personas. Considero que una de
las mejores formas de proteger la confidencialidad es trabajar con datos “deidentificados”, sin
ningún tipo de vínculo con identificatorios (p. ej. nombre, apellido, DNI, fecha de nacimiento, etc.)
.
(4)
MFGR: Entiendo que esta forma parte de una discusión más amplia, donde coexisten dos lógicas
en tensión: por un lado, el acceso abierto, la educación abierta y el uso colaborativo de
herramientas poderosas como la IA; y por otro, el temor legítimo respecto de la confidencialidad, el
uso indebido de datos y los límites éticos del trabajo digital . Estamos, de alguna manera, parados
entre dos paradigmas que todavía no se reconcilian del todo.
(5)
DST: No estoy diciendo con esto que no haya riesgos o que debamos usarlas sin precaución. Al
contrario, creo que debemos ser extremadamente cuidadosos. Pero también creo que no debemos
paralizarnos por un temor desproporcionado. Si los datos están anonimizados, si no contienen
información sensible, si ya están reportados públicamente y el contexto está limitado, no hay —en
principio— una vulneración ética o legal al utilizar la IA como herramienta de apoyo.
Por supuesto, esta es una discusión que no se va a resolver hoy. Pero sí creo que estamos en una
encrucijada profunda: tenemos por delante un cambio de paradigma respecto de cómo
producimos, procesamos y compartimos la información. Y limitarse por completo al uso de estas
herramientas es, en cierto modo, retroceder hacia un modelo de trabajo que ya no existe. El
desafío es encontrar la forma ética y segura de integrarlas sin renunciar a los principios de
confidencialidad ni a la calidad científica.
Y en lo personal, como alguien que creció con herramientas informáticas a disposición, estoy
convencido de que esto va a transformar profundamente la manera en que hacemos ciencia,
escribimos, pensamos y colaboramos. Por eso, mi enfoque es crítico pero optimista: no creo que
debamos frenar esta transformación, sino más bien aprender a acompañarla con responsabilidad,
formación y conciencia ética.
MFGR: Maravilloso. ¿Y desde la perspectiva de educación? ¿Cuál es tu experiencia como docente?
DST: Otro de los avances recientes más significativos es su capacidad para interpretar imágenes,
no solo texto. Esto representa una herramienta sumamente poderosa. Por ejemplo, puedo subir
una imagen a ChatGPT y solicitarle que me describa qué está viendo. El motor, en ese caso,
36
Archivos de Medicina Familiar y General • Vol. 23, N 1 • Marzo 2026 Entrevista
interpreta visualmente la imagen y la traduce en una descripción textual. Este recurso tiene
múltiples aplicaciones prácticas. En contextos educativos, por ejemplo, si necesito utilizar una
imagen en una clase y deseo modificar algún elemento (como cambiar el color de un objeto en la
imagen), puedo utilizar esa descripción textual para volver a generar una nueva imagen con las
modificaciones deseadas.
Finalmente, otra tarea para la cual recurro con frecuencia a la IA es la búsqueda bibliográfica,
especialmente cuando necesito explorar rápidamente literatura vinculada a una pregunta de
investigación o a un tema emergente, o incluso para la preparación de una clase. En la actualidad,
considero que las búsquedas bibliográficas deben realizarse combinando métodos tradicionales
con el uso de motores de IA. No se trata de reemplazar las estrategias clásicas, que siguen siendo
fundamentales para comprender la estructura de la información y acceder a literatura científica de
calidad, sino de complementarlas con herramientas que amplían significativamente el espectro de
fuentes disponibles. Una de las innovaciones más transformadoras, desde mi punto de vista, es la
posibilidad de acceder con mayor facilidad a lo que conocemos como literatura gris. Hoy en día
puedo, por ejemplo, buscar tesis de maestría, informes técnicos, artículos de divulgación científica
o notas periodísticas locales sobre temas específicos —como dengue o influenza—, emitidos por
organismos oficiales o medios locales de distintos países de Latinoamérica. Esto antes era
extremadamente difícil. Poder realizar este tipo de búsquedas, de forma eficiente y rápida, equivale
a ahorrar muchas horas de trabajo manual.
En ese sentido, un motor que me ha dado muy buenos resultados es Perplexity. Su capacidad para
recuperar información tanto de fuentes indexadas como de literatura gris lo convierte en una
herramienta potente. Si bien algunas de sus funciones más avanzadas están disponibles en
versiones pagas, creo que, cuando se cuenta con presupuesto, puede valer la pena invertir en ello,
especialmente para investigaciones que requieren gran volumen y diversidad de fuentes.
Por otra parte, el uso de estos modelos también facilita tareas como la extracción de datos o el
llamado data scraping. Por ejemplo, si tengo una tabla publicada en Wikipedia o en alguna página
oficial, puedo solicitarle al modelo que me extraiga la información y me la convierta en una tabla
editable, lo que antes requería habilidades de programación específicas con R o Python. Es una
forma de automatizar procesos que antes eran muy laboriosos.
MFGR: Quiero agradecerte por compartir tu experiencia y aprendizaje aplicado en tu tarea
cotidiana. En resumen, nos encontramos ante un verdadero cambio de paradigma. En investigación
en salud, el uso combinado de IA en la búsqueda de información (p. ej. para explorar y profundizar
conceptos complejos), la extracción de datos y la automatización de tareas técnicas representa una
transformación profunda en nuestra forma de investigar, enseñar y producir conocimiento. Y si
bien siempre será necesario validar las fuentes y cuidar aspectos éticos, el potencial de estas
herramientas es, sin duda, revolucionario. No reemplaza los métodos tradicionales, pero sí los
complementa con gran eficacia.
REFERENCIAS
1. Zaghir J, Naguib M, Bjelogrlic M, Névéol A, Tannier X, Lovis C. Prompt Engineering Paradigms
for Medical Applications: Scoping Review. J Med Internet Res 2024 Sep 10;26:e60501.
Available from: http://dx.doi.org/10.2196/60501
2. Sanchez Toyos I, Ortiz J, Grande Ratti MF, Carretero M. Inteligencia artificial en la escritura
científica: oportunidades y desafíos en ciencias de la salud. Evid actual pract ambul 2024 Dec
10;27(4):e007138. Available from:
https://www.evidencia.org.ar/index.php/Evidencia/article/view/7138
3. CONICET. Qué son y qué no son los Datos de Investigación (Internet; cited 2025 Sep 3 ).
Available from: https://datosdeinvestigacion.conicet.gov.ar/?post_type=page&p=1190
37
Archivos de Medicina Familiar y General • Vol. 23, N 1 • Marzo 2026 Entrevista
Jefa del Área de Investigación en Medicina Interna,
Servicio de Clínica Médica, Hospital Italiano de Buenos
Aires, Argentina. MD, Médica (IUHIBA), Especialista en
Medicina Familiar y Comunitaria. MSc, Magister en
Investigación Clínica (IUHIBA). PhD, Doctorado en
Ciencias de la Salud (IUHIBA). Project Management
Professional (PMI®).
María Florencia Grande Ratti
Entrevistadora
La presente entrevista, se dio en contexto del “Espacio Académico del Área de Investigación en Medicina Interna” (del
17-11-2025), Servicio de Clínica Médica, Hospital Italiano de Buenos Aires.
38
4. CONICET. Datos de Investigación: el proceso de anonimizar (Internet; cited 2025 Sep 3 ).
Available from: https://datosdeinvestigacion.conicet.gov.ar/?post_type=post&p=1847
5. Grande Ratti MF. La ética en el ámbito de la Inteligencia Artificial en Atención Primaria de la
Salud. Archivos de Medicina Familiar y General 2024 Jun 17;21(2). Available from:
https://www.revista.famfyg.com.ar/index.php/AMFG/article/view/296
