Cuando se habla de inteligencia artificial en la formación veterinaria, la conversación se va casi siempre hacia el mismo sitio: darle al estudiante un asistente que le resuelva dudas. Un tutor disponible a las tres de la mañana, la noche antes del examen.
Está bien, y es útil. Pero es la mitad menos interesante.
El cambio de verdad va en la dirección contraria. No es lo que la máquina le contesta al alumno: es lo que esas preguntas, leídas en conjunto, le revelan al profesor sobre su propia asignatura.
El dato que hoy nadie tiene
Un docente universitario de veterinaria termina un tema y pasa al siguiente. Sabe cómo le fue al grupo cuando corrige el examen: ocho semanas tarde, cuando ya no puede hacer nada.
En el medio hay señales, pero son débiles y sesgadas. Las preguntas en clase las hacen siempre los mismos cuatro. Las tutorías las pide quien ya sabe que no entendió, que suele ser quien mejor va. El resto del grupo es opaco.
Ahora imaginemos que la asignatura tiene un sistema que responde preguntas a partir de su propia bibliografía. Cada consulta que un estudiante escribe es una declaración de en qué se atascó, a qué hora y en qué punto del temario.
Trescientos alumnos preguntando durante un cuatrimestre generan un mapa de la comprensión del grupo que hoy sencillamente no existe.
Ese mapa no dice quién es buen alumno. Dice dónde falla la explicación. Y son cosas distintas.
Si el 60 % de las consultas de una semana giran alrededor de la interpretación de un mismo parámetro de laboratorio, eso no es un problema de esos estudiantes. Es una señal sobre cómo se explicó ese parámetro. El profesor puede entrar a la clase siguiente sabiéndolo, en vez de descubrirlo al corregir.
Es la diferencia entre evaluar el aprendizaje y observarlo mientras ocurre.
Qué es exactamente lo que estoy proponiendo
Para que no quede en abstracto: hablo de un sistema RAG, siglas de *retrieval-augmented generation*. La idea es más simple que el nombre.
Un modelo de lenguaje genérico responde a partir de todo lo que leyó en internet, sin distinguir un manual de referencia de un foro. Un sistema RAG hace otra cosa: antes de responder, busca la respuesta dentro de un conjunto cerrado de documentos —en este caso, la bibliografía que el equipo docente eligió para la asignatura— y responde apoyándose en ese material, citando de dónde lo sacó.
La diferencia práctica es enorme. No responde según lo que circula por ahí. Responde según lo que la cátedra decidió que es la fuente correcta. Y el estudiante puede ir a verificarlo.
Eso, además, resuelve un problema que ya está pasando lo quiera la facultad o no: los alumnos ya están usando modelos generalistas para estudiar. La pregunta no es si van a usar IA. Es si la van a usar contra la bibliografía de la cátedra o contra lo que encuentren suelto.
Conocimiento = teoría + experiencia
Vale la pena poner el límite antes de seguir entusiasmándose, porque es la parte que más me importa.
El conocimiento de un veterinario tiene dos mitades. Una es la teoría: fisiología, farmacología, patología, protocolos. La otra es la experiencia: atender casos, decidir con información incompleta, equivocarse, revisar por qué, y acumular años de consulta.
Un sistema RAG puede aportar muchísimo a la primera mitad. No aporta prácticamente nada a la segunda.
Ninguna cantidad de bibliografía consultada sustituye estar delante de un animal que no encaja en el cuadro del libro, con un tutor angustiado, quince minutos y una decisión que tomar. Eso se aprende haciéndolo, acompañado por alguien que ya lo recorrió.
Cuando alguien plantea que la IA va a transformar la formación veterinaria, casi siempre está hablando —sin decirlo— solo de la primera mitad. Conviene ser explícito, porque la segunda es la que hace al profesional.
Lo que esto rompe en la evaluación
Hay dos hallazgos recientes que la facultad que quiera incorporar IA tiene que mirar de frente.
En 2025, una evaluación comparativa publicada en *Frontiers in Veterinary Science* midió nueve modelos de lenguaje sobre 250 preguntas de opción múltiple del examen final de grado de veterinaria de la Universidad de la Ciudad de Hong Kong. Los dos mejores —ChatGPT o1Pro y ChatGPT 4.5— acertaron el 90,4 % y el 90,8 %. Los otros siete quedaron entre el 64,8 % y el 85,6 % (Alonso Sousa et al., 2025).
En 2026, un estudio publicado en el *Journal of the American Veterinary Medical Association* comparó a ChatGPT-5 y ChatGPT-5 Thinking con clínicos experimentados y con recién graduados en quince escenarios de obstetricia y ginecología veterinaria. ChatGPT-5 Thinking obtuvo la mediana de calidad más alta —4,3 sobre 5— por encima de los dos clínicos expertos, que puntuaron 3,7 y 3,0 (Okur et al., 2026).
La lectura cómoda es "la IA ya sabe veterinaria". No es esa.
La lectura incómoda es: si una máquina aprueba tu examen con un 90 %, tu examen no está midiendo lo que creés que mide. Está midiendo recuperación de información, que es exactamente lo que una máquina hace mejor que una persona.
Y hay un detalle del estudio de Hong Kong que dice más que el titular: el rendimiento caía a medida que subía la dificultad de la pregunta, y era peor en las preguntas con imagen. Los modelos rinden donde el examen es memorístico y se degradan justo donde empieza a parecerse al razonamiento clínico. Eso no es un defecto de los modelos. Es un diagnóstico sobre nuestros exámenes.
Conviene además leer esos números con las limitaciones que los propios autores señalan. El estudio de obstetricia trabajó con quince casos hipotéticos, sin animales ni historias clínicas reales, con solo dos expertos y dos novatos, y con una escala de calidad que no es un instrumento formalmente validado. Sus autores concluyen, con prudencia, que los modelos "se aproximaron" al nivel experto. La tabla dice algo más fuerte que la conclusión, y esa distancia también hay que leerla.
Lo que no aparece en ninguno de esos resultados es lo otro: el modelo no sabe cuándo no sabe. Ese es el punto que más repito y el que menos se mide. Un sistema que acierta el 90 % de las veces y afirma el 10 % restante con la misma seguridad es más peligroso que uno que acierta el 75 % y avisa cuando duda.
En una consulta, la exactitud media importa menos que la calibración. Y ningún benchmark de los que se publican mide eso.
De ahí sale, para mí, la consecuencia más concreta para un plan de estudios: si queremos evaluar lo que distingue a un veterinario de un buscador, hay que evaluar el proceso —qué preguntó, qué descartó, por qué— y no solo el resultado final.
Dónde falla esto
Sería incoherente proponer una herramienta de IA sin decir dónde se rompe. Cuatro cosas que he visto o que son previsibles:
El sistema recupera el fragmento equivocado. Un RAG no entiende: busca por similitud. Ante una pregunta ambigua puede traer el capítulo vecino y construir con él una respuesta perfectamente redactada y equivocada. Suena igual de segura que la correcta.
Hereda la bibliografía de la cátedra, con sus años. Si el material tiene un protocolo desactualizado, el sistema lo va a repetir con toda la autoridad del mundo, y ahora además a escala y sin que nadie lo revise. Deja de ser un apunte viejo en un cajón y pasa a ser la respuesta oficial.
Sirve para no pensar. Un estudiante puede usarlo para llegar al final del razonamiento sin recorrerlo. En una carrera donde lo que se entrena es precisamente el razonamiento diagnóstico, eso no es un efecto secundario menor.
Y no va a ser más listo que un modelo generalista. Conviene decirlo, porque va contra la intuición. En junio de 2026, *Nature Medicine* publicó una comparación entre dos herramientas clínicas comerciales construidas con esta misma tecnología —OpenEvidence y UpToDate Expert AI— y tres modelos generalistas de frontera. Las herramientas especializadas perdieron en las tres evaluaciones (Vishwanath et al., 2026).
Es medicina humana, no veterinaria, pero el aviso vale igual: acotar un sistema a una bibliografía no lo hace más exacto. Lo hace más trazable, que es otra cosa.
Y ahí está justamente el argumento. En ese mismo estudio, una de las herramientas especializadas puntuó lo más bajo de todas en claridad y la otra se negó a responder al 19 % de las consultas; los autores concluyen que su debilidad era la comunicación, no el conocimiento. Un RAG docente no compite por acertar más que ChatGPT: compite por responder desde el material que eligió la cátedra, citando de dónde lo sacó, y por dejar el rastro de lo que preguntó el grupo. Si lo que se busca es la respuesta más exacta posible, esto no es la herramienta. Si lo que se busca es enseñar, sí.
Los mapas de comprensión pueden usarse mal. El mismo dato que permite mejorar una clase permite vigilar a un alumno. No es lo mismo saber que un concepto genera dudas en el grupo que saber quién preguntó qué a qué hora.
Ese último punto merece párrafo propio.
Las preguntas de los alumnos son datos de los alumnos
Si una facultad española pone en marcha algo así, entra de lleno en el ámbito del RGPD. No es un detalle administrativo que se resuelve después: condiciona el diseño desde el primer día.
Las consultas de un estudiante son datos personales, y además revelan algo sensible: sus dificultades de aprendizaje. Un sistema mal planteado construye, sin proponérselo, un expediente sobre cada alumno.
Hay una forma razonable de hacerlo, y pasa por decidirlo antes de construir:
- El análisis agregado —qué temas concentran dudas— debería ser el modo por defecto, y debería estar disociado de la identidad del estudiante.
- El acceso individual debería ser la excepción, con una finalidad explícita, comunicada al alumno y limitada en el tiempo.
- Los estudiantes tienen que saber qué se guarda, para qué y durante cuánto, en lenguaje que se entienda.
- Y tiene que existir un plazo de conservación, no un archivo que crece para siempre.
Si el sistema se diseña como panel de vigilancia, además de ser cuestionable, no va a funcionar: los alumnos dejarán de preguntar con sinceridad, y entonces el mapa de comprensión —que era todo el valor— se vuelve ruido.
Lo que sí haría
Ordenado por lo que rinde antes:
Empezaría por una sola asignatura y un solo cuatrimestre, con un equipo docente que tenga ganas. No como piloto tecnológico, sino con una pregunta concreta: ¿qué nos muestra el mapa de dudas que no sabíamos?
Cuidaría la bibliografía antes que el modelo. La calidad de la respuesta depende del material indexado mucho más que del modelo elegido. Si el material está desordenado o desactualizado, ningún modelo lo arregla.
Haría que el sistema cite siempre la fuente con capítulo y página, y que el estudiante pueda ir a verla. No es un detalle de interfaz: es lo que mantiene el hábito de verificar, que es exactamente lo que queremos que no se pierda.
Y le enseñaría al alumno a auditar la herramienta, no solo a usarla. Que sepa reconocer una respuesta segura y equivocada. Es una competencia profesional en sí misma, y va a usarla toda su carrera.
Por qué esto importa ahora
Los estudiantes que hoy están en segundo van a ejercer con estas herramientas metidas en el flujo de trabajo diario, decidan las facultades lo que decidan. La pregunta no es si la IA entra en la formación veterinaria. Ya entró, por la puerta de atrás, en el portátil de cada alumno.
Lo que sí se decide es si entra con criterio, con bibliografía elegida por la cátedra, con supervisión docente y con los límites explicados. O si entra sola.
La IA puede ampliar lo que ya funciona en la formación veterinaria. No puede reemplazarlo, y quien lo prometa no ha estado nunca en una consulta.
La IA sugiere. El veterinario decide. Siempre.
Y un veterinario que decide bien es alguien a quien se le enseñó a dudar de las respuestas que llegan demasiado seguras. Empezando por las de la máquina.
Referencias
Alonso Sousa S., Bukhari S. S. U. H., Steagall P. V., Bęczkowski P. M., Giuliano A. y Flay K. J. (2025). «Performance of large language models on veterinary undergraduate multiple-choice examinations: a comparative evaluation». *Frontiers in Veterinary Science*, 12:1616566. https://doi.org/10.3389/fvets.2025.1616566
Okur D. T., Cengiz M., Küçükaslan İ., Peker C., Çıplak A. Y., Tohumcu V. y Aydın Ş. (2026). «Performance of large language models versus clinicians and novices in veterinary theriogenology decision support». *Journal of the American Veterinary Medical Association*, 264(5):616-619. https://doi.org/10.2460/javma.25.09.0615
Vishwanath K., Alyakin A., Ghosh M. et al. (2026). «General-purpose large language models outperform specialized clinical AI tools on medical benchmarks». *Nature Medicine*, 32:2405-2409. https://doi.org/10.1038/s41591-026-04431-5