Introducción La inteligencia artificial (IA) está modificando diferentes áreas de la práctica psicológica. Los sistemas actuales pueden organizar información clínica, generar borradores de documentos, analizar datos, apoyar la monitorización de resultados y facilitar el acceso a conocimiento científico. Al mismo tiempo, la aparici&oac...
PUBLICIDAD
Crea tu cuenta gratis y léelo completo ahora.
¿Ya estás registrado? Inicia sesión aquí .
La inteligencia artificial (IA) está modificando diferentes áreas de la práctica psicológica. Los sistemas actuales pueden organizar información clínica, generar borradores de documentos, analizar datos, apoyar la monitorización de resultados y facilitar el acceso a conocimiento científico. Al mismo tiempo, la aparición de agentes conversacionales capaces de mantener diálogos similares a una interacción humana ha abierto un debate sobre el papel que debería ocupar esta tecnología en la atención a la salud mental.
La cuestión no consiste únicamente en determinar qué tareas puede realizar un algoritmo. También exige decidir qué funciones deben permanecer bajo la responsabilidad de los profesionales y cómo integrar la tecnología sin deteriorar la relación terapéutica, la autonomía del paciente, la confidencialidad o la calidad asistencial.
En este contexto se diferencian dos modelos. El primero plantea sistemas de IA sustitutiva que interactúan directamente con el usuario y aspiran a asumir algunas funciones terapéuticas. El segundo propone copilotos clínicos diseñados para apoyar al psicólogo, organizar información y ofrecer hipótesis o sugerencias que deben ser revisadas por el profesional.
Un artículo publicado en Apuntes de Psicología analiza esta transición y presenta a Psypilot como ejemplo de implementación del modelo de copiloto terapéutico. La propuesta se sitúa dentro del paradigma de la salud mental de precisión, que busca integrar mediciones sistemáticas y datos clínicos para adaptar la atención a las características de cada persona.
La inteligencia artificial puede intervenir en diferentes fases del proceso asistencial. Su utilidad potencial no se limita a los agentes conversacionales, sino que incluye herramientas de análisis, predicción, documentación y apoyo a las decisiones.
Entre sus principales aplicaciones se encuentran:
Estas funciones pueden reducir parte de la carga administrativa y facilitar una práctica basada en la medición. Sin embargo, la automatización no garantiza por sí sola una mejora de la atención.
La calidad de un sistema depende de los datos utilizados, la validez de sus modelos, la transparencia de sus resultados y la forma en que se integra en el trabajo clínico.
El modelo de terapeuta automatizado
Los denominados terapeutas automatizados utilizan agentes conversacionales o aplicaciones que interactúan directamente con el usuario.
Entre sus posibles ventajas se encuentran la disponibilidad continua, la capacidad de ofrecer información de forma inmediata y la posibilidad de ampliar el acceso a recursos de baja intensidad.
No obstante, el uso de estos sistemas como sustitutos de una intervención profesional plantea importantes limitaciones.
Los modelos generativos pueden producir respuestas incorrectas, inconsistentes o inadecuadas. También pueden presentar dificultades para reconocer situaciones de crisis, interpretar información contextual o responder a cambios clínicos complejos.
La generación de lenguaje empático tampoco equivale a una relación terapéutica. La alianza clínica incluye responsabilidad, comprensión contextual, toma de decisiones compartida y capacidad para responder ante situaciones imprevistas.
Por ello, debe diferenciarse entre utilizar un agente conversacional para psicoeducación o apoyo general y atribuirle funciones diagnósticas o terapéuticas autónomas.
El modelo de copiloto clínico
El modelo de copiloto propone una relación diferente entre el profesional y la tecnología.
La IA se encarga de tareas relacionadas con el procesamiento de información, mientras que el psicólogo mantiene la responsabilidad sobre la evaluación, la formulación, las decisiones y la relación terapéutica.
La herramienta puede generar hipótesis, organizar datos o señalar patrones, pero sus resultados deben ser revisados e interpretados.
Este enfoque se basa en la inteligencia aumentada: la tecnología no pretende sustituir las capacidades humanas, sino ampliar la capacidad para manejar información y apoyar decisiones complejas.
El profesional continúa siendo responsable de integrar la historia personal, el contexto social, la experiencia subjetiva y la información obtenida durante la relación clínica.
La salud mental de precisión busca adaptar la evaluación y las intervenciones a las características de cada paciente.
La práctica basada en la evidencia utiliza resultados procedentes de estudios realizados en grupos. Sin embargo, las personas pueden presentar combinaciones diferentes de síntomas, factores de riesgo, preferencias, comorbilidades y condiciones sociales.
La IA puede facilitar la integración de múltiples fuentes de información, como:
El objetivo es apoyar una atención más individualizada y sensible a los cambios.
Sin embargo, la personalización algorítmica no debe confundirse con precisión clínica demostrada. Un sistema puede procesar numerosos datos sin producir necesariamente recomendaciones válidas o útiles.
La calidad depende de la evidencia que respalde los modelos y de su evaluación en contextos asistenciales reales.
El artículo utiliza Psypilot como ejemplo de implementación de un copiloto clínico dirigido a profesionales de la psicología.
Según la descripción publicada, la plataforma pretende apoyar procesos de evaluación, monitorización, planificación y documentación sin sustituir el criterio profesional.
El sistema integra información procedente de evaluaciones, notas clínicas y otros documentos para organizar los datos del caso y generar materiales de apoyo.
Entre las funciones descritas se encuentran:
Estas características representan un posible modelo de integración de IA en el flujo de trabajo del psicólogo.
No obstante, la descripción funcional de una herramienta no demuestra su eficacia clínica. Para determinar su utilidad serían necesarios estudios independientes que evaluaran resultados, seguridad, precisión, aceptabilidad y efectos sobre la calidad asistencial.
Uno de los problemas de los modelos generativos es la posibilidad de producir información falsa o no respaldada, fenómeno conocido como alucinación.
Para reducir este riesgo pueden utilizarse sistemas de generación aumentada por recuperación, conocidos como RAG por sus siglas en inglés.
En lugar de depender exclusivamente del conocimiento general adquirido durante el entrenamiento, el sistema recupera información de fuentes previamente seleccionadas antes de generar una respuesta.
En un contexto clínico, estas fuentes podrían incluir:
El objetivo es generar respuestas más vinculadas a información verificable.
Sin embargo, la arquitectura RAG no elimina completamente los errores. La calidad depende de las fuentes seleccionadas, la precisión del proceso de recuperación y la capacidad del modelo para interpretar la información.
Por tanto, la revisión profesional continúa siendo necesaria.
La documentación representa una parte importante del trabajo asistencial.
Los sistemas de IA pueden generar borradores de notas, resumir información y organizar datos. Estas funciones podrían liberar tiempo para la atención directa, la formación o la coordinación profesional.
Sin embargo, la automatización documental plantea riesgos.
Un resumen generado puede omitir información relevante, introducir interpretaciones incorrectas o presentar inferencias como hechos.
Todo documento producido mediante IA debe considerarse un borrador sujeto a revisión.
El profesional debe comprobar la exactitud, corregir errores y asumir la responsabilidad sobre la información incorporada a la historia clínica.
Los datos de salud mental son especialmente sensibles.
La utilización de herramientas de IA requiere conocer:
No debería asumirse que una herramienta es adecuada para uso clínico únicamente porque genere resultados útiles.
La protección de datos debe formar parte del diseño desde el inicio y no añadirse como una medida posterior.
La información clínica identificable no debería introducirse en sistemas generalistas sin garantías jurídicas, técnicas y organizativas adecuadas.
Los sistemas de IA aprenden a partir de datos.
Si estos datos no representan adecuadamente la diversidad de la población, los resultados pueden ser menos precisos para determinados grupos.
Los sesgos pueden relacionarse con:
La evaluación de equidad debería formar parte de la validación.
Un sistema con un buen rendimiento medio puede presentar errores importantes en subgrupos concretos.
La IA puede presentar resultados mediante puntuaciones, alertas o estimaciones que transmiten una apariencia de objetividad.
Esto puede favorecer el sesgo de automatización: la tendencia a aceptar una recomendación algorítmica sin analizar suficientemente sus limitaciones.
En psicología, este riesgo resulta especialmente relevante porque gran parte de la información clínica depende del contexto, la narrativa y la relación interpersonal.
La supervisión humana no debería consistir únicamente en aprobar automáticamente el resultado.
El profesional debe poder:
El copiloto debe ofrecer apoyo, no dictámenes.
La incorporación de IA requiere definir responsabilidades.
Las organizaciones deberían establecer protocolos sobre:
La responsabilidad clínica no desaparece por utilizar un sistema automatizado.
Las decisiones diagnósticas y terapéuticas continúan requiriendo juicio profesional y consideración del contexto individual.
La integración responsable de la IA exige nuevas competencias.
La alfabetización algorítmica no requiere que todos los psicólogos se conviertan en especialistas en programación. Implica comprender los principios básicos que condicionan el funcionamiento de estas herramientas.
Entre las competencias relevantes se encuentran:
La formación debería incluir dimensiones técnicas, clínicas, éticas y jurídicas.
El trabajo es una revisión narrativa y un análisis conceptual.
No corresponde a un ensayo clínico ni demuestra que los copilotos mejoren los resultados terapéuticos.
Además, Psypilot se presenta como estudio de caso y existen afiliaciones de algunos autores con entidades vinculadas al desarrollo de la herramienta.
Este aspecto debe considerarse al interpretar las afirmaciones sobre sus características y utilidad.
La evaluación futura debería incluir estudios independientes, comparaciones con la práctica habitual y análisis de seguridad en entornos reales.
La inteligencia artificial puede apoyar diferentes áreas de la psicología, desde la evaluación y la monitorización hasta la documentación.
El modelo de copiloto clínico ofrece una alternativa a los terapeutas automatizados al mantener al profesional como responsable de las decisiones.
Sin embargo, la supervisión humana no elimina automáticamente los riesgos. La adopción requiere evidencia, protección de datos, transparencia, evaluación de sesgos y mecanismos de gobernanza.
La alfabetización algorítmica se perfila como una competencia relevante para los profesionales de la salud mental.
El futuro de la IA en psicología dependerá menos de la capacidad de generar respuestas similares a las humanas y más de su integración segura, verificable y compatible con la relación terapéutica.
Resumen y adaptación editorial: Virginia Candelas García (Cibermedicina / Psiquiatria.com)
Fuente original: Inteligencia Artificial aplicada a la psicología: el ejemplo de Psypilot como copiloto terapéutico - Apuntes de Psicología Vol. 44 Núm. 2 (2026)
Texto completo disponible en: https://www.apuntesdepsicologia.es/index.php/revista/article/view/1712
Este contenido es un resumen adaptado. La autoría científica corresponde a los autores originales.
Artículo distribuido bajo licencia Creative Commons según la fuente original.
Inicio: 16/09/2026 |Precio: 190€
Ver curso
Explora el artículo con IA