Por qué los skills de Anthropic marcan un cambio en cómo la IA trabaja en salud
Durante los últimos años, quienes trabajamos en salud digital hemos vivido una mezcla curiosa con la IA: asombro por lo que es capaz de sintetizar… y frustración por lo poco que entiende el contexto real.
Usarla a veces se siente como trabajar con alguien brillante, pero sin memoria: cada vez hay que explicarle quién eres, qué guías sigues y cómo trabajas.
Lo que publicó recientemente Anthropic en GitHub apunta a un cambio interesante en ese sentido. Es algo sutil pero poderoso: una forma distinta de pensar el papel de la IA en salud, bajada a ejemplos concretos.
Todo gira alrededor de un concepto: skills.
¿Qué es un skill y por qué no es “otro chat”?
Un skill no es un prompt largo ni una conversación bien afinada. Es enseñarle a la IA cómo se hace un trabajo, de forma estructurada.
Dicho de manera simple: un skill convierte un proceso humano en una secuencia clara de pasos que la IA puede seguir de forma consistente:
qué información necesita,
qué revisar primero,
qué criterios comprobar,
qué validar,
y cómo presentar el resultado.
La IA no improvisa. Ejecuta un método definido y se detiene donde corresponde.
Por eso, cuando hablamos de skills, no hablamos de “respuestas inteligentes”. Hablamos de formas de trabajar.
Lo que muestra el repositorio
El repositorio que se publico está pensado hoy para desarrolladores, sí. Pero lo relevante no es “GitHub” ni el código: es el tipo de tareas que Anthropic está convirtiendo en workflows repetibles. Al final el link por si te interesa.
Lo importante es que en los ejemplos se ve una idea constante: la IA no está ahí para “opinar”, sino para ejecutar pasos, ordenar, validar y producir borradores útiles con el humano revisando.
1) Skill de interoperabilidad: FHIR (datos clínicos estructurados e interoperables)
Este ejemplo es clave porque toca un punto que suele pasarse por alto: la IA brilla con texto… pero en salud el valor real está cuando trabaja con datos estructurados.
FHIR es el estándar que permite representar cosas como:
un paciente,
una observación (signos vitales),
un resultado de laboratorio,
una medicación o una prescripción,
…en un formato interoperable.
¿Y qué aporta aquí el enfoque “skill”?
Que la IA no “se inventa” cómo integrar datos: sigue un método. Puede ayudar a:
preparar estructuras correctas (para que no haya “cada uno lo hace a su manera”),
reducir errores típicos de integración,
generar plantillas o endpoints compatibles,
y dejar el resultado listo para que un equipo técnico lo revise y adapte.
Esto apunta a un futuro donde la IA no vive en PDFs, sino dentro de sistemas conectados.
2) Skill de procesos administrativos: ordenar criterios, detectar faltantes, generar borradores
Este ejemplo es muy de USA, pero el mecanismo es universal: en salud hay procesos que consumen horas porque la información está fragmentada y hay que cruzar criterios.
Lo que se muestra aquí no es “IA decidiendo”.
Es IA haciendo el trabajo previo que nadie quiere, pero todos necesitan:
recoger la documentación relevante,
comprobar coherencias,
señalar qué falta (antes de que el caso “rebote”),
y generar un borrador estructurado para revisión humana.
Este punto podría traducirse en menos tiempo “persiguiendo papeles”, más tiempo decidiendo con criterio.
Y esto es importante: incluso en sistemas públicos o mixtos, tenemos procesos equivalentes: Derivaciones, continuidad asistencial, admisiones, autorizaciones internas, auditorías, revisiones de calidad
3) Skill de investigación y ensayos clínicos: acelerar el trabajo repetitivo
Aquí el ejemplo es especialmente interesante porque enseña algo que a menudo se malentiende:
la IA en investigación no “descubre” mágicamente, pero sí puede ahorrar muchísimo tiempo en tareas estructurales.
El workflow que se plantea apunta a:
revisar antecedentes y literatura,
comparar ensayos similares,
proponer una estructura inicial de protocolo,
ayudar a no olvidar piezas típicas (criterios, endpoints, diseño general, etc.),
e incluso apoyar cálculos o estimaciones cuando corresponda.
De nuevo, la idea es quitarle carga al investigador, en lo repetitivo y devolverle tiempo para otras cosas más importantes
4) conectores a fuentes externas
Otra pieza del repositorio es que no se queda en “texto”.
Incluye conectores (tipo “puentes”) para que la IA consulte fuentes concretas (por ejemplo, literatura biomédica).
Esto no significa “verdad garantizada”, pero sí apunta a algo relevante:
si la IA va a usarse en salud, no puede vivir aislada. Tiene que conectarse a fuentes y sistemas con control y trazabilidad.
Por qué este enfoque importa aunque no programes
Aunque hoy estos skills, al parecer, serían más usados para quienes desarrollan, lo más lógico es que sean un movimiento más amplio:
Pasar de “IA que responde” a “IA que sigue un proceso”,
Reducir dependencia de saber promptear,
Facilitar revisión (porque el método está más explícito),
Hacer más viable la gobernanza en entornos regulados.
No hace la IA más creativa, la hace más predecible, más gobernable y más útil en el trabajo real.
La reflexión que deberíamos hacernos ...
Los skills hacen algo importante: ponen el “manual de instrucciones” sobre la mesa.
Pero eso abre otra pregunta, quizá más relevante que la técnica:
¿quién define esos manuales? ¿El desarrollador? ¿La institución? ¿Las sociedades científicas? ¿Cada profesional?
La IA empieza a tener método. La responsabilidad de qué método le damos sigue siendo nuestra.
