La cifra principal es difícil de ignorar. En un estudio revisado por pares y publicado en Science, Microsoft MAI-DxO, que funciona sobre GPT-5 de OpenAI, llegó al diagnóstico correcto en el 83,2% de 304 casos difíciles publicados en el New England Journal of Medicine. Los médicos generalistas con acceso a libros de texto e internet obtuvieron un 36,1%. Este artículo analiza qué significa Microsoft MAI-DxO para quienes construyen sistemas agénticos y qué es lo que el benchmark no demuestra.
Índice
Qué es realmente Microsoft MAI-DxO
MAI-DxO es un orquestador independiente del modelo que simula un panel de médicos, propone diagnósticos diferenciales probables y selecciona de forma estratégica pruebas de alto valor y coste razonable. No es un nuevo modelo fundacional. No es un modelo propio e independiente de Microsoft. En el artículo de Science es un sistema que simula un panel de expertos clínicos con funciones complementarias.
Un orquestador asigna funciones al panel simulado. Unos miembros proponen diagnósticos, mientras que otros eligen pruebas, cuestionan supuestos o valoran costes. Es el mismo patrón que muchos aficionados a la IA ya conocen de los flujos de software multiagente.
Las cifras y qué midió el benchmark
El artículo se titula «Sequential Diagnosis with Language Models». Los autores crearon el Sequential Diagnosis Benchmark a partir de 629 casos. De ellos, 304 eran casos de las conferencias clinicopatológicas del New England Journal of Medicine, casos docentes raros y difíciles. Los otros 325 eran ingresos en urgencias del conjunto de datos MIMIC-IV-ED.
Un médico o una IA empieza con un breve resumen del caso y debe solicitar antecedentes, hallazgos de la exploración o pruebas paso a paso. Esto es distinto de un examen tipo test y se parece más a cómo transcurre el trabajo real.
- Casos del NEJM: el orquestador obtuvo un 83,2% de acierto frente al 36,1% de los médicos con referencias.
- Casos de urgencias: obtuvo un 80,3% frente al 46,8%.
- Médicos sin referencias: cuando trabajaron sin referencias externas, su acierto medio fue del 22,3%.
- Coste: según el presupuesto asignado, el orquestador pasó de un 79,6% de acierto con $1,303 por caso a un 84,5% con $8,945. En los casos del NEJM, el orquestador con GPT-5 fue más preciso y más barato que los $4,725 de los médicos.
Por qué importa para la IA agéntica que Microsoft MAI-DxO se publique en Science
El resultado apareció primero como preprint. Combinado con el modelo o3 de OpenAI, MAI-DxO alcanzó un 80% de acierto diagnóstico, frente a una media del 20% de los médicos generalistas. El artículo de Science añade la revisión por pares, el conjunto de datos de urgencias y un modelo base más reciente.
La revisión por pares no convierte un benchmark en un ensayo clínico. Aun así, traslada la afirmación de una entrada de blog de empresa a un método publicado que otros investigadores pueden examinar. Para quien construye agentes, es una señal útil sobre de dónde procede hoy la credibilidad en este campo.
Lecciones estratégicas del diseño del orquestador
1. La capa de orquestación aporta valor real
El preprint anterior indicaba que las mejoras se generalizan entre modelos de las familias OpenAI, Gemini, Claude, Grok, DeepSeek y Llama. Por tanto, el valor está en cómo se estructuran los roles, las pruebas y las reglas de parada, y no solo en el modelo subyacente. Si estás decidiendo dónde invertir, el diseño del flujo de trabajo merece tanta atención como la elección del modelo.
2. El coste forma parte del objetivo
El sistema se evaluó por su acierto y por el gasto por caso. Los agentes que sopesan el coste de cada acción son más fáciles de justificar ante una empresa que los que solo maximizan la precisión. Esto se aplica mucho más allá de la sanidad, a la clasificación de soporte, las auditorías y las tareas de investigación.
3. La interacción paso a paso supera a las respuestas de un solo intento
En lugar de recibir de golpe la lista completa de síntomas, los análisis y las imágenes, la herramienta parte de un único motivo de consulta. Después decide qué antecedentes recoger, en qué debe centrarse la exploración y qué pruebas solicitar, y revisa sus hipótesis a medida que llegan los resultados. Diseñar agentes que pidan información, en lugar de recibirlo todo desde el principio, es un patrón transferible.
Para profundizar en la capa de modelos que hay bajo los agentes, consulta nuestro artículo sobre el modelo MAI-Base-2 de Microsoft.
Riesgos y límites que no debes pasar por alto
Varias salvedades proceden de la cobertura en torno al artículo. Los médicos de la comparación eran generalistas, no especialistas, y los casos se presentaron como texto. Ni la IA ni los médicos tuvieron acceso a exploraciones físicas ni a imágenes médicas.
El estudio es un resultado de benchmark, no un ensayo clínico. Un análisis señala también que se probó con casos pasados, no con pacientes reales, y que el propio responsable de IA de Microsoft dice que necesita validación clínica. Otro resumen plantea así la cuestión abierta: un razonamiento diagnóstico más sólido en condiciones controladas, y una eficacia clínica que aún requiere pruebas independientes.
Además, el modelo probado fue GPT-5. Un análisis apunta que el artículo no prueba GPT-6 Astra, Gemini 4 Argon ni Opus 5.5. Conviene tratar los porcentajes como una instantánea de una configuración, no como un ranking de los modelos actuales.
Un marco práctico para evaluar afirmaciones sobre agentes
Puedes aplicar las mismas comprobaciones a cualquier titular del tipo «la IA supera a los expertos».
- Identifica con quién se compara. Generalistas con referencias, generalistas sin ellas y especialistas son tres líneas base distintas.
- Comprueba el formato de entrada. Los casos solo de texto eliminan buena parte del desorden de la práctica real.
- Separa el modelo de la orquestación. Pregunta si la mejora se mantendría al cambiar de modelo.
- Busca información sobre costes y seguridad. La precisión por sí sola es una puntuación incompleta.
- Pregunta qué validación sigue faltando. Aquí, las pruebas prospectivas con pacientes reales.
Si tus propios agentes operan en ámbitos regulados, lee nuestra guía sobre el cumplimiento del EU AI Act para agentes de IA. Para las salvaguardas en sistemas autónomos, consulta nuestro análisis de la NVIDIA Open Agent Safety Platform.
Lo que todavía no sabemos
Las fuentes que he revisado no describen un lanzamiento comercial, precios ni una vía de aprobación regulatoria para el sistema. No incluyo ninguna afirmación sobre ello. También sigue abierto cómo rinde con especialistas, con imágenes y con datos de pacientes reales.
Conclusión: qué señala Microsoft MAI-DxO
Microsoft MAI-DxO es un dato sólido de que la orquestación multiagente estructurada puede mejorar el rendimiento de los modelos en tareas de razonamiento difíciles. Es un resultado de benchmark con límites claros, no una prueba de preparación clínica. Para quienes construyen, la conclusión es invertir en el diseño de roles, en decisiones que tengan en cuenta el coste y en una evaluación honesta. Lee las líneas base y las restricciones del artículo antes de repetir la cifra del 83% frente al 36%.