Un LLM interno de OpenAI acaba de refutar una conjetura de geometría de hace 80 años que los matemáticos no habían logrado resolver. Los titulares lo llamaron un gran avance: la prueba de que la IA ya puede abordar problemas científicos difíciles que los humanos no lograron resolver.
Vale la pena dedicar un párrafo a lo que realmente pasó, porque la historia que se cuenta sobre esto influye en cómo entendemos lo que la IA puede y no puede hacer en biología y salud.
El sistema que resolvió el problema no fue un modelo de lenguaje que razonó hasta llegar a una demostración. La explicación real es que la “solución” del LLM es una ventaja de búsqueda en condiciones donde no se agota, no una superioridad de razonamiento. Recombinó herramientas que ya existían (las herramientas matemáticas no eran nuevas, aunque su aplicación en este campo parece serlo) y exploró un espacio de búsqueda que los humanos habían descartado de antemano porque creían que la conjetura era cierta.
Esto no nos sorprende, ni cambia nuestra convicción de que las ideas realmente nuevas y revolucionarias están fuera del alcance de los LLM actuales. Los LLM son muy buenos para buscar en la literatura joyas poco comunes donde los humanos pasaron por alto un enfoque relativamente simple, pero no pueden crear objetos matemáticos nuevos. Predecir la siguiente palabra no implica ninguna representación interna de la deducción lógica. Lo que el modelo aprendió son patrones estadísticos de qué símbolos aparecen juntos cuando los humanos razonan correctamente.
El resultado en geometría fue posible porque la geometría tiene una estructura formal cerrada: una demostración se puede verificar desde adentro, sin recurrir a nada fuera del sistema. No necesitas una placa de Petri para confirmar que dos ángulos son iguales. El ciclo se cierra dentro de las matemáticas.
La biología no funciona así. Una hipótesis sobre qué está provocando tus sudores nocturnos no se puede verificar dentro de un modelo. Hay que ponerla a prueba en un cuerpo real, en tiempo real, con datos reales. El ciclo se cierra en un experimento, en un consultorio, en la experiencia de una mujer concreta a lo largo de semanas y meses. No en los parámetros de una red neuronal.
El problema de la literatura científica del que nadie habla
Los sistemas de IA que se están usando en la salud de las mujeres se entrenan con una literatura científica que, para decirlo claramente, no sirve para lo que se le pide.
La biología de la perimenopausia está crónicamente poco estudiada. Los datos de los ensayos de base, como ya escribimos antes, vienen en gran parte de mujeres posmenopáusicas mayores que usaban formulaciones y vías de administración que no representan las opciones disponibles hoy. Mucho de lo que se presenta como evidencia sobre los mecanismos hormonales en las mujeres se extrapoló de estudios en hombres o en mujeres más jóvenes con ciclos reproductivos intactos. El problema de confundir correlación con causalidad está por todas partes: una literatura llena de asociaciones observacionales, distorsionadas por el estilo de vida, la geografía, el nivel socioeconómico y la enorme variabilidad individual de la propia transición hormonal.
Cuando un sistema de IA busca patrones en esa literatura para generar “insights personalizados”, lo que produce son recombinaciones de esos supuestos previos. Si esos supuestos están sesgados, sacados de contexto o se apoyan sobre todo en correlaciones, los resultados heredan esas mismas características. Una conclusión que suena segura, escrita con prosa elegante, no es evidencia de que la afirmación de fondo sea válida en términos de causa y efecto. Es evidencia de que el modelo aprendió a escribir en el tono de una conclusión médica que suena segura.
Esto no es una crítica a la IA. Es una descripción de lo que la IA puede y no puede hacer en este nivel de complejidad biológica. La pregunta es si construimos un producto que oculta esta limitación o uno que es honesto sobre ella y se diseña en torno a ella.
Cómo se ve hoy un diseño honesto
La Caída Hormonal tiene los síntomas más característicos y fáciles de reconocer de los cinco estados:
-
Sangrado abundante o prolongado: el revestimiento del útero que se engrosó durante el Pico de Estrógenos ahora se desprende sin progesterona que lo regule; a menudo aquí llega el periodo más abundante
-
Calores: intensos, repentinos, a menudo con enrojecimiento y sudor
-
Sudores nocturnos: empapan la ropa y las sábanas, a veces varias veces en una noche
-
Palpitaciones: latidos acelerados, irregulares o como si el corazón se saltara un latido, sobre todo de noche
-
Dificultad para quedarte dormida: a diferencia del despertar a las 3 a. m. típico de la Dominancia de Estrógeno, el insomnio de la Caída Hormonal aparece al intentar conciliar el sueño
-
Ánimo bajo repentino o depresión: llama mucho la atención después de la irritabilidad intensa del Pico de Estrógenos
-
Niebla mental y fatiga: una lentitud mental marcada que puede asustar
-
Dolores de cabeza que siguen desde el paso del Pico de Estrógenos a la Caída Hormonal
Las palpitaciones merecen atención especial porque pueden asustar. Las causan tres mecanismos que actúan juntos: el desajuste del sistema nervioso autónomo cuando el estrógeno se retira, el efecto directo del estrógeno sobre sus receptores en el corazón y la descarga de adrenalina que a veces acompaña a los calores. Las mujeres en transición hormonal sin problemas cardíacos de fondo pueden tener palpitaciones durante la Caída Hormonal. Por lo general son benignas. Aun así, si son fuertes, frecuentes o vienen con dolor en el pecho, habla siempre de ellas con tu profesional de salud.
Cómo se ve hoy un diseño honesto
La idea clave, que casi ninguna empresa de salud para el consumidor ha llevado bien a la práctica, es que hay dos funciones distintas que no se deben confundir.
La primera es generar hipótesis. Aquí es donde una capa de IA bien diseñada se gana su lugar. A partir de tus síntomas, tus patrones de comportamiento, tu estado hormonal y tus objetivos, un LLM con una base de conocimiento bien seleccionada puede reducir miles de mecanismos posibles a una lista ordenada y manejable de hipótesis razonables que vale la pena poner a prueba. Eso tiene valor. Hace por ti lo que hace en una consulta un profesional de salud que conoce bien la menopausia y la literatura científica: acota la búsqueda con lo que ya se sabe, para que no pruebes todo al azar.
Pero generar una hipótesis no es lo mismo que validarla. Y aquí entra la segunda función.
La única fuente válida de señales de causa y efecto para una mujer concreta son sus propios datos a lo largo del tiempo, organizados como un experimento natural. La perimenopausia no es un fenómeno de población que cada mujer vive de la misma manera. Es un camino individual que las estadísticas de población describen mal y, a veces, no describen en absoluto. Los perfiles hormonales, la forma en que aparecen los síntomas y la relación entre los hábitos y sus efectos en el cuerpo varían tanto de una mujer a otra que el promedio de un grupo suele ser un mal punto de partida para cualquier persona en particular.
Lo que produce señales individuales válidas es esto: lo que hiciste, lo que comiste y bebiste, cómo dormiste y qué pasó después, registrado con suficiente detalle en el tiempo para detectar qué viene antes y qué viene después entre tus hábitos y sus efectos.
A medida que esos datos se acumulan, el orden de las hipótesis se actualiza con evidencia que de verdad habla de ti. El LLM propone. Tus datos deciden. Es un proceso muy distinto y más realista que un modelo que te entrega “insights personalizados” en la primera semana basados solo en supuestos de población.
Qué significa esto para cómo funciona Waves Women
En tus primeros días en Waves Women, lo que puede decirte es qué es probable en mujeres con tu perfil. Esa es la capa de conocimiento de población: lo que respalda la literatura científica, lo que les ha ayudado a mujeres con síntomas y objetivos parecidos, y lo que la evidencia indica que vale la pena probar primero. No es poca cosa. Es un punto de partida con sentido, mejor que el azar y mejor que un consejo genérico.
Lo que Waves Women no puede decirte al principio es qué está causando exactamente tus síntomas, porque todavía no tenemos tus datos. Tenemos supuestos previos. Y un supuesto es un punto de partida, no una conclusión.
A medida que completas experimentos, registras tus hábitos y sus efectos, y el sistema acumula suficientes datos en el tiempo para detectar señales reales, las conclusiones se vuelven cada vez más tuyas y cada vez más sólidas. Pasar de “esto suele funcionarles a mujeres como tú” a “esto es lo que de verdad te está funcionando a ti” es el centro de lo que hace la app. Lleva tiempo. Requiere constancia. Y no hay atajo posible con un modelo que genera respuestas seguras solo a partir de estadísticas de población.
Por qué creemos que es la única versión que vale la pena construir
Existe una versión de este producto que entrega insights generados por IA con total seguridad desde el primer día, se apoya en correlaciones de población disfrazadas de análisis personalizado y parece sofisticada a simple vista. Ese producto es más fácil de construir y más fácil de explicar en una presentación o en un texto de marketing.
El diseño que estamos construyendo tarda más en darte señales individuales. Te pide confiar en un proceso antes de ver resultados. Exige más constancia, y es honesto sobre lo que todavía no sabe.
Pero produce algo que la versión rápida nunca puede dar: conclusiones válidas para ti, sacadas de tus datos y actualizadas con tus resultados. No un promedio estadístico con una etiqueta de personalizado.
Esa es la versión que estamos construyendo. No porque sea el camino más fácil, sino porque es honesta y útil.
Waves Women no ofrece diagnósticos ni tratamientos médicos. Consulta siempre a tu profesional de salud para recibir orientación médica personalizada.