La FTC insinúa que corregir el sesgo racial de la IA médica podría ser 'ilegal': un giro regulatorio que merece cautela

Por BenefitsPRO · 6 de julio de 2026. Según recoge BenefitsPRO, funcionarios de la Comisión Federal de Comercio (FTC) de Estados Unidos han planteado que las leyes estatales orientadas a prevenir la discriminación algorítmica en inteligencia artificial sanitaria podrían chocar con la normativa federal contra prácticas engañosas. La tesis, tal y como se resume en el artículo, es la siguiente: si un estado obliga a una aseguradora o a un proveedor de salud a ajustar la salida de un sistema de IA para corregir sesgos —por ejemplo, para evitar que penalice sistemáticamente a determinados grupos en la aprobación de tratamientos o coberturas—, eso podría considerarse una alteración con 'objetivos ideológicos', y por tanto una forma de conducta engañosa ilegal bajo competencia federal. La salvedad que apuntan esos funcionarios es que un servicio de IA sí podría aplicar reglas con base ideológica si lo notifica de forma 'conspicua' al usuario.

Es importante subrayar los límites de lo que sabemos: el material disponible es escueto, sin citas textuales de los funcionarios ni nombres concretos, y sin que quede claro si se trata de una posición oficial de la agencia, de una opinión de algunos comisionados, o de un globo sonda ante litigios en marcha. Por eso conviene tratarlo como una señal de intención regulatoria, no como una norma ya vigente. Dicho esto, la propia existencia de este debate es relevante: desplaza el foco desde 'cómo evitamos que la IA discrimine en salud' hacia 'quién tiene autoridad para exigir que no lo haga', un giro con consecuencias prácticas inmediatas para aseguradoras, sistemas hospitalarios y desarrolladores de herramientas clínicas que ya operan bajo mandatos estatales de auditoría de sesgo.

El contexto importa. En los últimos años, varios estados en EE.UU. han avanzado leyes que exigen a las aseguradoras y a los proveedores sanitarios auditar sus algoritmos de decisión —desde triage hasta aprobación de reclamaciones— para detectar y corregir patrones discriminatorios por raza, género o código postal, un problema documentado repetidamente en la literatura de IA aplicada a salud (los modelos entrenados con datos históricos heredan y amplifican desigualdades de acceso previas). Que un regulador federal sugiera que esa corrección, en sí misma, podría ser un acto de manipulación 'ideológica' del output —salvo que se avise al usuario— convierte un problema técnico de equidad algorítmica en un problema de encuadre político. Es una lectura que prioriza la neutralidad formal del algoritmo sobre el resultado material que produce, y eso es exactamente donde el debate se pone delicado: la neutralidad de un sistema entrenado con datos sesgados no es neutralidad real, es la perpetuación automatizada del statu quo.

Nuestra lectura: este episodio encaja en algo que ya hemos señalado en Zendoric —el mayor riesgo regulatorio de la IA no es solo la falta de reglas, sino reglas mal calibradas que confunden gobernanza basada en evidencia con disputas ideológicas. Si la corrección de sesgos discriminatorios en salud queda atrapada en la categoría de 'manipulación del output', el efecto práctico a corto plazo sería disuadir a estados y empresas de auditar y ajustar sus sistemas, justo en el ámbito —la salud— donde el sesgo algorítmico tiene consecuencias más directas sobre diagnóstico, tratamiento y supervivencia. A largo plazo, nuestra tesis de fondo sigue siendo que la IA puede ser una fuerza extraordinaria para democratizar el acceso a la salud y acercarnos a erradicar enfermedades, pero ese horizonte solo se cumple si los sistemas que decidimos escalar son auditables y corregibles cuando fallan. Un marco regulatorio que trate la corrección de la discriminación como el problema, en lugar del síntoma, retrasa precisamente la confianza social que la IA médica necesita para desplegarse con seguridad. Habrá que seguir de cerca si esta postura de la FTC se traduce en litigios, guías formales o preemption efectiva sobre las leyes estatales, porque el resultado determinará quién —el paciente, el asegurador o el algoritmo— carga con el beneficio de la duda.