Les facultats de Medicina, les comissions de docència i els organismes responsables de la formació sanitària viuen un xoc institucional. La intel·ligència artificial (IA) ha irromput en els ensenyaments, sobretot en la feina d'estudiants que la utilitzen per estudiar, resoldre casos i preparar exàmens. La seva adopció ha desbordat la capacitat institucional per definir quines competències preservar, ensenyar i avaluar.

Una perspectiva publicada al maig a Nature Medicine introdueix un terme especialment oportú: never-skilling, que podríem traduir com «no adquisició de competències». A diferència del deskilling, la pèrdua d'habilitats prèviament consolidades, designa el risc que l'estudiant mai desenvolupi capacitats fonamentals perquè la IA realitza per ell una part decisiva de la feina cognitiva. Els autors distingeixen igualment el mis-skilling: aprendre com a vàlids errors o biaixos produïts pel sistema.

El mecanisme és plausible. Raonar un diagnòstic exigeix seleccionar dades, jerarquitzar hipòtesis i justificar decisions. Revisar una resposta convincent no equival a construir aquest raonament. Els autors reconeixen que falta evidència clínica directa del never-skilling i proposen una agenda d'investigació i una incorporació esglaonada de la IA: competència basal independent, avaluació crítica i ús supervisat.

Un segon treball, publicat a l'octubre de 2026 a NPJ Digital Medicine, aborda una manifestació concreta del problema en els sistemes d'IA ambiental que escolten la consulta i redacten esborranys d'històries clíniques. Els seus autors adverteixen que escriure una nota clínica constitueix també un exercici de síntesi i judici. Si el resident es limita a corregir un text ja generat, pot estalviar temps sense entrenar necessàriament les habilitats que abans desenvolupava en redactar-lo.

Proposen quatre competències avaluables en el seu estudi: detectar errors i omissions; comprovar que el document reflecteix el raonament clínic; generar notes autònomament; i calibrar la confiança per acceptar, corregir o descartar l'eina. Sugereixen ensenyar-les mitjançant simulació amb errors deliberats. És un marc formatiu, no una demostració de pèrdua de capacitats en residents.

Espanya hauria d'abordar aquesta qüestió abans que l'ús informal de la IA acabi fixant, per inèrcia, el currículum efectiu real. El primer pas és conèixer què fan realment els alumnes i residents, amb quines eines i en quines activitats. El segon, acordar un catàleg nacional de competències clíniques que s'hagin d'acreditar sense assistència algorítmica en cada etapa: anamnesi, raonament diagnòstic, interpretació de proves, documentació i comunicació amb el pacient.

No es tracta d'excloure la IA de les aules ni d'idealitzar l'ensenyament previ. Es tracta d'evitar la paradoxa de formar metges excel·lents gestionant respostes alienes, però insegurs quan hagin de produir les pròpies. La competència digital és imprescindible; la independència del judici clínic també. Ambdues s'han d'ensenyar i demostrar.

D'aquí en sorgeix una proposta concreta: impulsar a Espanya una nova Avaluació Clínica Objectiva Estructurada (ECOE) amb estacions de doble modalitat. En unes, els estudiants i residents resoldrien casos sense IA, demostrant raonament clínic, autonomia diagnòstica i comunicació amb el pacient. En d'altres, podrien utilitzar-la, però haurien de detectar errors i omissions, contrastar recomanacions i justificar decisions. No s'avaluaria només si encerten, sinó com raonen, què deleguen i quan desconfien de l'algoritme. Acreditar les dues competències, la clínica independent i la supervisió crítica de la IA, hauria de convertir-se en un objectiu explícit de la formació mèdica.