En el mundo moderno, la inteligencia artificial se ha convertido en una compañera familiar para responder preguntas, desde planificar un viaje hasta redactar un correo electrónico. En el ámbito de la salud y la nutrición, las personas recurren cada vez más a los chatbots para recibir consejos sobre qué comer o cómo perder peso. Sin embargo, sigue existiendo una brecha significativa entre una respuesta genérica y una que realmente ayude a un individuo. Una recomendación que ignora la edad, el peso, el historial médico y los hábitos diarios de una persona es fundamentalmente diferente de un plan personalizado. Aunque muchas herramientas actuales intentan adaptar los consejos simplemente pegando el perfil de un usuario en una solicitud, a menudo no logran comprender realmente los detalles antes de hablar. Esto deja una brecha estructural crítica: la computadora ve los datos, pero no se detiene a analizar lo que esos datos significan para la persona específica que hace la pregunta.

Investigadores de la Universidad ITMO en San Petersburgo han desarrollado un nuevo método para cerrar esta brecha, con el objetivo de hacer que los consejos nutricionales sean más seguros y útiles. Llaman a su enfoque PA-CoT, que significa Cadena de Pensamiento Adaptada al Perfil (Profile-Adaptive Chain-of-Thought). En lugar de apresurarse a generar una respuesta, este método obliga a la inteligencia artificial a dar un paso atrás deliberado y analizar el perfil del usuario como una tarea separada y dedicada. Piense en ello como un médico que lee la historia clínica de un paciente y anota los problemas clave antes de hablar con el paciente, en lugar de intentar determinar el diagnóstico mientras habla. Los investigadores probaron esta idea contra otras once formas comunes de solicitar instrucciones a la IA, utilizando un nuevo conjunto de 200 escenarios realistas de consultoría nutricional. Sus hallazgos muestran que, al separar el análisis de los datos del usuario de la generación del consejo, el sistema produce recomendaciones que son significativamente más personalizadas y seguras que las producidas por los métodos estándar.

El núcleo de este nuevo método reside en cómo estructura el proceso de pensamiento. En los enfoques tradicionales, una IA recibe una pregunta y un bloque de texto que contiene el perfil del usuario, y luego intenta responder todo a la vez. Los investigadores descubrieron que esto a menudo provoca que la IA pase por alto detalles cruciales u ofrezca consejos genéricos que podrían ser perjudicialos. PA-CoT cambia el flujo de trabajo dividiéndolo en etapas distintas. Primero, el sistema analiza el perfil del usuario para identificar los puntos más críticos que la respuesta debe abordar. Observa valores específicos, como la edad, el peso y los objetivos dietéticos, y determina exactamente qué debe cubrir la respuesta. Este paso crea una hoja de ruta clara para la siguiente etapa. Solo después de que se completa este análisis, la IA genera la respuesta real, utilizando la hoja de ruta para asegurar que cada pieza de información relevante esté tejida en el consejo. Finalmente, una tercera etapa actúa como un control de seguridad, revisando la respuesta generada para asegurar que no contenga recomendaciones perjudiciales e incluya las advertencias necesarias para grupos vulnerables.

Para probar si este paso adicional realmente marcaba la diferencia, el equipo creó un nuevo referente llamado QPA, que significa Pregunta-Perfil-Respuesta (Question-Profile-Answer). Construyeron este conjunto de datos a partir de miles de preguntas médicas reales encontradas en foros en línea, filtrándolas para mantener solo aquellas relacionadas con la nutrición. Para cada pregunta, extrajeron los detalles del perfil del usuario, como su edad, peso y objetivos de salud, creando un conjunto estructurado de 200 casos de prueba. Estos casos fueron diseñados para imitar situaciones del mundo real donde los datos pueden estar incompletos, tal como ocurre frecuentemente en las aplicaciones de salud reales. Luego, los investigadores ejecutaron su método PA-CoT contra una amplia gama de otras técnicas, incluyendo el uso de instrucciones estándar, métodos que intentan refinar las respuestas mediante la repetición y sistemas automatizados que optimizan la forma en que se hacen las preguntas. Cada respuesta fue calificada por un juez de IA avanzado según cuatro criterios: si el consejo era fácticamente correcto, si cubría todas las partes de la pregunta, qué tan bien utilizaba el perfil específico del usuario y si era seguro.

Los resultados fueron claros y decisivos. PA-CoT logró la puntuación media más alta entre los doce métodos probados. Más importante aún, lideró en las dos áreas que más importan para los consejos de salud: la personalización y la seguridad. El método obtuvo una puntuación significativamente mayor en personalización que su competidor más cercano, con una brecha tan grande que los intervalos de confianza estadística no se solapaban. Esto significa que la mejora no fue una casualidad, sino un resultado consistente. Del mismo modo, obtuvo la puntuación más alta en seguridad, asegurando que el consejo estuviera libre de recomendaciones perjudiciales. Los investigadores descubrieron que otros métodos complejos, que intentaban optimizar la instrucción automáticamente o refinar la respuesta a través de múltiples iteraciones, no funcionaron tan bien. De hecho, algunos de estos enfoques más complicados obtuvieron puntuaciones de personalización más bajas que los métodos simples. Esto sugiere que añadir complejidad no conduce automáticamente a mejores resultados; en cambio, la clave fue la elección arquitectónica específica de analizar el perfil del usuario antes de generar la respuesta.

Uno de los hallazgos más sorprendentes fue cómo el método manejó la compensación entre ser útil y ser seguro. En muchos intentos previos, hacer que una IA fuera más personalizada a menudo la hacía más riesgosa, ya que el sistema podía intentar adaptarse demasiado a los datos del usuario y accidentalmente sugerir algo peligroso. PA-CoT resolvió esto separando las tareas. La etapa que crea el consejo personalizado se centró enteramente en utilizar los datos del usuario, mientras que una etapa separada se centró enteramente en la seguridad. Esto permitió que el sistema fuera altamente personalizado sin comprometer la seguridad. Por ejemplo, en un caso de prueba que involucraba a un adolescente tratando de perder peso, el sistema identificó correctamente que la edad y el peso del usuario eran factores críticos y generó un plan que respetaba esos límites, además de señalar la necesidad de supervisión médica profesional. En contraste, otros métodos a menudo daban consejos genéricos que ignoraban la edad del usuario o no incluían las advertencias de seguridad necesarias.

Los investigadores también exploraron cuántos datos se necesitaban para que el sistema funcionara de manera efectiva. Encontraron que incluso cuando el perfil del usuario estaba incompleto, con muchos campos marcados como desconocidos, el método seguía funcionando bien. Podía identificar qué piezas de información faltaban y, en un entorno de producto del mundo real, podría diseñarse para hacer al usuario preguntas de seguimiento para llenar esos vacíos. En el estudio actual, el sistema trabajó con los datos fijos disponibles, pero la arquitectura fue construida para manejar la naturaleza dinámica de las conversaciones reales. También se consideró el costo de usar este método; aunque requería más pasos de procesamiento computacional que una respuesta simple de un solo paso, el costo adicional fue mínimo en comparación con la ganancia significativa en calidad y seguridad.

Este trabajo destaca un cambio fundamental en cómo se puede aplicar la inteligencia artificial en campos sensibles como la salud. Demuestra que la forma en que se le indica a un modelo cómo pensar es tan importante como el modelo mismo. Al tratar el perfil del usuario no como un bloque estático de texto, sino como un sujeto para un análisis dedicado, los investigadores crearon un sistema que respeta la individualidad de la persona que pide ayuda. El estudio no afirma que este sistema reemplace a los médicos o dietistas profesionales; los autores declaran explícitamente que es un prototipo de investigación y que el despliegue en el mundo real requeriría la validación de expertos humanos. Sin embargo, los resultados proporcionan evidencia sólida de que un enfoque de razonamiento estructurado y de múltiples pasos puede mejorar significativamente la calidad de los consejos generados por IA. A medida que la inteligencia artificial se integra más en la vida diaria, métodos como este ofrecen un camino hacia herramientas que no solo son inteligentes, sino también reflexivas, seguras y verdaderamente útiles para las personas que más las necesitan.