Dos de seis hospitales concentran el 64,4 % de las menciones en respuestas de inteligencia artificial

Sextante nace en Costa Rica como el primer índice latinoamericano de visibilidad digital hospitalaria en inteligencia artificial, para hacer visible y comprensible la información que estas herramientas ofrecen a las personas que buscan atención médica. Mediante consultas estandarizadas, compara qué hospitales aparecen, con qué frecuencia y con qué exactitud se describen sus servicios y características. 

La iniciativa comienza con seis hospitales privados de Costa Rica y contempla mediciones mensuales y una expansión a otros países de América Latina, para seguir una informaciónque cambia conforme evolucionan los sistemas.

La investigación fue realizada por Sebastián Urbina Cañas, Chief Innovation Officer de Daybreak y exvicepresidente de Inteligencia Artificial, Aprendizaje Automático y Ciencia de Datos de Genpact, donde dirigió el Centro de Excelencia en Pronósticos, y por Roberto Echeverria Cardenas, coautor y consultor en inteligencia artificial aplicada a la salud. Sebastián Urbina Cañas dirige la parte técnica.
Sextante cuenta con la asesoría médica de la Dra. María Luisa Ávila Agüero, exministra de Salud deCosta Rica.
Sextante no evalúa la gestión clínica ni la calidad de la atención. Aporta una perspectiva complementaria: observar cómo se presentan los hospitales en las respuestas de inteligencia artificial, una fuente que las personas ya consultan para buscar información sobre salud. Esta mirada permite conocer qué información encuentran sobre las instituciones y sus servicios, y hace visible una etapa que ocurre antes del contacto con el hospital, cuando comienzan a formarse expectativas y a considerarse opciones de atención.

Para entender qué pueden encontrar los pacientes al buscar hospitales mediante IA, hacía falta pasar de consultas aisladas a una medición comparable. Saber qué instituciones aparecen, con qué frecuencia y con qué exactitud permite a los equipos hospitalarios examinar la información que puede formar la primera impresión de un paciente sobre un hospital.

Se analizaron 14.112 respuestas, obtenidas el 16 y el 17 de agosto de 2026, en español e inglés. Se evaluaron seis modelos de lenguaje de gran escala, conocidos como LLM: GPT-5.6 Luna (OpenAI), Gemini 3.6 Flash (Google), Claude Sonnet 5 (Anthropic), Sonar (Perplexity), Llama 4 Maverick (Meta) y DeepSeek V4 Flash. Se consultaron en nueve configuraciones con o sin búsqueda web.

«Una estrategia de inteligencia artificial en salud empieza por formular bien las preguntas. Antes de decidir cómo actuar, conviene distinguir qué observamos, qué podemos explicar y qué todavía necesita comprobarse.»  Roberto Echeverria Cárdenas

Seis hallazgos principales

La primera edición evalúa a CIMA San José, Clínica Bíblica, La Católica, Metropolitano, UNIBE y San Rafael Arcángel, en Liberia. Los resultados describen su representación en los modelos bajo las condiciones del estudio.

1. Dos hospitales concentran las menciones. CIMA reúne el 32,5 % y Clínica Bíblica el 31,9 %, para un total de 64,4 % entre los seis hospitales estudiados. El dato refleja presencia en las respuestas, sin equivaler a participación de mercado.
2. Ser reconocido al preguntar por nombre no asegura aparecer espontáneamente. UNIBE aparece en el 5,4 % de las preguntas abiertas, pero obtiene 87,6 puntos sobre 100 de reconocimiento cuando se pregunta directamente por él. Son indicadores distintos de su representación.
3. Una presencia alta puede acompañarse de mayor exactitud. Las respuestas calificadas con algún error representan el 1,1 % sobre CIMA, entre 4.027 respuestas, y el 4,5 % sobre Clínica Bíblica, entre 3.664.
4. Los errores institucionales varían entre hospitales. El 28,7 % de las 1.202 respuestas calificadas sobre Metropolitano y el 23,5 % de las 1.690 sobre La Católica contienen al menos un error. Se verificaron acreditación, operación de sedes, ubicación y propiedad. Son errores de los modelos al describir las instituciones.
5. El control detectó información desactualizada. Las nueve configuraciones describieron como operativo, en alguna respuesta, un hospital cerrado desde 2018. La frecuencia fue del 1,4 % al 5,9 % de las 1.568 respuestas de cada configuración.
6. La configuración también importa. Las respuestas calificadas con algún error van del 7,6 % en GPT-5.6 Luna con búsqueda web, sobre 1.322 respuestas, al 40,4 % en DeepSeek V4 Flash sin búsqueda, sobre 997. La comparación corresponde a las tareas y condiciones del estudio.

«Un hospital puede ser descrito cuando se pregunta por su nombre y aparecer poco cuando se consultan opciones. Esa diferencia revela por qué la visibilidad en inteligencia artificial necesita más de una pregunta para entenderse.» Roberto Echeverria Cárdenas

¿Cómo se realizó el estudio?

El equipo abordó retos técnicos que dificultaban esa lectura: comparar respuestas de sistemas distintos, separar la frecuencia de aparición de la exactitud de los datos y conservar evidencia para revisar los resultados. El protocolo combina un banco de preguntas fijado previamente, un esquema común de codificación y fichas institucionales basadas en fuentes oficiales.

«El protocolo distingue entre menciones, respuestas y afirmaciones verificables: cada indicador tiene su propio denominador. Un modelo evaluador codifica las respuestas con un esquema fijo y contrasta los datos institucionales con fichas basadas en fuentes oficiales. Conservamos las respuestas y sus codificaciones; esa trazabilidad permite revisar cómo se obtuvo cada resultado» Sebastián Urbina Cañas

Sextante evalúa y califica esa representación con criterios comunes y resultados comparables. Su programa de mediciones mensuales permitirá seguir la evolución de la visibilidad hospitalaria en la región, conforme se actualicen los sistemas y la información disponible y considerando las condiciones de cada edición.

El uso de inteligencia artificial para informarse sobre salud es un proceso nuevo y en expansión. En Estados Unidos, Rock Health registró que la proporción de adultos que había utilizado chatbots para obtener información de salud pasó del 16 % en 2024 al 32 % en 2025. Una encuesta de Annenberg realizada en 2025 encontró, además, que el 63 % de quienes habían visto respuestas de IA al buscar información de salud en internet consideraba esa información algo o muy confiable. Son datos de contexto internacional, externos al estudio de Sextante. Rock Health, Annenberg, resultados de la encuesta. 

En este contexto, los equipos hospitalarios pueden contribuir a mejorar la información pública que estas plataformas consultan y organizan cuando recurren a la web. Mantener datos claros, actualizados y accesibles sobre sedes, servicios y acreditaciones ofrece una vía para influir en esa representación. Esta posibilidad se apoya en las prácticas de acceso y contenido que describen los propios buscadores; su efecto sobre las respuestas debe comprobarse mediante nuevas mediciones. Google Search Central. 

Alcance. Se consultaron modelos en configuraciones de estudio, no las aplicaciones de consumo. No se observaron búsquedas ni decisiones reales de pacientes. La calificación no mide calidad clínica ni recomienda dónde atenderse.El anexo reúne 24 hallazgos, explica los indicadores y detalla el método y sus límites. La guía complementariadesarrolla los conceptos básicos.