Introducción

La Inteligencia Artificial Generativa (IAG) está transformando la psicoterapia y desempeña un papel cada vez más importante en la salud mental, su principal área de aplicación hasta la fecha (Cruz González et al., 2025). Si bien la IA ofrece indudablemente beneficios sustanciales, como la ampliación del acceso o el apoyo a la personalización de la atención clínica (Oo et al., 2026), también conlleva riesgos y limitaciones importantes, así como dilemas éticos que deben abordarse. En 2025, un estudio realizado en Estados Unidos reveló que más del 48 % de los participantes (499 personas de entre 18 y 80 años) informaron haber utilizado Large Language Models (LLM), para obtener apoyo psicológico en el último año (Rousmaniere et al., 2025), principalmente ante cuadros de ansiedad y depresión, citando la accesibilidad y la eficacia percibida como principales motivos. El sesenta y tres por ciento reportó mejoras en su salud mental como resultado (Rousmaniere et al., 2025).

Una revisión sistemática de 85 artículos publicados desde febrero de 2024 (Cruz González et al., 2025) indicó que las herramientas de IA estudiadas, principalmente algoritmos de aprendizaje automático, mostraron niveles de efectividad significativamente altos (superiores al 75 %) para la detección, clasificación y predicción del riesgo de padecer una afección de salud mental. Las herramientas de IA también demostraron ser precisas para predecir la respuesta al tratamiento y monitorizar el progreso.

No obstante, el uso de agentes conversacionales (chatbots) para intervenciones aún muestra resultados inconsistentes. La adopción definitiva de estas herramientas sigue condicionada por las actitudes de clínicos y pacientes en torno a la facilidad de uso, la seguridad y la confidencialidad de los datos (Bekes et al., 2025; Aafjes-van Doorn, 2025).

Aplicaciones clínicas actuales de la IA en psicoterapia

Evaluación, diagnóstico, formulación del caso y seguimiento

La transición hacia entornos digitales de evaluación psicológica refleja la demanda de una recopilación de datos más eficiente y precisa. La inteligencia artificial (IA) aborda directamente esta necesidad transformando datos digitales estáticos en información dinámica y útil. Mediante el procesamiento del lenguaje natural (NLP) y algoritmos de aprendizaje automático, la IA puede analizar patrones de comportamiento, matices del habla y texto semiestructurado en tiempo real, reduciendo significativamente la carga administrativa de los clínicos y mejorando la precisión diagnóstica. La IA está redefiniendo la evaluación psicológica al ofrecer herramientas que superan muchas de las limitaciones de los métodos convencionales. Actuando como una especie de 'asistente clínico', la IA puede analizar cuestionarios, detectar patrones de respuesta y aportar información complementaria a la interpretación diagnóstica tradicional (De la Fuente Tambo y Armayones Ruiz, 2025).

Las grabaciones de video y audio analizadas con IA también permiten la evaluación en tiempo real de los pacientes sin necesidad de autoinformes ni cuestionarios.

Herramientas como COMPASS (Mapeo Computacional de Estrategias de Alianza Paciente-Terapeuta, por sus siglas en inglés), infieren la calidad de la alianza terapéutica directamente desde transcripciones de sesiones, evaluando tareas, vínculo y objetivos. COMPASS mapea los turnos conversacionales y los asocia con constructos del Inventario de Alianza de Trabajo (WAI), generando puntuaciones para tareas, vínculo y objetivos (los tres componentes que conforman la alianza terapéutica).

Las tecnologías de IA pueden facilitar el diagnóstico precoz y mejorar la precisión diagnóstica mediante el análisis de conjuntos de datos extensos y complejos. Los algoritmos de IA pueden procesar diversas fuentes de datos -patrones del habla, comportamiento en redes sociales, señales fisiológicas e indicadores tempranos de psicosis, depresión, ansiedad o trastorno de estrés postraumático (TEPT)- identificando patrones que los profesionales clínicos podrían pasar por alto. Por ejemplo, en el sistema sanitario inglés, la herramienta Limbic Access ha demostrado su eficacia para agilizar los procesos de admisión de pacientes, especialmente en la evaluación y derivación de personas con afecciones clínicas de leves a moderadas (Rollwage et al., 2024).

Los modelos de procesamiento del lenguaje natural también pueden desempeñar un papel importante en la evaluación de cuestiones de multiculturalismo en psicoterapia. Kuo y colaboradores (2024) desarrollaron un programa para identificar conversaciones sobre etnia, género, religión y otros temas multiculturales en las sesiones, así como para evaluar la humildad y la sensibilidad cultural de los terapeutas en función de sus intervenciones (Soma et al., 2026). Mediante el análisis sistemático de las interacciones entre terapeuta y paciente, estas herramientas pueden ayudar a identificar oportunidades para abordar cuestiones culturalmente relevantes y proporcionar retroalimentación estructurada que respalde la formación, la supervisión y el desarrollo de la competencia multicultural de los terapeutas.

Personalización de los tratamientos

La IA podría desempeñar un papel fundamental en la personalización, a lo largo de todas las etapas del tratamiento. Por ejemplo, al inicio, podría utilizarse para identificar la estrategia más efectiva para un paciente en particular. La IA también podría utilizarse a lo largo del tratamiento para monitorizar los procesos de cambio y guiar los ajustes a la intervención (Gómez Penedo et al., 2023; Lutz et al., 2021).

La monitorización continua con apoyo de IA permite realizar ajustes en tiempo real a los diseños de tratamiento, facilitando una atención personalizada. Puede detectar signos tempranos de deterioro mediante el seguimiento de patrones conductuales y cognitivos, la predicción de fluctuaciones del estado de ánimo y la evaluación del riesgo de recaída. Además, las aplicaciones que integran dispositivos portátiles pueden monitorizar indicadores fisiológicos como la variabilidad de la frecuencia cardíaca para evaluar los cambios en el bienestar general durante el tratamiento (Atzil-Slonim et al., 2024). Al combinarse con la IA, estos sistemas aprovechan algoritmos de machine learning para analizar estos flujos de datos fisiológicos, convirtiendo las señales biométricas en modelos predictivos que pueden alertar a los clínicos sobre signos tempranos de desregulación emocional o recaída inminente. En última instancia, los modelos de machine learning pueden ayudar a optimizar la formulación del caso, prediciendo la frecuencia óptima de las sesiones, las modalidades terapéuticas, guiando las decisiones farmacológicas o incluso anticipando el riesgo de falta de respuesta al tratamiento (Gómez Penedo et al., 2024).

Intervenciones asistidas por IA

Los agentes conversacionales basados en IA representan una de las formas de intervención de IA más estudiadas e implementadas en la atención de la salud mental. Si bien sus efectos pueden ser modestos en comparación con la psicoterapia, resultan de utilidad para aliviar el malestar en poblaciones clínicas y subclínicas, así como entre adultos mayores.

Muchos integran principios de la terapia cognitivo-conductual (TCC) para ofrecer ejercicios interactivos y autoguiados, o adaptan la retroalimentación según los estados emocionales y los patrones de conversación de los usuarios para simular una interacción empática. Algunos ejemplos son:

-Orientación psicológica, psicoeducación y manejo de síntomas, proporcionados por herramientas como Woebot, Wysa, GymBuddy y Elomia (Farzan et al., 2025; Jiang & Yang, 2025; Yeh et al., 2025).

-Apoyo en situaciones de crisis o en contextos de difícil acceso, como el chatbot 'Friend', un agente conversacional probado en Ucrania para ayudar a mujeres aisladas en zonas de guerra (Spytska, 2025).

-Apoyo a personas con riesgo de suicidio, por ejemplo Jaspr Health, una intervención digital diseñada para entornos de urgencias, que ofrece actividades terapéuticas estructuradas y basadas en la evidencia para apoyar a personas con riesgo de suicidio (Dimeff et al., 2024).

Formación y supervisión de terapeutas

La IA generativa también puede contribuir a la formación y supervisión de terapeutas al fomentar la autorreflexión y la práctica deliberada, apoyar el razonamiento clínico y mejorar la calidad de la psicoterapia. La investigación cualitativa sugiere que las plataformas de IA utilizadas para la documentación clínica y la gestión de casos pueden brindar a los terapeutas seguridad, perspectivas alternativas y la sensación de tener un supervisor presente, al tiempo que los usuarios son conscientes de sus limitaciones actuales, incluidos los errores y los sesgos (Matthews et al., 2025). De manera similar, Sentio Counseling Center ha incorporado la IA a la formación y supervisión de terapeutas a través de su Laboratorio de Innovación, utilizándola como un recurso complementario para el razonamiento clínico, la práctica estructurada de habilidades, la retroalimentación, el apoyo académico y la práctica deliberada (Rousmaniere y Vaz, 2025).

Oportunidades para el uso de la IA

A medida que las necesidades de salud mental siguen creciendo en todo el mundo, las herramientas basadas en IA ofrecen nuevas vías para ampliar el acceso equitativo a la atención. Desde intervenciones digitales escalables hasta un mejor apoyo diagnóstico, estas tecnologías pueden ayudar a reducir las desigualdades y facilitar una prestación de tratamientos más flexible y adaptada a las necesidades individuales. La evidencia actual pone de manifiesto varias oportunidades y ventajas, como las siguientes:

-Accesibilidad y escalabilidad: La IA permite intervenciones escalables las 24 horas del día, los 7 días de la semana, algo especialmente valioso en zonas rurales o desatendidas donde los profesionales son escasos, y puede proporcionar apoyo rápido durante las crisis.

-Rentabilidad: Las herramientas de IA ofrecen alternativas a la terapia tradicional más accesibles o gratuitas.

-Reducción del estigma: Las plataformas con asistencia de IA ofrecen anonimato, lo que anima a las personas a buscar ayuda sin temor a ser juzgadas.

El trabajo de la Fundación Aiglé

La Fundación Aiglé propone un enfoque institucional para la integración responsable de la IA en la práctica clínica y la investigación. Aiglé es una organización no gubernamental con sedes en Argentina, Guatemala y España, dedicada a la psicoterapia, la formación profesional y la investigación aplicada. Su modelo cognitivo-integrativo, desarrollado por Héctor Fernández-Álvarez (1992, 2001), refleja un compromiso de larga data con la integración de la práctica clínica y la investigación (Fernández-Álvarez y Fernández-Álvarez, 2017). Dentro de este marco, el monitoreo rutinario de resultados (ROM) desempeña un papel central, informando el diálogo terapéutico y apoyando la toma de decisiones clínicas diarias. Pacientes y terapeutas utilizan una plataforma digital para completar evaluaciones sesión a sesión y cuestionarios que evalúan el progreso del tratamiento, facilitando la retroalimentación continua.

Mediante la aplicación de herramientas de machine learning, los datos que recoge esta plataforma alimentan, a su vez, los proyectos de investigación en curso de Aiglé y permiten analizar los procesos y resultados de los tratamientos para generar conocimiento y mejorar la precisión clínica. En concreto, estas herramientas de IA estiman curvas de cambio individualizadas que permiten identificar a los pacientes que se desvían de los resultados esperados y que presentan un alto riesgo de fracaso terapéutico, y proveen análisis descriptivos que permiten elaborar criterios de recomendación dirigidos a optimizar la adaptación del tratamiento a cada paciente en particular.

Actualmente, en la fundación se investiga cómo ampliar y profundizar esta línea de relevamiento de información clínica, explorando fuentes de datos multimodales -como audio, video y transcripciones de sesiones- como insumos para herramientas emergentes basadas en IA, incluyendo modelos lingüísticos complejos capaces de analizar las sesiones en tiempo real. Las grabaciones de entrevistas, desde la admisión hasta el seguimiento pos-tratamiento, cumplen múltiples funciones: enriquecen la retroalimentación clínica, proporcionan material de aprendizaje concreto para los nuevos terapeutas, apoyan a los supervisores mediante la formación basada en la observación y la autorreflexión guiada y sientan las bases para el desarrollo de programas de formación asistidos por IA en el futuro. Además, el uso de pacientes virtuales para entrenar competencias como la exploración clínica o fortalecer la respuesta empática mejora la práctica deliberada y facilita la formación de terapeutas noveles en entornos seguros.

Barreras, riesgos y dilemas éticos

A pesar de su potencial, la integración efectiva y responsable de la IA en la salud mental requiere una cuidadosa consideración de sus limitaciones y dilemas éticos. El debate actual sobre el uso de la IA en psicoterapia se centra principalmente en el riesgo de que la tecnología reemplace la conexión humana, elemento central de la práctica clínica (Herbener et al., 2025). La comunidad científica se ha pronunciado al respecto, advirtiendo sobre algunos problemas evidentes derivados del uso cotidiano y sin supervisión de herramientas de IA de libre acceso (Frances, 2025). 

Limitaciones en la comprensión emocional y la capacidad de respuesta relacional

Si bien los sistemas de IA son cada vez más capaces de generar respuestas que se perciben como empáticas, aún no se sabe con certeza hasta qué punto pueden aproximarse a los procesos emocionales e interpersonales implicados en la psicoterapia (Rubin et al., 2024). Los modelos actuales carecen de experiencia emocional subjetiva y pueden tener limitaciones para interpretar significados implícitos, sutilezas contextuales o señales transmitidas a través del silencio, la prosodia y el lenguaje no verbal. Estas limitaciones pueden afectar su capacidad para abordar algunas de las dimensiones relacionales más complejas de la psicoterapia.

Sesgos algorítmicos

El desempeño de los sistemas de IA depende en gran medida de la calidad y representatividad de los datos con los que han sido entrenados. Si estos conjuntos de datos contienen lagunas o sesgos sistemáticos, las recomendaciones generadas por la IA pueden reproducirlos o amplificarlos inadvertidamente y perjudicar el juicio clínico (Cross et al., 2024).

Privacidad y seguridad de los datos

Los datos de salud mental son altamente sensibles, lo que genera inquietudes sobre la confidencialidad, el uso indebido y las filtraciones de datos. Es fundamental contar con marcos éticos rigurosos y estrictos protocolos de consentimiento informado para regular el uso adecuado y protegido de las herramientas de IA.

Sesgo de dependencia y automatización

Los profesionales de la salud pueden volverse demasiado dependientes de las recomendaciones de la IA (sesgo de automatización), mientras que algunos pacientes pueden percibir la monitorización continua con apoyo de la IA como intrusiva o amenazante para su privacidad, lo que podría afectar la colaboración en procesos de evaluación y la confianza en el tratamiento (Aafjes-van Doorn, 2025; Monteith et al., 2026).

Riesgo de desencadenar patologías graves

En los últimos años se viene advirtiendo sostenidamente que la interacción con sistemas de IA puede desencadenar o exacerbar condiciones clínicas como psicosis, autolesiones o ideación suicida, especialmente en poblaciones vulnerables, como niños y adolescentes. Expertos internacionales en el campo de la salud mental han llegado incluso a proponer la inclusión de nuevas categorías diagnósticas asociadas al uso de la IA, como la 'psicosis inducida por IA', en los sistemas de clasificación (Frances, 2025).

Validez clínica limitada

Muchos modelos de IA carecen de validación clínica para poblaciones específicas, y sus efectos a largo plazo siguen siendo desconocidos. Se necesita mucha más investigación y ensayos clínicos para evaluar la eficacia de estas intervenciones asistidas por IA mediante metodologías rigurosas y científicamente validadas (Cruz González et al., 2025; Soma et al., 2026).

Desafíos regulatorios

Aún no se han desarrollado directrices ni regulaciones legales claras para el uso responsable de la IA en psicoterapia, a pesar de que varios países y regiones ya están implementando estándares regulatorios locales (Shumate et al., 2025).

Barreras actitudinales e implementación

Las herramientas de IA requieren capacitación específica para los terapeutas y la superación de barreras actitudinales para su implementación, especialmente en entornos institucionales (Aafjes-van Doorn, 2025). Estas barreras suelen manifestarse como escepticismo por parte de los clínicos respecto a la capacidad de un algoritmo para comprender los matices del vínculo humano, inquietudes sobre la vigilancia automatizada del propio desempeño y temor a que la IA termine reemplazando al juicio clínico.

Recomendaciones profesionales

Ante todos estos riesgos recién mencionados, la Organización Mundial de la Salud (OMS, 2024) y la Asociación Americana de Psicología (APA, 2024, 2025) recomiendan respetar estrictas medidas de protección de datos, el consentimiento informado explícito y un uso supervisado de herramientas de IA, haciendo hincapié en que dichas herramientas deben apoyar -pero nunca reemplazar- el juicio clínico. Sus directrices para el uso ético y responsable de la IA en psicoterapia aclaran que la responsabilidad del tratamiento recae siempre en el profesional humano y que las herramientas digitales solo deben utilizarse como complemento y apoyo, bajo supervisión.

La APA subraya que estas nuevas herramientas tecnológicas deben contribuir a minimizar la desigualdad en el acceso a los servicios de salud mental, facilitando la inclusión de las poblaciones vulnerables. Asimismo, promueve el desarrollo de investigaciones interdisciplinarias para evaluar la viabilidad, la eficacia y la seguridad del uso de la IA en salud mental (APA, 2024, 2025).

Directrices a futuro: el papel esencial de lo humano

A partir de los estudios revisados, surge una conclusión consistente: si bien la IA puede mejorar la práctica clínica, no reemplaza la empatía humana. La evidencia actual sugiere que los modelos híbridos que integran el apoyo basado en IA con la atención terapéutica humana pueden representar uno de los enfoques más prometedores, combinando la escalabilidad de las herramientas digitales con el juicio clínico y las capacidades relacionales de los profesionales de la salud mental (Chen et al., 2024). En estos modelos, la IA puede gestionar tareas supervisadas y automatizables, lo que permite a los terapeutas centrarse en el vínculo terapéutico, el razonamiento clínico, la reflexión y los casos complejos, competencias que no se pueden delegar. Por lo tanto, la IA debe entenderse como una herramienta complementaria que amplía las capacidades profesionales y mejora el acceso y los resultados, en lugar de un sustituto (Babu y Joseph, 2024).

La psicoterapia es una disciplina sumamente compleja, fundamentada en el encuentro humano esencial con otra persona. Dichos encuentros implican comunicación no verbal, corporalidad y formas de cognición que la IA no puede proporcionar, y que muchos pacientes necesitan o prefieren. Los mejores terapeutas seguirán siendo aquellos que integren ciencia y arte: el conocimiento científico y la práctica experiencial que desde siempre definen la esencia de la psicoterapia.

Referencias

Aafjes-van Doorn, K. (2025). Viabilidad de la medición basada en inteligencia artificial en la práctica psicoterapéutica: perspectivas de pacientes y clínicos.  Counselling and Psychotherapy Research ( 25) Artículo e 12800.  https://doi.org/10.1002/capr.12800

Asociación Americana de Psicología (2024). Inteligencia artificial y el campo de la psicología . https://www.apa.org/about/policy/statement-artificial-intelligence.pdf

Asociación Americana de Psicología (2025). Guía ética para la IA en la práctica profesional de la psicología de los servicios de salud . https://www.apa.org/topics/artificial-intelligence-machine-learning/ethical-guidance-professional-practice.pdf

Atzil-Slonim, D., Penedo, JMG y Lutz, W. (2024). Aprovechamiento de nuevas tecnologías e inteligencia artificial para impulsar la investigación orientada a la práctica.  Administración y Política en Salud Mental y Servicios de Salud Mental,  51 , 306-317. https://doi.org/10.1007/s10488-023-01309-3

Babu, A., & Joseph AP (2024). Inteligencia artificial en la atención de la salud mental: potencial transformador frente a la necesidad de la interacción humana. Frontiers in Psychology (15) Artículo 1378904. https://doi.org/10.3389/fpsyg.2024.1378904

Bekes, V., Bothe, B. y Aafjes-van Doorn, K. (2025). Aceptación del uso de inteligencia artificial y tecnología digital para intervenciones en salud mental: Desarrollo y validación inicial del UTAUT-AI-DMHI. Clinical Psychology & Psychotherapy (32) Artículo e70085 https://doi.org/10.1002/cpp.70085

Cohen, ZD, Delgadillo, J., & DeRubeis, RJ (2021). Enfoques de tratamiento personalizados. En M. Barkham, W. Lutz, & LG Castonguay (Eds.), Bergin and Garfield's Handbook of Psychotherapy and Behavior Change: 50th Anniversary Edition (pp. 673-703). Wiley & Sons, Inc.

Cross, JL, Choma, MA, Onofrey, JA (2024). Sesgo en la IA médica: Implicaciones para la toma de decisiones clínicas. PLOS Digital Health 3 (11), e0000651. https://doi.org/10.1371/journal.pdig.0000651

Cruz-González, P., He, AW-J., Lam, EP, Ng, IMC, Li, MW, Hou, R., Chan, JN-M., Sahni, Y., Vinas Guasch, N., Miller, T., Lau, BW-M., & Sánchez Vidaña, DI (2025). Inteligencia artificial en la atención de la salud mental: una revisión sistemática de las aplicaciones de diagnóstico, monitorización e intervención. Psychological Medicine (55) Artículo e 18 https://doi.org/10.1017/S0033291724003295

Chen, K., Huang, JJ y Torous, J. Atención híbrida en salud mental: un marco para comprender la atención, la investigación y las oportunidades futuras.  NPP-Digital Psychiatry and Neuroscience  2, 16 (2024). https://doi.org/10.1038/s44277-024-00016-7

De la Fuente Tambo, JM, & Armayones Ruiz, M. (2025). La IA en la práctica psicológica: ¿qué existe y cómo puede ayudar en psicología asistencial? Papeles del Psicólogo, 46 (1), 18-24.

Dimeff, LA, Koerner, K., Heard, K., Ruork, AK, Kelley-Brimer, A., Witterholt, ST, Lardizabal, MB, Clubb, JR, McComish, J., Waghray, A., Dowdy, R., Asad-Pursley, S., Ilac, M., Lawrence, H., Zhou, F., Beadnell, B. (2024). Una tecnología digital de prevención del suicidio para personas que experimentan una crisis suicida aguda en servicios de urgencias: Estudio observacional naturalista de aceptabilidad, viabilidad y seguridad en el mundo real. JMIR Formative Research, 8, Artículo e52293. https://doi.org/10.2196/52293