Aprender un enfoque terapéutico no implica necesariamente saber aplicarlo frente a una persona o elegir una intervención adecuada en pocos segundos. La práctica clínica exige entrenamiento, supervisión y oportunidades para revisar errores sin afectar a consultantes reales. Dentro de ese marco, un equipo desarrolló pacientes virtuales asistidos con inteligencia artificial (IA) para la formación en psicoterapia, específicamente en Terapia de Aceptación y Compromiso (Acceptance and Commitment Therapy, ACT, en inglés). La propuesta combina diálogo por voz, avatares animados y retroalimentación inmediata sobre las respuestas del profesional. A partir de su evaluación, surge una pregunta central: ¿Hasta qué punto estas herramientas logran recrear situaciones clínicas útiles para aprender a intervenir mejor?

De conocer una terapia a saber aplicarla

La formación tradicional suele fortalecer conocimientos teóricos, aunque ese aprendizaje no siempre deriva en cambios equivalentes en el accionar clínico. Comprender conceptos como aceptación, defusión cognitiva, valores o acción comprometida difiere de reconocer cuándo introducirlos, cómo formular una pregunta o qué hacer frente a la resistencia. Por esa razón, la formación en psicoterapia también requiere entrenamiento deliberado: ejercicios repetidos, objetivos concretos y retroalimentación sobre el desempeño.

El desafío de practicar sin exponer

Los juegos de roles, los consultantes estandarizados y las simulaciones clínicas ofrecen oportunidades de entrenamiento, pero demandan tiempo, personal capacitado y recursos difíciles de sostener. Algunas escenas, como una ruptura terapéutica o una crisis intensa, tampoco resultan sencillas de reproducir de manera segura. En tal sentido, los pacientes virtuales con IA buscan ampliar ese margen de práctica mediante situaciones repetibles y controladas, sin reemplazar la supervisión profesional.

¿Cómo se diseñó la investigación?

El estudio combinó el desarrollo de una herramienta de entrenamiento con dos formas de evaluación. La aplicación permitía conversar por voz con pacientes virtuales mediante IA basados en cuatro perfiles anónimos, elaborados a partir de transcripciones de entre cuatro y siete sesiones reales de ACT. Durante la interacción, un modelo generaba las respuestas del avatar y otro analizaba las intervenciones del profesional para ofrecer retroalimentación inmediata.

La experiencia fue probada por dos psicólogas de entre 25 y 30 años. Una contaba con entre cuatro y siete años de práctica clínica y alta familiaridad con el enfoque, mientras que la otra tenía entre uno y tres años de experiencia y una formación moderada en psicoterapia. Ambas utilizaron la herramienta durante aproximadamente 90 minutos. Además, los investigadores compararon seis modelos de lenguaje mediante 49 transcripciones previamente evaluadas por un supervisor humano, con el objetivo de identificar cuál reproducía mejor las puntuaciones de fidelidad terapéutica y empatía.

Avatar convincente, pero muy cooperativo

Las dos participantes valoraron como realistas el lenguaje, la expresión emocional y la capacidad del avatar para responder a sus intervenciones. En algunos momentos, la experiencia llegó a parecerse a un juego de roles con otra persona. La retroalimentación inmediata también favoreció una mayor conciencia sobre las palabras elegidas y las decisiones tomadas durante la conversación.

Sin embargo, ambas describieron al consultante como demasiado “ideal”: reflexivo, colaborador y familiarizado con la lógica terapéutica. Tal característica reduce parte de la complejidad habitual de la psicoterapia, donde la ambivalencia, las contradicciones, los silencios y las dificultades para expresar lo vivido ocupan un lugar relevante.

GPT-4o mini logró la mayor cercanía

En la comparación técnica, GPT-4o mini obtuvo el menor error absoluto en la puntuación global de fidelidad, con un valor de 6,12. Su desempeño mejoró a medida que aumentaba el contexto disponible: el error descendió de 12,76 en el quinto turno a 6,12 en el vigésimo.

Otros modelos conservaron bien el orden relativo de las sesiones, aunque mostraron diferencias más amplias frente a las puntuaciones del supervisor. Grok 4, por ejemplo, alcanzó una correlación elevada, pero presentó un error mayor. Por ese motivo, GPT-4o mini fue seleccionado como evaluador dentro de la herramienta.

Algunas limitaciones a considerar

A pesar de los hallazgos mencionados, solo dos profesionales evaluaron el realismo y la utilidad del entrenamiento. Una cantidad tan reducida impide establecer cómo funcionaría la propuesta con grupos amplios, estudiantes con distintos niveles de experiencia o terapeutas formados en otros enfoques. Tampoco hubo seguimiento para saber si practicar con pacientes virtuales mediante IA genera mejoras duraderas en las habilidades clínicas o en la calidad de la atención.

Evaluar no equivale a comprender

La devolución turno por turno plantea otra dificultad. Una frase aislada no siempre representa la intención completa del terapeuta. Algunas intervenciones preparan un ejercicio, exploran información o adquieren sentido después de varios intercambios. Las participantes observaron que el sistema juzgaba de manera demasiado estrecha ciertos pasos preliminares. Además, el trabajo fue difundido como preprint, por lo que sus hallazgos todavía deben considerarse preliminares.

Un laboratorio de práctica, no un supervisor automático

Los pacientes virtuales con IA ofrecen una vía novedosa para ensayar conversaciones difíciles, recibir devoluciones inmediatas y comparar diferentes formas de intervenir sin poner en riesgo a consultantes reales. Su principal aporte radica en crear un entorno repetible, donde equivocarse y volver a intentar formen parte del aprendizaje. Dentro de la formación en psicoterapia, ese recurso complementaría clases, lecturas, supervisiones y juegos de roles.

Mejorar la práctica clínica, sin embargo, exige mucho más que alcanzar una puntuación de fidelidad. La historia de cada persona, el vínculo terapéutico, la sensibilidad ética y la comprensión del contexto no quedan reducidos a una evaluación automática. Por ahora, el escenario más sólido no consiste en reemplazar supervisores, sino en ampliar las oportunidades para que quienes se forman lleguen mejor preparados a la supervisión humana.

Referencia bibliográfica

• Riachi, P., Kamber, S., Brogna, S., Gloster, A. y Wampfler, R. (2026). Toward accessible psychotherapy training using AI-driven interactive patient avatars [Preprint]. arXiv.
  https://doi.org/10.48550/arXiv.2606.17786