Desde la robótica y los gemelos digitales hasta el análisis predictivo y la medicina de precisión, Barcelona New Economy Week (BNEW) 2026 puso de relieve cómo la inteligencia artificial está transformando todos los sectores de la economía. Para Mosaic Factor, empresa especializada en IA sanitaria, analítica avanzada y soluciones de IA fiables, el evento ofreció información valiosa sobre algunos de los retos más importantes a los que se enfrenta actualmente la innovación sanitaria.
IA sanitaria en BNEW 2026: medicina de precisión, explicabilidad y mitigación de sesgos
La IA, en el centro de la nueva economía
La séptima edición de Barcelona New Economy Week (BNEW) se celebró del 5 al 7 de octubre de 2026 en DFactory Barcelona. Organizado por el Consorci de la Zona Franca de Barcelona, el evento reunió a cientos de expertos, innovadores y startups de ocho sectores: inteligencia artificial, salud, energía, agroalimentación, aviación y espacio, ciencia, talento y videojuegos.
Este año, la inteligencia artificial contó por primera vez con un programa propio, después de seis ediciones en las que había sido un tema transversal. Las sesiones exploraron cómo la IA está transformando el empleo, los modelos de negocio y los procesos de toma de decisiones, con aportaciones de organizaciones como el Barcelona Supercomputing Center, Oracle e Ibercaja.
La influencia de la IA fue mucho más allá de su programa específico. El programa de Salud mostró la automatización y la robótica quirúrgica en directo. Las sesiones de Energía se centraron en el papel creciente de los datos y la IA en la transición energética. Por todo el recinto, robots humanoides, robots colaborativos y simuladores de movilidad autónoma demostraron la rapidez con la que la IA está pasando de los entornos de investigación a las aplicaciones reales.
Para Mosaic Factor, BNEW ofreció una visión valiosa de la dirección que está tomando la innovación en IA en múltiples sectores. Muchos de los temas tratados —como la IA fiable, la calidad de los datos, la robótica, el análisis predictivo y los gemelos digitales— están directamente relacionados con los retos que abordamos en nuestros propios proyectos.
Tendencias de IA observadas en BNEW 2026
En las sesiones de IA, Salud, Energía e Industria surgieron varios temas comunes:
- Adopción creciente de sistemas de apoyo a la toma de decisiones basados en IA.
- Mayor demanda de una IA explicable y fiable.
- Uso más extendido del análisis predictivo y de los gemelos digitales.
- Integración de datos multimodales para ofrecer servicios personalizados.
- Gran atención a la gobernanza, la transparencia y la regulación de la IA.
Estas tendencias están estrechamente alineadas con las soluciones que Mosaic Factor desarrolla en los ámbitos sanitario, de la movilidad y de la industria.
Aunque la innovación en IA estuvo presente en todo el evento, la atención sanitaria destacó como uno de los ámbitos en los que se espera que la IA tenga mayor impacto, al tiempo que plantea algunas de las preguntas más importantes sobre fiabilidad, explicabilidad y sesgos.
IA sanitaria, investigación sobre longevidad y medicina de precisión
El 6 de octubre, la sesión de Salud de BNEW «Longevity and Healthy Aging: Strategies for a Longer-Lived Society» reunió a investigadores y profesionales clínicos que trabajan en genética, neurociencia y nutrición integrativa.
Más allá de la longevidad en sí, el debate puso de relieve tendencias más amplias que están configurando el futuro de la IA sanitaria:
- La transición hacia la medicina de precisión.
- La integración de fuentes de datos multimodales.
- La importancia de la diversidad de los datos tanto en la investigación clínica como en los sistemas de aprendizaje automático.
El panel abordó tres avances con implicaciones directas para la IA sanitaria:
- Epigenética: el estilo de vida y el entorno influyen en cómo se expresan los genes.
- Tratamiento personalizado y multimodal: combinación de intervenciones adaptadas a cada persona.
- Representatividad de los datos: necesidad de contar con poblaciones de investigación y conjuntos de datos más diversos.
Cada uno de estos retos está estrechamente relacionado con el trabajo de Mosaic Factor en análisis predictivo y sistemas de apoyo a las decisiones clínicas, donde la fiabilidad de los modelos depende de la calidad, la diversidad y la representatividad de los datos disponibles.
. 
Genética y epigenética: cómo el estilo de vida influye en la expresión génica
Uno de los participantes en el panel utilizó la analogía de un juego de cartas para explicar la relación entre genética y epigenética. Cada persona recibe una mano al nacer y hereda la mitad de sus genes de cada progenitor. Esas cartas no se pueden cambiar, pero sí la manera de jugarlas.
La epigenética describe cómo los factores ambientales y del estilo de vida influyen en que determinados genes se activen o permanezcan silenciados. La actividad física, la alimentación, la calidad del sueño y la gestión del estrés desempeñan un papel importante en los resultados de salud a largo plazo.
En el debate se señaló que una proporción considerable de los casos de demencia está asociada a factores de riesgo modificables. Cada vez hay más investigaciones que muestran que el envejecimiento saludable no puede explicarse únicamente por la genética. Surge, más bien, de la interacción entre las predisposiciones genéticas, las decisiones relacionadas con el estilo de vida y las condiciones ambientales a lo largo de la vida.
En el ámbito de la IA sanitaria, esto refuerza la necesidad de modelos capaces de integrar múltiples fuentes de información, en lugar de depender de una sola variable o conjunto de datos.
Tratamiento personalizado y multimodal para un envejecimiento saludable
El panel subrayó que ninguna intervención por sí sola puede abordar eficazmente el envejecimiento. Las estrategias más prometedoras son multimodales: combinan distintos enfoques terapéuticos y los adaptan a las características de cada persona.
El sexo biológico, la ascendencia, la edad y los antecedentes clínicos influyen en la respuesta de los pacientes a las enfermedades y los tratamientos. Por ello, la investigación sobre longevidad converge cada vez más con los principios de la medicina de precisión, cuyo objetivo es ofrecer la intervención adecuada al paciente adecuado en el momento adecuado.
Este mismo cambio de paradigma está transformando la IA sanitaria. Los sistemas modernos de IA deben integrar cada vez más datos clínicos, genómicos, de imágenes y de comportamiento para respaldar recomendaciones más personalizadas y relevantes.
Sesgos en la IA sanitaria: por qué importa la diversidad de los datos
La conclusión más importante para Mosaic Factor se refería a la composición de los conjuntos de datos que sustentan tanto la investigación clínica como los modelos de IA.
Según los ponentes, buena parte del conocimiento actual sobre el envejecimiento sigue derivándose de estudios con personas de ascendencia europea. Otras poblaciones continúan estando comparativamente infrarrepresentadas, pese a su considerable diversidad genética. Esto tiene consecuencias prácticas: los tratamientos y las intervenciones que funcionan bien en una población pueden no producir los mismos resultados en otra.
El mismo reto se aplica directamente a la IA sanitaria.
Un modelo de aprendizaje automático solo puede aprender de los datos con los que se entrena. Si determinadas poblaciones están infrarrepresentadas, el modelo puede mostrar un buen rendimiento medio y, aun así, ser sistemáticamente menos preciso para algunos grupos. En el ámbito sanitario, esto puede contribuir a resultados clínicos desiguales y a una menor confianza en los sistemas de IA.
A medida que la IA se integra cada vez más en los flujos de trabajo clínicos, garantizar la calidad y la representatividad de los datos deja de ser únicamente un reto técnico y pasa a ser también una exigencia ética y normativa.
Cómo desarrollamos una IA sanitaria fiable en Mosaic Factor
En Mosaic Factor, una IA sanitaria fiable empieza por la calidad de los datos, la explicabilidad y una validación rigurosa. A medida que las organizaciones sanitarias adoptan sistemas de apoyo a la toma de decisiones basados en IA, reducir los sesgos y garantizar la transparencia resulta esencial tanto para la confianza clínica como para el cumplimiento normativo.
Nuestro enfoque se basa en cinco prácticas fundamentales:
- Evaluar la representatividad desde el principio. Antes de desarrollar un modelo, analizamos quién está incluido en el conjunto de datos y quién falta, teniendo en cuenta factores como el sexo, la edad, la ascendencia y el perfil clínico.
- Validar el rendimiento por subgrupos. La precisión global no basta. Evaluamos cómo funcionan los modelos en distintas poblaciones para identificar posibles desigualdades antes de su implementación.
- Explicar cada predicción. Mediante la IA explicable (XAI), los profesionales sanitarios pueden comprender qué factores han contribuido más a una predicción e incorporar esa información a su criterio clínico.
- Comunicar la incertidumbre. Buscamos cuantificar y comunicar los niveles de confianza de los resultados de los modelos. Este principio también guía nuestro trabajo fuera del ámbito sanitario, incluidas las aplicaciones de previsión de energía y autonomía desarrolladas en el proyecto Twin-Loop. Los sistemas de IA deberían poder indicar cuándo operan fuera de las condiciones representadas en sus datos de entrenamiento.
- Colaborar con socios clínicos y de investigación. Trabajar estrechamente con hospitales, centros de investigación y profesionales clínicos ayuda a garantizar que las soluciones de IA sigan siendo pertinentes, estén validadas y se centren en la experiencia humana.
Medicina de precisión e IA responsable: un reto compartido
BNEW 2026 reforzó un mensaje visible en los programas de IA, Salud e Industria: las organizaciones están pasando de explorar lo que puede hacer la IA a implementar sistemas que deben ser fiables, explicables y capaces de funcionar en entornos reales complejos.
En el ámbito sanitario, esto significa combinar las posibilidades de la medicina de precisión con enfoques rigurosos sobre la calidad de los datos, la transparencia y la mitigación de sesgos. Los mismos fundamentos que respaldan una mejor investigación también favorecen una mejor IA.
El futuro de la IA sanitaria dependerá no solo de algoritmos más potentes, sino también de mejores datos, mayor transparencia y una colaboración más sólida entre profesionales clínicos, investigadores y proveedores tecnológicos.
En Mosaic Factor, estos principios guían el diseño y la implementación de nuestras soluciones de IA sanitaria, desde el análisis predictivo y las herramientas de apoyo a las decisiones hasta las aplicaciones de IA explicable desarrolladas junto con organizaciones sanitarias y de investigación.
Eventos como BNEW nos ayudan a mantenernos al día de las últimas innovaciones en IA, las nuevas regulaciones y los avances científicos que darán forma al futuro de la atención sanitaria basada en datos.
Agradecemos al Consorci de la Zona Franca de Barcelona y a todos los ponentes este evento tan enriquecedor, y esperamos continuar estas conversaciones a medida que se acelera la adopción de la IA en la atención sanitaria y en otros sectores esenciales.