La inteligencia artificial ya forma parte de conversaciones que hace apenas unos años parecían reservadas a otros espacios. Hay personas que recurren a asistentes generalistas para ordenar sus pensamientos, expresar cómo se sienten o buscar apoyo en un momento difícil, aunque estas herramientas no hayan sido diseñadas específicamente como intervenciones clínicas. Es precisamente esa realidad la que plantea una pregunta importante: cuando hablamos de apoyo emocional, ¿importa que una IA haya sido diseñada específicamente para ese propósito?
En TerapIA queríamos dejar de responder a esa pregunta únicamente desde nuestra experiencia desarrollando a Pía. Queríamos medirlo.
Por eso, un equipo de LenguajeNatural.AI ha publicado el preprint A Specialized Model versus a Frontier Model in Emotional Support: Blind Evaluation by Psychology Professionals, un estudio que compara las respuestas de Pía, nuestro asistente emocional especializado, con las de las versiones más recientes de ChatGPT disponibles durante el periodo analizado: GPT-5.5 Instant y GPT-5.6 Sol.
El resultado fue significativo: las profesionales que participaron en la evaluación mostraron una preferencia global por las respuestas de Pía frente a las del modelo generalista de referencia.
Pero para entender por qué este resultado es relevante, hay que empezar por cómo se realizó la comparación.
Una comparación en la que nadie sabía qué respuesta era de Pía
Uno de los elementos más interesantes del estudio está precisamente en su diseño.
Participaron 10 profesionales externas, con formación en psicología, especialización clínica y entre 2 y 18 años de experiencia clínica. Ninguna había trabajado ni colaborado con LenguajeNatural.AI, ni había participado en el desarrollo, entrenamiento, supervisión o evaluación interna de Pía.
Y, sobre todo, no sabían qué sistema estaban evaluando.
En cada comparación recibían el contexto completo de una conversación y diferentes respuestas posibles para el siguiente turno, presentadas aleatoriamente y sin ninguna indicación sobre su procedencia. Su instrucción era sencilla:
“Select the response that, according to your professional judgment and taking into account the complete context of the conversation, you consider most aligned with what you would offer in session.”
Es decir, la evaluación no preguntaba qué marca les inspiraba más confianza ni qué sistema creían que era tecnológicamente superior. Se les pedía juzgar la respuesta que tenían delante y su adecuación al contexto de la conversación.
De hecho, para reforzar el cegamiento, las evaluadoras creían que estaban comparando respuestas alternativas producidas por un mismo modelo. No sabían que se estaba enfrentando Pía a otro sistema ni conocían la hipótesis del estudio.
771 comparaciones. 101 conversaciones reales. Un resultado: 56,5%
El estudio analizó 771 comparaciones correspondientes a 101 conversaciones reales de 100 usuarios diferentes. Las conversaciones habían sido anonimizadas de forma irreversible antes de utilizarse en la evaluación y no se publicaron mensajes, fragmentos ni información identificativa de los usuarios.
En los resultados brutos, Pía fue elegida en 406 comparaciones (52,7%), frente a 306 (39,7%) para el sistema de referencia, mientras que hubo 59 empates (7,7%).
Al ajustar los empates, la tasa de preferencia de Pía fue del 56,5%, con un intervalo de confianza del 95% de 51,0% a 61,9%. La diferencia frente a la paridad fue estadísticamente significativa (p = 0,017).
Dicho de una forma mucho más sencilla: cuando las profesionales no sabían quién había escrito cada respuesta y juzgaban únicamente lo que tenían delante, Pía fue preferida globalmente frente a ChatGPT en las condiciones evaluadas.
Esto resulta especialmente relevante porque la comparación no enfrentó a Pía con una versión antigua o deliberadamente limitada del sistema generalista. Durante el periodo de evaluación, el modelo de referencia fue GPT-5.5 Instant hasta el 8 de julio de 2026 y GPT-5.6 Sol desde el 9 de julio, versiones para las que OpenAI había anunciado mejoras específicas relacionadas con salud y conversaciones sensibles.
Lo más interesante ocurre cuando la conversación avanza
El resultado global es importante, pero hay otro hallazgo que resulta especialmente interesante para entender qué significa desarrollar una IA emocional especializada.
Al dividir las conversaciones en tres partes, durante el primer tercio prácticamente no existía diferencia: la preferencia por Pía era del 49,8%.
Pero en el tercio medio ascendía al 60,6% y en el tercio final se mantenía en 58,4%. Además, el análisis encontró una tendencia positiva significativa a medida que avanzaba la conversación (p = 0,022).
¿Por qué?
Aquí es importante no afirmar más de lo que demuestra el estudio. Los investigadores explican que los resultados son compatibles con la posibilidad de que las diferencias entre ambos sistemas se hagan más visibles cuando existe más contexto conversacional, pero el diseño experimental no permite determinar qué mecanismo concreto explica esa diferencia.
Aun así, el patrón resulta especialmente relevante para Pía porque su diseño está centrado precisamente en conversaciones de apoyo emocional donde comprender el estado de la persona, validar emociones, mantener continuidad e integrar el contexto son elementos fundamentales. El paper define a Pía como un modelo propietario desarrollado específicamente para este dominio junto a psicólogos clínicos.
No se trata simplemente de responder bien una primera pregunta. En una conversación emocional, lo que una persona contó cinco mensajes atrás también importa.
Especialización frente a tamaño: ¿más grande significa siempre mejor?
Esta es probablemente la pregunta más interesante que deja el estudio.
ChatGPT es un modelo generalista de frontera diseñado para desenvolverse en una enorme variedad de tareas. Pía, por el contrario, tiene un dominio mucho más estrecho: el apoyo emocional conversacional.
El propio estudio señala que el modelo de referencia tiene capacidades generales considerablemente superiores y un coste de inferencia estimado más de dos órdenes de magnitud mayor que Pía. Sin embargo, en esta tarea concreta, el panel mostró una preferencia global por el sistema especializado.
Además, no parece tratarse simplemente de que Pía escribiera más. Ocurría exactamente lo contrario.
Las respuestas de Pía tuvieron una media de 52,4 palabras, frente a 109,9 palabras en el modelo de referencia. Es decir, Pía producía respuestas de menos de la mitad de longitud y aun así era preferida.
Esto apunta hacia una idea interesante en el desarrollo de asistentes emocionales: quizá el objetivo no debería ser construir una IA que sepa absolutamente de todo, sino una que esté específicamente diseñada y evaluada para hacer bien aquello para lo que va a utilizarse.
Una investigación reciente publicada en Applied Psychology: Health and Well-Being aporta una perspectiva relacionada. En un ensayo aleatorizado con estudiantes universitarios, chatbots diseñados específicamente para apoyo emocional y para resolución de problemas produjeron efectos distintos según la función para la que habían sido diseñados. Los autores concluyeron que los efectos dependían de la alineación entre la función de apoyo y el tipo de estrés abordado.
No demuestra lo mismo que nuestro estudio, pero sí refuerza una pregunta que cada vez será más relevante: ¿qué ocurre cuando dejamos de pensar en “la IA” como una única herramienta y empezamos a evaluar sistemas según la tarea específica para la que han sido diseñados?
¿Entonces Pía es “mejor que ChatGPT”?
La respuesta rigurosa es más interesante que un simple sí o no.
En las condiciones concretas de este estudio, las profesionales participantes mostraron una preferencia estadísticamente significativa por las respuestas de Pía. Eso es lo que demuestran los datos.
No significa que Pía tenga mayores capacidades generales que ChatGPT. El propio artículo dice exactamente lo contrario. Tampoco significa que este estudio haya demostrado que Pía produzca mejores resultados terapéuticos, porque no se midió eficacia clínica.
Y, sobre todo, esta comparación no enfrenta a Pía con un psicólogo.
El estudio lo establece expresamente: no evalúa TerapIA como intervención clínica, no mide resultados terapéuticos y la preferencia por una respuesta no debe interpretarse como evidencia de eficacia clínica ni como una comparación con la atención proporcionada por un profesional de la salud mental.
Ese límite es fundamental para nosotros.
TerapIA no nace para sustituir a los profesionales de la psicología. Pía funciona como un asistente emocional, pensado para esos momentos en los que necesitas hablar, ordenar lo que estás sintiendo o encontrar un espacio para expresarte.
La IA y la salud mental: no basta con que una respuesta “suene empática”
El crecimiento de la IA como espacio de apoyo emocional hace que estas evaluaciones sean cada vez más necesarias.
Una revisión publicada en npj Digital Medicine señala que existe un potencial inicial para los grandes modelos de lenguaje en tareas relacionadas con salud mental, pero también una gran heterogeneidad entre sistemas, tareas y métodos de evaluación, además de evidencia clínica todavía limitada. El propio paper de Pía recoge investigaciones que han identificado problemas recurrentes en modelos generalistas, desde consejos médicos no autorizados hasta respuestas inadecuadas en determinados contextos sensibles.
La American Psychological Association también ha advertido en 2026 de que cada vez más personas utilizan chatbots generalistas para recibir apoyo emocional, aunque estos sistemas no fueran diseñados originalmente para atención de salud mental. La organización señala tanto oportunidades como riesgos y reclama una aproximación que no sea simplemente “IA sí” o “IA no”, sino que permita comprender cómo se están utilizando estas herramientas.
Esto conecta muy bien con una charla de Andy Blackwell en TEDxNatick, “Artificial Intelligence Meets Mental Health Therapy”. Blackwell plantea cómo la inteligencia artificial puede incorporarse al ámbito de la salud mental y la importancia de diseñar tecnología específicamente alrededor de las necesidades de este contexto.
Ver la charla TEDx “Artificial Intelligence Meets Mental Health Therapy”
La pregunta, por tanto, no debería ser únicamente “¿puede una IA hablar sobre emociones?”. Los modelos actuales claramente pueden hacerlo.
La pregunta más útil es: ¿cómo ha sido diseñada, especializada y evaluada esa IA para hacerlo?
¿Qué significa este resultado para Pía?
Para nosotros, este estudio supone algo especialmente importante: empezar a medir con evidencia externa aquello que llevamos tiempo intentando construir desde el producto.
Pía no pretende saber más de todo.
Pretende estar mejor preparada para acompañarte en una conversación emocional.
La evaluación se realizó con conversaciones reales, contexto idéntico para ambos sistemas, orden aleatorio, procedencia oculta y profesionales externas al proyecto. Y, bajo esas condiciones, la preferencia global se inclinó hacia Pía.
Todavía queda mucho por investigar. El propio paper reconoce limitaciones: 101 conversaciones constituyen un número moderado de unidades independientes; la cantidad de evaluaciones estuvo concentrada en dos profesionales; el panel no pretende representar a toda la profesión de la psicología; y los análisis por posición y nivel de riesgo fueron exploratorios.
Precisamente por eso, el siguiente paso es seguir evaluando.
Porque cuando una tecnología entra en un terreno tan sensible como nuestras emociones, no debería bastar con decir que funciona bien. Hay que intentar medirlo.
Si necesitas hablar, puedes hacerlo con Pía
Hay momentos en los que no buscamos una respuesta perfecta. Necesitamos poner en palabras algo que nos preocupa, ordenar pensamientos o simplemente tener un espacio donde empezar a hablar.
Para eso hemos desarrollado Pía.
Puedes conocer cómo funciona nuestra propuesta de terapia con IA, descubrir qué diferencia a nuestro chat de apoyo emocional o consultar directamente nuestra comparativa de Pía vs ChatGPT.
También puedes utilizar herramientas complementarias como el diario emocional y los tests de autoconocimiento.
Pía y TerapIA ofrecen acompañamiento emocional y herramientas de autoconocimiento, pero no realizan diagnósticos ni sustituyen la atención de profesionales de la salud mental.
Referencias
- Vaca Serrano, A., Vaca Escribano, A., & González de Echevarri, J. M. (2026). A Specialized Model versus a Frontier Model in Emotional Support: Blind Evaluation by Psychology Professionals. Preprint, 31 de agosto de 2026.
- Franke Föyen, L., Zapel, E., Lekander, M., Hedman-Lageröf, E., & Lindsäter, E. (2025). Artificial intelligence vs. human expert: Licensed mental health clinicians’ blinded evaluation of AI-generated and expert psychological advice on quality, empathy, and perceived authorship. Internet Interventions, 41, 100841. DOI: 10.1016/j.invent.2025.100841.
- Hua, Y., Na, H., Li, Z., et al. (2025). A scoping review of large language models for generative tasks in mental health care. npj Digital Medicine, 8, 230. DOI: 10.1038/s41746-025-01611-4.
- Li, H., Zhang, R., Lee, Y.-C., Kraut, R. E., & Mohr, D. C. (2023). Systematic review and meta-analysis of AI-based conversational agents for promoting mental health and well-being. npj Digital Medicine, 6, 236. DOI: 10.1038/s41746-023-00979-5.
- Linardon, J., Torous, J., Firth, J., Cuijpers, P., Messer, M., & Fuller-Tyszkiewicz, M. (2024). Current evidence on the efficacy of mental health smartphone apps for symptoms of depression and anxiety: A meta-analysis of 176 randomized controlled trials. World Psychiatry, 23(1), 139–149. DOI: 10.1002/wps.21183.
- Yang, Q., Wu, H., Du, X., Sun, Q., & Ren, Z. (2026). Emotional support or problem-solving? A randomized controlled trial of function-specific AI Chatbots for digital stress in college students. Applied Psychology: Health and Well-Being, 18(4), e70208.
- Hu, M., Ho, J. Q. H., Ng, C., Wong, S. S. M., & Hartanto, A. (2026). Emotional support through AI: Venting to artificial intelligence or a perceived human may offer comparable emotional well-being benefits. Computers in Human Behavior Reports, 23, 101149.
- Blackwell, A. (2020). Artificial Intelligence Meets Mental Health Therapy. TEDxNatick.