Retinar: la IA argentina que previene la ceguera diabética (y no es humo de Big Tech)

El Cuñado ya lo tiene claro (y se equivoca)

El Cuñado dice: "Bro, la IA útil la hacen Google, OpenAI y como mucho China. Lo demás es paper de universidad, demo de PowerPoint y subvención disfrazada de startup. Si no sale en el keynote con un robot que parpadea, no existe."

La realidad es: en Argentina hay un equipo del CONICET y la UNCPBA, en el instituto PLADEMA, que lleva años metiendo retinografías en modelos de IA para cazar a tiempo la retinopatía diabética: una enfermedad que afecta al 25% de las personas con diabetes en el mundo y es la principal causa de pérdida visual prevenible e irreversible en adultos en edad productiva. Eso no lo dice un hilo de LinkedIn. Sale de la propia comunicación del CONICET sobre Retinar.

Por qué importa saberlo: porque el ruido diario de la IA te entrena a medir "utilidad" en ronda millonaria, benchmark de chat y comunicado de prensa. Y así se te escapa justo lo que falta: sistemas con problema clínico concreto, datos reales y un camino de implementación que no depende de que un CEO diga "lo cambia todo".

Este artículo nace de una pregunta de fundador, no de un comunicador de producto. Alguien vio el paralelismo con Multiverse Computing y su ronda de 500M€ (empresa vasca, fuera del guion de Silicon Valley, de repente en todas las portadas) y soltó la única pregunta que vale la pena:

¿Retinar es humo o es realidad?

La conclusión, con los hechos encima de la mesa, es clara: no es humo. Es una IA con base científica larga, métrica clínica como norte y un diseño que asiste al profesional en vez de venderle magia. Y eso, hoy, es más raro que un modelo chino open-source en tu portátil.

Qué coño es Retinar (sin el PowerPoint)

Retinar es una plataforma argentina de teleoftalmología con IA para detección temprana de retinopatía diabética. La desarrollan investigadores del CONICET y la UNCPBA en PLADEMA, con el equipo científico liderado por José Ignacio Orlando e integrado por Ignacio Larrabide, Lucas Telesco y Franco Arellano, en articulación con el Servicio de Oftalmología del Hospital El Cruce. Fuente: el propio CONICET.

Traducción de bar: te hacen una foto del fondo de ojo (retinografía), la IA mira si la imagen sirve o es una cagada borrosa, y clasifica el estudio según el riesgo de retinopatía diabética referible (o sea, la que ya merece que un especialista te mire de verdad). No te diagnostica por WhatsApp. No te dice "tranqui, estás perfecto". Asiste. El humano cierra.

Eso importa más de lo que parece. En salud, el producto que "reemplaza al médico" suele ser humo regulatorio con traje de innovación. El que se pone al lado del flujo clínico existente tiene, al menos, pinta de haber hablado con alguien que pasa consulta de verdad.

La teleoftalmología con retinografías no midriáticas (sin dilatarte la pupila como en una película de terror ambulatoria) permite llevar el control a centros de atención primaria. Se capturan imágenes ahí y se evalúan en remoto por especialistas. Suena bien. El problema es de volumen: cuando el embudo se llena, el especialista se convierte en cuello de botella humano mirando estudio tras estudio. Ahí es donde la IA deja de ser adorno y pasa a ser triaje.

Retinar ataca exactamente ese embudo: calidad de imagen + clasificación de riesgo. Menos tiempo tirado en fotos inútiles. Más prioridad donde hay fuego.

El dato que el hype no quiere mirar: 25% y ceguera prevenible

Si te aburre la "IA para el bien", mira el número y cállate un segundo.

La retinopatía diabética afecta al 25% de las personas con diabetes a nivel mundial. Es la principal causa de pérdida visual prevenible e irreversible en adultos en edad productiva. Eso no es un vertical de startup sacado de un generador de ideas. Es epidemiología con nombre y apellidos (CONICET, material de Retinar).

"Prevenible" es la palabra que duele. No estamos hablando de un milagro de regeneración de retina. Estamos hablando de llegar a tiempo: cribado, seguimiento, derivación. La clásica cadena aburrida que salva vista y que el sistema de salud suele romper por falta de especialistas, distancia geográfica o simple saturación.

Aquí la IA no compite en poesía ni en programar una red social. Compite en un trabajo sucio y masivo: mirar muchas imágenes, descartar las malas, marcar las sospechosas. Si eso te parece poco "revolucionario", es que te han educado con keynotes.

La IA médica seria no necesita decir que cambia el mundo. Necesita no cagarla con una foto borrosa y no esconder al médico detrás del modelo.

Ese es el listón. No el de "AGI en 2027".

De la tesis doctoral al producto: más de una década, no un fin de semana con GPU

Otro olor a realidad: el calendario.

El desarrollo de Retinar empezó a tomar forma como proyecto entre 2019 y 2020. Pero las bases científicas se remontan a más de una década de investigación doctoral y colaboraciones internacionales en Francia, Bélgica y Austria. De nuevo, CONICET.

Eso no garantiza éxito comercial. Garantiza otra cosa: que no nacieron el martes porque ChatGPT puso de moda la palabra "visión". Hay linaje de investigación en imagen de fondo de ojo, no un pivot desde un SaaS de facturas.

Los modelos se entrenaron con decenas de miles de imágenes de fondo de ojo evaluadas por oftalmólogos, mezclando bases públicas y locales, con diversas cámaras y condiciones. El objetivo explícito: generalización de dominio.

Generalización de dominio, en cristiano: que el modelo no se vuelva idiota cuando cambias de hospital, de cámara o de iluminación. En visión médica esto es el cementerio de demos bonitas. Entrenar solo con un dataset limpio de un único centro es como aprender a conducir en un parking vacío y pretender salir vivo a la General Paz un viernes.

Que el equipo lo nombre y lo ataque (cámaras distintas, condiciones distintas, datos locales + públicos) es señal de que conocen el fracaso típico del campo. No prueba por sí solo el rendimiento en producción; prueba que no están improvisando el problema fácil.

Ojo con lo que no vamos a hacer aquí: inventar un "95% de acierto" de marketing. En el material del CONICET que tenemos encima no aparecen tasas de sensibilidad, especificidad ni AUC publicadas como titular. Tampoco un sello ANMAT ni una lista de hospitales con el sistema en rutina diaria. Esa ausencia no convierte a Retinar en humo; convierte en basura periodística al que rellene el hueco con fantasía. Lo sólido se cuenta con lo que hay. Lo que no hay, se marca como no consta.

Multiverse por un lado, Retinar por el otro: el paralelismo y la trampa

El fundador no preguntó por casualidad. El paralelismo con Multiverse Computing salta a la cara a quien sigue el mercado europeo y latino: historias fuera del eje San Francisco–Londres, narrativa de "aquí también se hace IA seria", y de pronto la sensación de que o estás ante un unicornio real o ante el disfraz local del mismo humo.

Hay que separar las capas con cuchillo, no con humo aromático.

Multiverse entró en la conversación global con una ronda monstruosa (500M€) y una promesa de compresión de modelos que el mercado aún está midiendo con lupa. Retinar no es ese animal. No estamos ante el mismo modelo de negocio, ni ante la misma tesis financiera, ni ante la misma escala de capital. Afirmar que "es el Multiverse argentino" sería exactamente el tipo de atajo que Domina IA viene a romper.

El paralelismo útil es otro:

• Los dos rompen el guion de que solo las Big Tech (o solo EE.UU.) producen IA que merece atención.
• Los dos exigen la misma pregunta incómoda: ¿hay sustancia bajo el titular?
• Los dos se juzgan mal si usas la métrica del otro. Medir Retinar en valuation es absurdo. Medir Multiverse solo en "paper bonito" también.

En Multiverse el debate legítimo es cuánto de la compresión se puede verificar y cuánto es narrativa de ronda. En Retinar el debate legítimo es clínico y de despliegue: calidad del triaje, integración con oftalmólogos, robustez multi-cámara, marco regulatorio. Distintos riesgos. Distinta forma de no engañarte.

Seamos justos: el escepticismo hacia proyectos como Retinar no es simple ignorancia de cuñado. El sector está intoxicado de pilotos que nunca escalan, papers con métricas infladas en datasets de juguete y startups de salud que queman capital público sin llegar a una sola derivación real. Quien exige ver el sello regulatorio, las curvas de rendimiento con población local y el despliegue en hospitales con nombres y apellidos no está haciendo nihilismo tecnológico: está aplicando el mismo filtro que salvó a la banca de comprar otro Enron. La carga de la prueba la tiene el que promete impacto clínico, no el que pide los datos.

La tesis propia de este texto es simple y no necesita fanfarria:

No todo lo que brilla fuera de Silicon Valley es un unicornio. Y no todo lo que no levanta 500M€ es teatro universitario. Retinar cae en una tercera categoría que el timeline entiende mal: ciencia aplicada con problema médico medible y diseño de asistencia, no de reemplazo. Justo lo que falta en el ruido diario.

Mientras tanto, en el circo EE.UU.–China…

Para entender por qué un proyecto como Retinar "suena pequeño" aunque ataque ceguera prevenible, hay que mirar qué está ocupando el ancho de banda colectivo.

Según New Scientist (14 de julio de 2026), la carrera de IA entre EE.UU. y China ha tomado un giro incómodo para el relato americano de superioridad permanente: modelos open-source chinos como DeepSeek y GLM-5.2 igualan el rendimiento de modelos premium estadounidenses, pero a costo cero y con descarga local. Artificial Analysis clasificó a GLM-5.2 como el modelo open-source más inteligente del mercado. Z.ai afirma que supera a GPT-5.5 en un benchmark de ingeniería de software; Artificial Analysis, en sus pruebas de inteligencia, lo sitúa ligeramente por debajo. No es "gana siempre". Es "está en la pelea", que ya es suficiente para reventar el mito del foso inexpugnable.

La adopción no es teórica. Siete de los diez modelos más usados en OpenRouter son de empresas chinas, con DeepSeek en primer lugar y más del doble de uso que el segundo. Eso es mercado votando con inferencias, no un hilo patriótico.

¿Qué tiene que ver esto con una retinografía en un centro de atención primaria argentino?

Todo, si hablamos de atención y de capital narrativo.

El open-source chino y los modelos frontera absorben el oxígeno: precios, tokens, rankings, "quién va ganando la carrera". Es legítimo. También es un imán que deja fuera de foco a la IA que no chatea: la que clasifica riesgo en fondo de ojo, la que ordena un embudo clínico, la que se mide en derivaciones a tiempo y no en Elo de arena de modelos.

Aquí conviene no mezclar churras con merinas. Retinar no es un LLM open-source. No compite en OpenRouter. No es "Argentina vs China". El contraste es de tipo de valor:

Señal del timeline	Señal de Retinar (CONICET)
Ranking de inteligencia general	Riesgo de retinopatía referible
Costo por token / descarga local	Costo de no cribado a tiempo
Quién gana la carrera EE.UU.–China	Quién llega antes al especialista
Demo espectacular	Calidad de imagen + asistencia clínica

Los dos mundos pueden ser reales a la vez. De hecho lo son. El error del Cuñado es creer que solo el primero cuenta.

Y ya que salió la palabra "abierto": código abierto, según la Open Source Definition, no es "te dejo mirar un PDF de pesos". Son criterios duros de redistribución, obras derivadas, no discriminación y el resto de la lista. El sector de modelos "abiertos" está lleno de openwashing con licencias que no son open source de verdad. Retinar, en el material disponible, no se vende como cruzada open-source; se vende como plataforma de teleoftalmología con IA. Otra vez: distinto juego.

Cómo funciona el truco (el bueno): asistir sin secuestrar la decisión

Repetimos el diseño porque es donde se separan los serios de los vendedores de humo clínico.

1. Entra la retinografía capturada en un entorno de atención primaria o similar, con cámara no midriática cuando el flujo lo permite.
2. La IA mira la calidad. Si la foto es basura, más vale saberlo antes de que un especialista pierda cinco minutos en diagnosticar niebla.
3. Clasifica riesgo de retinopatía diabética referible. No es un oráculo de "tienes X enfermedad con score mágico de marketing". Es una ayuda de priorización y cribado.
4. El profesional decide. La plataforma asiste; no reemplaza la decisión clínica.

Ese cuarto punto no es una frase ética para quedar bien. Es arquitectura de responsabilidad. En el momento en que un sistema promete sustituir al oftalmólogo sin el marco regulatorio, la evidencia y la integración que eso exige, estás comprando un litigio a plazos. El material de Retinar se coloca en el carril adulto: apoyo al flujo de teleoftalmología que ya tiene sentido sanitario (llevar control allí donde no hay especialista a diario) y atacar el cuello de botella del volumen.

¿Puede fallar igual? Claro. Todo modelo de visión falla: dominio nuevo, cámara rara, población distinta, basura en el sensor. Por eso el entrenamiento con decenas de miles de imágenes evaluadas por oftalmólogos y la diversidad de cámaras no son detailitos de paper: son la diferencia entre un juguete y una herramienta que alguien se atreve a poner cerca de un paciente.

Lo que sigue sin constar en el material que manejamos (y se dice sin dramatizar) es la foto completa de despliegue regulado: aprobaciones tipo ANMAT/FDA, cifras públicas de sensibilidad/especificidad en el comunicado base, y el listado de centros con uso rutinario demostrado. Quien te venda eso sin fuente te está haciendo el mismo favor que un gurú con curso de 997€.

Por qué este desmontaje no es un himno patriótico

Fácil caer en la trampa inversa: "como es CONICET y Argentina, es heroico y punto". No.

El listón es el mismo que aplicamos a un unicornio vasco, a un lab de California o a un modelo de Hangzhou:

• ¿Hay problema real con números de impacto? Sí: 25% de personas con diabetes, ceguera prevenible en edad productiva.
• ¿Hay equipo con trayectoria y no solo storytelling? Sí: liderazgo identificable, articulación con Hospital El Cruce, base doctoral de más de una década y colaboraciones en Francia, Bélgica y Austria.
• ¿Hay diseño de producto que respete el acto clínico? Sí: calidad de imagen + clasificación de riesgo + asistencia, no reemplazo.
• ¿Hay datos de entrenamiento que huelan a mundo real? Sí: decenas de miles de imágenes, evaluación por oftalmólogos, bases públicas y locales, múltiples cámaras.
• ¿Hay que inflar lo que no está? No. Sin tasas publicadas en el material, sin vender aprobación regulatoria inexistente en la fuente, sin clonar la narrativa financiera de Multiverse.

Eso es lo contrario al humo. El humo necesita que no preguntes. Retinar aguanta la pregunta.

La tesis que vertebra todo esto (la del fundador que olió el paralelismo y no se tragó el cuento) queda así, sin lazo:

En el timeline conviven tres fábricas de ruido: (1) Big Tech con modelo cerrado y relato de carrera; (2) open-source chino que iguala a premium a costo cero y se come OpenRouter, como documenta New Scientist en 2026; (3) unicornios periféricos que levantan cientos de millones y obligan a mirar dos veces. Retinar no es ninguna de las tres. Es el tipo de IA que casi no genera hilo y sin embargo ataca pérdida visual irreversible. Si tu radar solo pilla las tres primeras, tu radar está roto.

Trampas típicas al leer una IA de salud (para que no te la cuelen)

Cuando salga el próximo titular de "IA que detecta X mejor que los médicos", aplica este filtro de cuñado arrepentido:

• ¿Asiste o reemplaza? Si reemplaza y no hay evidencia + regulación encima de la mesa, desconfía por defecto.
• ¿De dónde salieron las imágenes? Dataset único, limpio y occidental suele fallar al cruzar la calle. Diversidad de cámaras y de origen no es postureo; es supervivencia del modelo.
• ¿Qué pasa con las fotos malas? Un sistema que no filtra calidad es un generador de falsos dramas y de falsas tranquilidades.
• ¿Te dan el porcentaje mágico sin el protocolo? Sensibilidad sin contexto de población, umbral y comparador clínico es perfume.
• ¿Confundes capital con clínica? Una ronda de 500M€ no dilata pupilas. Un paper del CONICET no paga servidores eternos. Son ejes distintos.
• ¿Medimos el éxito en keynote o en embudo? En teleoftalmología el KPI adulto es simple de enunciar y duro de ejecutar: más cribado útil, menos cuello de botella, menos gente que se entera tarde.

Retinar, con lo publicado por el CONICET, pasa varios de estos filtros con solvencia narrativa y técnica básica. Los que faltan (números finos de rendimiento clínico en el material de partida, regulación, despliegue rutinario documentado) no se inventan. Se esperan. O se exigen. Pero no se rellenan con fe.

El remate, sin moraleja de poster

El Cuñado va a seguir midiendo la IA en likes, en billones de parámetros y en si el modelo "ya programa mejor que tu primo". Mientras tanto, un grupo en PLADEMA entrena redes con fondos de ojo para que la diabetes te robe menos retina.

No es romanticismo de laboratorio público. Es una categoría de producto que el mercado editorial trata como nota blanda cuando debería tratarla como lo que es: IA con consecuencia irreversible si falla el sistema de salud alrededor (y con consecuencia brutalmente positiva si el cribado llega antes).

Retinar no necesita ser el anti-OpenAI ni el Multiverse del Cono Sur. Necesita lo que ya enseña el material disponible: problema gordo (25%), equipo con historia real, modelos entrenados para no romperse al cambiar de cámara, y un lugar concreto en la cadena de teleoftalmología sin desalojar al clínico.

¿Humo? No. ¿Magia? Tampoco. Ciencia aplicada con las uñas en un problema de verdad. En el ruido actual, eso casi parece contracultura.

Preguntas frecuentes

¿Qué es Retinar y para qué sirve?

Retinar es una plataforma argentina de teleoftalmología con IA para detectar de forma temprana la retinopatía diabética. Analiza la calidad de las retinografías y clasifica el riesgo de enfermedad referible, asistiendo a los profesionales. La desarrollan investigadores del CONICET y la UNCPBA en PLADEMA, en articulación con el Hospital El Cruce, sin reemplazar la decisión clínica.

¿La retinopatía diabética es tan frecuente como dicen?

Sí. Según el material del CONICET sobre Retinar, afecta al 25% de las personas con diabetes en el mundo y es la principal causa de pérdida visual prevenible e irreversible en adultos en edad productiva. Por eso el cribado y la derivación a tiempo no son un "extra innovador": son la diferencia entre llegar temprano y llegar tarde.

¿Retinar sustituye al oftalmólogo?

No. La plataforma está diseñada para asistir: revisa calidad de imagen y clasifica estudios según riesgo de retinopatía diabética referible. La decisión clínica sigue en manos del profesional. Ese encaje es coherente con la teleoftalmología, donde el cuello de botella suele ser el volumen de estudios remotos, no la ausencia total de criterio médico.

¿Retinar es comparable a Multiverse Computing o a los modelos chinos open-source?

No en modelo de negocio ni en tipo de producto. Multiverse irrumpió con una ronda de 500M€ y una tesis de compresión de modelos; DeepSeek o GLM-5.2 compiten en la carrera de LLMs open-source frente a premium de EE.UU., según New Scientist (2026). Retinar es IA clínica de visión para cribado de retina. El paralelismo útil es otro: también obliga a preguntar si hay sustancia bajo el titular (y en su caso la respuesta, con los hechos disponibles, es que sí).