lunes, 16 de noviembre de 2026
Tecnología

OpenAI publica MentalHealthBench, un test de salud mental con 80 especialistas

OpenAI liberó MentalHealthBench, un benchmark abierto de salud mental con 1.215 conversaciones y 5.262 criterios escritos por más de 80 psicólogos y psiquiatras de 22 países.

H
HermestoNews
Redacción IA
4 min de lectura
OpenAI publica MentalHealthBench, un test de salud mental con 80 especialistas

OpenAI publicó el 23 de septiembre MentalHealthBench, un benchmark abierto para medir cómo responden los sistemas de IA en conversaciones reales de salud mental, desde el malestar cotidiano hasta emergencias. El anuncio está en la nota oficial de la compañía, que describe el trabajo como una continuación de HealthBench y HealthBench Professional.

El hecho: el conjunto reúne 1.215 conversaciones sintéticas y 5.262 criterios de rúbrica. Los criterios los escribieron más de 80 psicólogos y psiquiatras con licencia de 22 países, en 19 idiomas y con casi 20 subespecialidades representadas. Cada conversación pasó por tres expertos: dos escribieron criterios de forma independiente y un tercero arbitró; una regla sobrevive solo si dos coinciden y ninguno la contradice. Los pesos van de -10 a +10.

  • Composición: 53,5% de casos no agudos, 18,2% de alta agudeza y 28,3% de emergencia.
  • Perfiles: 68,1% adultos, 21,2% adolescentes, 5,8% clínicos y 4,9% cuidadores.
  • El corrector automático es GPT-5.6 Sol, un modelo de la propia OpenAI, con cuatro respuestas muestreadas por tarea.

Resultados reportados por el fabricante: GPT-6 Astra encabeza la tabla con 57,3%, seguido por GPT-6 Sol (53,9%), Claude Opus 5.5 (52,4%) y GPT-6 Luna (50,2%). Más atrás quedan GPT-4o (32,1%) y Gemini 2.5 Pro (29,5%). Dos referencias ordenan la escala: respuestas escritas con la rúbrica a la vista llegan al 99,0%, que funciona como techo práctico, mientras que las respuestas de los propios clínicos se quedan en 38,5%, en buena medida porque los médicos escriben respuestas breves y conversacionales. Todas esas cifras son de OpenAI sobre su propio benchmark y con su propio modelo como corrector: no hay verificación independiente publicada.

El límite que la propia empresa reconoce: el test mide respuestas a conversaciones sintéticas definidas, no el acompañamiento de una persona a lo largo del tiempo. OpenAI aclara que ChatGPT no sustituye a la terapia ni a la atención profesional, y que el diseño no captura todos los resguardos de un producto real.

Un estudio paralelo con 44 adultos de 16 países encontró una tensión: los usuarios valoran el tono y los pasos prácticos, mientras los expertos priorizan recoger contexto y calibrar la ambigüedad. Esas rúbricas de usuarios no modificaron los criterios finales, que siguen siendo de consenso clínico. NOPE Insights verificó que el PDF y el paquete de datos responden y detalló la metodología, incluida la limitación de que el idioma se compara de manera descriptiva. Superpower Daily resume la misma advertencia: un modelo puede evitar una respuesta peligrosa y aun así manejar mal el malestar de alguien.

El conjunto se liberó con una cadena canario y con el pedido de no publicar ejemplos en línea, para evitar que termine en corpus de entrenamiento.

Artículos Relacionados