--- title: "Actualizamos el modelo y el algoritmo de transcripción. — Hanah" description: "Hemos actualizado el modelo que redacta el borrador de tus notas y el algoritmo de transcripción. La tasa de error de palabras bajó del 5.9% al 1.6%, y los detalles inventados de 5 a 1." source: https://hanah.health/es/blog/benchmark-update-july-2026/ --- 1. [Inicio](https://hanah.health/es/) 2. [Blog](https://hanah.health/es/blog/) 3. Actualización a un nuevo modelo y un nuevo algoritmo de transcripción. Artículo # Actualización a un nuevo modelo y un nuevo algoritmo de transcripción. Por [Ahmed](https://hanah.health/es/blog/authors/ahmed/) · 3 min de lectura Publicado el 31 de julio de 2026 · Actualizado el 15 de octubre de 2026 ## Puntos clave - Esta actualización de julio de 2026 cambió el modelo de generación de notas y el algoritmo de transcripción, sin tocar las plantillas. - En la evaluación australiana publicada, la tasa de error de palabras bajó del 5.9% al 1.6%, y los detalles inventados confirmados bajaron de cinco a uno. - Son resultados históricos para el corpus y la ejecución citados. Léelos junto con el método enlazado y los informes actuales. Hemos actualizado el modelo que redacta el borrador de tus notas, junto con el algoritmo que graba y transcribe una consulta. Este artículo explica qué ha cambiado, qué puedes esperar y qué sigue igual. ## Lo que muestran nuestras pruebas comparativas Medido con nuestro corpus australiano, comparando esta ejecución con la que publicamos el 29 de junio: #### Tasa de error de palabras 1.6% −4.3pt frente al 29 de junio #### Detalles inventados, confirmados 1 −4 frente al 29 de junio #### Datos clínicos recogidos 94.7% +3.2pt frente al 29 de junio [Ver los datos y los resultados con más detalle](https://hanah.health/es/au/trust/transparency/). En nuestras pruebas, el nuevo modelo Gemini Flash 3.6 recogió más datos clínicos e inventó muchos menos detalles. En un contexto clínico, la exhaustividad nunca debe ir en detrimento de la precisión, y con esta actualización no tuvimos que sacrificar una por la otra. ## Las plantillas no cambian Tus plantillas no se ven afectadas. Las mismas plantillas deberían producir la misma estructura, los mismos apartados y los mismos campos. No tienes que revisar nada de lo que has configurado ni hacer nada. ## Qué ha cambiado Hemos actualizado el modelo de generación de notas, de Gemini Pro 3.1 a Gemini Flash 3.6, y también nuestro algoritmo de transcripción. **El algoritmo de transcripción.** Hemos rehecho cómo se detecta el habla y cómo el decodificador sigue el ritmo de una consulta larga, de modo que llega a la transcripción más de lo que se dice, sobre todo al principio de las frases y hasta el final de las grabaciones más largas. También hemos mejorado la detección de nombres y actualizado nuestro corpus de pruebas para incluir nombres menos conocidos. **El modelo de generación de notas.** Actualizado a Gemini Flash 3.6. Junto con la mejora en la precisión de la transcripción, esto ha dado lugar a menos alucinaciones y a un lenguaje más preciso en la generación de notas. ## Las cifras y cómo comprobarlas Las dos ejecuciones están publicadas completas: [el informe actual](https://hanah.health/es/au/trust/transparency/), [la comparación lado a lado](https://hanah.health/es/au/trust/comparison/) y [los resultados anteriores](https://hanah.health/es/au/trust/benchmarks/). Puedes leer cada transcripción, cada nota generada y el razonamiento de cada evaluador. Nota importante: hemos mejorado el jurado de LLM para usar modelos más grandes y tener más confianza en nuestras pruebas comparativas. Vimos que ejecutar modelos más pequeños varias veces solía dar peores informes que ejecutar una vez modelos grandes. ## Por qué publicamos esto Creemos que el software para profesionales sanitarios no debe tratarse con la lógica SaaS de “muévete rápido y rompe cosas”. Somos totalmente transparentes y compartimos cualquier cambio que hacemos o tenemos previsto hacer para que estés bien informado de cómo procesamos los datos. Los resultados de estas actualizaciones son, en general, bastante positivos; sin embargo, como [escribimos a principios de este mes](https://hanah.health/es/blog/ai-health-tech-transparency/), las cifras solo significan algo si también las publicamos cuando son malas, y esa transparencia es nuestro compromiso contigo. Si crees que hemos empeorado, o que nuestro corpus de pruebas no refleja tu práctica, no dudes en escribirnos a hello@hanah.health. ## Preguntas frecuentes **¿Son estas las cifras de precisión actuales?** Son los resultados publicados para la actualización de julio de 2026. Las ejecuciones más recientes pueden diferir; consulta los [informes de precisión](https://hanah.health/es/transparency/) para ver los últimos resultados publicados. **¿La actualización requirió nuevas plantillas de nota?** La actualización descrita aquí cambió el modelo de generación y el algoritmo de transcripción, y mantuvo las plantillas. **¿Qué mide la tasa de error de palabras?** Mide las diferencias entre la transcripción generada y la transcripción de referencia según el método de puntuación publicado. Es independiente de la precisión de la nota clínica generada. ## Fuentes citadas en este artículo - [Ver los datos y los resultados con más detalle](https://hanah.health/es/au/trust/transparency/) — hanah.health - [la comparación lado a lado](https://hanah.health/es/au/trust/comparison/) — hanah.health - [los resultados anteriores](https://hanah.health/es/au/trust/benchmarks/) — hanah.health - [informes de precisión](https://hanah.health/es/transparency/) — hanah.health ## Sobre el autor [Ahmed](https://hanah.health/es/blog/authors/ahmed/) · Cofundador y CEO, Hanah Ahmed es cofundador y CEO de Hanah, con una trayectoria tecnológica que abarca ingeniería de software, desarrollo de videojuegos, analítica deportiva, tecnología financiera e inteligencia artificial. Empezó a crear software a los 13 años y ha trabajado en Electronic Arts, Catapult Sports, Commonwealth Bank y SEEK, ha dirigido un estudio independiente de videojuegos y ha sido director de IA en sixclicks, una empresa de gobernanza, riesgo y cumplimiento. En Hanah aporta esa experiencia a la arquitectura de software del producto, los flujos de IA y la experiencia de usuario. Su trabajo conecta la documentación clínica con los ciclos de retroalimentación que ayudan a los pacientes a seguir implicados en su atención. Escribe sobre la tecnología de Hanah, el diseño de producto, los métodos de evaluación y las comparativas de escribas con IA. [Ver artículos](https://hanah.health/es/blog/authors/ahmed/). [Ahmed en LinkedIn](https://www.linkedin.com/in/meds/) **Nota de actualización:** se han añadido resúmenes estructurados y metadatos de publicación. Esta actualización no cambia las fechas de comprobación de fuentes ni de la prueba comparativa que se indican en el artículo. [Cómo escribimos, documentamos y revisamos los artículos](https://hanah.health/es/blog/editorial-policy/) ## Lecturas relacionadas - [El escriba con IA más preciso para médicos especialistas: casos complejos y terminología médica](https://hanah.health/es/blog/ai-scribe-for-medical-specialists/) Compara Hanah, Heidi e i-scribe con notas de cardiología y transcripciones de UCI y traumatología. Examina las notas, las listas de datos y las calificaciones de la IA, y mira cómo encajan en la práctica las notas de especialista, el dictado y las cartas al médico remitente. - [El escriba médico con IA más preciso en 2026](https://hanah.health/es/blog/most-accurate-ai-medical-scribe-2026/) Reprodujimos las mismas 13 consultas grabadas en ocho escribas con IA y calificamos a ciegas cada nota, resumen y transcripción. Hanah recogió más datos clínicos, tuvo menos alertas de alucinación grave y menos errores de transcripción clínicamente significativos. - [Precisión antes que inferencia: tu escriba con IA no debería rellenar los huecos](https://hanah.health/es/blog/accuracy-over-inference/) Un dato clínico verosímil sigue siendo un dato inventado si la consulta nunca lo estableció. Ejemplos reales de nuestras pruebas explican por qué Hanah prioriza una documentación fiel y por qué medimos la consistencia entre ejecuciones repetidas. Ve Hanah en tu propia clínica. [Reservar una demo](https://hanah.health/es/#demo)