This work aims to provide internists with a practical, focused overview of how generative AI based on large language models can be effectively integrated into daily clinical practice. It describes the primary adaptation mechanisms like fine-tuning and retrieval-augmented generation (RAG) for tasks such as report generation, synthesis of clinical findings, and support in differential diagnoses, highlighting real-world examples in Internal Medicine. Technical and organizational requirements for adoption are analyzed, including computing infrastructure, integration with electronic health records, and security/privacy protocols under GDPR and the EU AI Act. Opportunities for enhancing clinical decision-making, optimizing workflows, and reducing administrative burden are emphasized, alongside current limitations like bias, hallucinations, and the need for human oversight. Finally, recommendations are offered for prospective validation in real-world settings and for ensuring explainable transparency, with the goal of empowering internists to incorporate these innovative tools responsibly and efficiently.

Este trabajo pretende ofrecer a los internistas una visión práctica y orientada sobre cómo la IA generativa basada en modelos de lenguaje puede integrarse eficazmente en la práctica clínica diaria. Describimos los principales mecanismos de adaptación de estos sistemas, como fine-tuning y recuperación aumentada por recuperación (RAG) para tareas como la generación de informes, síntesis de hallazgos clínicos y apoyo en diagnósticos diferenciales, subrayando ejemplos reales de uso en medicina interna. Asimismo, analizamos los requisitos técnicos y organizativos necesarios para su adopción, incluyendo la infraestructura de cómputo, la integración con historias clínicas electrónicas y los protocolos de seguridad y privacidad según RGPD y Reglamento Europeo de IA. Por otro lado, destacamos las oportunidades de mejora en la toma de decisiones clínicas, la optimización de flujos de trabajo y la reducción de carga administrativa, junto con las limitaciones actuales, como sesgos, alucinaciones y necesidad de supervisión humana. Finalmente, ofrecemos recomendaciones para la validación prospectiva en entornos reales y para asegurar la transparencia explicable, con el objetivo de empoderar a los internistas en la incorporación responsable y eficiente de estas herramientas innovadoras.