Introducción: El uso de inteligencia artificial (IA) en hematología ha ganado protagonismo gracias a su capacidad para automatizar procesos diagnósticos complejos como la evaluación morfológica de células hematopoyéticas. A pesar de estos avances, la microscopía óptica sigue siendo el estándar de oro para el análisis de aspirados de médula ósea, aunque presenta limitaciones como la variabilidad interobservador. En respuesta, la morfología digital asistida por IA surge como una alternativa prometedora. Objetivo: Mapear la evidencia científica disponible sobre la concordancia entre microscopía digital y óptica en aspirados de médula ósea en pacientes hemato-oncológicos, incluyendo el análisis por linajes celulares y los algoritmos utilizados. Métodos: Se realizó una revisión de alcance siguiendo la metodología del Instituto Joanna Briggs. Se buscaron estudios publicados desde 2010 en ocho bases de datos y literatura gris. Se aplicaron criterios de inclusión enfocados en estudios que compararan microscopía digital y óptica usando medidas de concordancia y correlación entre linajes y células de la médula ósea. Resultados: Se identificaron 33,606 registros, de los cuales 8 estudios cumplieron con los criterios de inclusión. Los estudios utilizaron diversos algoritmos como CNN, Mask R-CNN y YOLOv3, aplicados en plataformas como Morphogo y BMSNet. La concordancia fue alta para linajes comunes (eritroide, granulocítico), pero baja en células raras (promonocitos, basófilos). Los coeficientes Kappa oscilaron entre 0.136 y 0.987. También se reportaron correlaciones fuertes (r > 0.9) y niveles de precisión superiores al 95% en linajes frecuentes. Discusión: Aunque los sistemas digitales muestran buen desempeño en linajes prevalentes, enfrentan limitaciones frente a clases poco representadas. La heterogeneidad metodológica y el desbalance de clases son desafíos recurrentes. Se recomienda mayor representación de células raras y validaciones multicéntricas. Conclusión: La morfología digital asistida por IA ofrece una alternativa válida a la microscopía óptica, con alto potencial diagnóstico si se optimiza su entrenamiento y validación clínica.Introduction: The use of artificial intelligence (AI) in hematology has gained prominence due to its ability to automate complex diagnostic processes such as the morphological evaluation of hematopoietic cells. Despite these advancements, optical microscopy remains the gold standard for bone marrow aspirate analysis, although it has limitations such as inter-observer variability. In response, AIassisted digital morphology has emerged as a promising alternative. Objective: To map the available scientific evidence on the concordance between digital and optical microscopy in bone marrow aspirates from hemato-oncological patients, including lineage analysis and the algorithms used. Methods: A scoping review was conducted following the Joanna Briggs Institute methodology. Studies published since 2010 were searched in eight databases and grey literature. Inclusion criteria focused on studies comparing digital and optical microscopy using concordance and correlation measures between bone marrow lineages and cells. Results: A total of 33,606 records were identified, of which 8 studies met the inclusion criteria. The studies used various algorithms such as CNN, Mask R-CNN, and YOLOv3, applied in platforms like Morphogo and BMSNet. Concordance was high for common lineages (erythroid, granulocytic), but low for rare cells (promonocytes, basophils). Kappa coefficients ranged from 0.136 to 0.987. Strong correlations (r > 0.9) and precision levels above 95% were reported for frequent lineages. Discussion: Although digital systems perform well for prevalent lineages, they face limitations with underrepresented classes. Methodological heterogeneity and class imbalance are recurring challenges. Greater representation of rare cells and multi-center validations are recommended. Conclusion: AI-assisted digital morphology offers a valid alternative to optical microscopy, with high diagnostic potential if optimized through training and clinical validation.