Los ‘científicos de IA’ irrumpen en los laboratorios: productividad disparada y dilemas para la formación de nuevos investigadores

El análisis de un genoma humano completo que en 2010 requirió el trabajo de 31 científicos durante nueve meses acaba de ser replicado por una inteligencia artificial en apenas media hora. El hecho, ocurrido esta semana, no es un caso aislado, sino la muestra más reciente de cómo los denominados “científicos de IA” están transformando la dinámica de los laboratorios de investigación en todo el mundo, con implicaciones profundas para la formación de las próximas generaciones de científicos.

El protagonista de esta hazaña tecnológica es Euan Ashley, genetista y cardiólogo de la Universidad de Stanford, quien utilizó la herramienta Claude Science —desarrollada por Anthropic y lanzada el pasado 30 de junio— para examinar su propio genoma. El sistema no solo completó la tarea en tiempo récord, sino que identificó correctamente un alelo de riesgo para la enfermedad de Alzheimer y variantes genéticas que afectan el metabolismo de fármacos, un análisis que Ashley ya había realizado en 2012, aunque sin publicar los resultados. “No hay mundo en el que esto no sea absolutamente notable”, escribió el investigador en una publicación en LinkedIn.

Un ecosistema en expansión más allá de los chatbots

Claude Science se une a un departamento completo de herramientas de inteligencia artificial de propósito general para la ciencia, creadas tanto por empresas tecnológicas como por laboratorios académicos. Entre ellas destacan las ofertas de OpenAI en San Francisco y Co-Scientist, de Google DeepMind en Mountain View. A estas se suma Biomni, una herramienta de código abierto desarrollada por investigadores académicos y descrita esta misma semana en la revista Science.

Estas plataformas, a las que a menudo se denomina “científicos de IA”, están basadas en los grandes modelos de lenguaje que impulsan a los chatbots, pero van un paso más allá al operar como sistemas “agénticos”. Esto significa que pueden descomponer una solicitud compleja en pasos y, en el proceso, recurrir a software externo especializado, como los modelos de predicción de estructuras proteicas. Por ejemplo, la firma londinense Boltz utilizó un agente de Claude para diseñar un anticuerpo que reconociera dos dianas terapéuticas, integrando sus propias herramientas de predicción de plegamiento proteico.

Un ‘oráculo’ para generar hipótesis y una ayuda para la rutina del laboratorio

La utilidad de estas herramientas abarca todo el ciclo de la investigación. Clare Bryant, inmunóloga de la Universidad de Cambridge, fue una de las primeras usuarias de Co-Scientist y ha utilizado el sistema para generar hipótesis sobre la respuesta inmunitaria a patógenos zoonóticos. Tras alimentar la herramienta con una solicitud de subvención y datos adicionales, el sistema propuso varias ideas. Una de ellas, que su equipo ya está probando, consiste en introducir mutaciones específicas en una proteína inmune inanimada para observar su impacto en la infección por gripe. Bryant reconoce que probablemente habría llegado a ese experimento por su cuenta, pero el proceso le habría llevado unos dos años. “Sientes que estás hablando con un oráculo”, afirma Gary Peltz, también de Stanford, quien usó Co-Scientist para identificar fármacos existentes que podrían tratar un modelo de enfermedad hepática.

Yuanhao Qu, coautor del artículo sobre Biomni en Science y cofundador de la startup Phylo, resume el impacto en su productividad diaria: “El trabajo que normalmente me llevaba horas ahora me lleva minutos. Puedo dedicar mi tiempo a la ciencia que realmente necesita a un humano”.

La sombra de la duda: confianza, errores y el riesgo para los jóvenes investigadores

A pesar del entusiasmo, la adopción de estas herramientas no está exenta de desafíos y escepticismo. Ashu Singhal, presidente de la plataforma Benchmarking, estima que menos del 20% de los laboratorios han integrado plenamente a los científicos de IA en su flujo de trabajo, y recomienda a los investigadores probar varias herramientas para determinar cuáles se adaptan mejor a cada tarea.

El principal escollo es la fiabilidad. Un estudio publicado en Science demostró que Biomni igualaba el rendimiento de expertos en tareas como el diagnóstico de enfermedades raras, pero fallaba en otras que requerían un pensamiento biológico más profundo. Anthony Gitter, biólogo computacional del Instituto Morgridge, probó la herramienta en un desafío comunitario para predecir propiedades de fármacos y descubrió que, aunque los sistemas de IA hacían cosas “generalmente razonables”, no superaban a los expertos humanos. “No estaban ampliando los límites del conocimiento”, sentencia Gitter.

Sin embargo, la preocupación más profunda que emerge entre los investigadores consultados por Nature no es solo la precisión, sino el impacto formativo que estas herramientas tendrán en las nuevas generaciones. Los científicos temen que el uso excesivo de la IA pueda erosionar la capacidad crítica de los estudiantes.

El propio Ashley califica el aumento de productividad como “enorme, increíblemente grande”. Pero advierte que la dependencia de estos sistemas puede tener consecuencias negativas, especialmente para los investigadores en sus primeras etapas y para aquellos que trabajan fuera de su campo de especialización. “Solo aprendes a ver ciertos tipos de errores habiéndolos cometido tú mismo muchas veces en el pasado”, explica Gitter. En esa línea, Clare Bryant, que anima a sus alumnos a usar Co-Scientist para generar ideas, subraya el nuevo desafío pedagógico: “Tengo la experiencia para saber cuándo algo no es cierto. La gran pregunta que tengo es: ¿cómo entreno a los estudiantes?”.