La bioquímica Anna Pertl escribió su pregunta, presionó Enter y se fue a dormir. El sistema de inteligencia artificial que había activado está diseñado para producir hipótesis científicas innovadoras. Pero, a diferencia de un chatbot típico, esta herramienta de IA —llamada Co-Scientist— no se limita a generar una respuesta en una sola pasada. Lanza varios sistemas autónomos de IA, conocidos como agentes, para buscar y sintetizar información de artículos, evaluar explicaciones en competencia, refinar y criticar hipótesis y probar ideas de forma iterativa contra la evidencia publicada.
El proceso puede implicar enormes cantidades de potencia computacional porque los agentes persiguen distintas líneas de razonamiento antes de converger en soluciones viables. Y eso lleva tiempo. Lo suficiente, bromea Pertl, para completar un triatlón de larga distancia, que ha hecho ocho veces desde que comenzó su doctorado en el Instituto Whitehead para la Investigación Biomédica en Cambridge, Massachusetts.
Un martes lluvioso de julio, Pertl puso a trabajar el sistema de IA en uno de los problemas más complicados del cáncer. Le pidió a Co-Scientist formas no obvias pero prácticas de aprovechar la biología de gotas moleculares conocidas como condensados para desactivar MYC, una proteína que se descontrola en la mayoría de los cánceres y que durante mucho tiempo ha desafiado los intentos de atacarla. La solicitud se basaba en años de investigación del supervisor de Pertl, el biólogo de Whitehead Richard Young. En 2018, Young y sus colegas descubrieron que las células activan genes cruciales al agrupar proteínas reguladoras en condensados que se concentran en regiones importantes de control del genoma llamadas superpotenciadores. También descubrieron cómo las células cancerosas secuestran estos superpotenciadores para sobreexpresar el gen que codifica MYC, una fuerte pista de que los condensados ayudan a alimentar la alta tasa de expresión de la proteína. Para Young, el siguiente paso obvio es atacar directamente los condensados de las células tumorales. Dewpoint Therapeutics en Boston, Massachusetts, una empresa que cofundó, ahora explora esa opción. Sin embargo, debido a que los intentos previos de someter a MYC fracasaron, Pertl quería ver si la IA podía idear una nueva línea de ataque.
Llegar a una idea que valiera la pena requirió algo de trabajo. Pertl y el bioingeniero de Whitehead Kalon Overholt pasaron casi una hora interactuando con Co-Scientist antes de que entendiera la pregunta. Al principio, el modelo de IA asumió que los grupos de proteínas en el centro de la investigación eran el fármaco en lugar del objetivo. La herramienta también asumió que los grupos siempre activaban la expresión génica, cuando en realidad algunos hacen lo contrario. Una vez que Pertl y Overholt corrigieron estos conceptos erróneos, dejaron suelto al sistema. Para el día siguiente, Co-Scientist había revisado más de 700 artículos científicos y generado 108 posibles estrategias. Rechazó todas menos una por inviables. La última estrategia le dio la vuelta al pensamiento del laboratorio. En lugar de disolver los grupos —el método que persigue Dewpoint—, la herramienta de IA propuso pegarlos. Usando una tecnología de enlace molecular llamada química de clic, el enfoque aplasta las proteínas que activan o reprimen el gen MYC en una masa pegajosa, desencadenando una reacción en cadena hasta que el ADN de MYC ya no puede leerse.
Los científicos ya sabían que el ADN y las proteínas que lo rodean podían pasar de un líquido suelto a algo más firme, endureciéndose como la gelatina en un refrigerador. Pero explotar esa transición para desactivar un gen del cáncer era territorio inexplorado. “Es extremadamente convincente a nivel conceptual”, dice Overholt. “Ciertamente nunca habíamos pensado en algo así”.
Una tendencia en expansión
Este tipo de lluvia de ideas asistida por IA se está volviendo cada vez más común. Los investigadores ya han utilizado Co-Scientist, desarrollado por Google en Mountain View, California, para encontrar una combinación de fármacos que mata células leucémicas en una placa de laboratorio e identificar un tratamiento que, en el laboratorio, regenera tejido hepático dañado por enfermedad. Y Co-Scientist no es el único en su tipo. Laboratorios de IA de frontera, incluidos Anthropic y OpenAI, y nuevas empresas como FutureHouse y Phylo (las cuatro con sede en o cerca de San Francisco, California) están lanzando sistemas que pueden abordar tareas que antes estaban reservadas a científicos humanos, liberando a los investigadores para que se concentren en las preguntas y decisiones más trascendentales. “Lo imaginamos como un colaborador, un socio contigo”, dice Vivek Natarajan, investigador de IA en Google, quien ayudó a desarrollar Co-Scientist.
Equipos de agentes de IA aumentan la velocidad de la investigación
Eso podría cambiar no solo cómo trabajan los científicos, sino también cómo se les valora. Durante generaciones, el progreso científico ha dependido de investigadores capaces de plantear preguntas difíciles, idear formas de responderlas y dar sentido a los resultados. A medida que las máquinas asumen más de ese trabajo, el recurso escaso podría terminar siendo el juicio científico humano: saber qué preguntas vale la pena hacer y qué líneas de investigación merecen seguirse. “La parte más valiosa ahora es realmente hacer la pregunta”, dice Ajay Agrawal, economista de la Escuela de Administración Rotman de la Universidad de Toronto en Canadá, que estudia los efectos de la IA en la innovación y el emprendimiento. El objetivo, dice Le Cong, genetista molecular de la Universidad de Stanford en California y cofundador científico de Phylo, no es reemplazar a los investigadores sino liberarlos de los aspectos rutinarios del descubrimiento. “Estamos tratando de mover a los humanos hacia arriba en la cadena de valor”, afirma.
Pero la adopción de estas herramientas de IA también crea una paradoja preocupante. Los investigadores podrían necesitar un conocimiento más profundo que nunca para juzgar si una idea generada por IA es sólida, incluso cuando los estudiantes tienen menos oportunidades de desarrollar esa experiencia haciendo el trabajo ellos mismos. Las herramientas que prometen acelerar el descubrimiento podrían, por lo tanto, dificultar la formación de los científicos necesarios para supervisarlas. “Los investigadores con habilidades humanas que entienden el panorama completo serán más valiosos que nunca”, concluye Hector Zenil, investigador de computación biomédica en el King’s College de Londres.
Para Fyodor Urnov, que estudia edición del genoma en la Universidad de California, Berkeley, y fue uno de los primeros en adoptar la plataforma Kosmos de FutureHouse, la promesa de los asistentes de investigación con IA viene con una regla simple: no tomar sus pronunciamientos como fe. Urnov creció en Moscú y recuerda bien una frase popularizada durante las negociaciones de control de armas nucleares entre Estados Unidos y la Unión Soviética en la década de 1980. “Mi relación con [Kosmos] se basa mucho en ese proverbio Reagan-Gorbachov”, dice: “Confía, pero verifica”.
La verificación como paso clave
Un paso de verificación se incorporó a una prueba del Co-Scientist de Google por parte de investigadores del Imperial College de Londres, quienes utilizaron la plataforma en 2025 mientras investigaban cómo las bacterias intercambian fragmentos de ADN entre especies. Ya habían recolectado datos experimentales y formado una teoría, pero en lugar de introducirlos en el sistema, retuvieron los resultados no publicados y le pidieron a la herramienta de IA que trabajara solo con la literatura y los conjuntos de datos disponibles públicamente. Solo después de que produjo su teoría revelaron los hallazgos experimentales y compararon el trabajo de la plataforma con el suyo. La teoría de Co-Scientist sobre lo que estaba sucediendo coincidía estrechamente con lo que los investigadores, los microbiólogos José Penadés y Tiago Costa, habían tardado años en dilucidar: los elementos de ADN bacteriano pueden tomar prestadas partes de virus para propagarse entre huéspedes distantemente relacionados. Gracias a su capacidad de razonar y conectar información de muchas fuentes, Co-Scientist llegó esencialmente a la misma conclusión en unos dos días. Si los investigadores del Imperial hubieran utilizado la herramienta desde el principio, dice Costa, podría haberles ahorrado los años de experimentos exploratorios que realizaron antes de dar con el mecanismo correcto. “Si piensas en el descubrimiento científico como una carrera de 100 metros”, dice, con un asistente de IA “comienzas esta carrera en, digamos, el metro 30 en lugar del metro 0”.
Los asistentes de IA generalmente usan varios agentes para atacar la misma pregunta desde diferentes ángulos. Pueden dividir preguntas científicas en tareas más pequeñas, con agentes abordando diferentes piezas en paralelo. El sistema de Google —y plataformas competidoras de FutureHouse, Huawei Technologies en Shenzhen, China, y Sakana AI en Tokio— pueden explorar varios caminos posibles a la vez, permitiendo que conexiones útiles emerjan de la interacción entre agentes en lugar de una sola cadena de razonamiento. “Tienes todos estos agentes de IA con diferentes antecedentes para dar diferentes perspectivas”, dice Kyle Swanson, científico de computación en Stanford que ayudó a desarrollar Virtual Lab, una de las primeras plataformas académicas de asistencia a la investigación con IA. “Te da acceso instantáneo a expertos interdisciplinarios”.
Pero incluso un equipo de especialistas en IA requiere que alguien oriente la herramienta hacia un problema que valga la pena y enmarque el desafío de tal manera que el sistema pueda abordarlo productivamente. Para un problema estrechamente definido, el objetivo podría ser obvio. Quizás por eso los problemas de décadas planteados por el difunto matemático húngaro Paul Erdős y resueltos por una herramienta de IA en mayo resultaron terreno fértil para la lógica de máquina. Sin embargo, en la ciencia abierta, decidir qué preguntar y qué contaría como una respuesta significativa sigue siendo una tarea fundamentalmente humana.
Los científicos humanos superan a los mejores agentes de IA en tareas complejas
“Tienes que hacer muy buenas preguntas”, señala Swanson. “Si haces preguntas muy genéricas, probablemente obtendrás respuestas muy genéricas”. No es que las buenas preguntas necesariamente requieran un alcance estrictamente definido. Por ejemplo, Philine Guckelberger, genetista molecular en FutureHouse y Stanford, alimentó a Kosmos con un gran conjunto de datos de contactos moleculares que ayudan a controlar qué genes se activan. Luego le pidió a la herramienta que buscara patrones que un investigador humano podría pasar por alto. Kosmos inicialmente tropezó con cómo estaban etiquetados los datos, sin hacer distinciones que a Guckelberger le parecían obvias pero que habían confundido a la herramienta. En un conjunto de datos de 30 millones de filas, por ejemplo, ignoró una columna en la que se distinguían dos tipos de región de ADN. Después de que Guckelberger lo corrigió, el sistema descubrió un patrón inesperado en células cancerosas que ella pudo confirmar en conjuntos de datos independientes. “Aceleró esto como loco”, dice.
Otro atractivo de las plataformas de co-científicos de IA es que pueden comprimir las partes más tediosas del proceso de investigación y asumir flujos de trabajo complejos de varios pasos que un científico tendría que resolver a mano.
Este artículo fue publicado originalmente en Nature 657, 1108-1110 (2026) doi: https://doi.org/10.1038/d41586-026-02931-5
