Cómo funcionan los agentes de IA en la ciencia
Agentes de inteligencia artificial en la ciencia: cómo están acelerando investigaciones y por qué todavía necesitan expertos
La inteligencia artificial ya puede resumir publicaciones científicas, ayudar a programar y analizar conjuntos de datos. Durante 2026 comenzó a aparecer una etapa más ambiciosa: sistemas formados por uno o varios agentes que reciben objetivos científicos, consultan literatura, escriben código, prueban alternativas y analizan resultados.
En algunos proyectos, estos sistemas incluso participan en la generación de hipótesis que posteriormente pueden evaluarse mediante experimentos.
Esto no significa que una inteligencia artificial se haya convertido de repente en un científico independiente capaz de reemplazar laboratorios completos.
Los trabajos publicados durante 2026 muestran una realidad más interesante: los agentes pueden reducir considerablemente determinadas tareas de ingeniería e investigación, pero esa velocidad desplaza el cuello de botella hacia otro lugar.
Ahora el problema es verificar.
Si una IA puede producir diez alternativas en el tiempo que antes requería desarrollar una, el investigador debe disponer de métodos capaces de comprobar cuál funciona, cuál tiene sentido científico y cuál simplemente parece convincente.
Qué es un agente científico de inteligencia artificial
Un agente científico es un sistema de IA preparado para realizar una secuencia de actividades relacionadas con investigación.
Dependiendo del proyecto puede:
- Buscar literatura.
- Organizar antecedentes.
- Generar hipótesis.
- Escribir código.
- Analizar datos.
- Proponer experimentos.
- Comparar resultados.
- Criticar otras propuestas.
- Refinar una solución.
Un sistema multiagente distribuye esas tareas entre varios componentes especializados. Por ejemplo, un agente puede generar una hipótesis, otro criticarla y un tercero buscar evidencia.
Qué encontró el informe de OpenAI sobre computación científica
OpenAI publicó el 28 de julio de 2026 un informe exploratorio sobre ocho proyectos de computación científica asistidos mediante agentes de programación, principalmente relacionados con ciencias de la vida.
Cinco utilizaron Codex y tres combinaron Codex con Claude Code.
Los proyectos incluyeron desde mantenimiento de software hasta migraciones de lenguaje y rediseños capaces de aprovechar unidades de procesamiento gráfico.
Los participantes reportaron que los agentes aceleraron determinadas actividades de desarrollo y permitieron que equipos pequeños realizaran proyectos que habrían requerido más tiempo o apoyo especializado.
Sin embargo, el informe identifica un patrón decisivo: los agentes podían producir implementaciones rápidamente, pero no siempre podían determinar correctamente si el resultado era científicamente válido.
La función humana se desplazó desde escribir cada línea hacia definir objetivos, establecer pruebas, revisar resultados y decidir cuándo el software estaba listo.
El nuevo cuello de botella: validar resultados
Este punto resulta relevante más allá de la ciencia.
Cuando una herramienta tarda semanas en producir algo, la velocidad de creación es el cuello de botella.
Cuando una IA puede producir varias versiones rápidamente, el problema cambia: necesitamos comprobar todas esas versiones.
Los proyectos analizados por OpenAI utilizaron diferentes referencias externas para verificar resultados:
- Resultados conocidos.
- Comparación exacta con herramientas existentes.
- Comportamiento estadístico esperado.
- Datos simulados con respuestas conocidas.
- Pruebas automatizadas.
Este enfoque resulta más confiable que pedir a la propia IA que decida si su trabajo es correcto.
Nature publica sistemas que van más allá de programar
En mayo de 2026, Nature publicó diferentes trabajos relacionados con automatización de investigación.
Uno de ellos presentó Robin, un sistema multiagente capaz de combinar búsqueda de literatura y análisis de datos para generar hipótesis, proponer experimentos, interpretar resultados y generar nuevas hipótesis.
Los investigadores aplicaron el sistema al estudio de candidatos terapéuticos para degeneración macular relacionada con la edad.
Otro trabajo presentó ERA, un sistema destinado a desarrollar software científico optimizando una métrica de calidad.
Los autores reportaron resultados en bioinformática, epidemiología, análisis geoespacial y otras áreas.
Estos sistemas son más ambiciosos que un asistente que únicamente completa código porque incorporan procesos iterativos de búsqueda, generación y evaluación.
El caso de Co-Scientist
Nature también publicó en 2026 un trabajo sobre Co-Scientist, un sistema multiagente basado en Gemini diseñado para generación estructurada de hipótesis científicas.
En lugar de producir una única propuesta, diferentes agentes generan, critican y refinan hipótesis mediante un proceso competitivo.
La idea recuerda a un equipo científico donde una persona propone una explicación y otras intentan encontrar fallas antes de continuar.
El objetivo no consiste únicamente en resumir literatura existente. El sistema intenta descubrir conexiones y generar hipótesis que después deben someterse a validación experimental.
Este último punto es crucial: una hipótesis interesante no se convierte en conocimiento científico hasta que existe evidencia suficiente.
Qué tareas parecen adaptarse mejor a los agentes
| Tarea | Ventaja potencial | Necesidad humana |
|---|---|---|
| Revisión inicial de literatura | Procesar muchas publicaciones. | Comprobar selección y calidad de fuentes. |
| Programación científica | Producir y modificar código rápidamente. | Validar resultados y estabilidad. |
| Análisis exploratorio | Probar distintas aproximaciones. | Determinar si la interpretación tiene sentido científico. |
| Generación de hipótesis | Explorar combinaciones que una persona podría no considerar. | Evaluar plausibilidad y diseñar validación. |
| Mantenimiento de software | Actualizar código y automatizar pruebas. | Preservar compatibilidad y dirección del proyecto. |
El problema de la última milla
Una observación recurrente del informe de OpenAI es que los agentes podían producir rápidamente una primera implementación, pero resolver detalles, casos extremos y pequeñas diferencias numéricas requería mucho más trabajo.
Este fenómeno puede denominarse problema de la última milla.
El 80 por ciento inicial de una tarea puede completarse con gran velocidad, pero alcanzar el nivel necesario para que un sistema sea confiable puede consumir una proporción importante del tiempo.
Este patrón también aparece en diseño, programación empresarial, documentos y automatización.
La velocidad de una demostración no debe confundirse con la calidad de una solución terminada.
La IA también puede crear demasiado software
Acelerar la programación produce un riesgo menos evidente: fragmentación.
Si resulta barato reescribir una herramienta científica, distintos equipos pueden crear múltiples alternativas ligeramente diferentes.
Eso puede dividir usuarios y reducir el número de especialistas que mantienen cada proyecto.
El informe de OpenAI destaca que el mantenimiento de largo plazo continúa siendo esencial.
Una herramienta científica confiable contiene más que código. También incorpora años de decisiones, compatibilidad, documentación, experiencia de usuarios y convenciones que posiblemente no aparecen escritas.
Un reemplazo técnicamente moderno puede convertirse rápidamente en software abandonado si nadie asume su mantenimiento.
La preocupación sobre la formación de nuevos científicos
En mayo de 2026, investigadores escribieron en Nature sobre otro riesgo: la productividad que proporcionan asistentes y agentes puede reducir oportunidades tradicionales de aprendizaje.
Muchas habilidades científicas se desarrollan realizando tareas difíciles:
- Limpiar datos.
- Depurar código.
- Leer literatura.
- Repetir análisis.
- Encontrar errores.
Si esas actividades se delegan completamente desde el comienzo de una carrera, una persona puede obtener resultados sin desarrollar suficiente comprensión de cómo se producen.
La solución no consiste necesariamente en prohibir agentes, sino en diseñar un aprendizaje donde el investigador comprenda y pueda revisar los procesos que delega.
Cómo debería utilizar un investigador un agente
- Define una pregunta científica, no solamente una tarea técnica.
- Divide el proyecto en etapas pequeñas.
- Establece criterios de aceptación antes de generar resultados.
- Utiliza datos conocidos o simulados para pruebas.
- Conserva registro del código y cambios.
- Revisa resultados inesperados.
- Busca reproducibilidad.
- Mantén una persona responsable del proyecto.
Qué pueden aprender las empresas de estos proyectos científicos
Aunque una pequeña empresa no investigue genómica, estos trabajos ofrecen lecciones directamente aplicables.
Primera: definir una medida de éxito
No debemos pedir a un agente “mejora esto”. Debemos definir qué significa mejorar.
Segunda: trabajar por iteraciones
Los proyectos más sólidos no dependieron de una única instrucción gigantesca. Dividieron los objetivos y revisaron resultados intermedios.
Tercera: verificar contra información externa
Una factura debe cuadrar con los importes reales. Un inventario debe coincidir con registros. Un análisis debe poder reproducirse.
Cuarta: una persona debe ser propietaria del resultado
La IA puede producir trabajo, pero alguien necesita aceptar la responsabilidad sobre qué se implementa.
¿Estamos cerca de laboratorios completamente autónomos?
Durante 2026 existen demostraciones relevantes de automatización científica, incluso agentes capaces de interactuar con equipamiento experimental en determinadas condiciones.
Sin embargo, convertir estas demostraciones en ciencia completamente autónoma es una afirmación mucho más amplia.
La investigación científica incluye definición de problemas, contexto, creatividad, interpretación, ética, seguridad, conocimiento tácito y responsabilidad.
Los sistemas actuales pueden participar en varias etapas, pero las publicaciones analizadas continúan colocando a personas expertas en funciones de validación, diseño y supervisión.
Conclusión
Los agentes de inteligencia artificial ya están pasando de responder preguntas a participar activamente en procesos científicos.
Durante 2026 se han publicado ejemplos de agentes que escriben y modernizan software, generan hipótesis, analizan datos y coordinan distintas etapas de investigación.
El resultado más importante no es que la IA haya eliminado a los científicos. Es que ha modificado dónde se concentra el trabajo humano.
Cuando producir código o alternativas se vuelve barato, definir buenas preguntas y validar resultados se vuelve todavía más valioso.
Los científicos necesitan menos tiempo para determinadas tareas de implementación, pero más disciplina para comprobar resultados, mantener herramientas y decidir qué vale la pena investigar.
La inteligencia artificial puede aumentar considerablemente la velocidad de exploración. El conocimiento científico, sin embargo, continúa dependiendo de evidencia, reproducibilidad y criterio.
Preguntas frecuentes
¿Qué es un agente científico de IA?
Es un sistema que utiliza inteligencia artificial y herramientas para ejecutar varias etapas de una tarea científica, como búsqueda, programación, análisis o generación de hipótesis.
¿Los agentes de IA ya pueden realizar investigaciones solos?
Existen sistemas experimentales capaces de automatizar varias etapas, pero la validación, interpretación y responsabilidad científica siguen requiriendo intervención especializada.
¿Qué diferencia existe entre un chatbot y un agente científico?
Un chatbot normalmente responde una solicitud. Un agente puede mantener un objetivo, utilizar herramientas, ejecutar varios pasos y revisar resultados.
¿Cuál es el principal problema actual de los agentes científicos?
Uno de los principales es validar de manera fiable que sus resultados sean correctos y científicamente significativos.
¿La IA puede escribir software científico?
Sí. Durante 2026 se publicaron proyectos donde agentes ayudaron a desarrollar, migrar, mantener y optimizar software científico.