Investigación Agentes autónomos que investigan solos: el nuevo salto de la IA en ciencia
Dos estudios en Stanford y un repositorio abierto muestran cómo los agentes de IA ya ejecutan experimentos biomédicos y traducen código legacy. El desafío para América Latina es saltar de la compra de herramientas a la creación de flujos propios.
La inteligencia artificial está dejando de ser una calculadora sofisticada para convertirse en un socio de laboratorio que diseña experimentos, analiza resultados y refina hipótesis sin intervención humana directa. Dos trabajos publicados casi en simultáneo —un informe técnico de OpenAI y un extenso survey de investigadores del Shanghai Artificial Intelligence Laboratory— junto con el lanzamiento de una herramienta de código abierto desde la Universidad de Stanford, trazan las fronteras de lo que denominan "Ciencia Agéntica" (Agentic Science). Para las empresas y centros de investigación de América Latina, el movimiento implica una pregunta concreta: ¿están preparados para operar infraestructura que permita a sus equipos delegar ciclos completos de descubrimiento a sistemas autónomos?
La investigación básica en biomedicina ilustra con claridad el cambio de paradigma. Un equipo de la Escuela de Ingeniería de la Universidad de Stanford publicó en la revista Science el desarrollo de Biomni, un agente de inteligencia artificial biomédica de propósito general que, según los autores, es capaz de realizar de forma autónoma diversas tareas de investigación. Biomni analiza la literatura biomédica para definir "espacios de acción" integrales y utiliza un modelo de lenguaje extenso como motor de planificación. Cuando recibe una solicitud, interpreta la intención del usuario y descompone el problema en una serie de subtareas sin depender de plantillas predefinidas. En las evaluaciones contra parámetros de referencia biomédicos, Biomni igualó la precisión de expertos humanos y requirió mucho menos tiempo. Los investigadores lo probaron en cinco estudios de caso que abarcaron desde el análisis de datos de sensores portátiles hasta el diseño de protocolos de laboratorio.
El salto conceptual, sin embargo, va más allá de una sola herramienta. El survey firmado por investigadores del Shanghai Artificial Intelligence Laboratory, la Universidad de Zhejiang, la Universidad de Columbia Británica y otras instituciones —publicado en arXiv— propone un marco unificado para lo que denominan "Ciencia Agéntica". Los autores trazan una evolución de la inteligencia artificial en ciencia en cuatro niveles. En el primero, la IA funciona como un oráculo computacional: resuelve problemas discretos pero requiere que un humano defina cada paso y evalúe los resultados. En el segundo nivel, la IA se convierte en un asistente de investigación parcialmente autónomo. En el tercero —el foco del survey— opera como un socio científico completamente autónomo, capaz de generar hipótesis, diseñar y ejecutar experimentos, interpretar resultados y refinar teorías con mínima dependencia humana. El cuarto nivel, aún prospectivo, proyecta a la IA como arquitecta generativa de nuevos paradigmas científicos.
El survey identifica cinco capacidades fundamentales que debe poseer un agente científico: razonamiento y planificación, integración de herramientas, mecanismos de memoria, colaboración entre múltiples agentes, y optimización y evolución. El proceso de descubrimiento se modela como un flujo dinámico de cuatro etapas: observación y generación de hipótesis, planificación y ejecución experimental, análisis de datos y resultados, y síntesis, validación y evolución. Los autores revisan aplicaciones en ciencias de la vida, química, ciencia de materiales y física, abarcando más de una docena de subdisciplinas.
En paralelo, el repositorio CodeScribe —desarrollado también desde laboratorios de Estados Unidos y publicado bajo licencia abierta— aborda un problema más operativo pero igual de estratégico: la modernización de códigos científicos heredados. CodeScribe es un framework asistido por inteligencia artificial para la traducción incremental de Fortran a C++, incluyendo la generación de capas de interfaz entre ambos lenguajes. La herramienta soporta flujos multiagente en los que un desarrollador humano escribe archivos de tareas que coordinan subagentes especializados en planificación, ejecución y prueba. El sistema puede integrarse con backends de modelos de lenguaje como OpenAI, Anthropic o endpoints compatibles con OpenAI.
Para las organizaciones de América Latina, el escenario tiene implicaciones de infraestructura y estrategia. La automatización de flujos de investigación biomédica promete acelerar el descubrimiento en áreas como genómica, transcriptómica y descubrimiento de fármacos, pero exige que los equipos locales cuenten con acceso a APIs de modelos de lenguaje, capacidad de cómputo para ejecutar agentes y, sobre todo, personal capacitado para diseñar los workflows que los agentes ejecutarán. La disponibilidad de herramientas como CodeScribe, que es código abierto, reduce la barrera de entrada tecnológica, pero la barrera de talento sigue siendo el cuello de botella. Los laboratorios de América Latina que hoy tercerizan sus análisis a plataformas cerradas podrían verse en desventaja si no desarrollan internamente la capacidad de orquestar estos agentes.
El survey del Shanghai AI Lab señala que aún persisten desafíos en reproducibilidad, validación de novedad y transparencia en el razonamiento científico de los agentes. La pregunta que un director de investigación o un CTO latinoamericano debería hacerse no es si esta tecnología llegará a la región, sino si su organización está construyendo hoy las competencias para operarla sin depender exclusivamente de proveedores externos.
