El descubrimiento de un material útil solía tomar décadas de ensayo y error en un laboratorio. Esa línea de tiempo se está comprimiendo con herramientas de inteligencia artificial que no solo predicen propiedades, sino que diseñan compuestos nuevos desde cero. Applied Materials, uno de los mayores proveedores de equipos para fabricar chips, ya usa IA con ese propósito, según el jefe de la compañía para Japón citado por Nikkei Asia. La paradoja es que la misma empresa que vende máquinas para producir semiconductores está aplicando el aprendizaje automático para encontrar, más rápido, los materiales con los que se fabricarán las próximas generaciones de chips.
Del ensayo y error al laboratorio autónomo
Un artículo de revisión publicado en Communications Materials, revista del grupo Nature, documenta el salto: la ciencia de materiales pasó de la observación empírica a la simulación computacional, luego a la ciencia basada en grandes datos y ahora a la IA generativa, capaz de proponer composiciones y estructuras que cumplan criterios específicos de estabilidad, rendimiento o sostenibilidad. El trabajo, que acumula 46.000 accesos y 20 citas, propone una infraestructura de código abierto que integra adquisición de datos, modelado, simulación y despliegue, con laboratorios autónomos que optimizan en tiempo real y mecanismos basados en blockchain para trazabilidad de la cadena de suministro.
La clave no es solo la velocidad. Es la democratización: al publicar estas plataformas como open source, un instituto de investigación o una empresa mediana puede usar modelos que antes solo estaban al alcance de los laboratorios centrales de las grandes corporaciones. Eso cambia la geografía de la innovación.
La bolsa ya descuenta el ciclo
Mientras la ciencia avanza, el mercado financiero también apuesta por esta convergencia. Bankinter mantiene una perspectiva positiva para el sector de semiconductores en 2026 y 2027. La entidad ve con buen ánimo el desempeño de Applied Materials, en un contexto de demanda sostenida por equipos para fabricar chips. La IA aplicada a la ciencia de materiales es parte de esa historia de crecimiento.
Los números del líder del rally son contundentes: la demanda de los hiperescaladores por GPUs para centros de datos sostiene el ciclo. Pero el cuello de botella ya no es solo el diseño del chip: es encontrar los materiales que permitan fabricarlos con el rendimiento y el costo energético que exige la IA.
Ahí entra el trabajo que Applied Materials describe en Japón. Si la IA reduce el tiempo de descubrimiento de materiales de años a meses, toda la cadena se acelera: los equipos de litografía de ASML, las obleas de TSMC, la memoria de Micron. Los fabricantes tradicionales de chips, incluido el propio Applied Materials, se convierten en clientes y beneficiarios de la misma tecnología que están desarrollando.
Qué significa para América Latina
La región no tiene fábricas de semiconductores de vanguardia, pero tiene dos activos que el nuevo ciclo necesita: minerales críticos y una base científica que puede integrarse a estas plataformas abiertas. Chile concentra gran parte del litio mundial y Perú produce cobre, materiales esenciales para baterías y electrónica. La IA aplicada a descubrimiento de materiales puede identificar aleaciones y compuestos que reduzcan el uso de esos insumos o que los sustituyan, lo que representa un riesgo para las economías dependientes de su exportación, pero también una oportunidad para saltar de la extracción a la manufactura de materiales especializados.
La infraestructura open source descrita en Nature tiene un correlato directo para empresas y gobiernos locales: permite construir capacidades de investigación en manufactura avanzada sin depender de los presupuestos de los gigantes tecnológicos. Universidades, centros técnicos y startups de la región pueden usar esos modelos para explorar materiales locales —desde polímeros hasta recubrimientos— con aplicaciones en minería, energía o agroindustria.
La pregunta que un ejecutivo latinoamericano debería hacerse no es si su empresa fabricará chips, sino si está monitoreando estas plataformas abiertas y los nuevos procesos de manufactura que habilitan. La brecha tecnológica no se mide hoy por la capacidad de comprar equipos, sino por la habilidad de integrar datos, modelado y simulación en la operación. Los laboratorios autónomos y la IA generativa están bajando esa barrera; quienes la crucen primero tendrán una ventaja de costo y de tiempo que los métodos tradicionales ya no pueden compensar.
El ciclo de inversión en semiconductores probablemente sostenga el financiamiento de esta ola de innovación en materiales, con bancos como Bankinter manteniendo una visión positiva para el sector. Mientras tanto, el descubrimiento acelerado de compuestos sigue avanzando en los laboratorios que combinan simulación y datos, con consecuencias directas sobre qué se fabrica, dónde y con qué insumos. Para América Latina, la ventana está abierta: el conocimiento ya no está encerrado tras los muros de las corporaciones.
