Opinión La trampa del descubrimiento artificial: cuando la IA confunde patrones con ciencia
Anthropic dijo que sus agentes descubrieron un patrón biológico. Los biólogos responden: eso es criba, no ciencia. La brecha entre correlación y causalidad define el riesgo real para quienes invierten en I+D.
Anthropic anunció hace semanas que un ejército de 950 agentes basados en Claude había operado durante 21 horas en su nuevo laboratorio de biología molecular y hallado algo que la compañía calificó como su "primer descubrimiento". El sistema no encontró una secuencia nueva, sino un patrón repetitivo alrededor de una enzima conocida, un patrón que, según Anthropic, no había sido catalogado y resultaba "reminiscente" de lo que llevó a CRISPR. La redacción del comunicado sugería un hito comparable a la edición génica.
La reacción de la comunidad científica fue inmediata y severa. Un biólogo publicó una crítica viral que el propio presidente y CEO de Eli Lilly respaldó: "Encontrar un grupo extraño de genes y repeticiones suele ser la parte fácil. La parte difícil, y donde nacen los verdaderos descubrimientos, es averiguar qué hace realmente el sistema". En términos operativos, los agentes hicieron trabajo de criba. Un descubrimiento, no.
Ese episodio resume la tensión central de la llamada "ciencia agéntica". Los artículos académicos más recientes —como la encuesta exhaustiva publicada en arXiv que mapea la evolución desde oráculos computacionales (Nivel 1) hasta socios autónomos (Nivel 3)— definen la agencia científica como la capacidad de formular hipótesis, diseñar y ejecutar experimentos, interpretar resultados y refinar teorías en ciclos iterativos. La realidad, sin embargo, dista de la taxonomía.
La evaluación independiente del "Científico IA" de Sakana —el sistema que promete automatizar todo el ciclo de investigación— expone la brecha: el 42% de los experimentos propuestos fallaron por errores de código; los manuscritos generados promedian solo cinco citas, mayormente obsoletas; y se detectaron resultados numéricos alucinados. El sistema produce papers a 6-15 dólares y 3,5 horas de supervisión humana, con la calidad de un estudiante de pregrado apurado. Es automatización de redacción, no de descubrimiento.
En ciencia de materiales, el mismo patrón se repite. DeepMind anunció "millones de nuevos materiales" predichos por IA; al revisarlos, expertos de UC Santa Barbara no hallaron ninguno que cumpliera la trifecta de novedad, credibilidad y utilidad. Lila Sciences y Periodic Labs construyen laboratorios autónomos donde agentes diseñan recetas, controlan robótica y analizan datos, pero sus directivos admiten que "no hay ningún problema que podamos resolver en el mundo real solo con simulación". El cuello de botella sigue being la síntesis física y la validación experimental.
Para un director de I+D o un vicepresidente de innovación en Latinoamérica, la lección es concreta: no confunda detección de correlaciones con elucidación de mecanismos. Los agentes actuales son excelentes para reducir el espacio de búsqueda —revisar millones de secuencias, proponer candidatos, redactar borradores de patentes—. Son malos para decidir qué candidato merece el presupuesto de validación en húmedo, porque carecen de modelo causal del sistema biológico o material.
La estrategia ganadora no es reemplazar al biólogo por un enjambre de agentes, sino acoplar ambos en bucles cerrados: la IA propone, el humano valida, el resultado realimenta al modelo. Eso exige infraestructura de datos trazables, protocolos de reproducibilidad y, sobre todo, criterio humano para decir «esto no sirve» cuando el patrón estadístico no sobrevive al banco de pruebas.
El riesgo no es que la IA haga ciencia mala; es que los directivos compren la narrativa de «descubrimiento autónomo» y descapitalicen la capacidad experimental que sigue siendo el único árbitro de la realidad.
