Opinión Modelos de IA generan patógenos y Latinoamérica carece de normas
La convergencia de IA y biotecnología permite crear agentes biológicos en horas. América Latina carece de marcos regulatorios para esta amenaza: ni auditoría de modelos, ni control de datos genómicos, ni exigencias a proveedores de nube. La ventana para actuar se cierra.
En 2022, un sistema de IA diseñado para descubrir fármacos generó en menos de seis horas cuarenta mil moléculas viables como armas químicas. El experimento, citado en un análisis reciente de TuringMag, no buscaba daño: era una prueba de seguridad que se volvió evidencia de riesgo. Hoy, los modelos de lenguaje responden consultas en casi cualquier dominio científico, mientras la edición genética y la biología sintética abaratan el acceso a laboratorios. La barrera ya no es el conocimiento, sino la intención.
La asimetría es clara. Los mecanismos actuales —filtros en modelos comerciales, acuerdos voluntarios, listas de sustancias controladas— no son herméticos. Investigadores discrepan sobre la magnitud real: algunos sostienen que el cuello de botella sigue siendo sintetizar y purificar; otros advierten que la curva de accesibilidad baja tan rápido que la ventana para regular se cierra. Lo que no está en disputa es que la superficie de ataque se expande: más actores, con menos formación especializada, pueden consultar a un modelo sobre rutas de síntesis o evasión de controles.
Para América Latina, el problema no es teórico. La región alberga centros de investigación en biotecnología agrícola, farmacéutica y de salud pública que ya usan IA para acelerar descubrimiento de fármacos y mejora de cultivos. Esos mismos laboratorios —universidades, institutos públicos, startups— operan bajo marcos regulatorios diseñados para bioseguridad tradicional: contención física, registro de patógenos, comités de ética. Pocos contemplan la dimensión computacional: quién audita los modelos que se entrenan con datos genómicos locales, cómo se controla el acceso a pesos de modelos abiertos que pueden ser afinados para tareas duales, qué obligación tiene un proveedor de nube que aloja inferencia en servidores de São Paulo o Santiago.
Brasil y México han avanzado en estrategias nacionales de IA, pero el enfoque predominante es económico: talento, infraestructura, adopción industrial. La bioseguridad algorítmica aparece, si acaso, como apéndice. Argentina, Chile y Colombia tienen leyes de protección de datos y normativas de bioseguridad, pero la intersección —datos genómicos sensibles procesados por modelos generativos— queda en zona gris. Mientras tanto, proveedores globales despliegan modelos cada vez más capaces en la nube regional sin obligación de evaluación de riesgo biológico previa.
El informe de Anthropic de septiembre de 2026 confirma que la amenaza es operativa: la compañía detectó y bloqueó usos de su modelo Claude para investigaciones que podrían contribuir al desarrollo de armas biológicas, incluyendo actores vinculados al gobierno de Irán que intentaron planificar ataques contra Estados Unidos. La empresa admitió que no pudo determinar si los estudios tenían fines legítimos o maliciosos, pero optó por bloquearlos ante el riesgo. La lección es clara: la autogestión de las grandes tecnológicas es necesaria pero insuficiente.
Un estudio de RAND publicado en 2026 propone una estrategia de "defensa en profundidad" con nueve mitigaciones prioritarias que van más allá del control de acceso: salvaguardas a prueba de manipulación para modelos de pesos abiertos, protección de datos biológicos sensibles, plataformas de acceso controlado para sistemas de doble uso, cribado de precursores biológicos, sistemas de alerta temprana de patógenos, bioatribución y forense, capacidades demostradas de respuesta rápida, monitoreo en tiempo real de uso indebido de modelos de pesos cerrados, y un nexo centralizado de intercambio de información IA-biología. La conclusión central: diferentes actores requieren diferentes mecanismos de prevención, y ninguna capa sola es suficiente.
La historia reciente muestra que la región paga caro el retraso regulatorio. La exportación de datos genómicos de biodiversidad latinoamericana sin cláusulas de beneficio compartido ya generó disputas en foros internacionales. La IA amplifica el patrón: un modelo entrenado con secuencias de patógenos endémicos del Amazonas o los Andes puede, en manos de actores malintencionados, sugerir modificaciones que aumenten transmisibilidad o evadan inmunidad local. No se requiere un laboratorio de nivel 4; basta con acceso a síntesis de ADN por correo —servicio comercial disponible globalmente— y un modelo abierto afinado.
La pregunta operativa para un director de laboratorio en Bogotá, un regulador en Ciudad de México o un CTO en Buenos Aires es distinta al debate existencial: ¿sabemos qué modelos usan nuestros equipos, qué datos genómicos suben a la nube y qué controles tiene el proveedor de síntesis que contratamos? La respuesta, hoy, suele ser no. Y esa brecha —entre la capacidad técnica global y la gobernanza local— es donde el riesgo se materializa.
