IA para la ciencia: de imitar datos a razonar como un equipo

Cada cierto tiempo alguien anuncia que la ciencia está por agotarse. A comienzos del siglo XX el físico Albert Michelson escribió que los hechos fundamentales de su disciplina ya habían sido descubiertos casi todos; décadas después Stephen Hawking imaginó que la física teórica podría estar terminada antes del año 2000. La irrupción de la inteligencia artificial revivió esa sensación en 2024, cuando Demis Hassabis y John Jumper recibieron parte del Nobel de Química por AlphaFold, la red neuronal de Google DeepMind capaz de predecir la forma tridimensional de una proteína a partir de su secuencia. El logro alimentó la idea de que bastaba entrenar un modelo con suficientes datos para ir resolviendo, uno por uno, los grandes problemas pendientes de la ciencia.

Por qué el modelo de AlphaFold es difícil de repetir

El ingrediente que hizo posible AlphaFold no fue solo el algoritmo, sino el Protein Data Bank: un banco con alrededor de 170.000 estructuras de proteínas validadas experimentalmente, reunido en más de cinco décadas de cooperación científica internacional. Ese tipo de esfuerzo colectivo es difícil de financiar, casi imposible de coordinar y, sobre todo, depende de que exista una técnica de medición replicable y consistente, algo raro fuera de la cristalografía de proteínas. En la mayoría de las disciplinas experimentales, los resultados varían de un laboratorio a otro: las líneas celulares cambian, hay contaminantes traza, la humedad del ambiente afecta un ensayo. Construir bases de datos suficientemente uniformes para entrenar un modelo equivalente en biología general o en química todavía está lejos de ser posible.

Agentes que razonan como un equipo de investigación

La alternativa que empieza a mostrar resultados no depende de esa clase de bases de datos gigantes. Se trata de agentes de IA: sistemas que combinan un modelo de lenguaje con acceso a herramientas y la capacidad de usarlas de forma iterativa, tal como lo haría un investigador. Un ejemplo citado es el AI Co-Scientist de Google, al que se le entregó una pregunta abierta sobre cómo se propaga la resistencia a antibióticos entre especies de bacterias. El sistema desplegó varios subagentes con roles distintos: uno propuso hipótesis a partir de literatura científica, otro las revisó de forma crítica como lo haría un par evaluador, un tercero organizó torneos para comparar candidatas y un cuarto refinó la ganadora. La conclusión, que genes de resistencia se trasladan entre bacterias aprovechando virus como transporte, coincidió con lo que un grupo de investigadores había tardado años en demostrar por vía experimental.

La misma lógica en la clínica veterinaria

Esa forma de trabajar —combinar información imperfecta, ponderarla según su confiabilidad y revisar la conclusión a medida que aparece nueva evidencia— es exactamente lo que hace un veterinario todos los días frente a un paciente. No existe un banco de datos equivalente al de proteínas para la medicina veterinaria: cada animal difiere en raza, edad, comorbilidades y respuesta al tratamiento, y los resultados de un examen rara vez son comparables sin matices entre un caso y otro. Por eso, cuando lleguen herramientas de IA verdaderamente útiles para la práctica clínica animal, es más probable que se parezcan a estos agentes que razonan con información parcial que a un modelo entrenado una sola vez sobre millones de historiales idénticos.

Mientras esa tecnología madura, lo que sí está al alcance de cualquier clínica, grande o pequeña, es ordenar la materia prima que ese tipo de razonamiento necesita: anamnesis, evolución, vacunas y resultados de exámenes reunidos en un mismo lugar, en vez de repartidos entre papeles, mensajes de WhatsApp y la memoria del equipo tratante. Es justamente lo que resuelve el módulo de ficha clínica de Wirevet Lite: una historia clínica electrónica donde cada consulta, adjunto y evolución del paciente queda disponible para el próximo profesional que lo atienda, sea humano o, eventualmente, asistido por un agente que ayude a sintetizar el caso.

El planteamiento completo sobre por qué la IA científica necesita razonar con datos imperfectos en lugar de esperar bases de datos perfectas puede leerse en MIT Technology Review · IA.