La inteligencia artificial empieza a formular hipótesis, explorar datos, ejecutar experimentos y hasta revisar sus propios resultados. El problema ya no es solamente qué puede producir, sino qué significa investigar cuando una parte creciente del proceso científico deja de ser exclusivamente humana.
Hace unos días, Anthropic anunció que Claude había identificado un sistema enzimático no caracterizado, asociado a repeticiones de ADN con cierto parecido a los sistemas CRISPR.
Conviene empezar por la cautela. Es Anthropic quien presenta el resultado como un descubrimiento realizado por Claude. La transcriptasa inversa ya había sido identificada; la novedad atribuida al sistema consistió en reconocer su asociación con una estructura repetitiva y una proteína accesoria. La función biológica primaria del conjunto todavía no está determinada y el trabajo experimental continúa en manos de científicos humanos.
Estamos frente a resultados iniciales, no ante una demostración de ciencia autónoma.
Pero la escena importa.
Según Anthropic, agentes de Claude reunieron más de 200,000 transcriptasas inversas, identificaron unos 3,500 sistemas candidatos y redujeron la búsqueda a una veintena. Al examinar esos candidatos, Claude detectó una estructura inusual que después pasó a estudio experimental. Un trabajo de exploración que podría ocupar semanas o meses a especialistas fue comprimido en un proceso asistido por inteligencia artificial.
Eso ya es bastante más que redactar un texto.
Durante los últimos años, buena parte de la discusión institucional sobre inteligencia artificial y ciencia se ha concentrado precisamente en la escritura: si una propuesta fue redactada con IA, si un artículo contiene párrafos generados por un modelo o si un detector puede reconocer la intervención de una máquina.
Es una discusión comprensible.
Pero empieza a parecer extrañamente pequeña frente a lo que está ocurriendo.
La pregunta interesante ya no es si una inteligencia artificial puede escribir un artículo científico.
Es qué significa investigar cuando una máquina puede participar en la búsqueda de literatura, encontrar relaciones entre miles de datos, formular hipótesis, ejecutar experimentos computacionales y decidir qué camino merece seguirse.
La máquina entra en el razonamiento
La ciencia siempre ha trabajado con instrumentos.
El telescopio amplió el cielo observable. El microscopio abrió escalas invisibles. La estadística permitió encontrar patrones que la intuición difícilmente podía reconocer. Las simulaciones hicieron posible trabajar con fenómenos que no podían manipularse directamente.
Cada instrumento modificó lo que era posible observar y preguntar.
La inteligencia artificial pertenece, en parte, a esa historia. Pero introduce algo diferente.
No solo permite ver más.
Empieza a intervenir en aquello que hacemos después de observar: relacionar, comparar, imaginar explicaciones, descartar alternativas, formular preguntas.
La máquina entra en el razonamiento.
Esto no resuelve la discusión filosófica sobre si una máquina razona o comprende del mismo modo que nosotros. Describe un cambio más concreto: sistemas computacionales empiezan a participar en operaciones que hasta ahora considerábamos parte del trabajo intelectual del investigador.
Y aquí aparece una paradoja difícil de ignorar.
Estamos utilizando sistemas que todavía no comprendemos completamente para ayudarnos a comprender el mundo.
Los grandes modelos de lenguaje son, ellos mismos, una especie de experimento científico abierto. Sabemos construirlos, entrenarlos, medirlos y modificarlos. Podemos observar comportamientos que aparecen al aumentar la escala, los datos o el cómputo. Podemos estudiar sus representaciones internas.
Pero seguimos lejos de disponer de una explicación completa de por qué determinados procesos producen algunas de las capacidades que observamos.
Y, sin embargo, funcionan.
A veces de manera mediocre. A veces equivocándose de forma casi absurda. Y otras veces resolviendo problemas que hasta hace muy poco parecían fuera de su alcance.
Esto obliga a separar tres cosas que solemos colocar bajo una misma palabra:
Producir una respuesta.
Comprobar una respuesta.
Comprender una respuesta.
No son lo mismo.
Un modelo puede formular una hipótesis interesante sin que sepamos reconstruir exactamente cómo llegó a ella. Eso no convierte la hipótesis en conocimiento. Pero tampoco la vuelve inútil.
Del asistente al co-investigador
En mayo de 2026, Nature publicó los resultados de Co-Scientist, un sistema multiagente construido sobre Gemini para generar y refinar hipótesis científicas. Sus agentes producen propuestas, las critican, comparan y mejoran antes de llevar algunas hacia validación experimental.
El cambio de vocabulario es significativo.
Ya no hablamos solamente de un asistente.
Hablamos de un co-scientist.
La distinción puede parecer semántica, pero señala algo importante: tareas que considerábamos parte del núcleo intelectual del investigador empiezan a compartirse con la máquina.
Buscar antecedentes. Detectar una limitación. Imaginar una hipótesis. Compararla con otras. Priorizar aquella que parece más prometedora.
Co-Scientist todavía conserva con claridad al investigador dentro del circuito. La persona define objetivos, introduce restricciones y participa en la validación experimental. El propio sistema está concebido como colaborador del científico, no como sustituto autónomo del proceso científico.
Pero la frontera ha seguido moviéndose.
Cuando el ciclo empieza a cerrarse
En septiembre apareció ScientistTwo.
El punto de partida cambia de nuevo.
El sistema recibe de un experto humano un problema científico. A partir de allí intenta recorrer de manera autónoma buena parte del ciclo posterior: establece una línea base, identifica limitaciones, genera hipótesis, implementa soluciones, ejecuta experimentos, realiza estudios de ablación, refina propuestas, redacta un artículo y lo somete a procesos automatizados de revisión y respuesta.
Sus autores reportan experimentos sobre 107 problemas derivados de trabajos recientes de investigación en inteligencia artificial. Según los resultados publicados por el proyecto, ScientistTwo mejoró el estado del arte humano utilizado como referencia en 86 de ellos, con una ganancia relativa media reportada de 25.2 %.
Hay que leer estas cifras dentro de sus límites.
Estamos hablando de investigación computacional: problemas relativamente definidos, código ejecutable, conjuntos de datos disponibles y métricas que permiten comparar resultados. Los procesos automatizados de evaluación tampoco equivalen por sí solos a una revisión científica independiente. Estos resultados no demuestran una capacidad científica general.
Pero tampoco son triviales.
La IA genera una hipótesis, la critica, ejecuta experimentos, comprueba si una mejora resiste una ablación y modifica la propuesta. Una parte del mecanismo mediante el cual seleccionamos y refinamos conocimiento empieza también a entrar dentro de la máquina.
Hasta ahora podíamos imaginar una separación relativamente cómoda:
La IA propone; el científico valida.
Esa frontera empieza a volverse menos clara.
La cuestión deja entonces de ser únicamente cuánto trabajo científico puede automatizarse. La pregunta pasa a ser dónde queda la frontera de aquello que llamamos investigar.
Lo escaso vuelve a ser la pregunta
ScientistTwo permite también observar dónde esa frontera todavía aparece.
El sistema no comienza preguntándose qué problema merece ser investigado.
Recibe el problema.
Puede recorrer un espacio científico ya delimitado con una intensidad difícil de igualar por un equipo humano: generar muchas ideas, probarlas, descartar las malas y seguir explotando aquellas que funcionan.
Pero el espacio inicial ya existe.
Y eso importa.
Estos sistemas parecen especialmente fuertes cuando pueden explorar y optimizar dentro de problemas relativamente bien definidos. Otra cosa es producir el cambio conceptual que redefine el problema mismo.
Una cosa es encontrar mejores respuestas dentro de un espacio.
Otra es cambiar el espacio de preguntas.
Tal vez allí esté apareciendo una de las nuevas escaseces de la investigación. Si generar hipótesis, ejecutar experimentos y comparar resultados se vuelve cada vez más barato, podemos terminar rodeados de respuestas.
Lo escaso vuelve a ser la pregunta.
Navier–Stokes y la incomodidad de comprender
Las matemáticas llevan esta tensión a un lugar todavía más extraño.
El 8 de septiembre de 2026, OpenAI anunció haber producido una solución al problema de existencia y regularidad de Navier–Stokes, uno de los Problemas del Milenio. La empresa publicó una exposición de la demostración y una formalización en Lean.
No corresponde aquí juzgar la demostración.
Precisamente ese trabajo pertenece ahora a la comunidad matemática.
Pero el episodio permite plantear una pregunta fundamental.
Supongamos que una prueba producida por una máquina puede verificarse formalmente.
¿Eso significa que el problema ha sido comprendido?
Una máquina podría producir una demostración correcta antes de que la comunidad comprenda plenamente por qué funciona, qué herramientas conceptuales introduce o qué otros caminos abre.
La solución aparece.
Después empieza el trabajo de entenderla.
Tal vez eso no sea tan extraño como parece. La historia de la ciencia está llena de resultados cuya importancia solo se hizo visible más tarde. Lo diferente ahora podría ser la escala y la velocidad con la que esos resultados aparezcan.
La creatividad también tiene zonas opacas
Esta situación podría llevarnos rápidamente a una respuesta defensiva.
Si no podemos explicar perfectamente lo que hace una IA, hagamos que todo sea trazable, controlado y previsible.
Hay buenas razones para quererlo.
Pero algo se perdería si ese fuera el único criterio.
Parte de la utilidad de estos sistemas parece residir precisamente en su capacidad de recorrer espacios demasiado amplios para nosotros y encontrar asociaciones que no estaban formuladas de antemano.
La ciencia humana tampoco es completamente transparente en su momento creativo.
Una buena pregunta puede surgir de una observación accidental. Una hipótesis, de una analogía improbable. Una conexión, de años de experiencia que el propio investigador difícilmente podría convertir en una secuencia ordenada de pasos.
Después vienen el método, la contrastación y la discusión.
Pero no necesariamente antes.
Con la IA podría ocurrir algo semejante. La cuestión no es solamente cómo hacer que sus procesos sean verificables. Es qué lugar conceder a esa capacidad de producir asociaciones inesperadas sin confundirlas con conocimiento.
Una idea opaca puede ser fértil. Lo que no puede es reclamar por ello ser verdadera.
Entre ambas cosas continúa estando la ciencia.
Cuando el problema toca tierra
Esta discusión parece más sencilla en dominios donde existe una función de evaluación clara.
ScientistTwo trabaja con problemas computacionales donde hay código ejecutable, conjuntos de datos definidos y métricas que permiten saber si una propuesta mejora o empeora respecto de una línea base.
Pero no todos los problemas funcionan así.
Pensemos en un territorio.
Hoy ya podemos utilizar sistemas de GeoAI e inteligencia territorial para clasificar imágenes satelitales, identificar cambios de uso del suelo, estimar exposición a riesgos, analizar redes, reconocer patrones de crecimiento urbano o comparar escenarios.
No es difícil imaginar un sistema mucho más integrado.
Recibe imágenes, catastros, datos demográficos, movilidad, infraestructura, precios del suelo e información ambiental. Produce un diagnóstico. Encuentra áreas prioritarias. Sugiere inversiones. Propone una política.
¿Pero cuál es la función que debe optimizar?
¿Reducir tiempos de viaje y emisiones? ¿Aumentar el acceso al empleo? ¿Disminuir el riesgo? ¿Proteger ecosistemas y suelo agrícola? ¿Mejorar la distribución de oportunidades?
Todos pueden ser objetivos razonables.
Y pueden contradecirse.
El territorio introduce algo que un benchmark no resuelve fácilmente: valores, intereses, historia, instituciones y relaciones de poder.
Una máquina puede detectar un patrón espacial que nadie había visto. Puede incluso proponer una intervención técnicamente impecable y no saber por qué sería políticamente inviable, socialmente injusta o simplemente absurda para quienes viven allí.
No porque la máquina sea incapaz de procesar más datos.
Sino porque el problema nunca fue solamente de datos.
Aquí reaparece una distinción que la IA vuelve mucho más visible: entre conocimiento computacional y conocimiento situado.
Ninguno es suficiente por sí solo.
Una persona que conoce un territorio puede no reconocer patrones que aparecen al cruzar millones de observaciones. Un modelo puede encontrar esos patrones sin entender del todo aquello que significan en la vida concreta de un lugar.
Esa tensión no se resuelve escogiendo uno de los dos.
Se trabaja.
El curioso desfase institucional
Y mientras todo esto empieza a ocurrir, una parte del debate institucional continúa preguntándose si un texto fue escrito con inteligencia artificial.
Hay algo casi anacrónico en esa preocupación cuando la IA ya empieza a intervenir mucho antes de la escritura.
Puede revisar literatura, generar código, explorar datos, formular hipótesis, ejecutar experimentos, criticar resultados y revisarlos.
La página final es apenas la parte visible del proceso.
Una propuesta escrita íntegramente por una persona puede sostener una investigación mediocre. Otra puede haber utilizado intensamente inteligencia artificial para explorar literatura, ensayar hipótesis y poner a prueba argumentos, y plantear finalmente una pregunta mucho más valiosa.
Entonces detectar la presencia de IA dice muy poco, por sí solo, sobre la calidad científica del trabajo.
No es que las reglas de autoría, transparencia o trazabilidad dejen de importar.
Importan.
Pero pertenecen a un problema más pequeño.
La transformación está ocurriendo aguas arriba.
En la manera en que encontramos las preguntas, en la cantidad de caminos que podemos explorar y en la velocidad con la que podemos descartarlos.
¿Qué queda entonces del investigador?
ScientistTwo recibe un problema y puede recorrer buena parte del camino.
Claude encuentra una anomalía biológica.
Co-Scientist genera y refina hipótesis.
Un sistema de OpenAI presenta una demostración matemática.
La secuencia podría invitarnos a imaginar que, paso a paso, estamos eliminando al investigador.
No estoy seguro de que esa sea la lectura más interesante.
Quizá lo que estamos eliminando —o al menos reduciendo— es la escasez de ciertas operaciones intelectuales: buscar, comparar, generar variantes, probarlas y criticarlas.
Si eso ocurre, el valor empieza a moverse hacia otros lugares.
¿Qué problema merece ocupar nuestra atención?
¿Qué resultado aparentemente extraño merece una segunda mirada?
¿Qué significa realmente una mejora?
¿Qué evidencia sería suficiente para cambiar de opinión?
¿Qué consecuencias tiene llevar un resultado fuera del laboratorio o del benchmark?
Es difícil saber cuánto de todo eso seguirá siendo específicamente humano.
Sería imprudente afirmarlo hoy.
Y quizá tampoco sea esa la pregunta correcta.
Durante mucho tiempo pensamos la ciencia como una actividad limitada, entre otras cosas, por nuestra capacidad para encontrar respuestas.
Tal vez estemos entrando en una etapa distinta.
Una etapa en la que las respuestas sean abundantes.
Y en la que lo escaso sea saber qué preguntar, qué creer y qué merece importar.
El investigador no será menos necesario simplemente porque la IA produzca más respuestas.
Será necesario mientras investigar siga significando algo más que producirlas: decidir cuáles merecen convertirse en conocimiento y cuáles merecen entrar en el mundo.
Fuentes principales
- Anthropic — “Claude discovers a novel enzyme system with CRISPR-like repeats”, 23 de septiembre de 2026.
- Nature — “Accelerating scientific discovery with Co-Scientist”, 19 de mayo de 2026.
- ScientistTwo — “Autonomous Research at Scale”, 2026.
- OpenAI — “On the Navier–Stokes Millennium Prize Problem”, 8 de septiembre de 2026.
- Nature — “Why AI cannot do good science without humans”, 19 de mayo de 2026.