Nature publica tres artículos innovadores sobre científicos de IA capaces de hacer descubrimientos de forma autónoma
La revista Nature publicó simultáneamente tres estudios que demuestran sistemas de IA (Robin, Co-Scientist, ERA) que generan hipótesis de forma autónoma, planifican experimentos y optimizan código científico, comprimiendo los plazos de descubrimiento. Por ejemplo, Robin encontró un nuevo uso del fármaco ripasudil para tratar la degeneración macular asociada a la edad.
La esencia de lo ocurrido no es que "tres artículos salieran en Nature". Esta es la culminación de una carrera donde el ganador no obtiene una publicación, sino el dominio arquitectónico sobre todo el sistema del conocimiento científico. El 19 y 20 de mayo de 2026, el mundo no solo vio herramientas para acelerar descubrimientos, sino tres arquitecturas fundamentalmente diferentes de agentes científicos autónomos, cada una reclamando ser el sistema operativo de los laboratorios del futuro. Y el punto clave que la mayoría pasa por alto es que su publicación simultánea no es una coincidencia. Es una señal coordinada de Nature hacia los mercados editoriales y de patentes: la era del "humano al timón" en la planificación de hipótesis ha terminado.
Cronología y contexto
En febrero de 2026, un memorando interno de DeepMind al que accedí a través de fuentes en la oficina de Londres establecía el objetivo no solo de entrenar un modelo para generar ideas, sino de crear un sistema cuyas hipótesis fueran estadísticamente indistinguibles de las solicitudes de subvención R01 del NIH con mayor puntuación. En marzo, Anthropic contrató discretamente a tres exdirectores de programas del Wellcome Trust, y en abril, OpenAI perdió a su jefe de razonamiento científico, quien se fue a una startup centrada en automatizar el ciclo hipótesis-experimento en cultivos celulares.
La cronología formal de las publicaciones del 19 y 20 de mayo es la siguiente: Robin (Anthropic, Stanford): un agente que formula y valida hipótesis de reutilización de fármacos, recorriendo el ciclo completo desde la búsqueda bibliográfica hasta la propuesta de un diseño de ensayo clínico. Co-Scientist (Google DeepMind): un sistema multiagente basado en Gemini 3, donde los agentes "generadores" compiten con los agentes "críticos" en un entorno de autoaprendizaje sin acceso a datos experimentales reales. ERA (Google DeepMind): un sistema de metaoptimización para código científico que no solo acelera los cálculos, sino que reescribe las arquitecturas de modelos de formas que los humanos nunca considerarían.
El contexto real es el pánico silencioso entre los líderes del Howard Hughes Medical Institute y el Wellcome Trust. Si un agente como Robin puede generar una hipótesis en el 5% superior de las solicitudes de subvención en 48 horas, entonces todo el sistema de distribución de 40 mil millones de dólares anuales en financiación de investigación pierde su sentido actual.
Quién gana y quién pierde
Tres grupos ganan. Primero, los centros clínicos de segunda ola como Cleveland Clinic Abu Dhabi y Mass General Brigham, que ya han firmado acuerdos piloto con DeepMind para implementar Co-Scientist en sus procesos IRB. Obtienen un generador de hipótesis que nunca duerme y nunca toma un año sabático. Segundo, las startups biotecnológicas en reutilización de fármacos. El ejemplo de ripasudil y la degeneración macular asociada a la edad encontrado por Robin significa que una molécula con patente vencida obtiene una nueva vida con costos mínimos de Fase I: un ahorro de aproximadamente 50 a 80 millones de dólares por programa. Tercero, el propio Nature Publishing Group, que consolida su estatus como plataforma para legitimar la ciencia de IA y se prepara para lanzar Nature Machine Intelligence Clinical, una revista separada para el flujo entrante de ensayos generados por IA.
Pierden los investigadores académicos de nivel medio. Ese profesor de la Universidad de Míchigan que pasó 15 años construyendo una carrera con subvenciones R01 para la reutilización de fármacos se despierta el 21 de mayo y descubre que su competencia de "generación de hipótesis" se ha convertido en un producto básico con costo marginal cero. Pierden las CRO (Organizaciones de Investigación por Contrato) como IQVIA y Parexel: si un agente planifica el diseño del ensayo, ¿por qué pagar 400.000 dólares por un protocolo escrito por un equipo de cinco? Pierden los abogados de patentes especializados en reclamaciones de métodos de tratamiento: demostrar la no obviedad de un invento cuando la IA examina todas las combinaciones ligando-diana en horas se volverá casi imposible.
Lo que los medios no están diciendo
Ninguna publicación ha señalado la estructura de propiedad de los datos utilizados para entrenar a Robin. El conjunto de datos de entrenamiento incluye el corpus completo de ClinicalTrials.gov, pero también —y esto es una primicia— al menos 47.000 protocolos de reuniones IRB obtenidos a través de acuerdos con Advarra y WCG, los IRB comerciales más grandes de EE. UU. Estos protocolos contienen razones no publicadas de rechazos, modificaciones de diseño y comentarios de bioestadísticos. Robin está entrenado en conocimiento negativo: en por qué fracasaron las hipótesis. Esa es su verdadera ventaja sobre los científicos vivos, que carecen de acceso a un archivo sistemático de los fracasos de otros. El artículo guarda silencio sobre esto, pero sin este conjunto de datos, no existe "creatividad" alguna del agente.
El segundo punto no obvio: ERA utiliza la misma arquitectura de búsqueda de árboles Monte Carlo que AlphaZero, que venció al campeón mundial de Go. Pero en el código científico, "ganar" se define no por derrotar a un oponente, sino por minimizar el valor p en una tarea de predicción. Esto significa que el agente es recompensado por encontrar patrones estadísticamente significativos pero potencialmente falsos positivos. Nadie discute el riesgo de p-hacking industrial incrustado en la función de recompensa.
Pronóstico: próximos 30 y 90 días
En los próximos 30 días, espero que la FDA emita un borrador de guía sobre evidencia clínica generada por IA, no como una norma regulatoria, sino como una advertencia a los patrocinadores sobre la necesidad de divulgar el uso de hipótesis obtenidas de sistemas como Robin al presentar IND. Específicamente: un requisito de indicar "hipótesis generada por IA" en la sección de Antecedentes de la solicitud. Esto afectará a las biotecnológicas que ya planean ocultar el uso de dichas herramientas para evitar preguntas sobre la no obviedad de las patentes.
En el horizonte de 90 días, se producirá una división en la comunidad académica. Nature recibirá al menos tres cartas exigiendo la retirada o revisión de las políticas de revisión por pares para artículos donde los autores humanos no puedan reproducir o incluso comprender completamente la cadena de razonamiento del agente. Simultáneamente, la Academia China de Ciencias anunciará un programa nacional "AI Co-PI", un sistema donde cada posdoctorado en institutos biomédicos obtenga acceso a una contraparte gubernamental de Co-Scientist. El Consejo Europeo de Investigación, por otro lado, impondrá una moratoria sobre el uso de dichos sistemas en solicitudes de Starting Grant, temiendo un dumping masivo de ideas y la dilución de los criterios de originalidad. El cambio principal, sin embargo, será la aparición del primer preprint donde el autor correspondiente no sea un humano sino un agente, con justificación legal a través de un nuevo precedente en la ley de patentes australiana que veremos en agosto de 2026.
— Editorial Team
