El sistema ERA de Google DeepMind reescribe automáticamente el código científico, mejorando el análisis de datos
ERA utiliza búsqueda en árbol basada en LLM para optimizar software. El sistema creó 14 modelos de predicción de hospitalizaciones por COVID-19 que superaron al conjunto CDC CovidHub, reduciendo el tiempo de desarrollo de semanas a horas.
El sistema ERA (Agente de Investigación en Evolución), publicado el 19 de mayo de 2026 en Nature junto con Co-Scientist, aborda un problema poco discutido en el ámbito académico: la ciencia moderna no está limitada por la falta de ideas, sino por la incompetencia computacional. La mayor parte del código científico está escrito por personas cuya especialidad principal es la biología o la medicina, no la ingeniería de software. El resultado son retrasos críticos en el procesamiento de datos, errores de reproducibilidad y años dedicados a depurar scripts. ERA es un desarrollador de IA autónomo que asume la última tarea rutinaria de los científicos: escribir y optimizar el pipeline computacional. Y esto cambia la economía de la investigación de manera más fundamental que cualquier generador de hipótesis.
El núcleo: automatizar la última milla del método científico
ERA es un agente LLM que toma una tarea científica formulada en lenguaje natural y recorre el ciclo completo desde el diseño de la arquitectura del código hasta la ejecución, depuración y optimización. El sistema utiliza búsqueda en árbol, explorando cientos de variantes de implementación y seleccionando la mejor según las métricas dadas. No es un autocompletado de IDE ni una generación estática de scripts. Es un agente que mejora el código de forma iterativa, lee mensajes de error, corrige fallos y reescribe módulos enteros sin intervención humana.
Demostración clave: ERA creó 14 modelos de predicción de hospitalizaciones por COVID-19 para el Desafío de Predicción de Muertes y Hospitalizaciones. El resultado: superó al conjunto CDC CovidHub, anteriormente el punto de referencia de predicción basado en docenas de equipos de expertos. El tiempo de desarrollo se redujo de semanas a horas.
Cronología y contexto: tres oleadas de automatización científica
La automatización de la ciencia ha pasado por tres etapas. La primera oleada fueron los laboratorios robóticos como Emerald Cloud Lab, que reemplazaron las manos de los técnicos de laboratorio. La segunda oleada fueron los generadores de hipótesis de IA como Co-Scientist y Robin, que reemplazaron algunas funciones de los supervisores de investigación. ERA representa la tercera oleada: reemplazar a los biólogos computacionales y científicos de datos. La brecha entre hipótesis y resultado, antes llena de meses de codificación manual, ahora se reduce a horas.
Esto no es un lanzamiento aleatorio. DeepMind sincronizó el lanzamiento de ERA con Co-Scientist, creando una plataforma integrada: un agente genera una hipótesis, el otro diseña inmediatamente un experimento para probarla y escribe el código para el análisis de datos. Juntos, cierran el ciclo completo del descubrimiento científico sin intervención humana en las etapas intermedias.
Quién gana y quién pierde
Ganan todos los laboratorios cuyo cuello de botella es el procesamiento computacional de datos. Investigación genómica, modelado epidemiológico, biología estructural, ensayos clínicos con grandes conjuntos de datos de pacientes: dondequiera que se contratara a un postdoc por 2 años a 60.000–80.000 dólares al año, ahora se puede desplegar ERA. Ahorro en un solo puesto: hasta 200.000 dólares en dos años, incluyendo beneficios y gastos generales universitarios.
Ganan los países con presupuestos científicos reducidos y escasez de programadores cualificados. Si ERA democratiza los métodos computacionales, un grupo de una pequeña universidad en África o el Sudeste Asiático podría competir con el MIT en calidad de análisis de datos, siempre que tenga acceso a recursos informáticos.
Pierden los bioinformáticos de nivel medio. La industria se divide: los especialistas de primer nivel que crean nuevos algoritmos seguirán siendo demandados; aquellos cuyo trabajo consistía en un 80% en escribir scripts para procesamiento de RNA-seq y trazar gráficos se vuelven redundantes. Pierden plataformas como Galaxy Project y Nextflow: si un agente escribe código sobre la marcha, la necesidad de entornos visuales de pipeline disminuye drásticamente.
Lo que los medios omiten
El primer punto no obvio es el problema de la honestidad estadística. ERA utiliza búsqueda en árbol con optimización basada en métricas dadas. Si el objetivo es "minimizar el error de predicción", el agente buscará honestamente el modelo que obtenga la mejor puntuación. Pero en la ciencia real, los investigadores eligen subconsciente o conscientemente métricas que confirman su hipótesis. ERA carece de este sesgo, pero también carece de intuición científica: puede encontrar un patrón que predice perfectamente datos pasados pero que es completamente inútil para el futuro. El sobreajuste a escala industrial, integrado en la función de recompensa, es un riesgo que no se menciona.
El segundo punto se refiere al código como artefacto. El código científico no es solo una herramienta para obtener resultados; es parte de la metodología reproducible. Si ERA genera miles de líneas de código en segundos, ¿cómo debe la revisión por pares verificar su corrección? El sistema de revisión actual no está diseñado para auditar pipelines generados automáticamente. Existe el riesgo de que en 2 o 3 años, la mayoría de los artículos computacionales contengan código que nadie —incluidos los autores— haya leído o entendido.
El tercer aspecto se refiere a la estrategia de Google. ERA y Co-Scientist no son solo proyectos de investigación; son demostraciones de capacidades para clientes corporativos de Google Cloud. Cada ejecución de ERA es una factura por TPUs y Vertex AI. El acceso gratuito a través de Google Labs es un señuelo. Una vez que un laboratorio se vuelve dependiente de los agentes de DeepMind, el costo de migrar a otra plataforma se vuelve prohibitivo. Google no está construyendo una herramienta para la ciencia, sino un embudo de ventas para servicios en la nube con contratos anuales que comienzan en 100.000 dólares por laboratorio.
Pronóstico: próximos 30 días y 90 días
En los próximos 30 días, espero docenas de preprints donde los autores intenten reproducir o desafiar los resultados de ERA en conjuntos de datos independientes. La pregunta clave a probar: ¿ERA superó al conjunto CDC CovidHub debido a una superioridad arquitectónica, o el agente encontró un artefacto estadístico en los datos, explotando debilidades específicas del benchmark?
En la perspectiva de 90 días, se producirá una división en las políticas de las revistas científicas. Nature, que ya ha invertido capital reputacional en científicos de IA, aceptará artículos donde la parte computacional haya sido realizada por ERA, siempre que se divulgue el uso del agente. Las revistas más conservadoras impondrán una moratoria sobre el código generado por IA hasta que se desarrollen estándares de auditoría.
El pronóstico principal es la aparición de la primera startup construida enteramente en torno a la API de DeepMind. Un equipo de tres personas —un biólogo, un clínico y un gestor de producto— podrá hacer un trabajo que antes requería un laboratorio de 15 a 20 personas. El ciclo "hipótesis de Co-Scientist → código de ERA → publicación" se reducirá de 12 a 18 meses a 2 a 4 semanas. Esto no es una utopía, sino una consecuencia directa de la arquitectura que Google lanzó el 19 de mayo de 2026. La ciencia nunca volverá a ser la misma, y la única pregunta es si las instituciones se adaptarán a la velocidad marcada por estos sistemas o serán arrastradas por la marea de descubrimientos asistidos por IA.
— Editorial Team
