La IA para la ciencia necesita razonamiento, no solo datos

AlphaFold, desarrollado por Google DeepMind, resolvió la predicción de la estructura de las proteínas después de medio siglo de esfuerzo, pero las condiciones que permitieron su éxito —la masiva Base de Datos de Proteínas y los datos experimentales fiables— son raras y costosas de replicar en la mayoría de los campos. En cambio, los agentes de IA, impulsados por grandes modelos de lenguaje, están emergiendo como una herramienta más general para la ciencia. Agentes como el AI Co-Scientist de Google pueden razonar, planificar y probar hipótesis; uno de estos agentes planteó correctamente la hipótesis de cómo se propaga la resistencia a los antibióticos, una conclusión que a los investigadores del Imperial College les llevó una década alcanzar. Estos agentes pueden registrar cada acción, abordando la crisis de reproducibilidad, preservar el conocimiento institucional y acelerar drásticamente la investigación al reducir el costo de la experimentación. Si bien persisten desafíos como la alucinación y los límites de memoria, los agentes representan un cambio fundamental similar al cálculo o a la computadora, transformando la ciencia en todos los campos.