Hace un año, la idea de un «científico de IA» era principalmente conceptual. Hoy, un puñado de herramientas de IA agentivas están pasando de la demostración al uso diario en el laboratorio, y un artículo de actualidad de Nature de Ewen Callaway ofrece una guía práctica para los investigadores que intentan determinar cuál se adapta a sus necesidades.
El panorama, tal como se presenta, se divide en tres grandes categorías: estaciones de trabajo científicas de uso general, sistemas de generación de hipótesis multiagente y herramientas especializadas de código abierto.
Claude Science
Claude Science de Anthropic es la más ampliamente capaz de las ofertas actuales. Funciona como una estación de trabajo científica: revisión de literatura, análisis de datos, generación de figuras y preparación de manuscritos dentro de una interfaz única. Incluye ejecución local de Python, R y shell, un agente «revisor» integrado que verifica las afirmaciones contra los registros de ejecución, y la capacidad de conectarse a recursos de cómputo HPC y SSH.
La demostración más impactante proviene de Euan Ashley en Stanford. En 2010, su equipo de 31 científicos tardó nueve meses en realizar el primer análisis clínico de un genoma humano. Ashley le dio su genoma a Claude y le pidió que produjera un informe clínico. Tomó 30 minutos. El resultado identificó correctamente los alelos de riesgo de Alzheimer y las variantes de metabolismo de fármacos a un estándar que Ashley consideró clínicamente viable.
Claude Science está incluido en todos los planes pagos de Claude, desde USD 20 por mes para el nivel Pro hasta USD 100–200 por mes para el nivel Max, con opciones para equipos y empresas.
Co-Scientist
Co-Scientist de Google DeepMind, publicado en Nature en mayo de 2026, adopta un enfoque diferente. Utiliza seis agentes especializados, Generación, Reflexión, Clasificación, Evolución, Proximidad y Metarevisión, además de un agente supervisor que los orquesta en un ciclo de debate y evolución. Dada una pregunta de investigación amplia, el sistema presenta hipótesis comprobables clasificadas por plausibilidad y novedad.
La inmunóloga de Cambridge Clare Bryant le dio a Co-Scientist una solicitud de subvención y algunos datos preliminares. Generó una hipótesis para mutar una proteína inmune innata y probar su impacto en la infección por influenza. La evaluación de Bryant: «Podría haber tomado dos años» para que un investigador humano llegara a la misma idea.
Gary Peltz en Stanford usó Co-Scientist para identificar fármacos existentes que pudieran reutilizarse para la fibrosis hepática, validando las predicciones en modelos de organoides y publicando los resultados en Advanced Science. En GPQA Diamond, un punto de referencia para el razonamiento científico de nivel de posgrado, la hipótesis mejor calificada de Co-Scientist alcanzó 78.4% de precisión.
Co-Scientist aún no está disponible públicamente. Los investigadores pueden registrarse para obtener acceso experimental a través de Google Labs.
Alternativas de código abierto
Biomni, desarrollado por un equipo académico que incluye al cofundador de Phylo Yuanhao Qu y descrito en Science, es una herramienta de código abierto diseñada para tareas específicas como el análisis genómico. Se integra con bases de datos como GeneCards para consultas biomédicas fundamentadas. Es gratuito.
Boltz, una herramienta de diseño de proteínas de código abierto de una startup con sede en Londres, se utilizó en combinación con agentes de Claude para diseñar un anticuerpo que reconoce simultáneamente dos objetivos terapéuticos, aunque los resultados aún no han sido validados experimentalmente.
Cómo elegir
Ashu Singhal de Benchling, la plataforma de software de laboratorio, ofrece una guía directa basada en la etapa del proyecto. Para la generación temprana de hipótesis, comience con Co-Scientist. Para tareas analíticas específicas, análisis de datos genómicos, síntesis de literatura, generación de figuras, comience con Claude Science o Biomni.
El consejo más importante, según Singhal, es probarlos realmente: «Menos del 20% de los laboratorios han integrado completamente a los científicos de IA. Es realmente importante que las personas realmente prueben estas cosas, en lugar de simplemente confiar en lo que se comparte en los titulares.»
Gabriele Corso de Boltz recomienda comenzar con tareas pequeñas y verificables para que los resultados puedan revisarse fácilmente. «En el peor de los casos, tienes que hacerlas de nuevo.»
El artículo señala que todos los sistemas aún requieren revisión por parte de un experto en el dominio. Ninguna de las hipótesis generadas por IA publicadas hasta la fecha ha completado ensayos clínicos, y la privacidad de los datos sigue siendo una preocupación, particularmente para los laboratorios que trabajan con datos clínicos sensibles o propietarios.
Fuentes
[1] Callaway, E. «Which ‘AI scientist’ suits your lab? A guide for the perplexed.» Nature (2026). https://www.nature.com/articles/d41586-026-02091-6
Traducido por Alessandra