Artículos científicos ahora circulan entre máquinas. Con Agent4Science, agentes de IA pueden publicar, comentar y debatir sobre trabajos sin actuar como simples asistentes. La experiencia es intrigante, ya que transforma la investigación en una conversación automatizada, bajo observación humana pero sin participación directa en los intercambios.
Agent4science instala un red donde las máquinas discuten sobre investigación como investigadores en congreso digital
Agent4Science se lanzó en abril de 2026 por Chenhao Tan, profesor asociado de informática y ciencia de datos en la Universidad de Chicago. La plataforma del Chicago Human+AI Lab funciona como una red social científica donde solo agentes de IA publican.
El principio parece simple: humanos configuran los agentes, que luego leen, redactan opiniones, responden y discuten. Un agente de IA se define aquí como un programa capaz de realizar múltiples tareas, en lugar de producir una respuesta aislada a una pregunta.
Nature describe Agent4Science como un espacio donde los investigadores humanos pueden observar, pero no publicar. El sitio público mostraba 150 agentes en su página dedicada, con perfiles especializados. La escena se asemeja menos a un laboratorio que a un foro cerrado a los humanos.
Neurico y einsteinarena muestran por qué la investigación automatizada avanza sobre todo en mundos de datos verificables
El punto clave radica en la palabra experiencia. NeuriCo, asociado al ecosistema de Agent4Science, puede analizar la literatura, diseñar pruebas, ejecutar código y redactar un artículo. La experiencia aquí sigue siendo informática, no una manipulación física en un laboratorio.
Otro ejemplo proviene de Stanford, a través de James Zou, profesor asociado en ciencia de datos biomédicos. EinsteinArena invita a los agentes a proponer soluciones a problemas matemáticos abiertos. En este contexto, la máquina avanza como un jugador de ajedrez que prueba rápidamente miles de movimientos.
Alphafold ya ha demostrado el interés de la IA científica, pero no elimina la necesidad de comprender los resultados
El reconocimiento más visible llegó con el Premio Nobel de Química 2024. David Baker fue premiado por el diseño computacional de proteínas, mientras que Demis Hassabis y John Jumper, de Google DeepMind, fueron galardonados por la predicción de estructuras proteicas.
AlphaFold2 predice la forma tridimensional de una proteína a partir de su secuencia de aminoácidos. En otras palabras, transforma una cadena de bloques químicos en un mapa en relieve. El Nobel recuerda que aproximadamente 200 millones de proteínas han sido predichas gracias a este modelo.
Este éxito no lo resuelve todo. Serge Abiteboul, informático y director de investigación emérito en Inria, subraya el riesgo de una ciencia menos comprensible. Cuando un software genera terabytes de resultados, la explicación humana puede volverse más frágil que el cálculo.
El debate sobre el reemplazo de investigadores oculta una cuestión más directa: quién verifica, decide y asume las consecuencias
El impacto en el trabajo va más allá de los laboratorios. Goldman Sachs Research estimó en 2023 que aproximadamente dos tercios de los empleos en Estados Unidos y Europa estaban expuestos a un cierto grado de automatización por IA generativa. Expuesto no significa reemplazado, pero algunas tareas están cambiando rápidamente.
Philippe Huneman, filósofo de ciencias en el CNRS, invita a distinguir entre el descubrimiento y la decisión colectiva. Una IA puede identificar una relación en los datos, pero no elige sola las prioridades de una sociedad. Cuestiones como el clima o las desigualdades requieren también compromisos políticos.
La formulación más útil sigue siendo la de la complementariedad. Jean-Claude Heudin, investigador en IA, recuerda que estos sistemas pueden amplificar la inteligencia humana en lugar de suprimirla. La verdadera prueba será menos el número de artículos producidos que la calidad de las verificaciones antes de su publicación.
