El descubrimiento científico mediante IA ya va más allá del simple resumen de artículos. Para 2026, los sistemas más avanzados podrán generar hipótesis, escribir código científico, proponer experimentos y, en algunos laboratorios, ayudar a controlar instrumentos. Las pruebas más contundentes provienen de «Co-Scientist» de Google, «Coscientist» de Carnegie Mellon, el trabajo de «AI for Science» de Microsoft Research y el auge de los laboratorios autónomos en química, materiales y biología.
Los avances científicos en IA en 2026: ¿qué ha cambiado realmente?
El cambio es práctico, no místico. Antes, los avances científicos en IA se traducían en mejores búsquedas bibliográficas, predicciones de estructuras proteicas o simulaciones más rápidas; ahora, la vanguardia la marca el software autónomo capaz de planificar el trabajo, evaluar críticamente sus propias ideas, utilizar herramientas y asignar tareas a equipos de laboratorio automatizados.
El artículo de Google publicado en 2026 en la revista *Nature* sobre «Co-Scientist» describía un socio multiagente basado en Gemini que genera, debate y desarrolla de forma iterativa hipótesis para problemas científicos complejos. Un año antes, Google había presentado un «coinvestigador» de IA creado con Gemini 2.0 para la generación de hipótesis biomédicas, y un artículo publicado en arXiv informaba de que este había reproducido resultados experimentales inéditos sobre un mecanismo de transferencia génica bacteriana.
Carnegie Mellon demostró las capacidades de control de laboratorio en 2023 con «Coscientist», publicado en *Nature*. Este sistema combinaba varios modelos de lenguaje a gran escala y era capaz de diseñar, planificar y llevar a cabo experimentos químicos, lo que incluía leer la documentación de Cloud-Lab y controlar instrumentos de manipulación de líquidos.
Microsoft Research está abordando el tema desde otra perspectiva. En 2025 y 2026, su grupo «AI for Science» describió su trabajo en diversos ámbitos aprendizaje automático, la física cuántica, la química computacional, la biología molecular, la modelización climática, la dinámica molecular, el diseño de materiales y el descubrimiento de fármacos. Peter Lee, presidente de Microsoft Research, pronosticó en 2026 que la IA iría más allá de resumir artículos para pasar a generar hipótesis, utilizar herramientas que controlen experimentos y actuar como asistentes de laboratorio de IA.
Si sigues de cerca el desarrollo de modelos en general, el contexto relevante es la transición de los chatbots a los agentes; nuestra comparación de agentes de navegador con IA en 2026 muestra el mismo patrón en un entorno menos arriesgado: un software que planifica, hace clic, comprueba y revisa, en lugar de limitarse a responder.
¿Puede la IA realizar descubrimientos científicos?
Sí, pero la respuesta sincera es más limitada de lo que sugiere el bombo publicitario. La IA puede contribuir a realizar descubrimientos cuando propone una idea comprobable, lleva a cabo o ayuda a llevar a cabo un experimento válido, y el resultado supera la revisión humana, la replicación y la validación específica del ámbito en cuestión.
El trabajo del «co-científico de IA» de Google es un buen ejemplo, ya que no se limitó a generar un texto verosímil. El artículo de 2025 presentaba hipótesis novedosas y demostraba la capacidad de resumir resultados experimentales inéditos relacionados con la transferencia génica bacteriana. Esto es importante porque los resultados inéditos son más difíciles de falsificar mediante la memorización de la bibliografía pública.
Aun así, el descubrimiento científico mediante IA no es lo mismo que un premio Nobel autónomo metido en una caja. Los sistemas más potentes se describen mejor como socios de investigación incansables: generan numerosas ideas candidatas, las clasifican, las debaten internamente, escriben código o transmiten instrucciones a los instrumentos. Los seres humanos siguen siendo quienes eligen los problemas, establecen los límites de seguridad, interpretan los resultados ambiguos y asumen la responsabilidad.
Un cálculo útil aclara mejor el valor. Supongamos que un estudiante de posgrado puede desarrollar en profundidad tres hipótesis experimentales a la semana tras leer artículos y hablar con sus colegas. Si un sistema de IA propone 60 candidatas en el mismo periodo y un científico descarta 90% por considerarlas poco sólidas, quedan seis para un análisis en profundidad. Incluso si solo una merece la pena ser probada, el cuello de botella ha pasado de «tener ideas» a «elegir y validar la idea correcta». Se trata de un cambio real en la productividad, pero no es magia.
De auxiliar de papelería a auxiliar de laboratorio
La primera fase nos resulta familiar: leer artículos, resumir métodos, comparar afirmaciones, extraer conjuntos de datos y redactar código. Google anunció «Gemini for Science» en 2026 con herramientas experimentales para la generación de hipótesis, el descubrimiento computacional, una herramienta de asistencia para la redacción de artículos y «ScholarPeer», dirigidas a aquellas partes del flujo de trabajo de investigación que normalmente requieren semanas de dedicación.
El ámbito de la informática es donde los avances podrían hacerse notar más rápidamente. Google afirmó en 2025 que Empirical Research Assistance utilizó Gemini para escribir y optimizar código científico destinado a experimentos computacionales, y en 2026 señaló que había contribuido a desarrollar el prototipo de Computational Discovery, disponible a través de un programa de probadores de confianza en Google Labs.
Luego viene la mesa de laboratorio. La revista *Nature Communications* definió en 2025 los «laboratorios autónomos» como sistemas que combinan la ejecución automatizada, la selección de experimentos, el perfeccionamiento o la generación de hipótesis y la colaboración entre grupos de investigación. Se trata de un listón mucho más alto que el de un brazo robótico que se limita a repetir un protocolo.
Ese mismo año, otro artículo sobre riesgos publicado en *Nature Communications* advertía de que ya se estaban utilizando agentes científicos de IA en química y biología para diseñar experimentos, controlar equipos de laboratorio y tomar decisiones de investigación. Francamente, esa advertencia llega con retraso. En cuanto una IA puede modificar las condiciones experimentales, adquirir reactivos a través de un flujo de trabajo o dirigir un robot, el debate sobre la seguridad debe pasar de las «respuestas erróneas» a las «acciones erróneas».
Los lectores interesados en el ámbito de la automatización física pueden consultar la descripción general que ofrece la página web sobre Tecnología robótica basada en la inteligencia artificial útil, porque los laboratorios de conducción autónoma son Robótica, el software y el método científico se fusionaron en un único sistema.
Comparativa de los principales sistemas de descubrimiento científico en IA
Los nombres suenan parecidos, lo cual resulta molesto. Google ha utilizado «AI co-scientist» para el sistema basado en Gemini 2.0 de 2025 y «Co-Scientist» para el sistema Nature de 2026, mientras que el Coscientist de Carnegie Mellon es un agente químico independiente de 2023.
| Sistema o iniciativa | Año | Organización | Para qué sirve | Ámbito de especialización |
|---|---|---|---|---|
| Coscientista | 2023 | Universidad Carnegie Mellon | Diseña, planifica y lleva a cabo experimentos químicos, incluido el control de los instrumentos de manipulación de líquidos | Automatización en química |
| Científico colaborador en IA | 2025 | Google Research, Google DeepMind, Google Cloud AI | Genera hipótesis y propuestas de investigación utilizando un sistema multiagente basado en Gemini 2.0 | Ciencias biomédicas |
| Científico colaborador | 2026 | Google DeepMind y Google Research | Genera, analiza y desarrolla de forma iterativa hipótesis sobre problemas científicos complejos | Trabajo sobre hipótesis científicas generales |
| IA para la ciencia | 2025-2026 | Investigación de Microsoft | Aplica el aprendizaje automático a las simulaciones, los materiales, la química, la biología, el clima y el descubrimiento de fármacos | Investigación interdisciplinar |
| MatterSim-MT | 2026 | Investigación de Microsoft | Simulación multitarea de las propiedades de los materiales más allá de las superficies de energía potencial | Ciencia de los materiales |
| El científico especializado en IA | 2026 | Artículo de «Nature» sobre la automatización de la investigación en inteligencia artificial | Genera ideas de investigación, escribe código, lleva a cabo experimentos, analiza resultados y redacta artículos científicos | Investigación sobre aprendizaje automático |
Hay una comparación basada en cifras que llama la atención: estos sistemas abordan diferentes cuellos de botella. Coscientist se centra en el ciclo del experimento físico; Co-Scientist, de Google, se centra en la formulación de hipótesis; el proyecto MatterSim de Microsoft se centra en el coste de la simulación y la predicción de materiales; y The AI Scientist se centra en la automatización de la investigación en aprendizaje automático. Llamarlos a todos «científicos de IA» oculta la parte que realmente hay que evaluar.
Dónde es probable que aparezcan primero los mejores resultados
Los avances científicos en IA no se distribuirán de manera uniforme. Favorecen aquellos ámbitos en los que los experimentos son digitales, cuentan con una gran cantidad de instrumentos o son fáciles de estandarizar. La química computacional, la dinámica molecular, la modelización de materiales y algunos flujos de trabajo biomédicos son, de forma natural, los primeros en beneficiarse, ya que los datos, la simulación y la automatización ya están estrechamente relacionados entre sí.
La ciencia de los materiales resulta especialmente atractiva. Microsoft Research anunció el 12 de mayo de 2026 una serie de actualizaciones de MatterSim, en las que se describen simulaciones más rápidas, vínculos con la síntesis experimental y MatterSim-MT para el modelado multitarea de materiales. No se trata solo de la velocidad, sino de reducir el número de candidatos sin futuro antes de que un equipo humano invierta dinero y tiempo de laboratorio.
Los laboratorios de química también están cambiando. C&EN informó el 25 de junio de 2026 de que los laboratorios de química autónomos están cambiando la forma de trabajar de los químicos, incluyendo nuevas configuraciones con agentes de IA y robótica. El artículo mencionaba que Atinary Technologies había inaugurado un laboratorio de química en Boston en el que un científico puede consultar a un agente de IA las rutas para sintetizar moléculas o materiales.
La revista *Scientific American* informó en 2026 de que los laboratorios autónomos están llevando a cabo experimentos las 24 horas del día en ámbitos como la química de las baterías y las terapias contra el cáncer. Trabajar las 24 horas del día puede parecer glamuroso, pero la verdadera ventaja es la constancia: una máquina puede seguir el mismo protocolo a las 3 de la madrugada sin cansarse, impacientarse ni distraerse.
La IA biomédica merece una advertencia aparte. Una hipótesis sobre el tratamiento del cáncer o la transferencia génica puede ser valiosa y, aun así, estar muy lejos de convertirse en un tratamiento. Para conocer el contexto sobre cómo la IA se está incorporando a la investigación médica sin sustituir el criterio clínico, véase este análisis sobre La inteligencia artificial en la investigación y la atención de la esclerosis múltiple y el informe sobre el trabajo en oncología de precisión de ConcertAI y Bayer.
Aprovecha los avances científicos en IA sin engañarte a ti mismo
El escollo que pocos artículos explicativos y superficiales mencionan es la contaminación por los criterios de éxito. Si una IA propone una hipótesis, escribe el código, elige el experimento, analiza los resultados y redacta el artículo, todo el proceso puede convertirse en un bucle cerrado que premia la confirmación plausible en lugar de la verdad.
Los buenos laboratorios separan las funciones. Un agente puede hacer propuestas. Otro puede criticar. Una persona puede definir las reglas de exclusión antes de la ejecución. Un programa independiente puede comprobar las estadísticas. Los investigadores externos pueden replicar los resultados. La credibilidad reside en los controles, por muy aburridos que sean.
- Pregunta qué etapa controla la IA: revisión bibliográfica, formulación de hipótesis, programación, control de instrumentos, análisis o redacción.
- Solicitar reglas de evaluación predefinidas: decidir qué se considera un éxito antes de que comience el experimento.
- Mantén los datos brutos accesibles: Los resúmenes no bastan cuando un agente puede haber filtrado los resultados incómodos.
- Permisos para reactivos y herramientas de Watch: Un agente de laboratorio no debe tener facultades ilimitadas para realizar pedidos, preparar mezclas o llevar a cabo tareas.
- Distinguir entre la novedad y la utilidad: Una nueva hipótesis puede ser trivial, poco fiable o imposible de comprobar.
También hay una cuestión laboral. Los asistentes de laboratorio basados en IA pueden reducir el trabajo pesado, pero cambiarán la formación. Si los científicos que están empezando su carrera se saltan el trabajo tedioso que suponen los protocolos fallidos, la limpieza manual de datos y la lectura crítica, pueden convertirse en excelentes gestores de indicaciones pero en malos experimentadores. Esa disyuntiva rara vez se tiene en cuenta en las demostraciones de los proveedores.
En cuanto a la cuestión más amplia de la gobernanza, el debate relevante no es si el avance de la IA debería detenerse. No va a detenerse. La cuestión más difícil es cómo pueden los investigadores mantener el control cuando los sistemas adquieran mayor autonomía, un tema que también se aborda en este análisis de El control humano tras el ciclo de expectación en torno a la IA.
¿Qué es un «co-científico de IA»?
Un «co-científico de IA» es un sistema de inteligencia artificial diseñado para ayudar a los investigadores a formular, poner a prueba y perfeccionar ideas científicas, en lugar de limitarse a resumir artículos ya publicados. El «co-científico de IA» de Google de 2025 utilizaba Gemini 2.0, mientras que el «co-científico» de 2026 descrito en *Nature* empleaba un proceso multiagente para generar y debatir hipótesis.
¿Está Google Co-Scientist a disposición de los investigadores?
Google anunció en 2026 que Co-Scientist estaría disponible a través de una herramienta experimental de generación de hipótesis en labs.google/science. Se describió que el acceso estaba destinado al uso en investigación, más que a un producto de consumo general.
¿Puede la IA realizar experimentos de laboratorio por sí sola?
En contextos limitados, sí. El «Coscientist» de 2023 de Carnegie Mellon controlaba instrumentos de manipulación de líquidos para experimentos químicos, y unos artículos publicados en 2025 en *Nature Communications* describían agentes científicos de IA y laboratorios autónomos capaces de seleccionar y llevar a cabo experimentos en sistemas definidos.
¿Sustituirá la IA a los científicos?
No en un sentido serio a corto plazo. La IA puede acelerar la lectura, la programación, la simulación, la generación de hipótesis y algunos experimentos automatizados, pero siguen siendo los seres humanos quienes definen los problemas, interpretan el significado, abordan las cuestiones éticas y validan las afirmaciones.
¿Qué campos se beneficiarán más de los avances científicos en materia de inteligencia artificial?
Es probable que los ámbitos que lideren esta tendencia a corto plazo sean la química computacional, la ciencia de los materiales, la biología molecular, el descubrimiento de fármacos, la modelización climática y la investigación en aprendizaje automático. Estos campos ya cuentan con flujos de trabajo y cadenas de herramientas con gran cantidad de datos que pueden utilizar los agentes de IA.
ES 
EN 
FR