Co-Scientist: la IA que quiere transformar la ciencia en un debate entre agentes

¿Qué pasaría si la próxima gran idea en biología no naciera de una sola persona frente a una pila de papeles, sino de una especie de reunión invisible entre agentes de IA, cada uno de los cuales tiene la tarea de proponer, criticar, comparar y reconstruir hipótesis? Esta pregunta ya no es una ficción especulativa. El 19 de mayo de 2026, Google DeepMind presentó Co-Scientist, un sistema multiagente creado con Gemini para ayudar a los investigadores a generar hipótesis científicas comprobables.

La promesa es audaz, pero el detalle más importante es otro: el trabajo también fue publicado en Nature. Esto no transforma el sistema en una máquina de descubrimiento autónoma, ni reemplaza el laboratorio, la revisión humana o el método científico. Pero coloca el tema en un nivel diferente al de las demostraciones de IA que solo resumen artículos. Co-Scientist fue diseñado para operar en una de las etapas más delicadas de la ciencia: formular buenas preguntas antes de que comiencen los experimentos.

Qué pasó

Google DeepMind describe a Co-Scientist como un socio de investigación para desarrollar nuevas hipótesis en las ciencias biológicas y otras áreas. La compañía también anunció que el sistema estará disponible para investigadores individuales a través de la herramienta experimental Hypothesis Generation, dentro de la iniciativa Gemini for Science.

El artículo publicado en Nature presenta al Co-Scientist como un sistema de pensamiento científico estructurado. En lugar de generar una única respuesta, trabaja con múltiples agentes especializados. Algunos crean ideas iniciales; otros reflexionan, critican, jerarquizan, combinan y mejoran las propuestas. En el centro, hay un agente supervisor que divide los objetivos generales en pasos más pequeños y coordina la exploración en paralelo.

Este diseño es importante porque la ciencia rara vez avanza en línea recta. Los investigadores suelen alternar entre lectura, intuición, confrontación de evidencia, diseño experimental y revisión de hipótesis. El cocientífico intenta simular parte de este ciclo, no como una autoridad final, sino como una máquina de exploración: planteando posibilidades, reduciendo caminos débiles y destacando hipótesis que merecen ser probadas.

Según DeepMind, la evaluación implicó colaboraciones con investigadores de más de 100 instituciones. La validación citada se centró principalmente en aplicaciones biomédicas, incluido el reposicionamiento de fármacos, el descubrimiento de objetivos y los mecanismos de resistencia a los antimicrobianos. En el resumen del artículo de Nature, los autores afirman que el sistema ayudó a identificar candidatos y combinaciones terapéuticas para la leucemia mieloide aguda que fueron validadas en experimentos in vitro.

La ciencia detrás

La parte más interesante del cocientífico no es que “tenga ideas”. Los modelos lingüísticos ya pueden generar muchas ideas. El problema es que la mayoría de las ideas científicas generadas sin filtro pueden ser redundantes, vagas, no comprobables o simplemente erróneas. El verdadero desafío es crear un proceso que aumente las posibilidades de que una hipótesis sea nueva, consistente con la literatura y verificable experimentalmente.

Para lograr esto, el sistema utiliza una arquitectura de agente. El agente generador propone áreas e hipótesis basadas en literatura y datos. El agente de proximidad organiza y agrupa hipótesis para evitar que el sistema explore sólo variaciones de la misma idea. El agente de reflexión actúa como una especie de revisor crítico, evaluando la calidad, la novedad y la coherencia. El agente de ranking coordina un "torneo de ideas", con comparaciones entre pares y debates simulados. El agente de evolución combina y perfecciona las mejores propuestas. Finalmente, la meta-revisión resume lo que produjo el debate.

Hay una clara inspiración en los sistemas que mejoran mediante la competencia interna. DeepMind compara el proceso con los principios utilizados en AlphaGo y AlphaStar, con una diferencia crucial: aquí el juego no tiene tablero, puntuación simple ni ganador objetivo. Una buena hipótesis científica debe ser plausible, original, sustentada en evidencia, útil para guiar experimentos y lo suficientemente clara como para ser probada.

Por eso el Cocientífico dedica gran parte del cálculo a la verificación. El sistema cruza declaraciones con literatura científica, búsquedas en Internet y bases de datos especializadas como ChEMBL y UniProt. En algunas colaboraciones, también puedes utilizar plantillas especializadas como AlphaFold. El objetivo no es sólo parecer inteligente, sino también reducir el riesgo de formular hipótesis sobre conexiones falsas.

Aún así, es importante mantener la proporción correcta. La ciencia no ocurre cuando una IA escribe una oración elegante. Ocurre cuando una hipótesis entra en contacto con el mundo: células, reactivos, pacientes, sensores, telescopios, instrumentos de medición, error experimental y replicación. Co-Scientist acelera la parte cognitiva de la exploración. La validación sigue siendo material.

Por qué esto es importante

El cuello de botella de la ciencia moderna no es la falta de información. En muchas zonas, el problema es el exceso. Un investigador en biología molecular, medicina o materiales puede verse rodeado de miles de artículos, bases de datos, resultados negativos poco publicados y conexiones que cruzan disciplinas. Encontrar una hipótesis prometedora en este océano requiere memoria, intuición y tiempo.

Sistemas como Co-Scientist prometen cambiar la economía de este trabajo. Si un laboratorio puede convertir semanas de revisión de literatura en días de lluvia de ideas asistida por IA, el personal humano puede concentrar más energía en diseñar experimentos, interpretar resultados y decidir qué riesgos vale la pena correr.

Esto no significa que la IA "lo haya descubierto" por sí sola. La mejor lectura es diferente: la IA puede ampliar el campo de búsqueda. En lugar de depender únicamente de lo que un grupo pequeño puede leer y conectar, el investigador comienza a hablar con una estructura que cubre combinaciones de conocimientos a escala. El valor está menos en la respuesta final y más en la provocación cualificada.

En el caso de la biomedicina, esta diferencia puede ser profunda. Un nuevo objetivo terapéutico o una combinación de fármacos no nace únicamente de la creatividad. Debe respetar los mecanismos celulares, la toxicidad, la disponibilidad de datos, el historial de ensayos y la viabilidad experimental. Un sistema que ayude a priorizar hipótesis comprobables puede reducir el desperdicio, especialmente en áreas donde cada ronda de laboratorio cuesta tiempo y dinero.

El futuro que anticipa

Co-Scientist señala un cambio mayor: la ciencia como trabajo en equipo hombre-máquina. Hoy en día, muchos investigadores ya utilizan la IA para resumir artículos, escribir códigos, revisar textos y organizar referencias. El siguiente paso es más ambicioso: sistemas que participen en el propio ciclo de razonamiento científico.

Si este enfoque madura, el laboratorio del futuro podría funcionar con tres capas. El primero es humano: investigadores que definen cuestiones, límites éticos, diseño e interpretación experimental. El segundo es agente: sistemas que proponen hipótesis, critican ideas, simulan rutas y priorizan experimentos. El tercero es automatizado: robots de laboratorio, plataformas de datos y modelos especializados que ejecutan partes del ciclo con trazabilidad.

Esta arquitectura puede acelerar áreas como el descubrimiento de fármacos, la ciencia de materiales, el clima, la agricultura, la energía y la biología sintética. También crea nuevos riesgos. ¿Quién es responsable de una hipótesis peligrosa sugerida por un sistema? ¿Cómo auditar un debate entre agentes? ¿Cómo podemos evitar que la IA dé prioridad a ideas que parecen sólidas en la literatura pero que reproducen sesgos históricos en el propio campo? ¿Cómo podemos evitar que las herramientas de descubrimiento se utilicen con fines biológicos inseguros?

La propia DeepMind reconoce límites importantes. La compañía afirma que Co-Scientist se ha sometido a evaluaciones de seguridad, incluidos riesgos químicos, biológicos, radiológicos y nucleares, y que ha desarrollado clasificadores para bloquear objetivos poco éticos o inseguros. También destaca que el sistema es un socio de investigación, no un sustituto del conocimiento científico o clínico.

Esta distinción será decisiva. Cuanto más capaz parezca la IA, más fácil será confundir velocidad con verdad. La ciencia necesita fricciones: duda, replicación, revisión, instrumentos y rendición de cuentas. El futuro más interesante no es el de una IA que sustituya a los científicos, sino el de los científicos que adquieran una nueva forma de imaginar posibilidades sin abandonar el rigor.

Qué tener en cuenta

El primer punto a monitorear es el acceso real. DeepMind dice que Hypothesis Generation se entregará gradualmente a los investigadores. Cuando más grupos externos utilicen la herramienta, surgirán mejores datos sobre la utilidad, los límites, los sesgos y el costo operativo.

El segundo punto es la transparencia. Un sistema de múltiples agentes puede producir resultados convincentes, pero los investigadores deben comprender por qué una hipótesis se clasificó por encima de otra. Sin un rastro de razonamientos, fuentes, conflictos y descartes, la herramienta se convierte en una caja negra demasiado sofisticada para áreas sensibles.

El tercer punto es la validación independiente. El artículo de Nature supone un hito, pero la pregunta que realmente importa vendrá más adelante: ¿cuántas hipótesis sugeridas por sistemas de este tipo resisten experimentos independientes, replicación y uso en campos distintos a los inicialmente probados?

Básicamente, Co-Scientist visibiliza una pregunta que seguirá durante toda la década: cuando la IA entra al laboratorio, ¿amplía la imaginación humana o cambia el método científico en sí? Quizás ambas cosas sucedan al mismo tiempo. Y quizás la próxima frontera de la inteligencia artificial no sea responder mejor, sino ayudar a la humanidad a formular mejores preguntas.

Fuentes

1. https://deepmind.google/blog/co-scientist-a-multi-agent-ai-partner-to-accelerate-research/
2. https://www.nature.com/articles/s41586-026-10644-y