Co-científico de IA: cuando la IA propone el experimento

Aquí está el co-científico de IA sin la letra chica de ventas: propone ideas y las ordena, y un humano todavía tiene que entrar a un laboratorio. En la semana del 28 de mayo de 2026, Google publicó dos artículos en Nature. Uno describe Co-Scientist, un sistema multiagente construido sobre Gemini que “usa una coalición de agentes especializados que generan, evalúan y refinan hipótesis de forma iterativa”. El otro describe ERA, un sistema de codificación para investigación que “propone conceptos nuevos, escribe código y evalúa los resultados”, y después “busca e itera entre miles de variantes de código, usando búsqueda en árbol para optimizar el desempeño”. Las aplicaciones reportadas incluyen resistencia a antimicrobianos, inmunidad de plantas, fibrosis hepática, predicción de hospitalizaciones por enfermedad respiratoria y pronóstico estacional de escurrimiento en las cuencas de California.

Puntos clave

• Co-Scientist no es un modelo respondiendo una pregunta. Son varios agentes con trabajos distintos: uno genera hipótesis, otros las critican y las puntúan, y el sistema itera en lo que Google describe como un “torneo de ideas”.
• ERA trabaja sobre código, no sobre prosa. Propone un enfoque, escribe el programa, lo corre, lee el resultado y repite, usando búsqueda en árbol entre miles de variantes para hallar la versión con mejor desempeño.
• Dominios reportados: resistencia a antimicrobianos, inmunidad de plantas y fibrosis hepática para Co-Scientist; predicción de hospitalizaciones y pronóstico estacional de escurrimiento en California para ERA, con código en un directorio público de GitHub.
• Los dos se integraron en una línea llamada Gemini for Science, anunciada en Google I/O el 28 de mayo de 2026, con acceso que se libera de forma gradual.
• Lo que ninguno hace: elegir qué problema importa, correr un experimento físico o hacerse responsable de un resultado. Eso sigue siendo humano.

Co-científico de IA: qué es en realidad un sistema multiagente

Un solo modelo de lenguaje respondiendo un prompt te da una pasada a la respuesta. Un sistema multiagente corre varias instancias del modelo con instrucciones distintas y las hace interactuar.

En Co-Scientist, el diseño es más o menos un torneo. El trabajo de un agente es generar hipótesis candidatas dado un objetivo de investigación. El trabajo de otro es revisarlas críticamente. Otro las ordena entre sí. Otro propone refinamientos a las sobrevivientes. El ciclo se repite, y las hipótesis que sobreviven a la crítica repetida suben.

¿Para qué tanta complicación? Porque un solo modelo al que le pides “una hipótesis sobre resistencia a antimicrobianos” va a producir algo fluido y plausible, y la fluidez no es un filtro de calidad. Hacer que un agente ataque lo que otro propuso introduce algo más parecido a la revisión por pares. No garantiza que sea correcto. Filtra las ideas que se caen con la primera pregunta difícil, y ese es un servicio real y útil.

Cómo calcula ERA su camino hacia software científico que funciona

ERA resuelve otro cuello de botella. Pregúntale a cualquier científico en activo en qué se le va la semana y buena parte se la lleva escribir, depurar y ajustar código de análisis.

El ciclo. Proponer un concepto. Escribir código que lo implemente. Correrlo con datos reales. Medir qué tan bien funcionó. Usar esa medición para decidir qué probar después.

La búsqueda. En vez de iterar en línea recta, ERA explora un árbol: desde cada versión prometedora se ramifica en varias modificaciones, evalúa cada una y expande las ramas que puntúan bien. La descripción de Google dice que “busca e itera entre miles de variantes de código”. Eso es fuerza bruta más una buena heurística de dónde mirar, una receta bien establecida en computación, aplicada acá al código de investigación.

Por qué el puntaje empírico es el ingrediente crucial. Esto funciona solo cuando el éxito se puede medir automáticamente. Predecir hospitalizaciones tiene verdad de campo: lo que pasó de verdad. Pronosticar el escurrimiento estacional en las cuencas de California tiene verdad de campo: el caudal medido. El puntaje es lo que permite que la búsqueda corra sin un humano en cada vuelta.

Qué implica eso sobre dónde no puede funcionar. Si no puedes calcular un número que diga “esta versión es mejor”, la búsqueda en árbol no tiene nada a qué trepar. Las preguntas científicas más profundas todavía no tienen esa propiedad. Y por eso los éxitos reportados se agrupan en tareas de predicción y pronóstico, y no en, digamos, física teórica.

Qué acertaron los sistemas y qué no

Vale nombrar los resultados genuinos sin adornos. Co-Scientist ha sido usado por investigadores en resistencia a antimicrobianos, inmunidad de plantas y fibrosis hepática. ERA produjo software funcional para predicción de hospitalizaciones por enfermedad respiratoria y para pronóstico estacional de escurrimiento en cuencas de California, con código disponible públicamente.

Ahora los límites, que el propio encuadre revela.

Son resultados asistidos, no descubrimientos autónomos. Un humano eligió la resistencia a antimicrobianos como objetivo. Un humano evaluó si la hipótesis propuesta valía tiempo de laboratorio. Un humano corrió el laboratorio.

Generar hipótesis es barato; validarlas no. Es el mismo patrón que se ve en los bacteriófagos diseñados con IA, donde 700.000 genomas produjeron 16 virus funcionales, y en los antibióticos diseñados con IA, donde 36 millones de moléculas produjeron dos que sirvieron en ratones. Generar candidatos se volvió casi gratis. Probarlos, no.

Los resultados públicos están curados. Las aplicaciones reportadas son las que funcionaron. Ninguno de los dos artículos, según los resúmenes, da una tasa de acierto: cuántas hipótesis propuestas se persiguieron, cuántas fallaron. Sin ese denominador, “Co-Scientist ayudó con fibrosis hepática” es una anécdota prometedora más que una capacidad medida.

El acceso está restringido. Gemini for Science se libera de forma gradual con registro. Eso significa que la replicación independiente por laboratorios externos, por ahora, es limitada.

Humano contra IA: quién hace qué en este flujo de trabajo

Paso de la investigación	Papel del sistema de IA	Papel del humano
Elegir el problema	Ninguno	Decide qué importa y por qué
Revisar la literatura	Síntesis rápida de grandes volúmenes	Juzga qué fuentes son creíbles
Generar hipótesis	Produce muchos candidatos rápido	Fija el objetivo y las restricciones
Criticar hipótesis	Revisión y ordenamiento agente contra agente	Aporta la intuición de dominio que el modelo no tiene
Escribir código de análisis	ERA: escribe y optimiza miles de variantes	Define la métrica de puntaje
Correr un experimento físico	Ninguno	Todo
Interpretar un resultado sorpresivo	Puede sugerir explicaciones	Decide si la sorpresa es real o un artefacto
Hacerse responsable	Ninguno	Todo

Lee la fila de “correr un experimento físico” con tu hijo. Es la fila que explica por qué las habilidades de laboratorio, construir instrumentos y medir con cuidado no están perdiendo valor.

Cómo enseñarle esto a tu hijo

De 5 a 8 años: el frasco de adivinar y comprobar

Llena un frasco con objetos mezclados y pídele que adivine cuántos hay. Después pídele que piense una manera de averiguarlo. Contarlos uno por uno. Pesar uno y pesar todos. Vaciarlos en vasos. Anota cada método que invente y después prueben uno. La lección: tener ideas y probarlas son dos trabajos distintos, y el segundo necesita manos.

De 9 a 12 años: correr un torneo de ideas

Elijan una pregunta real de la casa: qué toalla de papel absorbe más, qué rincón es el más frío, qué ruta al colegio es más rápida. Que cada miembro de la familia escriba dos hipótesis en tarjetas. Después critíquenlas en grupo: ¿esto se puede probar? ¿Qué medirías? Eliminen las no comprobables, ordenen las sobrevivientes y prueben la ganadora. Acaban de correr la arquitectura de Co-Scientist con humanos como agentes, que es la forma más clara posible de explicarla.

De 13 en adelante: escribir una función de puntaje y después optimizar

Que tu hijo elija algo que optimizar con un resultado medible: distancia de un avión de papel, tiempo para resolver un cubo, altura máxima de una torre por gramo de espagueti. Primero, que defina el puntaje con precisión. Después que corra 10 variantes, anote cada puntaje y elija las dos mejores para modificarlas más. Eso es búsqueda en árbol, hecha a mano. Al final, que mire el artículo de ERA y note que la parte difícil fue definir el puntaje, no buscar.

La pregunta que debes hacer: “Si la computadora puede escribir mil versiones del experimento, ¿por qué alguien todavía tiene que entrar al laboratorio?”

¿Y en América Latina?

Hay una consecuencia concreta para la región, y es doble. Por un lado, la generación de hipótesis y el código de análisis son justamente las tareas donde los laboratorios con menos personal y menos presupuesto pierden más tiempo, así que herramientas así podrían nivelar algo el campo para grupos de la UNAM, la Universidad de Chile, la UBA, la USP o la PUCP. Por el otro, el cuello de botella que queda, correr el experimento físico, es exactamente el que depende de equipamiento y reactivos, que es donde la brecha de financiamiento pega más fuerte.

El acceso restringido tampoco es neutral: si el registro y la disponibilidad se concentran en instituciones del norte, la asimetría se agranda antes de reducirse. Vale ponerlo junto a los datos educativos: el 56 % de los estudiantes colombianos ya usa IA cada semana, por encima del promedio OCDE de 46 %, según Pulzo, y el Observatorio de IA en Educación para América Latina y el Caribe de la UNESCO, lanzado en Santiago en abril de 2026, existe para vigilar exactamente esa clase de brecha.

Qué hacer en casa

Separar los tres trabajos explícitamente

La ciencia tiene al menos tres actividades distintas: decidir qué investigar, generar ideas al respecto y probarlas. La IA se volvió muy fuerte en la del medio, es inútil en la primera y no puede hacer la tercera. Los niños que pueden nombrar las tres dejan de tratar “ahora la IA hace ciencia” como una frase coherente.

Enfatizar la función de puntaje

ERA funciona porque alguien definió un número que dice mejor o peor. Ese paso de diseño, elegir qué medir, es la habilidad más subestimada de toda la ingeniería y la investigación. Practícala en casa con preguntas triviales y se transfiere.

Buscar el denominador que falta

Cada vez que leas que un sistema de IA “ayudó a descubrir” algo, busca cuántos intentos hicieron falta. Si el artículo no lo dice, señala la ausencia en voz alta. Nuestro artículo sobre el embudo de descubrimiento de materiales con IA muestra cómo se ven esos números cuando sí se publican.

Mantener ciencia práctica en la semana

La tabla del flujo de trabajo argumenta mejor que cualquier sermón: el único paso que la IA no puede tocar es correr el experimento físico. Si tu familia hace una actividad de medición por semana, están construyendo la parte que sigue siendo escasa.

Lo que no debes hacer

No le digas a tu hijo que estos sistemas “hacen investigación”. Generan y ordenan ideas candidatas, y escriben y ajustan código, dentro de objetivos que fijan humanos, con humanos decidiendo qué perseguir. Llamar a eso “hacer investigación” aplana la parte de la ciencia que de verdad requiere una persona, y ahí es donde probablemente esté el trabajo futuro de tu hijo.

Qué observar en los próximos 3 meses

• Semana 4: tu hijo puede nombrar tres trabajos distintos dentro de la ciencia y decir en cuál es mejor la IA hoy.
• Mes 2, señales de alerta: cita una hipótesis generada por IA como si fuera un hecho. Pregúntale qué prueba lo zanjaría y si alguien corrió esa prueba.
• Mes 3, autoevaluación: estén atentos a artículos de seguimiento que reporten cuántas hipótesis propuestas por IA se validaron y cuántas se abandonaron. Si ese número empieza a aparecer, el campo está madurando; si no aparece, eso también dice algo.

Preguntas frecuentes

¿Qué es un co-científico de IA, con precisión?

Un sistema que usa varios agentes de IA coordinados para generar, criticar y refinar hipótesis de investigación sobre un objetivo que especifica un humano. La versión de Google está construida sobre Gemini y se publicó en Nature en mayo de 2026. No realiza experimentos y no elige problemas de investigación.

¿La IA ha hecho alguna vez un descubrimiento por sí sola?

No en el sentido que la mayoría imagina. Los sistemas han propuesto hipótesis y diseñado moléculas y genomas que después humanos construyeron y probaron, y en un caso una red con estructura física extrajo de datos experimentales una ley de fuerza antes no caracterizada. En todos los casos los humanos diseñaron el montaje, aportaron los datos y validaron el resultado.

¿Qué es la búsqueda en árbol, en palabras simples?

Una forma de explorar opciones donde cada elección prometedora se ramifica en varias variaciones, las variaciones se puntúan y las mejores se ramifican más. Es cómo los motores de ajedrez miran hacia adelante, y ERA lo aplica a versiones de código científico, evaluando miles de variantes.

¿Puede usar estas herramientas mi hijo adolescente?

Gemini for Science se libera de forma gradual con registro y está dirigido a investigadores en activo, no a estudiantes. Lo más útil para un adolescente es la práctica de fondo: definir un puntaje medible, generar variantes, evaluar, iterar. Eso se puede hacer con una hoja de cálculo y un avión de papel.

¿Esto significa menos empleos en ciencia?

El flujo publicado sugiere lo contrario para los roles experimentales. Generar hipótesis se volvió barato; probarlas no. Cuando las ideas candidatas se multiplican, el cuello de botella se mueve hacia la gente que puede construir instrumentos, medir con cuidado y juzgar si un resultado sorpresivo es real. Esos roles valen más, no menos.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. Google DeepMind / Google Research. (2026, mayo). “Co-Scientist: a multi-agent AI partner to accelerate research.” Nature. https://www.nature.com/articles/s41586-026-10644-y
2. Google Research. (2026, mayo). ERA: generación de software empírico de investigación de nivel experto. Nature. https://www.nature.com/articles/s41586-026-10658-6
3. Google Research. (2026, 28 de mayo). “A new era of innovation: Google Research at I/O 2026.” https://research.google/blog/a-new-era-of-innovation-google-research-at-io-2026/
4. Stanford HAI. “How AI is transforming scientific discovery while keeping humans at the center.” https://hai.stanford.edu/news/how-ai-is-transforming-scientific-discovery-while-keeping-humans-at-the-center
5. Pulzo. (2026, septiembre). “Estudiantes en Colombia lideran uso de IA, según la OCDE.” https://www.pulzo.com/tecnologia/inteligencia-artificial-en-la-educacion-estudiantes-en-colombia-lideran-uso-de-ia-segun-la-ocde-PP5296043A
6. UNESCO. (2026, abril). “UNESCO launches Observatory on Artificial Intelligence in Education for Latin America and the Caribbean.” https://www.unesco.org/en/articles/unesco-launches-observatory-artificial-intelligence-education-latin-america-and-caribbean