¿Descubrirá la IA lo que no podemos entender? La escalera real de la ciencia automatizada, del Nobel de AlphaFold al matemático artificial

LA TESIS. La pregunta que resuena —¿descubrirá la IA cosas que los humanos no podemos entender?— se responde mejor con una escalera que con un sí o un no. Peldaño uno: la IA como instrumento, un telescopio estadístico que busca en espacios enormes pero definidos por humanos. Peldaño dos: el copiloto que propone hipótesis y deja que un humano decida cuáles probar. Peldaño tres: el científico artificial que formula preguntas nuevas por su cuenta. Nuestra tesis es triple. En el peldaño uno, la IA ya es sobrehumana y tiene un Nobel que lo certifica. En el dos hay resultados reales, pero contados con demasiado entusiasmo. En el tres no existe todavía ni un solo caso claro y verificado. Y el ritmo de todo esto no lo marcará la inteligencia de los modelos, sino un cuello de botella del que casi nadie habla: la verificación experimental.

LO QUE YA ES SOBREHUMANO. Los hechos verificados son extraordinarios por sí solos. AlphaFold, de Google DeepMind, valió el Nobel de Química 2024 a Demis Hassabis y John Jumper (junto a David Baker): su base de datos contiene 200 millones de estructuras de proteínas —la forma tridimensional de las piezas básicas de la vida— y la usan más de 3 millones de investigadores en 190 países, según DeepMind. Resolver eso en laboratorio habría llevado, con los métodos clásicos, cientos de millones de años de trabajo. En matemáticas, julio de 2025 marcó un hito: Gemini Deep Think (Google) y un modelo experimental de OpenAI lograron 35 de 42 puntos en la Olimpiada Matemática Internacional, umbral de la medalla de oro que solo alcanzaron 67 de los 630 concursantes humanos. Detrás hay una pieza clave: Lean, un lenguaje formal que permite a un ordenador comprobar mecánicamente cada paso de una demostración. Con él trabaja AlphaProof (publicado en Nature) y con él se verificó, en enero de 2026, la noticia más significativa del año: GPT-5.2 resolvió el problema 397 de Erdős —de la famosa lista de problemas abiertos del matemático Paul Erdős— con una demostración original que Terence Tao, probablemente el mejor matemático vivo, calificó como «quizá el caso más inequívoco» de una IA resolviendo un problema abierto. El patrón común de todos estos éxitos: espacios de búsqueda definidos y un verificador barato (la cristalografía para las proteínas, Lean para los teoremas). Donde existe ese verificador, la IA ya vuela.

LOS «DESCUBRIMIENTOS» QUE NO LO ERAN. Ahora, la letra pequeña. GNoME, también de DeepMind, anunció en 2023 haber hallado 2,2 millones de cristales nuevos, 381.000 de ellos supuestamente estables. Los químicos Anthony Cheetham y Ram Seshadri analizaron una muestra y concluyeron en Chemistry of Materials que había «escasa evidencia» de materiales útiles: según su análisis, abundaban los duplicados de compuestos conocidos y los materiales radiactivos sin aplicación, y ninguno había demostrado funcionalidad. El A-Lab de Berkeley afirmó haber sintetizado 41 compuestos nuevos en 17 días con robots e IA; investigadores de Princeton y del University College de Londres sostienen que ni uno solo era realmente nuevo, y Nature acabó corrigiendo el artículo. Peor aún: el paper del MIT que afirmaba que los científicos asistidos por IA descubrían un 44% más de materiales —alabado por el Nobel de economía Daron Acemoglu y citado por medio mundo— fue desautorizado por el propio MIT en mayo de 2025 al concluir que sus datos no eran fiables; el instituto pidió su retirada. Y en octubre de 2025, directivos de OpenAI presumieron de que GPT-5 había resuelto diez problemas abiertos de Erdős; tuvieron que rectificar cuando se comprobó que el modelo solo había encontrado soluciones ya publicadas que la lista no tenía catalogadas. La lección no es que todo sea humo: es que en la ciencia automatizada el marketing corre más deprisa que la replicación. Cada «millón de descubrimientos» debe leerse como «millón de candidatos».

EL CUELLO DE BOTELLA QUE NADIE CUENTA. Generar hipótesis se ha vuelto casi gratis; comprobarlas, no. El «AI co-scientist» de Google propuso reutilizar fármacos ya aprobados contra la leucemia mieloide aguda, y acertó: los compuestos inhibieron células tumorales en el laboratorio, según el estudio publicado en Nature. Pero «acertar» aquí significa placas de cultivo, no pacientes: quedan años y cientos de millones de euros de ensayos. El mismo sistema replicó en 48 horas una hipótesis sobre resistencia bacteriana que al equipo de José Penadés en el Imperial College le costó una década; impresionante, aunque con matiz: la IA llegó a la idea, pero fueron los humanos quienes la habían demostrado. Kosmos, el «científico autónomo» de Edison Scientific, promete comprimir seis meses de análisis en un día; según la propia empresa, el 79,4% de sus conclusiones son correctas. Dicho al revés: una de cada cinco es errónea, y encontrar cuál exige justo la pericia humana que se pretendía ahorrar. Los laboratorios robóticos —como Coscientist, el sistema de Carnegie Mellon basado en GPT-4 que planificó y ejecutó reacciones químicas reales (Nature, 2023)— apuntan a cerrar el ciclo completo, pero el A-Lab enseñó el riesgo: robot que sintetiza más IA que analiza, sin humano en medio, produce errores en cadena. Nuestra lectura económica: el valor se desplaza de generar ideas a verificarlas. Quien controle la infraestructura de verificación —robots auditables, ensayos, revisores independientes— marcará el ritmo del descubrimiento, no quien tenga el modelo más listo.

CUANDO NADIE PUEDE SEGUIR LA DEMOSTRACIÓN. La pregunta filosófica no es nueva: cumple 50 años. En 1976, Appel y Haken demostraron el teorema de los cuatro colores con más de 1.000 horas de ordenador comprobando miles de casos; ningún humano ha podido revisar esa prueba a mano, ni entonces ni hoy. El filósofo Thomas Tymoczko argumentó que eso convertía la matemática en ciencia empírica: había que «fiarse» de la máquina. Medio siglo después tenemos una respuesta mejor: verificadores formales como Lean, cuyo núcleo es un programa pequeño y auditable. Es decir: ya podemos saber que algo es verdad sin entender por qué lo es. La distinción clave es esa: verdad no es comprensión. AlphaFold es el ejemplo perfecto: predice la forma de la proteína sin darnos una teoría del plegamiento; tenemos la respuesta sin la explicación. ¿Es eso ciencia? Nuestra respuesta: sí, pero incompleta. La comprensión no es un lujo estético: es lo que genera la siguiente pregunta. Una ciencia de oráculos que emite respuestas correctas e inescrutables produciría avances, pero dejaría de producir científicos. La historia, eso sí, invita al optimismo: el microscopio llegó siglos antes que la teoría de los gérmenes; primero vimos, luego entendimos. Ya ocurre algo parecido: hay matemáticos estudiando las construcciones que AlphaEvolve encontró en 67 problemas abiertos —mejoró las mejores soluciones conocidas en varios— para extraer de ellas ideas humanas nuevas.

NUESTRA LECTURA. A corto plazo, honestidad: la IA científica es hoy, a partes iguales, un instrumento extraordinario y una fábrica de titulares inflados. Auditar los anuncios —GNoME, A-Lab, el paper del MIT— no es pesimismo; es el método científico haciendo su trabajo. El empleo científico cambiará como está cambiando el resto: pierde valor ejecutar protocolos y peinar literatura (el «back-office» de la ciencia) y gana valor formular preguntas, diseñar experimentos discriminantes y verificar resultados. En gobernanza, la propuesta es simple: los «descubrimientos por IA» necesitan estándares de reporte y replicación independiente antes de la nota de prensa, igual que exigimos ensayos clínicos antes del fármaco. A largo plazo, nuestro optimismo es firme y razonado: si el siglo XX industrializó el trabajo manual, la IA está industrializando la generación de hipótesis. Cuando la verificación también se acelere —laboratorios autónomos auditables, verificadores formales, ensayos más rápidos—, la ciencia se comprimirá de décadas a años. Ese es el camino real hacia erradicar enfermedades y ganar longevidad: Isomorphic Labs, hermana de DeepMind, ya encamina su primer fármaco diseñado con IA hacia ensayos clínicos. ¿Descubrirá la IA lo que no podemos entender? Ya produce verdades que nadie puede seguir paso a paso. Lo que aún no ha hecho es formular una sola gran pregunta que ningún humano hubiera hecho. Mientras ese peldaño siga vacío, el científico humano no está siendo reemplazado: está siendo ascendido. De operario de la respuesta a dueño de la pregunta.