BioBasicsBench: GPT-6 Astra supera a GPT-5.6 Sol en el laboratorio, pero aún no sabe cuándo callarse

Por Unite.AI · 6 de noviembre de 2026.

OpenAI presentó el 6 de noviembre BioBasicsBench, un benchmark de 100 tareas creado junto a Ligo, empresa de diseño de enzimas. Mide si un agente de IA sabe interpretar la evidencia en bruto de experimentos rutinarios de laboratorio húmedo (el que trabaja con material biológico real, no con simulaciones).

Según los datos de la propia OpenAI, con el nivel de razonamiento más alto (xhigh), GPT-6 Astra alcanzó una recompensa media del 66,7% (intervalo de confianza del 95%: 60,3–73,1%). GPT-5.6 Sol se quedó en el 43,8% (37,6–50,0%). Astra, además, usó menos tokens por tarea: 4.704 de media frente a 9.099 de Sol. Se evaluaron siete modelos en 37 configuraciones, con cinco intentos por tarea: 18.500 resultados en total.

La diferencia con otras pruebas está en el material. Muchos benchmarks científicos usan gráficos e imágenes escogidos para artículos académicos. Aquí las tareas salen de experimentos reales de científicos, con fallos, imágenes ambiguas y observaciones contradictorias. Los insumos incluyen geles, placas de colonias, microscopía, lecturas de secuenciación, exportaciones de lectores de placas y vídeos de protocolos. La rúbrica premia resultados numéricos, razonamiento y también reconocer que la evidencia no basta para concluir. Cada tarea pasó por tres revisiones, una de ellas externa, a cargo de un científico con doctorado.

Los ejemplos que ofrece OpenAI son lo más interesante. En una tarea de imagen celular, Sol dio por muertas unas células por la señal de un colorante. Astra vio que las ventanas de detección se solapaban y que un segundo colorante podía interferir, así que pidió controles para separar las señales. En una de clonación de ADN, Sol dedicó su conclusión a una placa sin colonias, mientras que Astra notó que esa placa era de kanamicina y no de ampicilina, el antibiótico del experimento, y descartó el control. En otra, Sol buscó una explicación biológica a células que entraban y salían de foco; Astra identificó un z-stack (serie de imágenes a distintas profundidades).

La propia OpenAI es franca con los límites. En una tarea de PCR de colonias, Astra eligió los carriles 4, 6, 7 y 8 por suponer que un producto más grande indicaba clonación correcta; la referencia era 5, 9 y 10. Ese error llevaría a purificar el plásmido equivocado. En un conteo de colonias, según OpenAI, Astra se pasó en torno a un 12% por no separar vecinas, omitir colonias visibles y marcar agar vacío, lo que infla la eficiencia estimada de introducción de ADN en la misma proporción. También generalizó que las vacuolas son más oscuras que su entorno pese a ver lo contrario en la misma imagen.

Nuestra lectura: la tesis es que el salto es real, pero el fallo que importa ha cambiado de naturaleza. Astra ya no tropieza tanto al «mirar»; tropieza al dejar que lo que observa gobierne su conclusión. Que sus observaciones intermedias registraran que el contraste variaba con el foco y aun así generalizara lo contrario es un patrón que conviene vigilar: no es ignorancia, es incoherencia entre percepción y decisión. En un laboratorio eso se paga con semanas y reactivos.

Hay matices. Es un benchmark diseñado y publicado por OpenAI junto a un socio, y los resultados son suyos; faltará ver réplicas independientes. El 66,7% también significa que un tercio del crédito se pierde en tareas de «biología básica». Y esa rúbrica premia señalar la insuficiencia de evidencia, una virtud humana poco medida hasta ahora y muy valiosa.

En general, el laboratorio es el cuello de botella de la biomedicina: la ciencia avanza al ritmo al que se pueden hacer y leer experimentos. Un agente que interprete fiablemente geles, placas y microscopía acelera ese ciclo, y ahí está el camino concreto hacia la erradicación de enfermedades que defendemos como horizonte. A corto plazo, sin embargo, el valor está en asistencia supervisada, no en autonomía, y también en un terreno que OpenAI admite que debe evaluar: las implicaciones de bioseguridad de estas capacidades.

Quien gana: los equipos que usen estos agentes como segundo par de ojos con controles humanos. Quien pierde: quien confunda un agregado del 66,7% con juicio de laboratorio fiable. La vara de medir correcta no es la puntuación media, sino cuántas veces el agente retiene su propia observación hasta la conclusión.