La IA genera hipótesis científicas verificables: modelos de 2026 aceleran el descubrimiento farmacológico diez veces

De resumir papers a generar hipótesis que los laboratorios verifican

El salto conceptual más significativo de la IA en 2026 no ocurre en los benchmarks de programación ni en los sistemas de atención al cliente: ocurre en los laboratorios. Los modelos de lenguaje de la generación actual han dejado de ser asistentes que buscan y resumen literatura científica para convertirse en sistemas capaces de formular hipótesis novedosas que los investigadores humanos luego someten a verificación experimental.

Anthropic documentó este cambio en el lanzamiento de Claude Fable 5 y Claude Mythos 5 el 9 de junio de 2026. En experimentos de biología molecular, el modelo Mythos 5 generó hipótesis novedosas que los científicos de la compañía prefirieron sobre las de modelos anteriores en el 80% de las comparaciones ciegas. Una de esas hipótesis fue corroborada de forma independiente por un laboratorio externo que trabajaba en paralelo sobre el mismo problema, sin conocer las predicciones del modelo. En diseño de proteínas y desarrollo farmacológico, el mismo modelo redujo el ciclo de trabajo en aproximadamente diez veces: de 14 objetivos proteicos estudiados, 9 produjeron candidatos sólidos para desarrollo de fármacos.

La IA como co-investigador: implicaciones para el sector

Peter Lee, presidente de Microsoft Research, anticipó esta transición en el informe de tendencias tecnológicas 2026 de la compañía: «En 2026, la IA no se limitará solo a resumir artículos, responder preguntas o redactar informes, sino que participará activamente en el proceso de descubrimiento en física, química y biología. Generará hipótesis, utilizará herramientas y aplicaciones capaces de controlar experimentos científicos y colaborará tanto con investigadores humanos como con otros agentes de inteligencia artificial.»

Ese escenario ya está ocurriendo. Los modelos actuales de mayor capacidad son capaces de mantener contextos de hasta un millón de tokens, lo que permite a un investigador cargar bases de datos completas de ensayos clínicos, artículos de revisión y resultados experimentales y pedirle al modelo que identifique patrones o proponga mecanismos de acción no explorados. La ventaja no es solo de velocidad: la IA no tiene sesgos de confirmación hacia teorías previas, lo que la convierte en un generador de hipótesis potencialmente menos conservador que el proceso humano tradicional.

Regulación y acceso controlado: el equilibrio que aún no se ha resuelto

La misma potencia que hace a estos modelos valiosos en ciencia los convierte en un riesgo regulatorio. Anthropic ha mantenido Claude Mythos 5 —la versión sin restricciones en biología— fuera del acceso público general, limitándolo a investigadores seleccionados a través de un programa de acceso confiable. La lógica es explícita en la documentación técnica de la compañía: las capacidades de Mythos en biología molecular podrían utilizarse para diseñar agentes patógenos si cayeran en manos equivocadas. Este equilibrio entre potencia científica y control de acceso define el mayor dilema ético de la IA de frontera en 2026.