Mythos 5 genera hipótesis científicas que los investigadores eligen el 80% de las veces: ¿el fin de la investigación tal como la conocemos?
La IA no solo analiza datos científicos ahora — genera las preguntas que los científicos no habían pensado hacerse
Hay un número que detiene a cualquier investigador cuando lo escucha por primera vez: el 80%. Según Anthropic, Claude Mythos 5 genera hipótesis científicas que los investigadores independientes prefieren frente a las hipótesis generadas por otros métodos en 4 de cada 5 evaluaciones ciegas. No es un benchmark de laboratorio. Es investigadores reales eligiendo qué hipótesis merece ser explorada.
Pero el dato más impactante no es ese. Es este: en una prueba de investigación genómica autónoma de una semana de duración, Mythos 5 superó los resultados de un modelo publicado recientemente en revistas de alto impacto — un modelo que era 100 veces más grande en número de parámetros. La eficiencia del razonamiento, no solo el tamaño del modelo, está redefiniendo qué significa "el mejor modelo para ciencia".
De herramienta a co-investigador: el salto cualitativo
Durante años, la IA en investigación científica fue una herramienta de análisis: procesa este conjunto de datos, identifica estos patrones, acelera esta tarea repetitiva. Útil, pero pasiva. Lo que está ocurriendo en 2026 es cualitativamente diferente.
Los agentes científicos de IA no esperan que el investigador formule la pregunta. Observan datos, identifican anomalías, proponen marcos explicativos y diseñan experimentos de validación. En oncología, los sistemas de IA ya predicen respuestas a inmunoterapias con inhibidores de puntos de control inmunitarios con una precisión que los oncólogos no podían alcanzar manualmente. En neurología, herramientas como StateViewer analizan estudios FDG-PET y proponen el patrón neurodegenerativo más compatible, ayudando a diferenciar entre síndromes de demencia que históricamente han presentado diagnósticos erróneos durante meses o años.
En edición genética, el precedente de KJ Muldoon — el primer paciente en recibir una terapia CRISPR diseñada exclusivamente para su mutación específica — abrió un campo que en 2026 está en plena expansión. Los modelos de IA están en el centro del diseño de estas terapias personalizadas, procesando el espacio de variantes posibles a una velocidad que ningún equipo humano podría igualar.
El ritmo del descubrimiento cambia
La revista Nature señaló a principios de año que los agentes de IA "están cerca de concretar descubrimientos de alto impacto". Esa predicción, con Mythos 5 en producción restringida desde abril y sus capacidades ahora más documentadas, parece más cerca de cumplirse que nunca.
El impacto no es solo de velocidad. Es de alcance. La IA puede explorar simultáneamente miles de hipótesis que un laboratorio humano tardaría décadas en recorrer secuencialmente. Puede encontrar conexiones entre campos aparentemente no relacionados — una proteína estudiada en biología marina que resulta tener implicaciones en neurología — porque no tiene los silos disciplinares que estructuran el conocimiento humano.
Las preguntas incómodas que nadie quiere ignorar
El progreso no viene sin tensiones. Si un agente de IA diseña una hipótesis que un investigador humano verifica, ¿quién es el autor del descubrimiento? Las revistas científicas de mayor impacto están revisando urgentemente sus políticas de atribución y están chocando con el hecho de que sus protocolos de revisión por pares no fueron diseñados para evaluar descubrimientos asistidos por sistemas autónomos.
Hay también una cuestión de reproducibilidad: los modelos de IA, como todos los sistemas probabilísticos, no generan siempre los mismos resultados. La ciencia está construida sobre la reproducibilidad como pilar fundamental. Adaptarla a herramientas no deterministas es uno de los desafíos metodológicos más serios que enfrenta la investigación en este momento.
Y está la cuestión de los sesgos de entrenamiento: un modelo que aprendió principalmente de literatura científica publicada en inglés, por investigadores de países de renta alta, reproduce inevitablemente los sesgos de esa literatura. Las enfermedades más prevalentes en el sur global, las poblaciones genómicamente subrepresentadas, los problemas ambientales de regiones con menor producción científica — todos corren el riesgo de seguir siendo invisibles para los agentes que se supone deben acelerar el descubrimiento global.
Qué dice la comunidad científica
La respuesta es, como era de esperar, heterogénea. Los investigadores más jóvenes tienden a la adopción entusiasta: estos sistemas amplifican lo que pueden hacer en un laboratorio con recursos limitados. Los investigadores más senior expresan una mezcla de fascinación y cautela: el riesgo de que la velocidad de generación de hipótesis supere la capacidad de verificación rigurosa es real, y las consecuencias de publicar ciencia incorrecta con el marchamo de "validada por IA" podrían ser graves.
Lo que nadie niega es que el calendario científico ha cambiado de velocidad. Los descubrimientos que antes tomaban una década están empezando a ocurrir en ciclos de meses. La infraestructura institucional de la ciencia — financiación, publicación, validación, aplicación — tiene que correr para no quedarse atrás de los propios resultados que está produciendo.
