El futuro de la ciencia en manos de algoritmos

• Francisco María
• Colaboro en diferentes medios y diarios digitales, blogs temáticos, desarrollo de páginas Web, redacción de guías y manuales didácticos, textos promocionales, campañas publicitarias y de marketing, artículos de opinión, relatos y guiones, y proyectos empresariales de todo tipo que requieran de textos con un contenido de calidad, bien documentado y revisado, así como a la curación y depuración de textos. Estoy en permanente crecimiento personal y profesional, y abierto a nuevas colaboraciones.
• • 06/05/2026 09:00
  • Actualizado: 06/05/2026 09:00

Durante mucho tiempo, hacer ciencia era un proceso bastante reconocible. Lento, incluso. Horas de laboratorio, ensayo y error, artículos revisados durante meses… y, de vez en cuando, un avance que justificaba todo lo anterior. Ese ritmo sigue existiendo, claro. Pero algo ha cambiado. Y bastante.

Hoy, en muchos campos, los algoritmos no solo ayudan: empujan la investigación hacia delante con una velocidad que hace unos años parecía poco realista. No es una metáfora. Está pasando en biología, en física, en medicina, incluso en ciencias del clima. Y no se trata simplemente de “usar ordenadores”. Es otra cosa. Es delegar parte del proceso intelectual en sistemas que detectan patrones que el ojo humano no alcanza.

DeepMind

Un caso muy citado es el de DeepMind, dentro del ecosistema de Google. Su modelo AlphaFold cambió las reglas del juego en biología estructural. Predecir cómo se pliegan las proteínas era uno de esos problemas que parecían condenados a avanzar poco a poco, casi a base de paciencia. De repente, un sistema de inteligencia artificial resolvía en horas lo que antes podía llevar años. Y no con resultados aproximados, sino con una precisión que sorprendió incluso a los especialistas más escépticos.

Esto tiene implicaciones muy concretas. No es solo una curiosidad académica. Entender la estructura de proteínas abre puertas en el desarrollo de medicamentos, en el estudio de enfermedades raras, en biotecnología. Dicho de forma sencilla: acelera procesos que afectan directamente a la salud de las personas.

Algoritmos y razonamientos

Cuando un algoritmo propone una hipótesis, ¿hasta qué punto entendemos el razonamiento detrás? En muchos casos, la respuesta honesta es: no del todo. Y eso genera cierta incomodidad. Porque la ciencia, al menos en su versión más clásica, no solo busca resultados, también busca explicaciones.

En medicina, por ejemplo, esta tensión es bastante evidente. Hay modelos capaces de detectar anomalías en imágenes médicas con una precisión altísima. A veces superior a la de profesionales con años de experiencia. Pero si el sistema no puede explicar de forma comprensible por qué ha llegado a esa conclusión, la confianza se resiente. Y con razón. Nadie quiere basar decisiones clínicas en algo que no puede interpretarse.

Descubriendo fármacos

En el ámbito del descubrimiento de fármacos, varias empresas están reduciendo tiempos de manera bastante agresiva gracias a la inteligencia artificial. Insilico Medicine es uno de los ejemplos más conocidos. Han logrado llevar candidatos a ensayos clínicos en plazos mucho más cortos de lo habitual. No es magia. Es optimización, análisis masivo de datos y una capacidad de iterar que antes simplemente no existía.

Si uno se para a pensarlo, el cambio es profundo. Durante años, desarrollar un medicamento era un proceso largo, caro y con un porcentaje alto de fracaso. Eso no ha desaparecido, pero empieza a cambiar de forma tangible.

Se empieza a hablar y cada vez más en serio de laboratorios prácticamente autónomos. Espacios donde robots ejecutan experimentos, algoritmos analizan los resultados y el propio sistema decide cuál es el siguiente paso. Sin intervención humana directa en cada fase. No es algo masivo todavía, pero ya existen prototipos funcionando en centros de investigación avanzada.

Esto plantea preguntas interesantes. Algunas incluso incómodas.

Algunos interrogantes

Si un sistema es capaz de diseñar y ejecutar experimentos por su cuenta, ¿qué queda exactamente para el científico? La respuesta más razonable es que sigue quedando mucho: definir problemas, interpretar resultados, cuestionar lo que el sistema propone. Pero el equilibrio cambia. Y no está del todo claro cómo se estabilizará.

También está el tema del acceso, que suele quedar en segundo plano pero es clave. No todos los países ni todas las instituciones tienen los recursos necesarios para implementar estas tecnologías. Y eso puede agrandar la brecha científica. Los centros con más capacidad tecnológica avanzan más rápido, generan más conocimiento y atraen más talento. Los demás, inevitablemente, van a otro ritmo.

No es una situación nueva, pero sí se intensifica.

Gestión de los datos

Los datos son otro punto delicado. Los algoritmos necesitan grandes volúmenes de información para funcionar bien. Sin datos, no hay modelo que valga. Pero en muchos ámbitos científicos, compartir datos no es sencillo. Hay cuestiones de privacidad, especialmente en salud, y también de propiedad intelectual.

Aquí están surgiendo soluciones interesantes, como los modelos federados, que permiten entrenar sistemas sin mover los datos de su origen. No es perfecto, pero abre una vía bastante prometedora.

Mientras tanto, las grandes tecnológicas siguen posicionándose. Microsoft, IBM o Amazon están desarrollando infraestructuras específicas para investigación científica basada en inteligencia artificial. No lo hacen solo por interés académico, claro. Hay una dimensión estratégica evidente. Se entrenan con datos, sí, pero también con objetivos definidos por humanos. Si esos objetivos están condicionados por intereses comerciales o políticos, el rumbo de la ciencia puede verse afectado.

No es necesariamente algo negativo, pero conviene tenerlo presente.

El avance es evidente

A pesar de todas estas complejidades, hay algo que parece bastante claro: la ciencia se está acelerando. Y no de forma marginal. De manera estructural. Vemos materiales novedosos sorprendentes, nuevas energías renovables, importantes avances en diagnósticos médicos, etc.

Lecturas recomendadas

Algoritmos

Análisis y diseño de algoritmos