Del texto al experimento físico
La inteligencia artificial aplicada a la ciencia no se limita a resumir artículos. El *State of AI Report 2026* describe sistemas donde agentes de programación pueden conectarse con robots, ejecutar pruebas, observar resultados y modificar el siguiente intento. El patrón se parece a un ciclo experimental: preparar el equipo, ejecutar una tarea, medir qué ocurrió y revisar los fallos. La IA participa en la planificación o el código; el equipo físico realiza la acción y produce nuevas observaciones.
En un caso del informe, ocho estaciones YAM probaron políticas en paralelo con brazos robóticos. Las tareas incluían insertar pines, insertar GPU y cortar bridas. En la prueba de inserción de pines, ocho parejas de agente y robot llegaron a un rendimiento casi perfecto en unos 40 minutos, frente a más de 90 minutos con una estación. El sistema permitía hasta ocho intentos de recuperación cuando una ejecución no salía bien.
El informe destaca que esta forma de trabajo puede combinar aprendizaje por refuerzo, imitación y control procedimental. Al distribuir ensayos entre varios robots, los equipos pueden explorar más variantes en menos tiempo. Sin embargo, el propio reporte advierte que los costos de tokens pueden crecer de manera desproporcionada y que preparar el laboratorio todavía necesita intervención humana. Es un resultado de una configuración concreta, no una medida universal de la robótica con IA.
Un segundo caso: interpretar muestras
El documento también describe Neon, un modelo adaptado por Periodic Labs para interpretar patrones de difracción de rayos X (XRD). Esta técnica ayuda a identificar la estructura de materiales cristalinos, pero las señales superpuestas pueden exigir horas de trabajo experto. El equipo empezó con un modelo base y lo ajustó con literatura científica, código, datos experimentales y entrenamiento con retroalimentación sobre sus propios resultados.
En 134 muestras de laboratorio difíciles, Neon tuvo éxito en el 55,3% de los casos, frente al 2,7% del modelo base dentro del mismo sistema de evaluación. La diferencia es notable, pero el número describe un conjunto seleccionado y un entorno de prueba específico. No demuestra que el modelo pueda interpretar cualquier muestra, reemplazar a un científico o producir conclusiones fiables sin controles independientes.
Qué cambia para los equipos de investigación
El valor potencial aparece cuando un agente puede completar tareas repetitivas que conectan software y equipo físico: cambiar un parámetro, repetir una prueba y registrar el resultado. Eso puede liberar tiempo para que los investigadores formulen preguntas o analicen datos. Sin embargo, un laboratorio automatizado necesita límites claros sobre qué puede ejecutar el agente, qué variables puede modificar y quién supervisa las acciones.
La seguridad es esencial cuando hay movimiento físico, herramientas, muestras costosas o materiales peligrosos. Antes de automatizar, el equipo debe verificar que el robot tenga zonas seguras, que los procedimientos puedan detenerse y que los registros permitan reconstruir cada ensayo. También conviene distinguir entre una tarea digital reversible y una acción física que puede dañar equipo o poner a una persona en riesgo.
Los resultados científicos requieren criterios de validación además de velocidad. Una medición debe poder repetirse, los datos de entrada deben tener procedencia y las conclusiones tienen que revisarse por personas competentes. Si un agente falla, hay que entender si el problema estuvo en el plan, el software, la calibración del instrumento o la interpretación de la muestra.
Para empresas dominicanas que evalúan IA, la lección es comenzar con un proceso acotado y medible, no dar acceso ilimitado a un sistema autónomo. Jarvis RD publica más información sobre IA empresarial con participación humana en su blog. La automatización puede aumentar la cantidad de pruebas; la responsabilidad por su interpretación sigue en manos de los equipos humanos.
Cómo leer la evidencia
Los ejemplos del informe muestran capacidades prometedoras, pero también el papel de la ingeniería que las rodea. La estación necesita sensores, una posición repetible de los objetos, herramientas para reiniciar la prueba y criterios para decidir cuándo un intento cuenta como exitoso. El agente no recibe una consigna abstracta y descubre por sí solo todo el laboratorio: trabaja dentro de un entorno preparado por personas y con límites definidos para la ejecución.
Antes de trasladar una demostración a producción, un equipo debería preguntar cuántas veces se repitió el ensayo, qué condiciones se mantuvieron constantes, qué fallos no se contabilizaron y si otro grupo puede reproducir el resultado. En ciencia, una mejora de velocidad resulta útil solo cuando la calidad de los datos también se mantiene. Para tareas de alto impacto, los procedimientos de seguridad, la aprobación de un responsable y un registro de los cambios deben diseñarse junto con el agente, no añadirse después.
**Fuentes:** State of AI Report 2026 — secciones sobre agentes de programación en una flota de robots y análisis de muestras de laboratorio; McKinsey — Technology Trends Outlook 2026, que incluye IA para descubrimiento científico e ingeniería entre las tendencias emergentes.