Tecnología
Inteligencia artificial en la ciencia: los avances que marcarán 2026
Hay momentos en la historia de la ciencia en los que cambia el objeto de estudio, y momentos mucho más escasos en los que cambia la propia forma de estudiar. Llevo años siguiendo de cerca la intersección entre la inteligencia artificial y la investigación científica, y estoy convencido de que estamos viviendo uno de esos segundos momentos. Lo que está ocurriendo no es que la IA se haya convertido en una palabra de moda en los laboratorios, sino que se está convirtiendo en el instrumento científico más versátil desde el microscopio: una herramienta que acelera, amplifica y, en algunos casos, reinventa el propio método de descubrimiento.
Después de jugar al tower rush juego, es importante señalar esto con calma, porque el revuelo mediático en torno a la inteligencia artificial suele mezclar promesas exageradas con avances reales, y separar el grano de la paja es precisamente la labor de quienes analizamos este campo. Pero cuando se observa lo que ya está ocurriendo en biología, medicina, ciencia de los materiales o matemáticas no lo que se está promocionando, sino lo que se está publicando, verificando y utilizando , la conclusión es difícil de ignorar: 2026 está consolidando una nueva forma de hacer ciencia, en la que la cuestión ya no es si utilizar la IA, sino cómo utilizarla bien. Permíteme mostrarte, campo por campo, dónde se está produciendo la verdadera revolución y qué podemos esperar en los próximos meses.
La biología, zona cero de la revolución
Si hay que elegir un territorio donde la IA ha pasado de herramienta prometedora a pilar indispensable, ese es la biología molecular. El punto de inflexión fue la resolución del plegamiento de proteínas: sistemas como AlphaFold demostraron que un modelo podía predecir la estructura tridimensional de una proteína a partir de su secuencia, un problema que había resistido medio siglo de esfuerzos. Aquello mereció un Premio Nobel de Química y, más importante aún, cambió la rutina diaria de miles de laboratorios: hoy consultar la estructura predicha de una proteína es tan cotidiano como buscar un artículo.
Pero lo que marca esta etapa no es predecir estructuras, sino diseñarlas. La disciplina del diseño de proteínas - crear desde cero moléculas que no existen en la naturaleza, con funciones a medida- ha florecido gracias a modelos generativos que proponen candidatos viables en horas en lugar de años. Hablamos de enzimas diseñadas para degradar plásticos, de proteínas que neutralizan toxinas, de nuevos formatos de anticuerpos. Es, literalmente, pasar de leer el libro de la vida a escribir en él.
El impacto más visible para el gran público llegará por la vía de los medicamentos. El descubrimiento de fármacos asistido por IA ha dejado de ser una promesa de conferencia: hay ya moléculas diseñadas con ayuda de estos sistemas avanzando por ensayos clínicos, y las grandes farmacéuticas han integrado estas plataformas en el corazón de sus procesos. Nadie serio promete milagros inmediatos - la biología sigue siendo obstinadamente compleja y la mayoría de candidatos seguirá fracasando, como siempre ha ocurrido- , pero los plazos y costes de las fases tempranas se están comprimiendo de forma medible.
Para dimensionar el momento que vive la biología computacional, estos son los frentes donde espero las noticias más importantes del año:
- Medicina personalizada y diagnóstico, con modelos capaces de integrar imagen médica, historia clínica y datos genómicos para afinar diagnósticos y tratamientos.
- El diseño de terapias a medida, desde anticuerpos hasta editores genéticos optimizados computacionalmente.
- Los "gemelos virtuales" celulares, modelos que simulan el comportamiento de células completas y permiten experimentar en el ordenador antes que en la placa.
- La automatización del laboratorio, donde la IA no solo analiza sino que planifica y ejecuta experimentos mediante plataformas robotizadas que trabajan sin descanso.
Ese último punto merece subrayarse, porque los laboratorios autónomos - sistemas que formulan hipótesis, ejecutan el experimento, interpretan el resultado y deciden el siguiente paso- son quizá el anticipo más claro de cómo será la ciencia de la próxima década.
Del clima a las matemáticas: la IA como nuevo instrumento universal
El error habitual es pensar que esta transformación es cosa de la biomedicina. La realidad es que la IA se ha convertido en un instrumento transversal, y algunos de sus resultados más sólidos están llegando en campos que rara vez ocupan titulares.
La predicción meteorológica es mi ejemplo favorito, porque es verificable cada día. Los modelos de aprendizaje profundo han alcanzado y en muchos casos superado a los sistemas físicos tradicionales que requerían superordenadores enteros, generando pronósticos globales en minutos y mejorando la anticipación de fenómenos extremos. En plena era de crisis climática, afinar la predicción de huracanes, olas de calor o lluvias torrenciales no es una curiosidad técnica: salva vidas y hacienda. Y el mismo enfoque se está extendiendo a la modelización climática de largo plazo, donde la IA permite explorar escenarios con una resolución antes inalcanzable.
La ciencia de materiales vive su propio momento dulce. Los sistemas de descubrimiento computacional han propuesto cientos de miles de materiales estables hipotéticos - candidatos para mejores baterías, superconductores, catalizadores- y la comunidad trabaja ahora en el cuello de botella real: sintetizarlos y validarlos en el mundo físico. Aquí soy prudente por oficio: entre predecir un cristal y tener una batería comercial media una década de ingeniería. Pero el embudo de candidatos se ha ensanchado de forma espectacular, y eso, estadísticamente, acabará dando frutos.
Y luego están las matemáticas, el terreno que más fascinación me produce. Los sistemas de razonamiento han alcanzado nivel de medalla de oro en olimpiadas internacionales, y los asistentes de demostración formal empiezan a colaborar con matemáticos profesionales en la verificación y exploración de pruebas. No estamos ante máquinas que sustituyan la intuición matemática, sino ante una nueva especie de colaborador infatigable que comprueba, sugiere y descarta caminos. Varios matemáticos de primera línea han empezado a integrarlos en su trabajo cotidiano, y ese cambio cultural dice más que cualquier récord puntual.
En física y astronomía, la historia se repite con matices: la IA controla plasmas en reactores de fusión experimental, filtra los diluvios de datos de los grandes telescopios y detectores, y encuentra agujas en pajares cósmicos que ningún equipo humano podría revisar. El patrón común a todos estos campos es el mismo: allí donde hay más datos que capacidad humana de análisis, la IA se ha vuelto imprescindible.
El científico y la máquina: lo que de verdad se juega en 2026
Todo lo anterior describe herramientas. Pero el debate más profundo de 2026, el que se discute en los pasillos de los congresos y en los comités editoriales, es otro: la aparición de los agentes de investigación, sistemas capaces de leer la literatura, proponer hipótesis, diseñar experimentos y redactar borradores con creciente autonomía. Los llamados "co-científicos" artificiales han pasado de demostración curiosa a objeto de evaluación seria, con casos documentados en los que han sugerido hipótesis plausibles que los investigadores humanos no habían considerado.
¿Significa esto que la IA hará ciencia sola? Mi respuesta, tras años observando este campo, es un no matizado que conviene desgranar. La ciencia no es solo generar ideas: es juzgar cuáles importan, es el criterio para distinguir lo interesante de lo trivial, es la responsabilidad sobre el resultado. Todo eso sigue siendo profundamente humano, y sospecho que lo seguirá siendo mucho tiempo. Lo que sí cambia, y de forma irreversible, es el reparto del trabajo: la máquina asume la búsqueda exhaustiva y el borrador; el humano conserva la pregunta, el criterio y la firma.
Este nuevo reparto trae desafíos muy reales que la comunidad científica debe encarar este mismo año, y que ordeno según su urgencia:
- La reproducibilidad y la validación, porque un descubrimiento asistido por IA solo vale si puede verificarse de forma independiente, y los modelos opacos complican ese principio básico.
- La calidad frente al volumen, ya que la facilidad para generar artículos amenaza con inundar las revistas de literatura mediocre que ahogue las contribuciones valiosas.
- El acceso equitativo, para evitar una ciencia de dos velocidades donde solo las instituciones ricas dispongan de las mejores herramientas.
- La formación de los nuevos científicos, que deben aprender a usar estos sistemas con espíritu crítico en lugar de delegarles el pensamiento.
Ninguno de estos retos es insalvable, pero ignorarlos sería la manera más segura de desperdiciar la oportunidad histórica que tenemos delante.
Termino con la reflexión que comparto siempre que me preguntan si todo esto me entusiasma o me inquieta: las dos cosas, y en ese orden. La inteligencia artificial no viene a quitarle el alma a la ciencia; viene a quitarle la parte mecánica, la búsqueda a ciegas, los años perdidos en callejones que un modelo puede descartar en horas. Lo que quede después será, si lo hacemos bien, más ciencia y mejor ciencia: más preguntas audaces, más mentes dedicadas a pensar en lugar de a filtrar datos. 2026 no será recordado como el año en que las máquinas empezaron a descubrir, sino como el año en que los científicos aprendieron, de verdad y a escala, a descubrir con ellas. Y francamente, no se me ocurre un momento más estimulante para asomarse a un laboratorio.