El descubrimiento científico de IA de Anthropic se enfrenta a una prueba de realidad humana
Anthropic afirma que Claude realizó un descubrimiento científico después de que aproximadamente 950 agentes de IA buscaran datos genómicos durante 21 horas e identificaran un sistema enzimático inusual. El descubrimiento científico de IA de Anthropic es lo bastante real como para merecer atención, pero la palabra «autónomo» tiene más peso del que respaldan las pruebas disponibles.
Claude encontró una disposición antes no caracterizada de genes y secuencias repetidas de ADN en bacteriófagos, virus que infectan bacterias. Anthropic denominó al sistema transcriptasas inversas asociadas a matrices, o ARTs. Después, científicos humanos seleccionaron el hallazgo principal, diseñaron o realizaron el trabajo de laboratorio, interpretaron los resultados y publicaron un preprint sin revisión por pares.
Esa división del trabajo importa. Claude hizo más que resumir artículos o responder a una pregunta concreta de un científico. Buscó en datos biológicos sin procesar, descartó miles de candidatos y detectó un patrón inesperado. Sin embargo, los investigadores de Anthropic siguieron proporcionando la dirección de investigación, la infraestructura de laboratorio, el criterio y la validación física.
Por tanto, el resultado cuestiona dos narrativas simplistas. Es más sólido que la afirmación de que los modelos de lenguaje solo recombinan texto, pero más débil que la idea de un científico mecánico independiente. La descripción más clara es una búsqueda computacional liderada por IA dentro de un proceso científico diseñado por humanos.
Lo que Anthropic y Claude encontraron realmente
Claude identificó una pista de investigación biológica creíble, no una tecnología de edición genética terminada ni un mecanismo molecular plenamente explicado.
Anthropic anunció el hallazgo el 23 de septiembre de 2026, junto con un nuevo grupo de investigación en ciencias de la vida y un laboratorio de biología molecular. Según la empresa, el laboratorio de la Bahía de San Francisco realiza trabajos de menor riesgo BSL-1 y BSL-2. Todos los experimentos físicos los llevan a cabo científicos humanos.
El proyecto comenzó con una instrucción humana amplia. Los investigadores de Anthropic pidieron a Claude que buscara en grandes bases de datos de ADN ejemplos interesantes de transcriptasas inversas. Una transcriptasa inversa es una enzima que copia ARN en ADN.
Anthropic coordinó aproximadamente 950 agentes de Claude durante una ejecución computacional de 21 horas. En conjunto, utilizaron unos 210 millones de tokens. Los agentes recopilaron más de 200.000 transcriptasas inversas e identificaron 3.500 sistemas candidatos.
Después redujeron esa colección a 20 candidatos para un análisis más profundo e informes comprensibles para humanos. Anthropic afirma que el trabajo equivalente de minería genómica podría ocupar a un científico experto durante semanas o meses.
Un agente se centró en una transcriptasa inversa inusual encontrada en un fago gigante. La enzima subyacente había aparecido en investigaciones anteriores, por lo que Claude no descubrió la proteína en sí. Su contribución consistió en reconocer una disposición más amplia que investigadores previos no habían caracterizado.
Junto al gen de la enzima, Claude observó un gen asociado y una matriz de repeticiones de ADN espaciadas de manera uniforme. Esas repeticiones se asemejaban a parte de la arquitectura asociada con los sistemas CRISPR.
CRISPR es un sistema natural de defensa microbiana que los científicos adaptaron como herramienta programable de edición genética. Sus matrices de repeticiones ayudan a generar guías de ARN, que dirigen proteínas asociadas hacia objetivos genéticos concretos.
La disposición ART tiene tres componentes descritos: una transcriptasa inversa, un gen accesorio adyacente y una larga matriz de repeticiones. Los primeros experimentos de Anthropic indican que la matriz produce moléculas de ARN cortas separadas.
Esa observación hace que ART resulte científicamente interesante. Plantea la posibilidad de que las moléculas de ARN guíen o influyan en la actividad del sistema. Sin embargo, los investigadores no han establecido su función biológica natural.
Anthropic no sabe qué hace ART dentro de un bacteriófago o de una célula bacteriana infectada. No ha demostrado que los investigadores puedan programar el sistema, dirigirlo hacia ADN seleccionado o utilizarlo de forma segura.
El propio anuncio de investigación de la empresa reconoce esta brecha. Afirma que el sistema posee propiedades que recuerdan a CRISPR, al tiempo que señala que su función sigue siendo desconocida.
El preprint técnico que lo acompaña no había completado la revisión por pares cuando Anthropic hizo público el resultado. La revisión por pares no resolvería todas las dudas, pero expondría los métodos y las interpretaciones al escrutinio de especialistas independientes.
Feng Zhang, profesor del MIT y pionero de CRISPR, revisó el preprint antes del anuncio de Anthropic. Calificó la asociación entre ARN y repeticiones como «genuinamente intrigante» y afirmó que merecía una investigación adicional.
Es un respaldo significativo, pero deliberadamente limitado. «Intrigante» no significa útil, programable ni validado como mecanismo de edición genética. Significa que el patrón justifica más experimentos.
Por tanto, el acontecimiento preciso es más acotado que la versión del titular. El descubrimiento de la enzima por Claude produjo un nuevo sistema molecular candidato y evidencias iniciales de que su matriz de repeticiones se expresa como ARN. Su mecanismo y utilidad siguen siendo cuestiones abiertas.
Por qué importa el descubrimiento científico de IA de Anthropic
El cambio importante no es que el software haya sustituido a los científicos, sino que un sistema de IA general ejerció un criterio útil en una búsqueda biológica de escala inusualmente grande.
La biología computacional lleva décadas apoyándose en la automatización. Los investigadores utilizan habitualmente algoritmos para comparar secuencias, agrupar proteínas, predecir estructuras e identificar genes que aparecen juntos.
El papel de Claude fue más allá de ejecutar un único análisis fijo. Según Anthropic, los agentes leyeron literatura científica, reprodujeron resultados conocidos, escribieron código, inspeccionaron entornos genómicos, clasificaron candidatos inusuales y elaboraron informes que explicaban su razonamiento.
Ese flujo de trabajo combinó varias actividades que los investigadores suelen separar. Incluyó recuperación de información, programación, inspección estadística, reconocimiento de patrones, comparación con la literatura y argumentación científica escrita.
Una canalización convencional puede ejecutar muchos de esos pasos con mayor rapidez y previsibilidad. Sin embargo, los científicos suelen definir de antemano su secuencia, sus umbrales y sus resultados. Claude recibió un objetivo más amplio y tomó decisiones intermedias durante la búsqueda.
Esa distinción explica por qué el proyecto ha atraído atención. Según se informa, el sistema decidió que una familia de transcriptasas inversas merecía una investigación adicional, inspeccionó el ADN cercano y reconoció la matriz de repeticiones.
Los agentes también descartaron a la mayoría de los candidatos. Seleccionar qué no investigar es fundamental para el trabajo científico porque las bases de datos biológicas contienen innumerables correlaciones y anomalías.
Anthropic afirma que estudia qué hipótesis generadas por Claude aceptan o rechazan sus expertos. La empresa utiliza después esos criterios para mejorar las instrucciones futuras, enseñando de hecho al sistema ciertos aspectos del criterio científico.
Este enfoque desplaza el cuello de botella. Cuando el software puede generar cientos de informes plausibles, producir ideas se vuelve más fácil. Decidir qué ideas merecen tiempo de laboratorio se vuelve más importante.
El cambio también genera presión sobre los investigadores y los competidores de IA. Google DeepMind estableció el precedente más conocido con AlphaFold, que predice estructuras de proteínas a partir de secuencias de aminoácidos. Su impacto procedió de resolver a escala un problema científico definido.
Anthropic persigue un modelo más amplio. Quiere que Claude navegue por la literatura, los datos, las herramientas de software y la retroalimentación experimental dentro de un solo flujo de trabajo. Su banco de trabajo científico conecta a Claude con más de 60 bases de datos científicas y sistemas especializados de investigación.
Otros laboratorios están explorando métodos relacionados basados en agentes. Investigadores de Stanford han utilizado grupos de agentes de IA para proponer y evaluar estrategias de desarrollo de fármacos. El proyecto AI Scientist de Sakana AI ha intentado automatizar experimentos de aprendizaje automático y la redacción de artículos.
Estos esfuerzos varían mucho en calidad científica y autonomía. Aun así, apuntan hacia una competencia común: qué organización puede conectar modelos capaces con datos fiables, revisión experta y experimentos físicos.
El descubrimiento científico de IA de Anthropic también importa porque utilizó un modelo de propósito general. Claude no fue creado exclusivamente para localizar transcriptasas inversas ni para reconocer una firma genómica concreta.
Los sistemas generales pueden pasar de una tarea a otra sin necesidad de un modelo nuevo para cada pregunta de investigación. Esa flexibilidad resulta atractiva para los laboratorios cuyos conjuntos de datos, hipótesis y herramientas de software cambian constantemente.
También hace más difícil la evaluación. Un modelo especializado puede probarse frente a un benchmark definido. Un proceso de investigación basado en agentes contiene muchas decisiones, y su éxito depende en parte de los prompts, las herramientas, las bases de datos y la intervención humana.
Las cifras comunicadas muestran escala, pero no eficiencia. Ejecutar 950 agentes durante 21 horas parece rápido frente a meses de trabajo experto. Sin embargo, Anthropic no ha publicado una comparación económica completa con una canalización computacional convencional.
Los recuentos de tokens no revelan los costes totales de computación, el tiempo de ingeniería, las campañas fallidas ni el trabajo empleado para preparar herramientas y datos. Anthropic señala que la pista ART surgió de un programa de investigación más amplio, no de una conversación sin esfuerzo con un chatbot.
Por tanto, la lección correcta tiene que ver con la capacidad de búsqueda. Claude parece capaz de ampliar el número de posibilidades biológicas que un pequeño equipo de expertos puede examinar. Eso podría acelerar el descubrimiento incluso cuando los humanos conservan todas las decisiones relevantes.
Para los científicos en activo, esto se parece más a un grupo de investigación ampliado que a un colega independiente. Los agentes pueden investigar pistas paralelas, mientras los humanos gestionan el acceso al laboratorio y deciden qué pruebas cuentan.
Los trabajadores del conocimiento fuera de la biología reconocerán el patrón. La IA resulta más útil cuando puede conectar información dispersa, conservar el contexto y mostrar su razonamiento para su revisión. Una base de conocimiento de IA mantenida cuidadosamente puede respaldar flujos de trabajo revisables similares sin fingir que el juicio humano ha desaparecido.
El verdadero rival es la afirmación de autonomía de Anthropic
La disputa central no es si Claude contribuyó, sino si su contribución justifica afirmar que descubrió el sistema «por sí solo».
Anthropic describe el trabajo como un descubrimiento autónomo realizado con solo una orientación de alto nivel. Ese lenguaje refleja un logro técnico importante, pero comprime una larga cadena de decisiones humanas.
Los investigadores eligieron las transcriptasas inversas como el área general de búsqueda. Reunieron o pusieron a disposición las herramientas y bases de datos pertinentes. Construyeron el entorno que coordinaba muchas sesiones de Claude.
Los humanos también decidieron qué resultados merecían recursos de laboratorio. Anthropic afirma que los agentes redujeron la búsqueda a 20 candidatos convincentes, pero la revisión experta siguió formando parte del proceso de selección.
Tras el cribado computacional, científicos humanos expresaron proteínas en cepas de laboratorio y las caracterizaron bioquímica y estructuralmente. Interpretaron los resultados con la asistencia de Claude.
La afirmación final surgió de esa colaboración. Claude localizó el patrón, pero las personas determinaron que el patrón constituía un sistema potencialmente nuevo y merecía ser publicado.
Esto no reduce a Claude a una herramienta pasiva. Los microscopios no eligen dónde mirar, y el software de búsqueda convencional no suele redactar un plan de investigación después de detectar una anomalía.
Sin embargo, “por sí solo” sugiere independencia en la selección de preguntas, la recopilación de evidencias, la experimentación, la interpretación y la validación. El flujo de trabajo publicado no cumple ese estándar.
Un marco mejor separa la iniciativa de la autonomía. Claude mostró iniciativa dentro de una tarea delimitada porque seleccionó pasos analíticos y siguió un candidato inesperado. No estableció de manera independiente el programa de investigación ni completó la cadena de evidencias.
El descubrimiento científico también tiene varios umbrales posibles. Encontrar un patrón no reportado es uno de ellos. Demostrar una función molecular reproducible es otro. Establecer valor práctico es mucho más exigente.
Anthropic superó el primer umbral y empezó a aproximarse al segundo. La empresa encontró una disposición genética previamente no caracterizada y reportó evidencia experimental de que su matriz de repeticiones produce ARN.
No ha demostrado qué hacen esas moléculas de ARN. Tampoco ha demostrado que ART pueda editar genes, defender a un huésped, copiar secuencias objetivo o realizar otra operación programable.
Esta distinción debilita las comparaciones con CRISPR. Las secuencias repetidas de ART parecen estructuralmente similares a una matriz CRISPR, pero el parecido visual o genómico no establece un comportamiento equivalente.
CRISPR se volvió transformador solo después de años de investigación que establecieron su función y permitieron a los investigadores aprender a programarlo. ART sigue cerca del inicio de ese camino.
La cobertura independiente ha reflejado esa cautela. Un análisis de Nature describió el resultado como una visión de conjunto del nuevo laboratorio de Anthropic, al tiempo que destacó que la función del sistema sigue sin resolverse.
El descubrimiento también apareció en un preprint escrito por personal de Anthropic. Esa es una forma normal de compartir ciencia temprana, pero significa que la institución que formula la afirmación comercial sobre IA también produjo la evidencia científica inicial.
La replicación independiente reduciría ese conflicto. Otro grupo debe poder recuperar la misma familia ART, reproducir los hallazgos sobre ARN y probar el mecanismo propuesto.
La cuestión no es si los científicos corporativos pueden realizar investigación válida. Claramente pueden. La preocupación es que el posicionamiento de producto pueda fomentar un lenguaje público más contundente de lo que respaldan las pruebas subyacentes.
Presentar a Claude como un descubridor autónomo beneficia el argumento comercial más amplio de Anthropic. La empresa vende Claude como un sistema capaz de abordar trabajo de conocimiento extenso y complejo.
Un resultado científico creíble se convierte en prueba de capacidad, herramienta de captación de talento y demostración para clientes farmacéuticos o biotecnológicos. Eso no hace que el hallazgo sea falso, pero eleva el estándar de transparencia.
Un relato completo mostraría cuánto aporte humano intervino en cada etapa. Identificaría los prompts iniciales, las configuraciones de herramientas, el método de clasificación, los criterios humanos de descarte y las ejecuciones de búsqueda fallidas.
También compararía el flujo de trabajo del agente con líneas de base más simples. ¿Podría un pipeline convencional de minería genómica haber encontrado las mismas repeticiones con menos cómputo? ¿Habría clasificado ART de forma similar un estudiante de posgrado capacitado que utilizara software establecido?
Sin esas comparaciones, el público puede evaluar la novedad, pero no la eficiencia relativa. Claude encontró algo interesante, pero la evidencia no establece que una enjambre de agentes fuera el mejor método disponible.
El descubrimiento científico con IA de Anthropic es más defendible cuando se describe como colaborativo. El modelo aportó escala de búsqueda y análisis flexible. Los científicos aportaron objetivos, infraestructura, experimentos físicos y responsabilidad epistémica.
Lo que el descubrimiento de la enzima Claude aún no ha demostrado
La mayor incertidumbre es biológica, porque nadie sabe todavía cuál es la función natural de ART ni si su estructura inusual tiene valor práctico.
La primera prueba es mecanística. Los investigadores deben determinar qué copia la transcriptasa inversa, cómo interactúan con ella los ARN derivados de repeticiones y qué papel desempeña la proteína accesoria.
También deben identificar el propósito del sistema dentro de los bacteriófagos. Podría favorecer la replicación viral, alterar las defensas del huésped, registrar información, competir con otros virus o desempeñar una función no relacionada.
Esas posibilidades siguen siendo hipótesis. Una matriz repetida junto a una enzima es una pista sólida, pero la biología contiene muchas estructuras cuyas funciones difieren de sus análogos superficiales.
La segunda prueba es la programabilidad. CRISPR se volvió útil porque los investigadores podían redirigir su actividad mediante secuencias de ARN diseñadas. ART no ha demostrado una focalización comparable.
Los científicos tendrían que modificar una secuencia de repetición de ART y demostrar que el cambio redirige el sistema de manera predecible. También tendrían que medir la precisión, la eficiencia y los efectos no deseados.
La tercera prueba es la reproducibilidad. Laboratorios independientes deberían confirmar que existen los productos de ARN y que los componentes operan juntos como un único sistema.
La cuarta prueba se refiere al alcance. Anthropic informa que los ART aparecen principalmente en bacteriófagos. Los investigadores deben establecer cuán ampliamente aparece la familia y en qué se diferencian sus variantes.
Un descubrimiento encontrado en datos genómicos públicos puede ser novedoso incluso cuando las secuencias subyacentes ya estaban disponibles. La novedad científica a menudo surge de reconocer una relación que nadie había descrito antes.
Aun así, la existencia de datos accesibles crea una prueba de replicación útil. Equipos externos pueden buscar en los mismos registros y determinar si el patrón persiste con métodos diferentes.
La quinta prueba se refiere al papel de Claude en sí mismo. Anthropic debería proporcionar detalles suficientes para que los investigadores distingan el razonamiento del modelo del diseño del pipeline y el paralelismo de fuerza bruta.
Aproximadamente 950 agentes y 210 millones de tokens representan un esfuerzo computacional considerable. El total aún podría compararse favorablemente con el trabajo de expertos, pero Anthropic no ha proporcionado una medida estandarizada de productividad.
La tasa de éxito también importa. Un resultado interesante no puede revelar con qué frecuencia el mismo proceso genera candidatos engañosos. Un sistema que genera muchas historias plausibles puede incrementar el trabajo de laboratorio en vez de reducirlo.
Anthropic reconoce que la mayoría de los candidatos se eliminan. Sus investigadores estudian qué separa las propuestas valiosas de las más débiles, lo que sugiere que el problema de filtrado sigue siendo considerable.
Los modelos de lenguaje pueden producir explicaciones convincentes para patrones accidentales. Las bases de datos biológicas son especialmente vulnerables porque su enorme escala hace inevitables las asociaciones fortuitas.
La revisión humana protege contra algunos fallos, pero puede introducir sesgo de confirmación. Los investigadores que esperan que los agentes de IA descubran sistemas inusuales podrían interpretar patrones limítrofes con mayor generosidad.
Los resultados negativos transparentes ayudarían. Anthropic podría informar cuántas campañas no produjeron ningún candidato viable, cuántas pruebas de laboratorio fallaron y con qué frecuencia cambiaron las clasificaciones de los expertos.
La empresa también podría publicar estudios de ablación. Estas pruebas eliminarían partes del flujo de trabajo para mostrar si la planificación de los agentes, el acceso a la literatura o la ejecución paralela crearon la ventaja observada.
El estado de revisión del preprint merece la misma atención. La revisión por pares es imperfecta, pero los revisores pueden identificar trabajos previos ignorados, controles débiles e interpretaciones alternativas.
La publicación en una revista científica no validaría automáticamente la afirmación de autonomía de Anthropic. Sin embargo, reforzaría el caso biológico de ART como un sistema genuinamente nuevo.
La investigación más amplia también respalda la cautela respecto de la creatividad general de la IA. Un estudio de 2026 con miles de científicos concluyó que los sistemas actuales tenían dificultades para generar ideas que los expertos consideraran a la vez originales y útiles en distintas disciplinas.
Esa evaluación de científicos no invalida el resultado de ART. Muestra por qué un caso exitoso no debería convertirse en una afirmación universal sobre la ciencia liderada por máquinas.
La biología también puede adaptarse mejor a la búsqueda agéntica que los campos que requieren nuevas teorías sociales o interpretación contextual. Las bases de datos genómicas contienen registros estructurados que el software puede inspeccionar repetidamente y a escala.
Por lo tanto, el resultado podría representar un éxito significativo específico de un dominio sin demostrar autonomía científica general. Esa interpretación encaja con la evidencia y preserva el logro.
También existe una tensión de seguridad. Los mismos sistemas que buscan mecanismos útiles en datos biológicos pueden reducir el esfuerzo necesario para investigar mecanismos dañinos.
Anthropic endureció y ajustó recientemente las salvaguardas en torno al trabajo avanzado en biología. Investigadores legítimos han informado en ocasiones de que los filtros de seguridad interrumpen preguntas científicas ordinarias.
La empresa enfrenta ahora dos requisitos contrapuestos. Quiere que Claude realice investigación biológica ambiciosa, al tiempo que impide que usuarios externos apliquen capacidades similares a patógenos peligrosos.
ART procede de bacteriófagos, no de virus que infectan a humanos. Anthropic afirma que su laboratorio no maneja patógenos humanos. Estos hechos limitan el riesgo inmediato de este proyecto.
La cuestión de gobernanza más amplia permanece. Si los sistemas agénticos mejoran a la hora de proponer experimentos, las organizaciones necesitarán controles basados en la identidad del investigador, el propósito del proyecto, los materiales y el acceso al laboratorio.
Ese debate no debería eclipsar el resultado científico, pero debe formar parte de cualquier evaluación de la escala. Una generación de hipótesis más rápida crea más oportunidades y más candidatos que requieren una revisión responsable.
Tres señales determinarán si la afirmación se sostiene
La siguiente fase debe sustituir el lenguaje promocional por evidencia biológica independiente, flujos de trabajo reproducibles y productividad de investigación medible.
La primera señal es un mecanismo ART verificado. Los investigadores deben demostrar qué hace el sistema y explicar cómo interactúan su transcriptasa inversa, los ARN derivados de repeticiones y la proteína accesoria.
Un resultado convincente reforzaría la afirmación científica de Anthropic incluso si ART nunca se convierte en una herramienta médica. El descubrimiento no requiere comercialización inmediata.
La actividad programable elevaría aún más las expectativas. Si los científicos pueden redirigir ART hacia objetivos elegidos, las comparaciones con CRISPR cobrarían fundamento.
No encontrar un mecanismo coherente debilitaría la historia. ART podría seguir siendo una observación genómica válida mientras pierde su condición de gran descubrimiento molecular.
La segunda señal es la replicación independiente. Un laboratorio no afiliado debería reproducir el hallazgo computacional y los experimentos clave utilizando métodos compartidos o herramientas equivalentes.
La replicación pondría a prueba tanto la biología como el flujo de trabajo. Podría revelar si Claude encontró un patrón estable o si la configuración interna de Anthropic condicionó el resultado.
Los investigadores externos también deberían buscar descripciones previas que se hayan pasado por alto. Las afirmaciones de novedad a menudo se acotan después de que especialistas conectan un nuevo resultado con trabajos anteriores poco conocidos.
La confirmación reforzaría el argumento de que el descubrimiento de la enzima Claude aportó conocimiento genuino. Una corrección importante demostraría por qué los preprints y los anuncios de empresas requieren un tratamiento cauteloso.
La tercera señal es el rendimiento repetido en distintos proyectos. Anthropic necesita más de un candidato exitoso para demostrar un método de investigación nuevo y fiable.
Los informes futuros deberían incluir el total de campañas, las hipótesis fallidas, las tasas de conversión en laboratorio, las horas humanas, el uso de cómputo y la comparación con pipelines establecidos.
Esas medidas responderían a la pregunta práctica que enfrentan las organizaciones de investigación. ¿Pueden los agentes de IA producir más descubrimientos validados por unidad de tiempo experto, o principalmente producen más material para revisar?
Anthropic ya ha construido la infraestructura circundante. Su grupo de ciencias de la vida incluye equipos que trabajan en descubrimiento de fármacos, herramientas científicas y entrenamiento de modelos para biología y química.
La empresa también se ha asociado con instituciones de investigación, entre ellas el Allen Institute y el Howard Hughes Medical Institute. Estas colaboraciones brindan oportunidades para probar Claude fuera del propio laboratorio de Anthropic.
El uso externo será más revelador que otra demostración interna. Los científicos independientes aportan preguntas, estándares e incentivos diferentes.
Las respuestas de los competidores importarán como evidencia complementaria. Google DeepMind, OpenAI, empresas especializadas en biotecnología y laboratorios académicos están desarrollando sistemas de investigación asistidos por IA.
Si varios grupos empiezan a informar descubrimientos reproducibles obtenidos con agentes de propósito general, ART parecerá un ejemplo temprano de una transición más amplia. Si los resultados comparables siguen siendo poco frecuentes, parecerá más excepcional.
Los lectores deberían evitar interpretar el debate como una elección entre fraude y autonomía total. La evidencia disponible respalda una posición intermedia más trascendente.
Claude parece haber realizado un trabajo analítico genuino que normalmente requeriría investigadores capacitados. Los científicos humanos siguieron controlando el entorno de investigación y asumiendo la responsabilidad de cada afirmación física.
Esta configuración puede transformar la ciencia sin crear un científico artificial que trabaje por completo en solitario. Las tecnologías más trascendentes suelen cambiar primero la división del trabajo antes de eliminar a las personas de ella.
El descubrimiento científico con IA de Anthropic merece, por tanto, atención por lo que demuestra hoy: los agentes de IA de propósito general pueden explorar datos biológicos, investigar anomalías y generar hipótesis listas para el laboratorio.
Aún no demuestra una ciencia independiente, desde la pregunta hasta la conclusión validada. El lenguaje de Anthropic va más allá de esa evidencia, especialmente cuando sugiere que Claude actuó por sí solo.
La respuesta práctica es observar los experimentos, no los adjetivos. Hay que buscar un mecanismo ART definido, replicación independiente y un rendimiento transparente en múltiples programas de investigación.
Los investigadores y trabajadores del conocimiento deberían aplicar el mismo criterio a sus propios flujos de trabajo con IA. Preserven las fuentes, registren los prompts y las decisiones, hagan visibles los pasos inciertos y mantengan a personas cualificadas como responsables de la verificación.
¿Se convertirá ART en una herramienta biológica programable o seguirá siendo un patrón intrigante hallado en datos antiguos? La respuesta importa, pero el flujo de trabajo afronta una prueba igualmente importante. Anthropic debe demostrar que Claude puede repetir este desempeño bajo escrutinio externo. Hasta entonces, la conclusión más sólida es cautelosa pero significativa: Claude ayudó a generar una pista científica legítima, mientras que los humanos siguieron convirtiendo esa pista en ciencia.
