El descubrimiento biológico de Claude de Anthropic afronta una prueba de reproducibilidad
Anthropic afirma que Claude encontró un sistema enzimático no caracterizado previamente, pese a que los científicos aún no saben qué hace ese sistema. El descubrimiento biológico de Claude de Anthropic implicó a unos 950 agentes de IA que buscaron en datos genómicos durante 21 horas. Un agente detectó un patrón repetido de ADN cerca de una enzima inusual.
El sistema resultante, denominado transcriptasas inversas asociadas a arreglos, o ART, tiene una organización que recuerda a CRISPR. Sin embargo, ningún experimento ha demostrado que ART edite genes, se dirija al ADN o realice alguna otra operación similar a CRISPR.
Esa brecha define la historia. Claude parece haber sacado a la luz un patrón biológicamente interesante que los investigadores habían pasado por alto. Sin embargo, Anthropic presentó una hipótesis temprana con un lenguaje que algunos científicos consideraron más contundente de lo que permitía la evidencia disponible.
El trabajo también expone un segundo problema. Según el informe técnico de Anthropic, diez campañas repetidas no lograron redescubrir el arreglo de repeticiones que define el hallazgo. Por tanto, el resultado respalda con mayor claridad la exploración asistida por IA que el descubrimiento autónomo fiable.
Lo que Anthropic y Claude encontraron realmente
Claude identificó una nueva relación entre componentes genómicos conocidos, no una herramienta funcional de edición genética.
Anthropic anunció el resultado el 23 de septiembre de 2026, junto con un nuevo grupo de investigación en ciencias de la vida y un laboratorio en el Área de la Bahía. El grupo se formó durante la primavera de 2026 para probar si los modelos de IA general pueden acelerar la investigación biológica fundamental.
Sus investigadores pidieron a Claude que buscara transcriptasas inversas inusuales. Una transcriptasa inversa, o RT, es una enzima que copia ARN en ADN.
Estas enzimas aparecen en virus, elementos genéticos móviles, sistemas de defensa bacterianos y varias herramientas biotecnológicas. Su diversidad las convierte en objetivos útiles para la minería genómica, que busca maquinaria biológica pasada por alto en grandes bases de datos de secuencias.
La campaña examinó datos derivados de unos 1.900 millones de grupos de proteínas. Los agentes de Claude recopilaron más de 200.000 transcriptasas inversas e identificaron aproximadamente 3.500 sistemas candidatos.
Después, los agentes redujeron esa colección a unos 20 candidatos para informes detallados y revisión humana. El anuncio del descubrimiento de Anthropic indica que unos 950 agentes procesaron 210 millones de tokens durante la búsqueda de 21 horas.
Un agente inspeccionó el ADN en bruto que rodeaba un gen de transcriptasa inversa. Detectó un largo arreglo de repeticiones espaciadas de forma uniforme que los investigadores anteriores no habían descrito.
El agente también identificó un gen asociado cercano. El equipo de Anthropic denominó a la combinación ART, abreviatura de transcriptasas inversas asociadas a arreglos.
Los sistemas ART aparecen principalmente en bacteriófagos, que son virus que infectan bacterias. Cada sistema contiene una RT, un gen asociado vecino y un largo arreglo de repeticiones de ADN no codificante.
Esa combinación es el descubrimiento. La RT subyacente ya estaba presente en investigaciones anteriores, incluido un trabajo relacionado con un fago gigante llamado MarsHill. La contribución de Claude fue reconocer que la RT, el gen asociado y el arreglo de repeticiones podrían formar un único sistema biológico.
El laboratorio de Anthropic puso a prueba entonces parte de la hipótesis. Sus investigadores descubrieron que el arreglo de repeticiones se expresa como ARN cortos diferenciados, en vez de permanecer como material genómico inactivo.
Ese resultado sugiere que el arreglo participa en un proceso biológico. No establece cuál es ese proceso, si la RT utiliza esos ARN ni si el sistema manipula ADN.
Todo el trabajo experimental físico de laboratorio fue realizado por científicos humanos. Claude buscó los datos, generó hipótesis, preparó informes de candidatos y ayudó a interpretar los resultados.
Anthropic afirma que los agentes operaron sin intervención humana durante la campaña computacional central. Los humanos siguieron redactando el encargo de investigación, seleccionando el problema más amplio, revisando los resultados y realizando los experimentos de laboratorio.
La empresa publicó un preprint técnico que describe el flujo de trabajo y la evidencia inicial. El artículo no ha completado la revisión por pares.
Esa distinción importa porque la revisión por pares puede revelar errores analíticos, controles ausentes, novedades exageradas o explicaciones alternativas. También permite a especialistas ajenos a Anthropic cuestionar la interpretación del equipo.
Por ahora, ART se describe mejor como una disposición genómica no caracterizada previamente y de función desconocida. Llamarlo un sistema enzimático es razonable, pero describirlo como un mecanismo de edición genética sigue sin estar respaldado.
Por qué el descubrimiento enzimático de Claude sigue siendo importante
El resultado más sólido no es un nuevo CRISPR. Es evidencia de que los agentes de modelos de lenguaje pueden generar pistas biológicas comprobables a partir de datos de secuencias en bruto.
Las bases de datos genómicas contienen una enorme cantidad de proteínas que los científicos nunca han caracterizado. Muchas aparecen únicamente como secuencias, con poca evidencia que explique sus funciones o relaciones.
Los flujos de trabajo computacionales tradicionales pueden agrupar proteínas relacionadas y localizar genes vecinos. Sin embargo, los investigadores aún deben decidir qué patrones merecen atención y qué candidatos justifican costoso trabajo de laboratorio.
Anthropic intentó automatizar una mayor parte de ese criterio. Claude no se limitó a recuperar artículos ni a ejecutar una herramienta predeterminada de análisis de secuencias.
Los agentes revisaron la literatura, reprodujeron hallazgos conocidos, agruparon familias de enzimas, inspeccionaron vecindarios genómicos y redactaron informes sobre candidatos inusuales. También descartaron la mayoría de las hipótesis generadas durante la búsqueda.
Ese flujo de trabajo se asemeja a un embudo de investigación inicial. La computación explora un gran espacio de búsqueda, un sistema de IA propone interpretaciones y los científicos humanos deciden qué resultados merecen experimentos.
El candidato ART surgió porque un agente examinó la secuencia en bruto alrededor de una enzima. Reconoció un patrón repetido que resultaba visualmente evidente una vez que el tramo correcto de ADN entraba en su contexto.
Esa acción parece simple, pero la investigación suele depender de detectar una anomalía que ningún flujo de trabajo existente fue diseñado para señalar. Las bases de datos biológicas pueden contener patrones importantes durante años antes de que alguien los conecte.
Por ello, Claude aportó algo más valioso que un resumen genérico. Dirigió la atención humana hacia un locus específico y propuso una relación biológica que podía ponerse a prueba.
Feng Zhang, profesor del MIT y pionero de CRISPR, revisó el preprint antes del anuncio de Anthropic. Calificó de intrigantes los arreglos de repeticiones de ARN asociados a transcriptasas inversas y afirmó que merecían una investigación adicional.
Su respuesta respalda el interés biológico de ART. No valida las afirmaciones más amplias de Anthropic sobre el descubrimiento autónomo ni las posibles aplicaciones de ART.
La distinción entre una pista interesante y una herramienta funcional es central en la investigación científica. Los nuevos sistemas naturales a menudo requieren años de trabajo bioquímico, estructural y genético antes de que los investigadores los comprendan.
El propio CRISPR ilustra esa cronología. Las secuencias repetidas se notificaron por primera vez en bacterias décadas antes de que los investigadores establecieran su papel en la inmunidad adaptativa.
Más tarde, los científicos determinaron cómo las proteínas asociadas a CRISPR utilizan guías de ARN para reconocer objetivos genéticos. Un histórico estudio sobre ADN programable publicado en 2012 mostró cómo esa maquinaria podía redirigirse para la biotecnología.
ART no ha alcanzado ninguna de esas etapas. Los investigadores no conocen su función natural, y mucho menos si puede convertirse en una herramienta programable.
Aun así, el descubrimiento enzimático de Claude ofrece un ejemplo concreto de generación de hipótesis asistida por IA. Pasó de una indicación amplia a un candidato que superó la revisión humana y produjo observaciones de laboratorio medibles.
Eso es más significativo que el éxito en un benchmark científico estático. Un benchmark pregunta si un modelo puede recuperar una respuesta que los evaluadores ya conocen.
La minería genómica pide al sistema que encuentre algo digno de investigar sin conocer la respuesta de antemano. Luego, el resultado debe sobrevivir al contacto con experimentos físicos.
Este enfoque podría acabar cambiando cómo los equipos de investigación asignan su tiempo. Los agentes de IA pueden inspeccionar más sistemas candidatos de los que un pequeño grupo de científicos puede examinar manualmente.
Sin embargo, la abundancia crea su propio problema. Si un agente produce miles de historias plausibles, los investigadores siguen necesitando métodos fiables para clasificarlas.
Las pistas falsas consumen recursos de laboratorio. Las explicaciones persuasivas también pueden generar sesgo de confirmación, especialmente cuando un modelo presenta evidencia débil con un lenguaje seguro.
El descubrimiento biológico de Claude de Anthropic muestra ambas caras de esa ecuación. El sistema sacó a la luz un patrón real, pero el camino hasta ese resultado fue inconsistente.
El descubrimiento biológico de Claude de Anthropic se basó en un acierto poco frecuente
Diez repeticiones sin éxito convierten el hallazgo original en evidencia de posibilidad, no en evidencia de un proceso de descubrimiento fiable.
La campaña original de Anthropic involucró cientos de sesiones de agentes simultáneas. Esos agentes dividieron la búsqueda en tareas, inspeccionaron candidatos, evaluaron informes y registraron hallazgos para su revisión posterior.
Una sesión encontró la secuencia relevante y detectó su estructura repetitiva. Esa observación se convirtió en la base de la hipótesis ART.
Posteriormente, el equipo de investigación realizó diez campañas adicionales utilizando el mismo encargo general y la misma infraestructura de agentes. Ninguna redescubrió el arreglo ART definitorio.
Las ejecuciones repetidas no inspeccionaron el segmento de ADN aguas arriba que contenía el patrón crítico. Sin esa secuencia en contexto, los agentes nunca tuvieron la oportunidad de reconocerlo.
Este fracaso no elimina el descubrimiento original. La organización genómica de ART existe tanto si Claude la encuentra una vez, repetidamente o nunca más.
Sí debilita una interpretación más amplia de la campaña. Un flujo de trabajo científico fiable debería producir comportamientos de búsqueda similares cuando los investigadores lo repiten en condiciones comparables.
Las repeticiones fallidas revelan un problema de cobertura. Un agente puede razonar bien sobre la evidencia que ve y, aun así, buscar la evidencia relevante de manera inconsistente.
Esa diferencia importa para las organizaciones que evalúan sistemas de investigación con IA. La calidad del razonamiento por sí sola no puede establecer un rendimiento fiable cuando el modelo controla su propia ruta de recopilación de información.
Un sistema de búsqueda también debe mostrar qué inspeccionó, qué omitió y por qué se detuvo. De lo contrario, un resultado exitoso puede depender de una ruta no documentada a través de un vasto espacio de búsqueda.
La campaña original también carecía de un denominador convencional para medir el rendimiento de descubrimiento. Anthropic divulgó muchos recuentos útiles, incluido el número de agentes, candidatos enzimáticos e informes finalistas.
Estas cifras no indican a los lectores con qué frecuencia el flujo de trabajo produce hipótesis de valor experimental. Tampoco muestran cuántos descubrimientos aparentes fracasan tras pruebas más profundas.
Un candidato exitoso entre miles aún puede ser útil. Sin embargo, compradores, laboratorios y organismos de financiación necesitan más que una anécdota impresionante.
Necesitan evaluaciones prospectivas en múltiples preguntas de investigación. Esas pruebas deberían registrar tasas de éxito, tasas de falsos positivos, uso de cómputo, tiempo de los científicos y reproducibilidad.
La escala de la campaña también complica las comparaciones con el trabajo humano. Anthropic afirma que un científico experto podría dedicar semanas o meses a realizar un análisis similar.
Esa comparación sigue incompleta sin medir el esfuerzo humano que rodeó la ejecución de la IA. Los científicos diseñaron el encargo, construyeron el entorno de prueba, prepararon las bases de datos, revisaron los informes y realizaron experimentos de seguimiento.
La cifra de 21 horas describe el tiempo transcurrido de búsqueda computacional. No representa la duración total del proyecto de investigación.
Del mismo modo, los 210 millones de tokens indican un procesamiento paralelo considerable. No revelan el coste financiero ni la infraestructura necesaria para que un laboratorio independiente reproduzca la campaña.
Estas omisiones no invalidan el proyecto. Limitan lo que cualquiera puede concluir sobre velocidad, asequibilidad y productividad científica práctica.
La afirmación más defendible es acotada. Claude ayudó a los científicos de Anthropic a identificar un patrón genómico pasado por alto durante una gran campaña de agentes.
La cautelosa respuesta científica refleja la distancia entre esa afirmación y sostener que la IA puede descubrir nueva biología de forma fiable.
El descubrimiento científico incluye detectar un patrón, demostrar que importa, explicar su mecanismo y reproducir la evidencia. Anthropic ha completado el primer paso y ha comenzado el segundo.
Su transparencia sobre las repeticiones fallidas es valiosa. Esos resultados negativos ofrecen a los investigadores externos un objetivo más claro para mejorar la búsqueda basada en agentes.
Los sistemas futuros podrían exigir a los agentes que inspeccionen ventanas genómicas fijas alrededor de cada candidato. También podrían registrar la cobertura y asignar revisores independientes para cuestionar las afirmaciones de novedad.
Esos controles harían que el éxito dependiera menos de que un agente siguiera una ruta inusualmente productiva. Hasta entonces, ART sigue siendo una pista prometedora encontrada mediante un proceso frágil.
La comparación con CRISPR se detiene en el patrón repetido
ART se parece a una característica arquitectónica de CRISPR, pero no hay evidencia de que ambos sistemas realicen operaciones biológicas comparables.
Los arrays de CRISPR contienen secuencias de ADN repetidas separadas por espaciadores variables. Las bacterias y las arqueas utilizan esos espaciadores como un registro molecular de material genético procedente de invasores anteriores.
Las células transcriben el array en ARN guía. Las proteínas asociadas a CRISPR usan esas guías para reconocer objetivos genéticos coincidentes.
Esa programabilidad convirtió un sistema inmunitario microbiano en una plataforma de edición genética. Los investigadores pueden diseñar un ARN guía que dirija una enzima hacia una secuencia de ADN seleccionada.
ART también contiene un largo array de repeticiones, y Anthropic descubrió que el array produce ARN cortos distintos. Estas observaciones justifican preguntarse si ART realiza alguna operación programable.
No responden a esa pregunta. Anthropic no ha establecido que la transcriptasa inversa de ART interactúe con los ARN cortos.
Los investigadores tampoco han demostrado que ART reconozca un objetivo coincidente, corte ADN, copie información en una ubicación elegida o proteja a los fagos de otra amenaza biológica.
Incluso la dirección natural de la actividad sigue siendo incierta. ART aparece principalmente en fagos, mientras que muchos sistemas CRISPR conocidos operan en bacterias y arqueas.
Las repeticiones de ART también difieren de la disposición clásica de repeticiones y espaciadores que proporciona a los sistemas CRISPR su memoria adaptativa de direccionamiento. La semejanza estructural por sí sola no establece equivalencia funcional.
La naturaleza contiene muchas secuencias repetidas. Algunas regulan la expresión génica, otras producen moléculas de ARN y otras reflejan duplicación sin realizar una tarea programable.
La proteína asociada de ART podría resultar esencial. También podría desempeñar una función con poca relación con la edición genética.
El anuncio de Anthropic reconoce esta incertidumbre. La empresa afirma que aún no conoce la función de ART y describe el patrón como “reminiscente” de CRISPR.
Sin embargo, vincular el descubrimiento con la historia de CRISPR invita a una interpretación pública más contundente. Los lectores pueden pasar fácilmente de una “arquitectura de repeticiones similar” a un “nuevo sistema de edición genética”.
Ese salto es prematuro. Ningún resultado publicado demuestra que una enzima similar a CRISPR de Anthropic edite algún genoma.
La comparación también sitúa un hallazgo muy temprano junto a una de las tecnologías más trascendentales de la biología moderna. Ese encuadre eleva las expectativas antes de que se haya identificado el mecanismo básico.
Una analogía más precisa se refiere al orden del descubrimiento. CRISPR comenzó como una extraña secuencia repetida cuya importancia no se comprendió de inmediato.
ART es ahora otra extraña secuencia repetida asociada a maquinaria molecular. Merece investigación precisamente porque los investigadores no saben qué hace.
El precedente histórico ofrece tanto aliento como moderación. Algunos sistemas sin explicación se convierten en herramientas valiosas, mientras que muchos siguen siendo curiosidades biológicas especializadas.
Los sistemas de transcriptasa inversa ya respaldan varias líneas de investigación. Los retrones generan moléculas inusuales de ADN-ARN y se han adaptado para la ingeniería genómica y el registro molecular.
La edición prime combina una transcriptasa inversa con maquinaria de direccionamiento CRISPR para escribir cambios genéticos seleccionados. ART podría acabar revelando otra estrategia útil para procesar o copiar ácidos nucleicos.
Esas posibilidades siguen siendo hipótesis. No deben presentarse como capacidades.
La siguiente evidencia decisiva debe proceder de experimentos, no de analogías. Los investigadores necesitan demostrar si la enzima está activa e identificar la molécula sobre la que actúa.
Deben determinar si los ARN cortos guían a la enzima, sirven como plantillas, regulan la expresión o desempeñan una función no relacionada.
Los estudios de alteración genética podrían revelar qué componentes de ART son necesarios. El trabajo estructural podría mostrar si las proteínas forman un complejo con ARN o ADN.
Solo después de responder a esas preguntas podrán los científicos juzgar si la comparación con CRISPR esclarece ART o simplemente lo promociona.
Los científicos humanos siguen asumiendo la carga de la prueba
Claude amplió la búsqueda, pero el juicio humano y la validación de laboratorio siguieron determinando si su resultado contaba como ciencia.
Anthropic describe a Claude como un descubridor autónomo de ART con orientación de alto nivel por parte de científicos. Esa descripción encaja con la campaña computacional de 21 horas, pero no con todo el proceso de investigación.
Los humanos seleccionaron las transcriptasas inversas como objetivo. Reunieron los datos y las herramientas a los que los agentes podían acceder.
Los investigadores también crearon el entorno de coordinación y decidieron cómo debía informar el modelo sobre los candidatos. Revisaron las propuestas supervivientes y eligieron qué experimentos realizar.
Los científicos de laboratorio expresaron después componentes biológicos, analizaron datos de ARN e interpretaron los resultados. Claude ayudó en esos pasos, pero no los realizó físicamente.
Esta división del trabajo no es una debilidad. Puede representar el modelo más práctico a corto plazo para la ciencia apoyada por IA.
Los modelos pueden explorar grandes espacios de información y generar explicaciones candidatas. Los científicos pueden aplicar criterio especializado, diseñar controles y contrastar las afirmaciones con el mundo físico.
Los problemas surgen cuando “autónomo” comprime esa colaboración en una historia sobre un modelo que actúa por sí solo. Ese lenguaje puede ocultar la infraestructura científica que rodea un resultado exitoso.
La búsqueda del modelo también estuvo condicionada por conocimiento previo incorporado en su entrenamiento y en las herramientas proporcionadas. Claude reconoció que las repeticiones en tándem cerca de una enzima podían parecerse a sistemas biológicos conocidos porque los científicos habían documentado esos patrones.
Su contribución implicó recombinación, atención y priorización en un gran conjunto de datos. Que ese proceso deba considerarse descubrimiento depende menos de etiquetas filosóficas que de un valor de investigación medible.
Un científico de IA útil debería producir hallazgos que resistan un examen independiente. También debería explicar su ruta de búsqueda con suficiente detalle para que otro equipo pueda auditar el resultado.
El preprint de Anthropic ofrece más detalle metodológico que un anuncio de producto convencional. Incluye el diseño de la campaña, el embudo de selección, el comportamiento de los agentes y las ejecuciones repetidas negativas.
Esa transparencia proporciona a los científicos externos una base para poner a prueba el trabajo. Sin embargo, aún no se ha producido una replicación independiente.
Anthropic también es propietaria del modelo, opera el laboratorio y redactó el informe. Sus investigadores tienen razones tanto científicas como comerciales para presentar a Claude como un sistema de descubrimiento eficaz.
Ese conflicto no invalida la evidencia. Aumenta la necesidad de validación por equipos que no tengan interés en la adopción de Claude.
Los grupos independientes deberían confirmar primero la organización reportada de ART en genomas de fagos. Después deberían reproducir los hallazgos de expresión de ARN y probar las interacciones propuestas entre los componentes.
Un equipo independiente también podría repetir la búsqueda computacional utilizando los mismos datos y prompt. Otra prueba útil compararía a Claude con flujos de trabajo convencionales de bioinformática y otros sistemas de IA.
La comparación debería medir más que si cada método encuentra ART. Los investigadores deberían examinar cuántos candidatos novedosos produce cada sistema y cuántos sobreviven a los experimentos.
Esto aclararía si los modelos de lenguaje de propósito general aportan criterio científico más allá de la automatización. También podría revelar dónde los modelos especializados en secuencias siguen siendo más fiables.
El resultado, por tanto, presiona a dos grupos. Las empresas de IA deben respaldar las afirmaciones sobre agencia científica con un rendimiento reproducible.
Las instituciones de investigación deben decidir cómo evaluar flujos de trabajo que combinan modelos estocásticos, infraestructura propietaria y experimentación humana.
Las secciones de métodos tradicionales asumen que otro laboratorio puede repetir un procedimiento. Los sistemas de agentes complican ese estándar porque el comportamiento del modelo puede cambiar entre ejecuciones y versiones.
La reproducibilidad podría requerir conservar prompts, configuraciones de herramientas, identificadores de modelo, registros de agentes, bases de datos y ajustes de muestreo. Un procedimiento escrito por sí solo podría dejar de ser suficiente.
Esa es la importancia duradera del anuncio de Anthropic. ART es un candidato biológico interesante, pero la campaña también funciona como un caso de prueba para informar sobre ciencia asistida por IA.
Tres señales decidirán si la afirmación se sostiene
La función biológica de ART, la replicación independiente y el rendimiento repetible de los agentes determinarán si esto se convierte en un hito o en una advertencia útil.
La primera señal es un resultado mecanístico. Anthropic u otro laboratorio debe establecer qué hacen realmente la transcriptasa inversa de ART, la proteína asociada y el array de ARN.
Una interacción directa entre la RT y los ARN derivados del array reforzaría la idea de que estos componentes forman un sistema funcional. La evidencia de direccionamiento programable haría más significativa la analogía con CRISPR.
Una función diferente no haría que ART fuera irrelevante. Reduciría el relato, de una posible plataforma de edición genética a una nueva pieza de la biología de los fagos.
La segunda señal es la confirmación experimental independiente. Otro grupo de investigación debería reproducir los hallazgos de ARN y verificar la organización genómica mediante sus propios métodos.
La revisión por pares ayudará, pero la publicación por sí sola no resolverá la cuestión. El respaldo más sólido vendría de laboratorios que no participaron en el proyecto de Anthropic.
La validación independiente reforzaría la afirmación biológica incluso si el flujo de trabajo de descubrimiento de Claude sigue siendo inconsistente. No reproducir las observaciones reportadas debilitaría todo el anuncio.
La tercera señal es si las campañas de agentes pueden repetir la búsqueda. Anthropic debería demostrar que los flujos de trabajo mejorados inspeccionan de forma fiable las regiones genómicas pertinentes y recuperan descubrimientos en múltiples objetivos.
Volver a encontrar ART sería útil, pero pruebas prospectivas más amplias tendrían mayor peso. Los investigadores necesitan ver que el sistema identifica nuevos candidatos antes de que los humanos sepan qué respuesta esperar.
Esas pruebas deberían revelar el cómputo total, el tiempo de revisión humana, las hipótesis fallidas y las tasas de éxito en laboratorio. También deberían comparar los resultados con equipos de expertos y software convencional.
Una plataforma fiable no necesitaría que cada ejecución produjera el mismo candidato. Necesitaría una probabilidad estable de generar pistas valiosas y auditables.
Sin esas pruebas, el descubrimiento de enzimas de Claude sigue siendo un llamativo caso de estudio. No demuestra la existencia de un motor automatizado para el progreso científico.
La interpretación prudente sigue siendo relevante. Claude exploró un enorme espacio genómico, detectó una disposición pasada por alto y ayudó a convertir esa observación en un programa de investigación verificable.
Al mismo tiempo, los humanos plantearon la pregunta, validaron las pruebas y ahora afrontan el trabajo más difícil. Deben determinar si ART realiza alguna operación importante.
Por lo tanto, el descubrimiento biológico de Claude de Anthropic debería juzgarse por lo que ocurra después del anuncio. ¿El sistema revela un mecanismo reproducible o la comparación con CRISPR se desvanece al ponerla a prueba?
Los lectores que siguen la ciencia asistida por IA deberían observar esas tres señales en lugar del tamaño de la multitud de agentes. Exijan evidencia funcional, replicación independiente y tasas de descubrimiento repetibles antes de considerar ART una nueva plataforma de edición genética.
