Google disuelve el equipo de AlphaFold mientras los investigadores se orientan hacia Gemini

Google ha desmantelado el equipo dedicado a AlphaFold, pese a su historial reconocido con un Nobel, según un informe de engadget sobre Google publicado el 30 de julio. Según los informes, los investigadores han pasado a Gemini, otros proyectos científicos y la empresa de descubrimiento de fármacos de Alphabet, Isomorphic Labs. Sin embargo, la evidencia disponible no muestra que Google haya cerrado AlphaFold como tal.

Esa distinción cambia la historia. Google no está simplemente abandonando un modelo científico exitoso para crear otro chatbot. Parece estar sustituyendo un equipo de investigación especializado por un sistema más amplio organizado en torno a Gemini, modelos fundacionales compartidos y programas científicos con un enfoque comercial.

La reorganización también sigue a una salida significativa. John Jumper, quien dirigió el equipo de AlphaFold y compartió el Premio Nobel de Química de 2024, dejó Google DeepMind para incorporarse a Anthropic en junio. Su cambio da a la reestructuración un matiz competitivo más marcado, ya que Anthropic es uno de los rivales más cercanos de Google en modelos fundacionales y agentes de programación.

Por tanto, la verdadera pregunta no es si AlphaFold desaparecerá mañana. Es si Google puede preservar la profundidad científica de AlphaFold después de dispersar a las personas que convirtieron un difícil problema de biología en uno de los beneficios públicos más claros de la IA.

Lo que realmente dice el informe de Engadget sobre Google y AlphaFold

Google ha puesto fin a la estructura de equipo dedicado de AlphaFold, pero los informes sobre la muerte del proyecto van más allá de los hechos confirmados.

El relato original, atribuido a informaciones de Financial Times y posteriormente cubierto por Engadget, afirma que Google DeepMind desmanteló el equipo detrás de AlphaFold. Algunos investigadores fueron reasignados a Gemini, mientras que otros pasaron a programas científicos o a Isomorphic Labs.

Un equipo puede desaparecer sin que su tecnología deje de estar disponible. Google seguía presentando AlphaFold 3 como una herramienta científica activa en julio de 2026. El 22 de julio, la empresa lo incluyó en una cartera ofrecida a investigadores mediante un compromiso de apoyo a la Genesis Mission del Gobierno de Estados Unidos.

Ese anuncio describía AlphaFold 3 como un sistema para predecir las estructuras e interacciones de proteínas y otras biomoléculas. Situaba el modelo junto a AlphaEvolve, un sistema basado en Gemini para diseñar y optimizar algoritmos, dentro de la cartera científica actual de Google.

El momento importa. Google promocionó AlphaFold 3 a través de la Genesis Mission apenas una semana antes de que surgieran informes de que el equipo original había sido disuelto. Eso no encaja con la simple afirmación de que Google puso fin a todas las partes del proyecto.

Una lectura más precisa es que AlphaFold ha superado su hogar organizativo original. Su base de datos, modelos, alianzas y aplicaciones comerciales pueden continuar incluso si el grupo responsable de la investigación inicial ya no existe como una sola unidad.

La AlphaFold Protein Structure Database también cuenta con apoyo institucional fuera de Google. Google DeepMind la desarrolló con el European Bioinformatics Institute de EMBL, que proporciona infraestructura científica y distribución. Google afirmó anteriormente que la base de datos contenía más de 200 millones de estructuras predichas que cubrían casi todas las proteínas catalogadas conocidas por la ciencia.

AlphaFold 3 amplió el sistema más allá de las formas individuales de las proteínas. Fue diseñado para predecir interacciones que involucran proteínas, ADN, ARN, iones y moléculas pequeñas. Estas capacidades son especialmente relevantes para la investigación farmacéutica, donde los científicos necesitan estimar cómo una molécula candidata podría unirse a un objetivo biológico.

Google e Isomorphic Labs presentaron AlphaFold 3 conjuntamente en 2024. Esa autoría compartida hizo menos nítida la frontera entre la investigación básica y el desarrollo comercial de fármacos. Isomorphic Labs podía aplicar métodos relacionados al trabajo farmacéutico mientras Google DeepMind seguía desarrollando una IA científica más amplia.

Por tanto, la reasignación comunicada parece una transición organizativa, no una eliminación de los activos subyacentes. Aun así, genera incertidumbre porque los equipos acumulan conocimientos que los modelos, repositorios de código y bases de datos no pueden captar por completo.

Buena parte de ese conocimiento sigue siendo tácito. Los investigadores recuerdan experimentos fallidos, comportamientos sin explicación, limitaciones de datos y decisiones de diseño que nunca llegaron a un artículo. Dispersarlos puede ralentizar el trabajo futuro incluso cuando todos los artefactos formales siguen disponibles.

Ese riesgo explica por qué el titular de engadget sobre Google atrajo atención. La historia trata de algo más que una casilla en un organigrama. Plantea preguntas sobre quién mantendrá AlphaFold, quién definirá sus próximos objetivos de investigación y si esos objetivos sirven ahora primero a Gemini o a Isomorphic Labs.

Por qué Google está organizando más investigación en torno a Gemini

Gemini se está convirtiendo en infraestructura compartida para el trabajo de IA de Google, incluido el descubrimiento científico, en lugar de seguir siendo solo un asistente para consumidores.

Google DeepMind desarrolla ahora los modelos detrás de Gemini, mientras Google distribuye esas capacidades en Search, Workspace, Cloud, Android y la aplicación Gemini. Por tanto, un avance de investigación incorporado a Gemini puede llegar a más productos que un sistema independiente con una única función científica.

Esa distribución crea un fuerte incentivo organizativo. Un equipo especializado puede avanzar mucho dentro de un campo, pero sus métodos pueden permanecer aislados. Un grupo de modelos fundacionales puede reutilizar avances en razonamiento, programación, uso de herramientas y procesamiento multimodal en muchos proyectos.

Los recientes lanzamientos científicos de Google muestran esta estrategia en la práctica. AlphaEvolve utiliza modelos Gemini para proponer, evaluar y perfeccionar programas informáticos. El sistema está dirigido a problemas de optimización en áreas como el diseño de chips, la infraestructura informática y la investigación matemática.

Google puso AlphaEvolve a disposición de todos a través de Google Cloud en julio de 2026. Ese lanzamiento conecta la investigación científica con un canal de producto que cuenta con usuarios externos, demanda medible y responsabilidad comercial.

El AI co-scientist de Google sigue un patrón similar. Utiliza múltiples agentes basados en Gemini para generar, debatir y mejorar hipótesis científicas. Un agente es un sistema impulsado por modelos que puede ejecutar una secuencia de tareas, consultar herramientas y revisar su trabajo para alcanzar un objetivo definido.

Este enfoque trata a Gemini como una capa general de razonamiento. Los sistemas científicos especializados pueden aportar entonces datos, métodos de evaluación o herramientas de dominio en torno a esa capa. La experiencia de AlphaFold puede contribuir a esta arquitectura incluso si su equipo original no sobrevive intacto.

La estrategia también refleja la economía de la IA de frontera. Entrenar y operar modelos grandes requiere una infraestructura informática considerable. Las empresas quieren que esos modelos respalden muchos productos, en vez de financiar pilas tecnológicas separadas para cada ámbito de investigación.

Sin embargo, la infraestructura compartida no elimina la necesidad de especialistas. La predicción de estructuras proteicas depende de datos biológicos, restricciones físicas, validación experimental y evaluación específica del dominio. La capacidad de razonamiento general no puede sustituir esas disciplinas.

La versión productiva de la estrategia de Google combinaría las amplias capacidades de Gemini con equipos científicos especializados. Los investigadores podrían usar Gemini para examinar literatura, escribir código de análisis, formular hipótesis y coordinar herramientas. Sistemas similares a AlphaFold podrían aportar predicciones estructuradas que esos agentes evaluarían.

Google ya ha descrito un flujo de trabajo de este tipo. En un ejemplo, su equipo científico utilizó Gemini para identificar y extraer información de un subconjunto relevante de 200.000 artículos. Esa tarea ilustra el valor de un modelo general para navegar por la literatura científica, pero no sustituye la evidencia de laboratorio ni los sistemas especializados de predicción.

El peligro organizativo aparece cuando la integración se convierte en consolidación. Si todos los proyectos deben servir a la hoja de ruta inmediata de Gemini, las preguntas de investigación con un valor comercial incierto pueden perder personal y atención. AlphaFold requirió años de trabajo concentrado antes de que su importancia se hiciera evidente fuera de la biología computacional.

También es un problema de gestión del conocimiento. Los equipos que intentan preservar decisiones, experimentos y contexto técnico tras una reorganización necesitan una base de conocimiento técnico consultable. La documentación ayuda, pero no puede reemplazar por completo la colaboración continuada entre los investigadores originales.

La apuesta de Google es que una estructura más integrada difundirá más rápido los avances científicos. El riesgo opuesto es que la integración debilite la concentración de experiencia que produjo esos avances.

El legado Nobel de AlphaFold convierte esto en un verdadero giro

Google está dispersando al equipo detrás de su logro más celebrado en IA científica menos de dos años después de que ese trabajo recibiera un Premio Nobel.

La Real Academia Sueca de Ciencias otorgó la mitad del Premio Nobel de Química de 2024 a Demis Hassabis y John Jumper. Reconoció su trabajo utilizando inteligencia artificial para predecir estructuras de proteínas. David Baker recibió la otra mitad por el diseño computacional de proteínas.

Las proteínas comienzan como cadenas de aminoácidos, pero sus funciones biológicas dependen en gran medida de sus formas tridimensionales. Determinar esas formas experimentalmente puede exigir un trabajo extenso con técnicas como la cristalografía de rayos X, la resonancia magnética nuclear o la microscopía crioelectrónica.

AlphaFold 2 mejoró drásticamente las predicciones computacionales de esas estructuras. Su rendimiento en la Critical Assessment of Structure Prediction de 2020, una evaluación científica periódica conocida como CASP, convenció a muchos investigadores de que el desafío de larga data del plegamiento de proteínas había cambiado de forma fundamental.

El equipo publicó el sistema en Nature en 2021. Google colaboró después con EMBL-EBI para crear una base de datos que hizo que las estructuras predichas fueran ampliamente accesibles. Los investigadores utilizaron esas predicciones para estudiar temas como enfermedades desatendidas, dianas farmacológicas, evolución de proteínas y resistencia antimicrobiana.

Google afirma que más de dos millones de investigadores utilizaron AlphaFold 2 para trabajos relacionados con vacunas, tratamientos contra el cáncer y otras cuestiones científicas. Esa cifra procede de la empresa, pero la amplia presencia de AlphaFold en investigaciones publicadas demuestra de forma independiente una adopción sustancial.

El sistema también creó un ejemplo positivo poco común durante un debate sobre IA cada vez más polémico. AlphaFold tenía un propósito científico definido, proporcionaba resultados prácticos a los investigadores y podía evaluarse frente a estructuras experimentales. Era más fácil de explicar que un modelo general cuyo valor dependía de conversaciones inconsistentes o contenido generado.

Esa reputación dio a Google DeepMind algo estratégicamente importante. Respaldó el argumento del laboratorio de que la investigación avanzada en IA podía producir beneficios científicos públicos, en lugar de limitarse a funciones publicitarias, chatbots o automatización.

La desintegración comunicada invierte la estructura esperada de recompensa. Un equipo logró un resultado científico histórico, respaldó un recurso mundial de investigación y recibió el mayor reconocimiento del campo. Google puso fin después a ese equipo como unidad diferenciada.

Eso no demuestra que Google haya perdido interés en la ciencia. La empresa sigue promoviendo AlphaFold 3, AlphaGenome, AI co-scientist, AlphaEvolve, modelos meteorológicos y otros sistemas de investigación. Isomorphic Labs también ofrece a Alphabet una vía directa para aplicar la IA al descubrimiento de fármacos.

Aun así, la reorganización cambia lo que parece recompensar el éxito dentro de la empresa. La excelencia científica especializada no garantizó la continuidad organizativa. Los investigadores pueden interpretar razonablemente esa señal al decidir si abordar un problema acotado y de largo plazo o incorporarse a un programa central de modelos fundacionales.

La salida de John Jumper hace que el giro sea más trascendente. Según sus comentarios públicos recogidos en junio, Jumper atribuyó a Hassabis el haberle permitido liderar AlphaFold apenas seis meses después de terminar su doctorado. Ese relato refleja una cultura de investigación dispuesta a otorgar una responsabilidad inusual a un científico joven.

La contratación de Jumper por parte de Anthropic traslada parte de esa experiencia a un competidor directo. Sus futuras responsabilidades no se han detallado completamente de forma pública, por lo que sería prematuro asumir que desarrollará un rival de AlphaFold. Su experiencia en modelado científico, liderazgo de investigación y arquitecturas neuronales complejas sigue teniendo un valor estratégico.

Google debe demostrar ahora que la cultura que hizo posible AlphaFold puede sobrevivir sin su estructura original. El Premio Nobel registra lo que el equipo ya consiguió. No garantiza que el próximo proyecto de ambición comparable surja de una organización más centralizada.

La principal disputa es entre ciencia especializada e IA general

La tensión central no es AlphaFold frente a Gemini como productos, sino la profundidad científica especializada frente a un modelo general que Google quiere implementar en todas partes.

AlphaFold y Gemini resuelven clases de problemas distintas. AlphaFold predice estructuras e interacciones biomoleculares. Gemini procesa texto, imágenes, audio, vídeo, código y otros tipos de información en una gama mucho más amplia de tareas.

Esa diferencia hace que una comparación directa mediante benchmarks carezca de sentido. No se puede afirmar que Gemini sea mejor porque resuelva más tareas. Tampoco se puede declarar superior a AlphaFold porque aporte mayor valor dentro de un dominio especializado.

La disputa importante se refiere a la organización de la investigación. ¿Debería Google mantener equipos independientes centrados en problemas científicos difíciles, o debería concentrar esos esfuerzos en una plataforma compartida de Gemini?

Un grupo dedicado desarrolla conocimientos poco comunes en torno a un único objetivo. Sus investigadores pueden crear conjuntos de datos específicos del dominio, procedimientos de evaluación, prácticas de seguridad y colaboraciones. Pueden perseguir mejoras que importan a los científicos incluso cuando tienen poca relevancia para los productos de consumo.

Una organización centrada en Gemini ofrece ventajas distintas. Los modelos comunes pueden compartir avances en razonamiento y uso de herramientas. Las inversiones en infraestructura pueden respaldar a muchos equipos. Las nuevas capacidades pueden llegar con mayor rapidez a los productos en la nube y a los servicios de consumo.

Las decisiones recientes de Google indican que el segundo modelo está ganando influencia. La app de Gemini pasó a Google DeepMind en 2024. La empresa también ha reorganizado equipos de IA orientados a producto y ha conectado proyectos experimentales más estrechamente con Gemini.

La competencia aporta parte de la presión. OpenAI, Anthropic, Meta y Microsoft compiten por mejorar modelos fundacionales, agentes de programación, asistentes de investigación y plataformas para desarrolladores. Cada gran lanzamiento de un modelo puede afectar a la adopción empresarial y a la percepción del liderazgo técnico.

Anthropic ejerce una presión particular porque Claude ha construido una posición sólida en programación y trabajo agéntico. El paso de Jumper añade peso simbólico a esa rivalidad, aunque su futura investigación no se dirija a la predicción de proteínas.

Los proyectos científicos especializados se enfrentan a un calendario distinto. Un modelo biológico puede requerir años de desarrollo y una cuidadosa validación externa. Su éxito puede manifestarse mediante citas, descubrimientos experimentales o programas clínicos, en lugar de un crecimiento inmediato entre consumidores.

Isomorphic Labs ofrece a Google una forma de resolver parte de este conflicto. Puede convertir predicciones estructurales y métodos de IA relacionados en programas de diseño de fármacos con socios farmacéuticos. Esto proporciona un destino comercial para capacidades científicas que se originaron en DeepMind.

Sin embargo, la comercialización introduce otra tensión. AlphaFold 2 se volvió influyente en parte porque Google publicó el código y una enorme base de datos pública. AlphaFold 3 ofreció inicialmente un acceso más restringido, y su uso en el descubrimiento comercial de fármacos se cruzó con los intereses empresariales de Isomorphic Labs.

Los investigadores criticaron la ausencia inicial del código completo y de los pesos del modelo de AlphaFold 3. Google publicó posteriormente el código fuente, pero las cuestiones de acceso y reproducción siguieron formando parte del debate. El episodio mostró cómo un recurso científico puede ser más difícil de separar de la estrategia comercial de Alphabet.

Los competidores y los grupos académicos también siguen desarrollando alternativas. Sistemas como RoseTTAFold, OpenFold y otros modelos de predicción estructural reducen la dependencia de una sola empresa. Su existencia significa que el campo científico puede continuar incluso si Google cambia de rumbo.

Sin embargo, sustituir un modelo no es lo mismo que sustituir el entorno que lo produjo. AlphaFold combinó aprendizaje automático, biología, ingeniería, recursos computacionales y liderazgo sostenido. Una implementación abierta puede reproducir partes de un sistema sin reproducir esa combinación institucional.

El mejor resultado no exigiría elegir exclusivamente una de las dos vías. Gemini podría ayudar a los científicos a navegar la literatura y coordinar investigaciones, mientras los grupos especializados desarrollan modelos basados en la biología o la física. Isomorphic Labs podría desarrollar medicamentos mientras las instituciones públicas mantienen recursos científicos accesibles.

La reorganización reportada plantea dudas porque Google ha eliminado el centro organizativo más claro para ese equilibrio. Ahora recae sobre la empresa la carga de demostrar que la especialización sigue siendo una prioridad dentro de su estrategia de modelos generales.

Lo que la narrativa del cierre no demuestra

La disolución del equipo es significativa, pero no demuestra que AlphaFold haya dejado de funcionar ni que Google haya abandonado la IA científica.

La afirmación confirmada más sólida se refiere a la organización. Los informes indican que el equipo dedicado fue desmantelado y sus integrantes dispersados. La evidencia pública no establece que Google haya eliminado la base de datos de AlphaFold, retirado AlphaFold 3 o terminado el trabajo relacionado con sus métodos.

La actividad de Google en julio de 2026 apunta en la dirección contraria. La empresa siguió mencionando AlphaFold entre las herramientas ofrecidas a usuarios científicos. También habló de AlphaFold en un marco de bioseguridad publicado durante el mismo mes.

El enfoque de bioresiliencia de Google agrupó AlphaFold con AlphaGenome y la tecnología de diseño de fármacos de Isomorphic Labs. El documento describía estos sistemas como herramientas que cambian lo que los investigadores pueden comprender y diseñar en biología, al tiempo que generan responsabilidades de seguridad.

Esas acciones no garantizan un futuro AlphaFold 4. Google no se ha comprometido públicamente con un calendario de lanzamientos, un equipo sustituto ni una estructura específica de mantenimiento a largo plazo. Las referencias continuadas a AlphaFold podrían reflejar respaldo a activos existentes, en lugar del desarrollo activo de un sucesor.

Por tanto, la expresión «cierra AlphaFold» resume en exceso varias posibilidades distintas. Google podría mantener el modelo actual sin una nueva versión importante. Podría integrar los métodos de AlphaFold en agentes científicos más amplios. Podría trasladar más desarrollo a Isomorphic Labs. Podría asignar un nuevo grupo tras la transición.

Cada vía tendría consecuencias diferentes. El mantenimiento preservaría el acceso, pero ralentizaría el progreso de la investigación. La integración podría ampliar el alcance de AlphaFold al tiempo que haría menos visible su contribución. Un traslado hacia Isomorphic Labs podría acelerar las aplicaciones farmacéuticas, pero aumentar las restricciones comerciales.

La evidencia sobre el personal también requiere un tratamiento cuidadoso. La salida de Jumper está confirmada por los informes y por su propia declaración pública, pero la situación de cada colaborador de AlphaFold no está documentada públicamente. Algunos investigadores podrían permanecer en Google en nuevos puestos, mientras otros podrían haberse trasladado a Isomorphic Labs o haber salido de la empresa.

La disolución oficial de un equipo a veces puede seguir a una transferencia exitosa. Cuando una tecnología se convierte en infraestructura, el grupo original del proyecto puede dejar de ser necesario. Los servicios en la nube, las bases de datos, los equipos de producto y las instituciones asociadas pueden asumir la responsabilidad operativa.

La situación de AlphaFold difiere porque el desarrollo científico sigue inacabado. AlphaFold 3 mejoró las predicciones que implican interacciones moleculares, pero los resultados computacionales todavía requieren validación experimental. La precisión varía según el objetivo, la calidad de los datos de entrada, la clase molecular y la disponibilidad de datos de entrenamiento relacionados.

La estructura predicha tampoco revela todos los aspectos del comportamiento biológico. Las proteínas pueden cambiar de forma, interactuar dentro de las células, responder a entornos químicos y participar en procesos dinámicos. Una predicción estática o probabilística no puede captar el sistema biológico completo.

El descubrimiento de fármacos añade más incertidumbre. Predecir una interacción plausible no demuestra que un compuesto vaya a ser seguro, eficaz, fabricable o exitoso en ensayos clínicos. Isomorphic Labs y sus socios aún necesitan evidencia experimental y clínica.

Estos límites refuerzan el argumento a favor de expertos dedicados al dominio. También impiden concluir de forma simple que Google está descartando un problema terminado. La predicción de estructuras proteicas avanzó de manera drástica, pero la biología computacional todavía contiene muchas preguntas sin resolver.

La valoración prudente es que Google ha puesto fin a un equipo importante y ha redistribuido su talento. La tecnología AlphaFold sigue activa, pero su trayectoria de investigación es ahora menos transparente.

Tres señales mostrarán si la apuesta de Google funciona

La próxima evidencia procederá de la hoja de ruta técnica de AlphaFold, del destino de sus investigadores y del rendimiento de Gemini en trabajo científico real.

La primera señal es un plan concreto de desarrollo de AlphaFold. Google puede aclarar quién mantiene AlphaFold 3, si se planea otro modelo importante y cómo continuará la colaboración sobre la base de datos con EMBL-EBI.

Un lanzamiento sustancial debilitaría la afirmación de que la reorganización representa una retirada. Ese lanzamiento debería incluir evidencia técnica, evaluaciones independientes y condiciones de acceso que permitan a los científicos comprender qué cambió.

El silencio tendría un significado distinto. Si Google sigue promocionando los logros existentes de AlphaFold sin presentar nuevas investigaciones, el proyecto podría estar entrando en una fase de mantenimiento. Eso preservaría su legado al tiempo que reduciría su papel en la vanguardia.

La segunda señal es adónde se dirigen los investigadores originales. La reasignación a equipos activos de ciencia de Gemini respaldaría el argumento de integración de Google. El traslado a Isomorphic Labs sugeriría que el desarrollo de fármacos proporciona ahora el principal hogar institucional para la experiencia de AlphaFold.

Más salidas reforzarían las preocupaciones sobre la pérdida de capacidad investigadora. El paso de Jumper a Anthropic ya muestra que los competidores pueden captar a personas que entienden cómo Google organizó uno de sus proyectos más exitosos.

La tercera señal es la validación independiente de los sistemas científicos basados en Gemini. Google ha presentado AI co-scientist y AlphaEvolve como ejemplos de una plataforma de descubrimiento más amplia. Esos sistemas necesitan evaluación mediante resultados reproducibles, investigadores externos y hallazgos útiles más allá de las demostraciones internas de Google.

El sistema co-scientist de Google DeepMind utiliza agentes de Gemini para proponer y debatir hipótesis. Si los laboratorios externos pueden validar esas hipótesis de forma consistente, la estrategia de modelos generales ganará credibilidad.

Los resultados débiles o inconsistentes dejarían al descubierto el coste de la consolidación. Un modelo general puede producir un lenguaje de investigación convincente sin igualar la fiabilidad de un sistema especializado evaluado frente a estructuras físicas. La utilidad científica depende de la evidencia, no de la fluidez conversacional.

Los lectores también deberían observar cómo Google describe AlphaFold. Calificar el proyecto como activo sin identificar a los equipos responsables dejararía un vacío de rendición de cuentas. Una titularidad clara es importante para el mantenimiento de bases de datos, los informes de seguridad, las decisiones de acceso y futuras colaboraciones científicas.

Para los desarrolladores, la lección más amplia tiene que ver con la dependencia de las plataformas. Un modelo ampliamente utilizado puede continuar mientras cambia su equipo interno, pero las prioridades, las interfaces y las normas de acceso aún pueden modificarse. Los investigadores necesitan flujos de trabajo reproducibles y alternativas para tareas críticas.

Para los compradores empresariales, la reorganización demuestra que Google quiere que Gemini se convierta en una capa común para todos los productos y dominios especializados. Eso puede simplificar la integración, pero también puede concentrar el riesgo en una sola familia de modelos y en la hoja de ruta de un único proveedor.

Para los científicos, la tarea inmediata es separar el titular de la realidad operativa. AlphaFold sigue disponible y Google continúa promocionándolo. El grupo que lo creó ya no parece existir en su forma original.

El informe de engadget sobre Google recoge un cambio de rumbo real, aunque «cierre» sea un término demasiado amplio para la tecnología en sí. Google ha dispersado a un equipo ganador del Nobel mientras articula una parte cada vez mayor de su estrategia de investigación en torno a Gemini.

Ahora la empresa debe demostrar que se trata de una evolución y no de una erosión. Esté atento a un responsable identificado de AlphaFold, a un sucesor técnico verificable y a resultados científicos que demuestren que Gemini puede ampliar la investigación especializada sin vaciarla de contenido.