Durante siglos, un artículo científico ha sido un documento estático: texto, cifras y figuras que un lector interpreta por su cuenta. Un equipo de Stanford Medicine acaba de cuestionar esa idea al convertir manuscritos completos en agentes de inteligencia artificial capaces de responder preguntas, ejecutar análisis y, lo más llamativo, dialogar entre sí para detectar conexiones que ningún humano había señalado antes.

De texto estático a agente interactivo

El sistema, bautizado Paper2Agent, es obra de un equipo liderado por el investigador postdoctoral Jiacheng Miao y el profesor asociado de ciencia de datos biomédicos James Zou. La herramienta toma un artículo científico —texto, figuras y datos incluidos— y lo transforma en un agente de IA capaz de explicar la investigación, aplicar sus métodos a nuevos conjuntos de datos y conversar con otros agentes generados del mismo modo. El trabajo se publicó el 16 de septiembre en la revista Nature, con Zou como autor sénior y Miao como primer firmante.

Para Zou, se trata de un cambio de fondo en la forma en que se transmite el conocimiento científico: durante toda la historia humana, ese conocimiento ha quedado registrado en soportes pasivos —de la piedra al papel— y su propuesta es convertir cada artículo en una especie de encarnación activa del conocimiento, algo parecido a un autor virtual capaz de explicar y ampliar su propio trabajo.

Cómo se fabrica un agente a partir de un artículo

El proceso arranca con varios agentes de IA que analizan un único artículo publicado junto con su código y sus datos asociados. Pero no se limitan a leer: intentan reproducir la investigación original desde cero en un entorno virtual, simulando el experimento paso a paso. En ese ejercicio capturan detalles que normalmente solo se obtienen leyendo entre líneas, desde los reactivos empleados hasta el montaje experimental.

Toda esa información se organiza mediante un MCP (protocolo de contexto de modelo), una especie de sistema de archivos que permite a otros agentes de IA acceder fácilmente a cada sección del paper —introducción, métodos, resultados y conclusiones— como si fueran carpetas independientes. Los autores humanos siguen siendo necesarios: el manuscrito no recoge los experimentos fallidos ni las decisiones de diseño detrás del estudio, así que son ellos quienes completan esos vacíos conversando directamente con su propio agente.

Dos artículos sin relación aparente que encontraron un punto en común

La demostración más llamativa del equipo consistió en convertir en agentes dos estudios que no tenían ninguna conexión previa: uno sobre una herramienta para predecir el efecto de mutaciones genéticas en el genoma, y otro sobre un estudio de asociación genómica ligado al riesgo de trastorno por déficit de atención e hiperactividad (TDAH). Al ponerlos a interactuar, el primer agente aplicó su conocimiento sobre el segundo conjunto de datos y señaló una variante molecular cercana al gen MPHOSPH9 asociada a un mayor riesgo de TDAH, una relación que, según Zou, no se había descrito hasta ahora.

Según el investigador, hasta ahora dos grupos que publican trabajos distintos tenían que encontrarse por su cuenta; con este sistema, esas coincidencias pueden emerger sin que nadie tenga que buscarlas manualmente. El objetivo a largo plazo, señala, es escalar esa dinámica a millones de agentes capaces de detectar puntos en común entre sí de forma autónoma.

Vigilancia humana y atribución, todavía imprescindibles

Zou insiste en que la autoría original debe seguir siendo reconocida: los agentes están pensados para amplificar el trabajo de los investigadores, no para diluir de quién es. También subraya que la forma en que estos agentes colaboran y llegan a nuevas conclusiones debe supervisarse de cerca, priorizando la seguridad y la ética de la investigación.

Por ahora, el equipo ha creado más de 100 agentes de este tipo, aunque la ambición es que, con el tiempo, la mayoría de los artículos científicos que se publican cada año cuenten con su propio agente asociado.

Lo que conviene tener en cuenta antes de hablar de «IA que hace descubrimientos»

Como suele ocurrir con este tipo de anuncios, conviene separar el potencial a largo plazo de lo que ya está validado.  Algunas preguntas pendientes:

• ¿Quién verifica que la reproducción del experimento por parte del agente es fiel al original?
• ¿Cómo se garantiza la atribución cuando un hallazgo surge del cruce entre dos agentes?
• ¿Qué mecanismos de supervisión existen para evitar conclusiones erróneas o sesgadas?
• ¿Qué ocurre con los datos y el código de investigadores que no han dado su consentimiento explícito para este uso?

Por el momento, el sistema se encuentra en una fase temprana —algo más de un centenar de agentes creados— y ninguna de las conexiones que genere sustituye la validación experimental y la revisión por pares que exige la ciencia.