Investigar ya no consiste en manejar software, sino en dirigir agentes inteligentes. El avance de la IA en ciencia redefine las profesiones, acelera los descubrimientos y consolida una nueva Revolución Industrial.
La inteligencia artificial nos sigue dando sorpresas y continúa cambiando nuestra forma de trabajar, los sectores en los que operamos y las profesiones a las que nos dedicamos.
La penúltima novedad de la IA en el mundo laboral es la aparición de una infraestructura tecnológica que, a juicio de los expertos, puede cambiar una profesión entera. No se dirige al gran público, porque su escenario no son las oficinas, sino los laboratorios. Y su impacto se sentirá mucho antes en la investigación científica que en cualquier otro sector de la economía.
Todo viene de la mano de Anthropic, que a finales de junio presentó Claude Science, una plataforma que define como un banco de pruebas (o de trabajo) para científicos e investigadores (lo denomina AI workbench for scientists).
Se trata de un entorno diseñado para que los investigadores puedan consultar literatura científica, escribir y ejecutar código, analizar datos, utilizar herramientas especializadas, acceder a recursos de computación y documentar todo el proceso de forma trazable desde un único espacio de trabajo.
El objetivo fundamental es reducir el tiempo dedicado a tareas repetitivas y aumentar el tiempo destinado a formular hipótesis, diseñar experimentos e interpretar resultados. Y esta categoría -AI workbench for science- redibuja lo que significa investigar, qué perfiles harán falta y dónde estará a partir de ahora la ventaja competitiva.
El mercado laboral se transforma
La primera consecuencia de todo esto no es que el mercado laboral científico desaparezca sino que se transforma: no vamos hacia una sustitución masiva de científicos, sino a una redefinición de su trabajo.
Un reciente estudio de Nature que examinó 41,3 millones de artículos muestra que la inteligencia artificial absorbe justamente las tareas que consumían buena parte de la jornada: búsqueda de literatura, programación, análisis de datos, documentación y visualización. Así, la IA sustituye parte del trabajo científico, no necesariamente al científico.
Los perfiles más expuestos serán aquellos cuyo valor residía casi por completo en ejecutar ese trabajo de computación; y los menos impactados serán los de quienes formulan preguntas originales, diseñan experimentos y validan resultados.
Del mismo modo que GitHub Copilot redefinió el desarrollo de software, Claude Science aspira ahora a convertirse en el asistente universal del investigador.
El valor profesional se moverá desde ejecutar tareas rutinarias hacia formular las preguntas correctas, diseñar los experimentos adecuados e interpretar lo que la máquina no puede: el significado.
La conclusión es que Claude Science puede ser una herramienta de productividad que acelerará el descubrimiento, aunque también implica una seria advertencia: según Sifted, el consenso de fundadores e inversores europeos es que las empresas más expuestas no son las que hacen ciencia, sino las que venden el trabajo computacional que la hace posible.
Nuevas habilidades...
Otra de las consecuencias es la mejora de habilidades, pero de otro tipo: durante décadas, gran parte del valor de un investigador residía en dominar el software especializado y ahora muchas de esas herramientas quedan integradas bajo el lenguaje natural. El valor se desplaza hacia habilidades de mayor nivel: pensamiento crítico, diseño experimental, creatividad e interpretación de resultados. El investigador pasa de "operador de herramientas" a director de un conjunto de agentes, y ese desplazamiento tiene una recompensa medible.
El mismo estudio de Nature concluye que los científicos que utilizan IA publican tres veces más artículos, reciben casi cinco veces más citas, y alcanzan posiciones de liderazgo 1,4 años antes que quienes no la usan. Science coincide con estos datos y añade que "saber manejar un banco de trabajo de este tipo podría convertirse en una competencia tan básica como hoy lo es Python o Jupyter".
Nuevos empleos y perfiles inéditos
Todo esto nos lleva a que automatizar tareas no elimina la necesidad de investigadores: la desplaza hacia competencias nuevas.
Los laboratorios necesitarán profesionales capaces de supervisar, verificar y validar lo que producen los agentes, una función casi inexistente hace pocos años.
Emergen así perfiles como el biólogo o químico computacional asistido por IA, el ingeniero de automatización de la investigación, el arquitecto de flujos científicos o el especialista en reproducibilidad, gobernanza y auditoría de IA científica.
Para los emprendedores, esta nueva categoría de AI workbench for science abre un ecosistema de agentes especializados para laboratorios, plataformas de descubrimiento de fármacos, copilotos de biología sintética y herramientas de validación y cumplimiento regulatorio. Y también cambia qué start up resulta atractiva para invertir.
Sifted añade que "si los gigantes de la inteligencia artificial consiguen convertir en producto estandarizado las tareas más complejas del conocimiento científico, la ventaja competitiva se desplaza desde los flujos de trabajo impulsados por agentes hacia los datos propietarios, la infraestructura física y la experimentación en el mundo real". Los inversores europeos ya premian a quienes construyen productos de los que los clientes seguirán dependiendo dentro de cinco o diez años.
Pero no todo son oportunidades. Nature advierte de que mientras el científico individual prospera, la IA contrae la ciencia en su conjunto, reduciendo un 4,63 % la variedad de temas estudiados y un 22 % la colaboración entre investigadores, porque todos migran hacia áreas ricas en datos.
Stanford Digital Economy Lab recuerda que el pasado lunes, más de 200 economistas e investigadores -incluidos 16 premios Nobel y directivos de Anthropic, Google y OpenAI- firmaron el manifiesto We Must Act Now, que alerta de una transformación económica mayor que la Revolución Industrial y que reclama políticas urgentes ante el desplazamiento del empleo.
Otros bancos de pruebas
'Claude Science' no está solo. El lanzamiento de Anthropic ayuda a poner nombre a una categoría que ya reúne plataformas muy diferentes.
- Microsoft Discovery es la alternativa más cercana a Claude Science por amplitud. Microsoft la define como una plataforma empresarial de investigación y desarrollo que combina orquestación de agentes, razonamiento avanzado, una base de conocimiento estructurada y computación de alto rendimiento. Está diseñada para integrar datos públicos y privados, automatizar flujos complejos y coordinar sistemas multiagente dentro de proyectos científicos e industriales. Microsoft presenta Discovery como una infraestructura para química, materiales, energía, fabricación, ingeniería y farmacia, y no únicamente como un asistente para investigadores individuales. La plataforma puede ayudar a formular hipótesis, ejecutar simulaciones y refinar experimentos, convirtiéndose en una capa de coordinación para programas de I+D de gran escala.
- Co-Scientist, construido por Google DeepMind sobre Gemini, está más concentrado en el razonamiento científico. Se trata de un sistema multiagente que colabora con los investigadores para generar, comparar, debatir y mejorar hipótesis, inicialmente con un énfasis especial en las ciencias de la vida. DeepMind ha documentado su utilización en investigaciones sobre envejecimiento, enfermedades hepáticas, esclerosis lateral amiotrófica y enfermedades infecciosas. En estos proyectos, Co-Scientist no sustituye la experimentación, sino que ayuda a conectar literatura, conocimientos de disciplinas distintas y posibles diseños experimentales.
- FutureHouse persigue una mayor autonomía. La organización lanzó en 2025 una plataforma pública con agentes especializados en búsqueda, síntesis de literatura y planificación científica. Su objetivo es automatizar partes relevantes del descubrimiento científico mediante sistemas capaces de trabajar sobre literatura, herramientas y datos. Su proyecto más ambicioso es 'Robin', un sistema multiagente que integra generación de hipótesis, estrategia experimental, análisis de datos y producción de nuevas conclusiones dentro de un flujo continuo de investigación.