BioBasicsBench no demuestra que una inteligencia artificial pueda dirigir un laboratorio de biología. Sí ofrece algo más útil y menos espectacular: una forma de medir si un agente entiende pruebas cotidianas, detecta controles defectuosos y reconoce cuándo los datos no permiten una conclusión. OpenAI presentó el 6 de noviembre de 2026 este conjunto de evaluación, desarrollado con Ligo Biosciences, a partir de 100 tareas basadas en material experimental sin pulir.
El resultado más citado es un 66,7 % de crédito medio para GPT-6 Astra con el nivel de razonamiento xhigh, frente al 43,8 % de GPT-5.6 Sol. Pero ese porcentaje no significa que Astra resolviera correctamente dos de cada tres experimentos. Es una puntuación parcial agregada, calculada con rúbricas que conceden crédito por conclusiones, mediciones, razonamientos o por reconocer que faltan pruebas. La diferencia importa: una respuesta puede sumar puntos y seguir siendo demasiado insegura para una decisión de laboratorio.
Qué es BioBasicsBench
BioBasicsBench es una evaluación de agentes multimodales aplicada a trabajo biológico rutinario. Sus 100 tareas cubren cinco áreas: métodos de proteínas, imagen y citometría, cuantificación y ensayos, métodos de ácidos nucleicos y clonación molecular. Los agentes reciben evidencias parecidas a las que encuentra un investigador antes de preparar una figura limpia para una publicación.
El material incluye geles de ADN y proteínas, fotografías de placas con colonias, imágenes de microscopía, secuencias, exportaciones de instrumentos, notas de laboratorio, protocolos, pantallas, vídeos y archivos tabulares. Una misma tarea puede combinar varios formatos. El objetivo no es preguntar una definición de memoria, sino comprobar si el sistema conecta una observación con el control adecuado y evita ir más allá de lo que realmente muestran los datos.
OpenAI explica que las tareas se construyeron con datos procedentes de experimentos de científicos. Cada pregunta se asoció a criterios de evaluación redactados por expertos y pasó por una revisión interna de una persona de Ligo que no había creado la tarea, una revisión externa de un científico de laboratorio con doctorado y una revisión interna final. Ese procedimiento mejora la calidad del conjunto, pero no equivale a una reproducción independiente de los resultados de los modelos.
Qué midió realmente la evaluación
La evaluación comparó siete modelos en 37 combinaciones de modelo y esfuerzo de razonamiento. Cada combinación afrontó las 100 tareas cinco veces, lo que suma 18.500 respuestas calificadas. La métrica comunicada es la recompensa media: el porcentaje promedio del crédito disponible según la rúbrica de cada tarea.
Con xhigh, GPT-6 Astra obtuvo el 66,7 %, con un intervalo de confianza del 95 % entre 60,3 % y 73,1 %. GPT-6.1 Sol alcanzó el 62,0 %, mientras GPT-5.6 Sol se quedó en el 43,8 %. Estas cifras son resultados publicados por OpenAI sobre sus propios modelos. No deben presentarse como una comparación independiente ni como una tasa de éxito clínico, experimental o regulatorio.
Además, el nivel xhigh permite gastar más razonamiento por tarea. Por tanto, el resultado no describe necesariamente lo que haría una configuración rápida, económica o integrada en un producto concreto. Tampoco se publicó en el anuncio un baremo humano comparable que permita afirmar que el modelo iguala a un técnico, un biólogo o un investigador especializado.
Tres capacidades que sí aparecen
1. Reconocer una evidencia insuficiente
Una de las conductas valiosas es abstenerse de cerrar una conclusión cuando dos señales pueden solaparse. En un ejemplo de imagen celular, el brillo atribuido a un marcador de muerte podía proceder también de otro canal. El modelo más antiguo aceptó la señal como suficiente; Astra detectó la ambigüedad y pidió controles capaces de separar las dos explicaciones.
Esto conecta con un principio básico de investigación: una imagen llamativa no sustituye a un control apropiado. Las directrices de rigor y reproducibilidad de los NIH insisten en diseños bien controlados, análisis transparentes y consideración explícita de interpretaciones alternativas. Una inteligencia artificial útil debería reforzar esa disciplina, no producir una historia convincente alrededor de una observación incompleta.
2. Leer detalles que cambian el significado
En otra tarea, Astra observó que una placa de control estaba etiquetada con un antibiótico distinto del empleado en el experimento. Una placa aparentemente vacía podía inducir a pensar que el control era correcto, pero la etiqueta invalidaba esa lectura. El ejemplo muestra por qué los agentes científicos necesitan combinar visión, texto, protocolo y contexto.
Ese tipo de integración es más difícil que clasificar una fotografía aislada. El modelo debe comprobar qué debía contener la placa, qué selección se esperaba y si el control pertenece realmente a la misma condición experimental. Un detalle pequeño puede convertir una evidencia útil en una evidencia irrelevante.
3. Mantener el contexto de una secuencia
En una serie de imágenes de microscopía, Astra reconoció un z-stack: capturas tomadas a distintas profundidades. Un modelo anterior buscó una explicación biológica para que las células aparecieran y desaparecieran. Entender el procedimiento de adquisición evitó atribuir al organismo un cambio que procedía del enfoque.
Para quienes trabajan con asistentes, la lección es generalizable. Antes de interpretar un resultado hay que entender cómo se generó. Lo mismo ocurre con datos empresariales sintéticos, simulaciones o conjuntos de entrenamiento. Este análisis sobre empresas sintéticas para evaluar asistentes explica por qué el entorno de prueba condiciona lo que puede concluirse.
Los fallos impiden hablar de autonomía
El informe también presenta errores importantes. En una tarea de PCR de colonias, Astra agrupó correctamente los patrones de bandas, pero invirtió la identidad experimental de los grupos. Terminó recomendando las colonias que conservaban el plásmido antiguo en vez de las que contenían el producto buscado. La observación intermedia era razonable; la decisión final era incorrecta.
En otro caso, el modelo sobrevaloró las observaciones compatibles con su hipótesis y restó importancia a regiones contradictorias de una imagen. Este patrón es especialmente peligroso porque produce una explicación coherente que parece respaldada por datos, aunque seleccione solo la parte conveniente.
También hubo errores al contar colonias: unió colonias vecinas, omitió otras visibles y marcó zonas vacías del agar. En el ejemplo publicado, el recuento quedó aproximadamente un 12 % por encima de la referencia. Esa desviación puede trasladarse directamente a un cálculo posterior, como la eficiencia de transformación.
Por eso un 66,7 % de crédito medio no es una autorización para delegar decisiones. La propia presentación advierte que una puntuación más alta no implica juicio fiable en el laboratorio. Un sistema puede ser útil para señalar problemas, organizar evidencias o preparar una segunda lectura, pero la persona responsable debe conservar el control sobre muestras, protocolos, cálculos y conclusiones.
Qué falta para valorar la reproducibilidad
El anuncio describe el diseño, la revisión y resultados agregados, pero no ofrece en su cuerpo un acceso público completo a las 100 tareas, las rúbricas, todas las respuestas y el código de evaluación. Sin esos elementos, equipos externos no pueden repetir exactamente la prueba ni comprobar cómo cambian los resultados con otros modelos, configuraciones o herramientas.
También faltan resultados desglosados por dominio y gravedad del error. Dos modelos con la misma media podrían tener perfiles muy diferentes: uno podría fallar en recuentos sencillos y otro en decisiones críticas de clonación. Para un laboratorio, ese mapa de errores es más útil que una cifra única.
El marco de gestión de riesgos de NIST recomienda definir responsabilidades humanas, documentar la supervisión y relacionar las pruebas con el contexto real de uso. Aplicado aquí, significa que cada laboratorio tendría que validar el agente con sus instrumentos, muestras, protocolos y consecuencias de error. Un benchmark general no sustituye esa evaluación local.
Cómo podría utilizarse de forma responsable
Un uso prudente empezaría con tareas acotadas y reversibles. El agente podría describir qué observa, enumerar controles, señalar datos ausentes y proponer varias interpretaciones. La respuesta debería separar claramente observación, inferencia y recomendación. Después, una persona cualificada revisaría el razonamiento contra el cuaderno, el protocolo y los archivos originales.
La trazabilidad también es esencial. Conviene guardar la versión del modelo, instrucciones, archivos utilizados, respuesta completa y correcciones humanas. Si la configuración cambia, el resultado anterior no garantiza el nuevo. Para aplicaciones más amplias, puede ser útil conocer cómo se diseñan y validan productos digitales; esta guía sobre creación de aplicaciones con inteligencia artificial ayuda a entender el proceso desde una perspectiva práctica.
En proyectos técnicos, la supervisión no termina al generar una respuesta. También hay que validar el flujo y los datos que lo alimentan. El análisis de Revit, BIM y renderizado en la nube muestra otro ámbito donde las herramientas automatizadas necesitan objetivos, revisión y criterios de calidad explícitos.
Por qué la colaboración con Ligo es relevante
Ligo Biosciences trabaja en herramientas para diseño de enzimas y combina datos, modelado y retroalimentación experimental. Esa proximidad al laboratorio ayuda a construir tareas menos académicas y más cercanas a problemas cotidianos. Aun así, la colaboración no convierte la prueba en una evaluación regulatoria ni demuestra que el agente pueda trabajar sin supervisión.
La ciencia aplicada exige conectar cada recomendación con evidencia verificable. Un error puede desperdiciar una jornada, una muestra escasa o una cadena completa de experimentos. En desarrollo de fármacos, además, hay fases preclínicas y clínicas que no pueden comprimirse en una puntuación de benchmark. Este artículo sobre inteligencia artificial y resultados preclínicos profundiza en esa diferencia.
Hechos confirmados y predicciones
Hechos confirmados: BioBasicsBench contiene 100 tareas de cinco áreas de laboratorio; emplea imágenes, vídeos, archivos y notas; las tareas tuvieron varias revisiones expertas; OpenAI evaluó siete modelos en 18.500 respuestas; GPT-6 Astra obtuvo un 66,7 % de crédito medio con xhigh y presentó fallos documentados de interpretación, selección y recuento.
Predicciones razonables, todavía no demostradas: agentes futuros podrían reducir tiempo dedicado a revisar imágenes, controles o resultados rutinarios; una evaluación más abierta podría facilitar comparaciones independientes; y los sistemas multimodales podrían convertirse en asistentes de segunda lectura. Nada de esto prueba que puedan sustituir a científicos, tomar decisiones clínicas o ejecutar protocolos de forma autónoma.
Preguntas frecuentes
¿El 66,7 % significa que acertó dos tercios de los experimentos?
No. Es el promedio de crédito concedido por criterios parciales. Una respuesta incompleta puede sumar puntos y una respuesta con observaciones correctas puede acabar en una recomendación equivocada.
¿BioBasicsBench demuestra que una inteligencia artificial puede trabajar sola?
No. La evaluación mide interpretación de evidencia en tareas delimitadas. No demuestra autonomía física, fiabilidad clínica, cumplimiento regulatorio ni capacidad para asumir responsabilidad científica.
¿Por qué son importantes los controles?
Porque permiten distinguir si una señal procede del fenómeno estudiado, de un reactivo, del instrumento o de un error de procedimiento. Sin el control correcto, incluso una observación visual clara puede apoyar una conclusión falsa.
¿Qué debería hacer un laboratorio antes de usar un agente?
Definir tareas y consecuencias, proteger los datos, validar el sistema con ejemplos locales, exigir respuestas auditables y mantener revisión humana cualificada. Las recomendaciones nunca deben sustituir protocolos, controles ni requisitos regulatorios.
Conclusión
BioBasicsBench desplaza la conversación desde preguntas de biología bien ordenadas hacia pruebas experimentales imperfectas. Ese cambio es valioso porque los errores reales viven en etiquetas, controles, enfoques, recuentos y contradicciones. GPT-6 Astra mejora frente a modelos anteriores según la evaluación del proveedor, pero sus fallos muestran que todavía puede observar bien y decidir mal.
La lectura adecuada no es «la inteligencia artificial ya dirige el laboratorio», sino «ya puede ayudar a revisar parte de la evidencia, siempre que su trabajo sea verificable y supervisado». El siguiente avance importante no será solo elevar la media, sino demostrar resultados reproducibles, abrir el desglose de errores y adaptar la evaluación a consecuencias reales.