La inteligencia artificial acaba de cruzar una frontera especialmente interesante: pasar de ayudar a interpretar resultados científicos a proponer por sí misma dónde podría esconderse un descubrimiento. El 23 de septiembre de 2026, Anthropic presentó los primeros resultados de su nuevo laboratorio de ciencias de la vida y explicó que un conjunto de agentes Claude identificó un sistema enzimático hasta ahora no caracterizado, asociado a repeticiones de ADN que recuerdan estructuralmente a los arrays de CRISPR.
El hallazgo no significa que Claude haya descubierto “un nuevo CRISPR”, ni que exista ya una nueva herramienta de edición genética. Esa sería una conclusión prematura. Lo que sí ocurrió es más concreto y, precisamente por eso, más relevante: los agentes recorrieron enormes colecciones de secuencias genéticas, seleccionaron anomalías, formularon hipótesis y detectaron una combinación de elementos que había pasado inadvertida. Después, científicos humanos revisaron el candidato y comenzaron a comprobarlo experimentalmente.
Es un ejemplo muy distinto de la IA aplicada a ciencia que vimos con AlphaGenome Atlas y sus predicciones sobre variantes del ADN. Allí la IA produce predicciones a una escala extraordinaria; aquí, el sistema participa activamente en la búsqueda de algo que los investigadores todavía no sabían que debían buscar.
Qué descubrió Claude exactamente
El sistema identificado recibió el nombre provisional de array-associated reverse transcriptases, o ART. Está relacionado con unas enzimas llamadas transcriptasas inversas, capaces de copiar información de ARN a ADN. La transcriptasa concreta ya había aparecido en estudios anteriores de un bacteriófago gigante, por lo que la proteína en sí no era desconocida.
La novedad fue observar el contexto que la rodeaba. Claude detectó junto al gen de esa transcriptasa una larga colección de secuencias de ADN repetidas y un gen accesorio cuya función todavía se desconoce. La combinación llamó la atención porque reúne características que, en otros sistemas biológicos conocidos, están asociadas a mecanismos programables capaces de realizar operaciones sobre material genético.
Los primeros experimentos de Anthropic indican además que el array de ART se expresa como un conjunto de pequeños ARN distintos. Ese comportamiento resulta sugerente porque los arrays de CRISPR también almacenan información que termina expresándose en ARN y que ayuda a dirigir el sistema hacia objetivos concretos.
Pero hay que mantener la comparación en su sitio. ART no es CRISPR. Los investigadores todavía no conocen su función primaria y no han demostrado que pueda utilizarse para editar genes. La semejanza actual está en determinados rasgos de organización molecular, no en una equivalencia funcional.
950 agentes, 210 millones de tokens y 21 horas de búsqueda
La escala del experimento ayuda a entender por qué este trabajo merece atención. Según la descripción publicada por Anthropic, aproximadamente 950 agentes trabajaron durante 21 horas y consumieron unos 210 millones de tokens para explorar el espacio de posibles transcriptasas inversas.
Los agentes reunieron más de 200.000 RT, identificaron alrededor de 3.500 sistemas candidatos nuevos y redujeron posteriormente esa colección hasta los 20 candidatos que consideraron más interesantes. Para cada uno generaron informes comprensibles por investigadores humanos.
Ese proceso importa tanto como el resultado. Un especialista puede tardar semanas o meses en realizar determinados análisis de minería genómica. La IA no elimina la necesidad del experto, pero permite explorar en paralelo una cantidad de hipótesis que sería muy costosa de recorrer manualmente.
La diferencia frente a un chatbot convencional es profunda. No se trató de preguntar “¿qué proteínas interesantes existen?”. Los agentes tuvieron que recopilar datos, clasificar familias, inspeccionar regiones genómicas vecinas, contrastar patrones con literatura previa y decidir qué anomalías merecían más atención.
La parte más sorprendente: la IA decidió que aquello era interesante
Uno de los problemas difíciles de automatizar en ciencia es el criterio. Encontrar una rareza en millones de datos no basta: casi todo conjunto suficientemente grande contiene anomalías. La cuestión es decidir cuáles pueden esconder un fenómeno importante.
Anthropic explica que el equipo proporcionó una instrucción inicial de alto nivel para buscar ejemplos interesantes de transcriptasas inversas. A partir de ahí, los agentes exploraron familias diferentes y utilizaron su propio criterio para seleccionar candidatos. Al encontrar el patrón repetitivo junto a una RT inusual, uno de los agentes decidió profundizar, midió las repeticiones, estudió su separación, comparó la arquitectura con sistemas conocidos y buscó trabajos anteriores que pudieran haber descrito el fenómeno.
Ese comportamiento conecta con otra tendencia que ya analizamos en FormateConIA: Claude ya participa de forma sustancial en la propia I+D de Anthropic. En ambos casos, el salto no consiste simplemente en generar más texto, sino en delegar bloques completos de investigación a agentes y reservar a los humanos la revisión, la experimentación y las decisiones de mayor nivel.
Por qué una anomalía biológica puede terminar cambiando la medicina
La historia de la biología molecular contiene varios ejemplos de descubrimientos que inicialmente parecían curiosidades. Las enzimas de restricción surgieron del estudio de mecanismos bacterianos contra virus y acabaron siendo herramientas fundamentales de la biotecnología. La Taq polimerasa procedía de una bacteria adaptada a temperaturas extremas y terminó haciendo posible la PCR moderna. CRISPR comenzó como un extraño patrón repetitivo observado en microorganismos antes de convertirse en una plataforma de edición genética.
Eso no permite afirmar que ART vaya a seguir el mismo camino. La mayoría de sistemas interesantes no terminan transformando la medicina. Pero explica por qué localizar nuevas máquinas moleculares es valioso: la evolución lleva miles de millones de años construyendo mecanismos que copian, cortan, modifican, reconocen y transportan información biológica. Descubrir uno nuevo puede proporcionar una herramienta que todavía no sabemos que necesitamos.
Qué hizo la IA y qué siguieron haciendo los humanos
Conviene separar claramente ambas partes. Claude realizó la búsqueda computacional, propuso candidatos, investigó relaciones y generó hipótesis. Los científicos humanos realizaron el trabajo experimental de laboratorio. Anthropic especifica que sus instalaciones trabajan en niveles bajos de bioseguridad, BSL-1 y BSL-2, y que no manipulan patógenos capaces de infectar a humanos.
Los investigadores expresan proteínas, caracterizan su comportamiento bioquímico y estructural y utilizan después a Claude para ayudar a interpretar los datos. Es, por tanto, un circuito: la IA propone, el laboratorio comprueba, los resultados regresan al sistema y nuevas hipótesis pueden surgir de ellos.
Este detalle evita una interpretación exagerada. No estamos ante una IA que entra virtualmente en un laboratorio y completa sola una investigación científica. El cuello de botella físico continúa existiendo: cultivar muestras, preparar reactivos, medir resultados y repetir experimentos requiere tiempo, infraestructura y personas.
El nuevo cuello de botella puede ser el laboratorio
Si los agentes son capaces de producir cientos o miles de hipótesis razonables en horas, aparece un problema paradójico: generar ideas científicas puede hacerse más barato que comprobarlas.
Anthropic reconoce indirectamente esta tensión. Una campaña puede producir cientos o miles de informes de candidatos y solo una fracción merece experimentación. El equipo estudia incluso qué características distinguen las propuestas que los científicos consideran valiosas de aquellas que descartan, para incorporar ese criterio a futuras instrucciones.
Esta es probablemente una de las consecuencias más importantes de la IA científica. Durante décadas, parte del trabajo consistía en encontrar una hipótesis prometedora. En determinados campos, el reto puede desplazarse hacia priorizar entre demasiadas hipótesis prometedoras y construir capacidad experimental suficiente para validarlas.
¿Puede convertirse ART en una herramienta programable?
Por ahora, no se sabe. Los datos iniciales muestran una arquitectura llamativa: una transcriptasa inversa, una proteína asociada y un array ordenado de repeticiones que produce pequeños ARN. Otros sistemas con combinaciones comparables sí realizan operaciones programables sobre ácidos nucleicos, pero inferir de ahí que ART hará lo mismo sería una hipótesis, no un hecho.
Los siguientes experimentos tendrán que determinar qué reconoce el sistema, qué función desempeña la proteína accesoria, qué relación existe entre los ARN y la transcriptasa y qué ventaja proporciona ART a los bacteriófagos que lo contienen.
Si finalmente existiera programabilidad, entonces sí se abriría una segunda pregunta: si puede adaptarse como herramienta biotecnológica. Entre descubrir una función natural y convertirla en una tecnología segura y útil pueden pasar años.
Una nueva forma de organizar la investigación científica
El aspecto estratégico del anuncio quizá sea incluso mayor que el descubrimiento concreto. Anthropic creó en primavera de 2026 un grupo de investigación y un laboratorio físico con una idea explícita: integrar agentes de IA y científicos humanos en todas las etapas posibles del proceso.
Ese modelo también conecta con una cuestión práctica: cómo convertir capacidades de IA en procesos útiles y medibles. En nuestra guía práctica de IA aplicada a producción y rentabilidad analizamos ese salto desde la capacidad técnica hasta el flujo de trabajo, aunque aquí se aplique a un dominio científico mucho más exigente. Una tarea compleja deja de depender de una única conversación y se reparte entre múltiples procesos que buscan, comparan, critican y documentan resultados.
También cambia el valor de la supervisión humana. El investigador no desaparece: su función se desplaza hacia diseñar buenas preguntas, establecer controles, reconocer resultados plausibles, decidir qué merece recursos experimentales y detectar cuándo una explicación aparentemente convincente no está respaldada por evidencia.
Lo que este resultado no demuestra
Hay al menos cuatro límites que conviene dejar claros. Primero, el trabajo se presentó como un resultado temprano y su función biológica todavía está en investigación. Segundo, la existencia de rasgos parecidos a CRISPR no demuestra capacidad de edición genética. Tercero, el descubrimiento computacional necesita validación experimental independiente. Y cuarto, un éxito llamativo no nos dice todavía con qué frecuencia estos sistemas encuentran descubrimientos realmente útiles frente a candidatos que terminan descartados.
Por eso será importante observar qué ocurre cuando más laboratorios adopten metodologías similares. Si distintos equipos reproducen el enfoque y aumentan de forma medible la tasa de descubrimientos validados, estaremos ante un cambio estructural del método científico y no solo ante una demostración impresionante.
La oportunidad para investigadores y empresas
La consecuencia práctica no se limita a grandes laboratorios de IA. Muchas organizaciones poseen datos científicos que exceden la capacidad humana de inspección: secuencias genómicas, imágenes, estructuras moleculares, publicaciones, resultados clínicos o mediciones industriales. Los agentes pueden convertirse en una capa de exploración que busque relaciones y anomalías de forma continua.
Algo parecido ocurre fuera de la ciencia con herramientas de automatización empresarial. Plataformas como Funnelchat 3.0 y sus agentes para procesos de WhatsApp muestran, a otra escala, la misma transición conceptual: pasar de una IA que responde a una IA que ejecuta partes de un flujo. La diferencia es que en investigación científica el coste de equivocarse obliga a mantener una verificación experimental especialmente rigurosa.
Qué puede pasar a partir de ahora
Hecho: Claude identificó un sistema molecular no caracterizado mediante una búsqueda multiagente y los científicos encontraron evidencia experimental suficiente para continuar investigándolo.
Inferencia razonable: la minería de grandes bases de datos biológicas es un terreno especialmente favorable para agentes de IA porque permite paralelizar búsquedas, comparaciones y revisión de literatura a una escala difícil para equipos humanos.
Hipótesis: si ART resulta programable, podría convertirse en una nueva familia de herramientas moleculares. Todavía no hay evidencia suficiente para afirmarlo.
Predicción: durante los próximos años veremos más laboratorios organizados alrededor de ciclos en los que cientos de agentes generan y filtran hipótesis antes de que un número mucho menor llegue al banco de laboratorio. El avance dependerá tanto de mejores modelos como de mejorar la capacidad de verificación física.
Conclusión: la IA empieza a buscar lo que todavía no sabemos nombrar
El descubrimiento de ART es interesante por la biología, pero también por lo que revela sobre la evolución de los agentes. Hasta ahora, muchas demostraciones de IA científica partían de una pregunta definida por una persona. Aquí, una parte esencial del trabajo fue reconocer que un patrón inesperado merecía convertirse en pregunta.
Eso no convierte a Claude en un científico autónomo ni sustituye la experimentación. Sí sugiere una división del trabajo nueva: miles de procesos digitales recorriendo espacios enormes de posibilidades y equipos humanos concentrando su experiencia y sus recursos físicos en las pocas señales que sobreviven al filtrado.
Si este modelo se generaliza, el impacto de la IA en ciencia podría medirse menos por cuántos artículos resume y más por cuántos fenómenos consigue poner delante de un investigador antes de que nadie supiera que estaban allí.
Fuente principal: Anthropic, “Claude discovers a novel enzyme system with CRISPR-like repeats”, publicado el 23 de septiembre de 2026. El hallazgo se encuentra en fase inicial y su función biológica continúa bajo investigación.