Los agentes de inteligencia artificial empiezan a mostrar capacidades relevantes para tareas científicas. Pero en biología, el reto no está solo en que el modelo razone bien. También está en que pueda acceder a los datos correctos, recuperarlos de forma fiable y repetir el proceso sin errores.
El artículo de Anthropic plantea una idea clara: para que los agentes científicos sean realmente útiles, la infraestructura de datos biológicos debe ser más fácil de usar por sistemas de IA. Las bases de datos, los formatos, los filtros y las convenciones actuales están pensados principalmente para humanos expertos, no para agentes que necesitan ejecutar tareas de forma reproducible.
La conclusión es prudente pero importante: los agentes pueden entender la tarea, pero si no tienen una vía determinista para acceder a los datos, verificar el resultado y repetirlo, sus respuestas pueden parecer plausibles y aun así ser incorrectas.
El problema no es solo el razonamiento del modelo
En muchos debates sobre IA científica, la atención se centra en la capacidad de los modelos para razonar, generar hipótesis o interpretar información compleja. Anthropic introduce otro cuello de botella: la infraestructura.
La comparación del artículo es muy visual. Usar agentes de IA para navegar datos biológicos se parece a conducir por una ciudad antigua diseñada antes de los coches. La ciudad puede ser valiosa y estar bien construida para sus usuarios originales, pero sus calles estrechas, giros complicados y rutas basadas en conocimiento local dificultan el paso de vehículos modernos.
En biología ocurre algo parecido. La infraestructura de datos incluye:
- Formatos de archivo idiosincráticos.
- Bases de datos dispersas.
- Scripts de recuperación específicos.
- Identificadores y convenciones heterogéneas.
- Filtros que a veces solo existen en interfaces web.
En software, los agentes han avanzado más rápido porque el entorno suele ofrecer flujos digitales estructurados, interfaces fiables, control de versiones, APIs documentadas y sistemas de validación. En biología, en cambio, muchas tareas dependen de conocimiento experto, procesos frágiles y herramientas construidas para casos concretos.
Por qué los errores pequeños importan tanto en biología
En los flujos científicos, un error aparentemente menor puede cambiar una conclusión.
El texto cita varios ejemplos de fallos posibles:
- Recuperar coordenadas desde una versión incorrecta del genoma.
- Mezclar registros RefSeq y GenBank sin intención.
- Tratar genomas parciales como si fueran completos.
- Confundir nombres de segmentos en virus segmentados.
- Perder registros relevantes por campos de metadatos inconsistentes.
Estos errores no son simples detalles técnicos. Pueden invalidar análisis posteriores o alterar interpretaciones biológicas.
Por eso, el artículo insiste en que los agentes no solo necesitan responder. Necesitan acceder a los datos adecuados con precisión, trazabilidad y reproducibilidad.
La “click tax” en virología
Anthropic utiliza la virología como caso de estudio para mostrar el problema.
Muchos flujos de trabajo en vigilancia viral, diseño de ensayos diagnósticos o construcción de datos para modelos de proteínas empiezan recuperando secuencias desde NCBI Virus. Esta base de datos se usa a través de una interfaz web que reúne registros de GenBank, RefSeq y el ecosistema internacional INSDC, incluyendo Pathoplexus.
El problema es que una parte importante del conocimiento necesario para recuperar bien esos datos está escondida en la propia práctica de uso. En laboratorios de virología, las instrucciones para curar datasets de NCBI Virus suelen circular como largas listas de filtros complejos que los usuarios deben reproducir manualmente en la web.
Para un humano experto, algunos pasos pueden resolverse con clics. Para un agente, automatizarlos puede requerir unir varias APIs, recuperar resultados página a página, reconciliar identificadores, descargar grandes volúmenes de datos y filtrar localmente.
Esto crea una barrera clara: la información existe, pero no siempre está disponible de una forma que los agentes puedan usar de manera fiable.
Un ejemplo con impacto real: el brote de Bundibugyo virus
El artículo conecta este problema con el brote de enfermedad por virus Bundibugyo en la República Democrática del Congo.
El 14 de mayo de 2026, INRB Kinshasa analizó 13 muestras de sangre y confirmó al día siguiente ocho casos de enfermedad por Bundibugyo virus. Después se declaró un brote de Ébola. Para el 29 de mayo, la OMS había informado de más de 1.000 casos confirmados y sospechosos en la República Democrática del Congo, con más de 200 muertes.
Los investigadores también generaron los primeros genomas casi completos del brote, ayudando a establecer que se trataba de un nuevo evento de spillover.
A partir de esos genomas, los responsables de salud pública necesitaban responder tres preguntas:
- En qué se diferenciaba el virus del brote respecto a virus de Ébola anteriores.
- Si los diagnósticos existentes podían seguir detectándolo.
- Si las terapias existentes podían seguir protegiendo frente a él.
Responder a esas preguntas requiere comparar los nuevos genomas con genomas históricos disponibles en NCBI Virus y Pathoplexus. Pero el primer paso de ese análisis todavía puede depender de navegar manualmente por una interfaz web, reproducir filtros complejos y confiar en que el dataset final esté completo y sea correcto.
Qué ocurre cuando los agentes intentan recuperar datos por su cuenta
Para analizar esta dificultad, el equipo desarrolló VirBench, un benchmark con 120 consultas realistas de secuencias virales, repartidas en 40 patógenos y con recuentos verificados manualmente.
Las consultas reflejan tareas propias de vigilancia viral, diseño de ensayos diagnósticos y construcción de datos para entrenamiento de modelos de proteínas.
Los agentes evaluados incluyeron Claude, Biomni Open Source, Edison Analysis y GPT. Cuando intentaron resolver las consultas usando la infraestructura disponible, el rendimiento varió mucho entre sistemas.
Incluso los modelos más fuertes no alcanzaron de forma consistente el nivel de precisión y reproducibilidad necesario para construir datasets fiables. Las precisiones medias fueron desde el 16,9% hasta el 91,3%.
En este tipo de tarea, el listón práctico está muy cerca del 100%. Un registro ausente o incorrecto puede afectar a conclusiones sobre cobertura diagnóstica, diversidad viral o momento de inicio de un brote.
El riesgo de respuestas plausibles pero incorrectas
Uno de los problemas más relevantes es que las respuestas de los agentes pueden parecer razonables aunque estén mal.
El artículo muestra un caso con secuencias de Ebolavirus. Al repetir la misma consulta tres veces, Sonnet 4 devolvió resultados muy diferentes: 106 secuencias en una ejecución, 15 en otra y 5 en otra, cuando el valor esperado era 266.
Esa variabilidad no se queda en un error de recuento. Al construir árboles filogenéticos con esos datasets, las conclusiones sobre el tiempo al ancestro común más reciente cambiaban de forma relevante.
En otro ejemplo, la recuperación inconsistente de secuencias de glicoproteína de Ebolavirus afectó al análisis de regiones vinculadas a anticuerpos terapéuticos. En una ejecución, los resultados se acercaban a los obtenidos mediante consulta manual. En otra, se perdían la mayoría de los residuos mutados. En una tercera, aparecía un conjunto diferente de residuos.
La lección es clara: en ciencia, una recuperación incompleta o incorrecta de datos puede alterar las conclusiones posteriores.
La solución propuesta: una capa determinista de recuperación
Para abordar el problema, el equipo desarrolló gget virus en colaboración con investigadores de NCBI.
La idea es convertir la recuperación de datos virales en algo que agentes y humanos puedan invocar directamente, con más precisión y reproducibilidad.
gget virus coordina diferentes sistemas y APIs, reproduce comportamientos de la interfaz web de NCBI Virus, aplica filtros cuando es posible, comprueba localmente aquellos que no están disponibles desde un único endpoint programático y gestiona grandes conjuntos de resultados para evitar cortes arbitrarios.
También devuelve salidas estandarizadas, legibles por personas y máquinas, junto con logs detallados que muestran cómo se produjo el resultado final.
Este punto es importante: no basta con obtener una respuesta. También hay que poder revisar cómo se obtuvo.
Qué cambió al dar a los agentes acceso a gget virus
Cuando los agentes tuvieron acceso a gget virus, la precisión subió por encima del 90% en todos los casos y alcanzó un máximo del 99,7% con GPT-5.5.
Además, la variabilidad entre ejecuciones se redujo de forma importante y la diferencia entre modelos se estrechó.
El resultado sugiere una conclusión práctica: añadir una capa determinista de recuperación puede hacer que la elección del modelo sea menos decisiva.
Esto es especialmente relevante porque la construcción fiable de datasets no debería depender siempre del modelo más nuevo, más caro o mejor adaptado a una base de datos concreta. Un modelo más barato, combinado con la herramienta adecuada, puede reducir la variabilidad y facilitar un acceso más amplio.
Creatividad arriba, fiabilidad abajo
El artículo formula una distinción útil para pensar en agentes científicos.
Los modelos pueden ser creativos cuando generan hipótesis, diseñan experimentos o razonan sobre mecanismos. Pero la capa inferior del sistema debe ser fiable: identificadores, esquemas, lógica de recuperación, coordenadas, metadatos y rutas de acceso a datos.
Dicho de otra forma: la creatividad puede estar en el razonamiento, pero la recuperación de datos debe ser determinista.
gget virus aparece como un ejemplo de una categoría más amplia de infraestructuras orientadas a agentes: sistemas que conectan modelos con fuentes de datos biológicos de forma fiable, auditable y reproducible.
Qué implica esto para el futuro de los agentes científicos
El artículo no plantea que las herramientas actuales sean la solución definitiva.
También reconoce una posibilidad: si los modelos siguen mejorando, puede llegar un momento en que los agentes sean capaces de navegar portales complejos, reconciliar identificadores, paginar correctamente y recuperarse de fallos sin necesidad de capas externas como gget virus.
Pero incluso en ese escenario, el texto introduce una cautela razonable: que un agente pueda hacer algo no significa que deba reinventarlo cada vez.
Un modelo capaz de abrirse camino en un flujo bioinformático confuso podría seguir siendo demasiado caro, lento, difícil de auditar o complicado de confiar para tareas rutinarias.
Por eso, la lección de fondo se mantiene: las bases de datos biológicas deben empezar a diseñarse también pensando en agentes como usuarios a escala.
Una lección más amplia sobre IA y ciencia
El mensaje central del artículo no se limita a la virología. Apunta a una cuestión más amplia sobre el futuro de la IA aplicada a ciencia.
Para que los agentes contribuyan de forma fiable, no basta con mejorar los modelos. También hay que mejorar los entornos en los que trabajan.
En biología, eso significa construir infraestructuras de datos más accesibles, reproducibles, auditables y compatibles con flujos automatizados.
Los agentes pueden entender lo que se les pide. Pero si el camino hacia los datos está lleno de convenciones implícitas, filtros manuales y procesos frágiles, el resultado puede ser inconsistente.
La utilidad real de la IA científica dependerá tanto de la capacidad de los modelos como de la calidad de las infraestructuras que les permitan actuar.
Fuente
Laura Luebbert, “Paving the way for agents in biology”, Anthropic, 8 de junio de 2026.