Qué podría descubrir la IA en los próximos años: dónde hay resultados y dónde solo promesas

La mejor pista para saber dónde llegarán antes los descubrimientos hechos con IA no es la potencia de los modelos. Es cuánto tarda cada campo en comprobar si una idea es correcta. Una demostración matemática se puede verificar con un programa en segundos. Una estructura de proteína predicha se puede contrastar con estructuras experimentales ya publicadas. Un fármaco nuevo necesita años de ensayos clínicos con personas, y ningún modelo acorta el tiempo que tarda un paciente en responder a un tratamiento. Donde la verificación es rápida, la IA ya produce resultados. Donde es lenta, produce candidatos que esperan su turno.

Este artículo describe resultados publicados hasta su fecha de escritura y argumentos sobre lo plausible. No son pronósticos con fecha: nadie tiene un historial fiable prediciendo descubrimientos científicos concretos, y conviene desconfiar de quien los presente como seguros.

Lo que ya ha ocurrido

Algunos resultados permiten separar la realidad de la expectativa:

Estructura de proteínas. AlphaFold 2, de Google DeepMind, predijo en 2020 estructuras de proteínas con una precisión comparable a la experimental en muchos casos, y su base de datos pública cubre cientos de millones de proteínas. El Nobel de Química de 2024 reconoció a Demis Hassabis y John Jumper por ese trabajo, junto con David Baker por el diseño computacional de proteínas. Es el caso más claro de una contribución de la IA aceptada por la comunidad científica.

Matemáticas y algoritmos. En 2025, sistemas de Google DeepMind y de OpenAI alcanzaron un rendimiento equivalente a medalla de oro en problemas de la Olimpiada Internacional de Matemáticas. Ese mismo año, AlphaEvolve, un sistema de DeepMind que combina modelos de lenguaje con evaluación automática, encontró, entre otros resultados, un procedimiento para multiplicar matrices complejas de 4×4 con 48 multiplicaciones escalares, una menos que el mejor método conocido para ese caso. Son avances verificables por definición: la demostración o el algoritmo se comprueban.

Predicción meteorológica. Modelos como GraphCast (2023) y GenCast (2024), también de DeepMind, igualaron o superaron en muchas métricas a los sistemas numéricos tradicionales de predicción a medio plazo, con un costo de cálculo mucho menor. Los servicios meteorológicos los están incorporando junto a sus modelos físicos, no en su lugar.

Materiales. En 2023, DeepMind anunció GNoME con millones de estructuras cristalinas predichas como estables. Análisis posteriores de otros investigadores cuestionaron cuántas eran realmente nuevas y útiles. Es un buen recordatorio de que un número grande de candidatos no equivale a un número grande de descubrimientos.

Un mapa por velocidad de verificación

En fármacos, varias moléculas descubiertas o diseñadas con ayuda de IA han entrado en ensayos clínicos, y algunas han publicado resultados de fase 2. Pero el proceso completo hasta la aprobación sigue llevando años, y la mayoría de candidatos fracasan en ensayos por motivos (toxicidad, falta de eficacia en humanos) que los modelos actuales predicen mal. Cuando leas «fármaco descubierto por IA», busca en qué fase está.

Cómo leer un anuncio de descubrimiento

Cinco preguntas que separan un resultado de una promesa:

1. ¿Está verificado de forma independiente, o solo lo afirma quien lo hizo? Una demostración formalizada o un experimento replicado por otro grupo valen mucho más que una nota de prensa.
2. ¿Es un descubrimiento o un candidato? Millones de estructuras predichas, miles de moléculas propuestas: candidatos. El descubrimiento es el que se comprobó.
3. ¿Con qué se compara? «Mejor que el método anterior» depende de qué método y en qué condiciones.
4. ¿Cuánto hizo la IA y cuánto los investigadores? En la mayoría de los casos actuales, la IA es una herramienta dentro de un proceso dirigido por personas, y los titulares lo omiten.
5. ¿Qué falta para que tenga efecto en el mundo? Una proteína diseñada no es un tratamiento; un material estable en simulación no es un material fabricable a escala.

Errores frecuentes al hacer predicciones

Extrapolar una curva sin mirar el cuello de botella. Que los modelos mejoren cada año no acelera un ensayo clínico ni la construcción de un laboratorio. La velocidad de un campo la marca su paso más lento.

Confundir «la IA puede ayudar» con «la IA lo hará sola». Casi todos los resultados citados combinan modelos con evaluación automática, datos experimentales y criterio humano. Las predicciones que ignoran esa combinación suelen equivocarse en ambas direcciones.

Fechas sin incertidumbre. Las plataformas de pronósticos agregados, como Metaculus, publican probabilidades y rangos, no fechas exactas, y aun así se equivocan a menudo en temas de IA. Una predicción útil dice qué probabilidad asigna y qué evidencia la haría cambiar.

Qué vigilar

Si quieres seguir este tema con criterio, sigue tres indicadores: resultados matemáticos verificados formalmente, laboratorios automatizados que cierran el ciclo entre propuesta y experimento, y la fase clínica real de los fármacos atribuidos a la IA. Son los que distinguen el avance medible del anuncio.