Agentes de IA: el salto que el Nobel de AlphaFold no mostró

El Nobel de AlphaFold y por qué no es el final de la historia

En 2024, Demis Hassabis y John Jumper, de Google DeepMind, recibieron la mitad del Nobel de Química por AlphaFold, el modelo que predice la estructura tridimensional de las proteínas. En octubre de 2024, según la Academia Nobel, más de dos millones de personas en 190 países ya lo habían utilizado. Hassabis lo describió como «el modelo de cómo la IA puede acelerar toda la ciencia a la velocidad digital».

Una columna de Cinco Días, firmada por Eric Schmidt —CEO de Google entre 2001 y 2011— junto a Suhas Mahesh, de Schmidt Sciences, recuerda que esa frase puede llevar a una conclusión equivocada: pensar que AlphaFold es replicable en cualquier disciplina. No lo es, argumentan, y la diferencia importa para cualquier founder que esté construyendo sobre IA.

El verdadero cuello de botella: los datos, no las GPUs

AlphaFold se entrenó con el Protein Data Bank, un repositorio de unas 170.000 estructuras de proteínas validadas experimentalmente. Construirlo exigió 53 años de cooperación científica internacional y, según la estimación citada por Schmidt, cerca de 19.000 millones de euros en trabajo experimental. Replicar esas condiciones en otras disciplinas llevaría décadas.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Además, en la mayoría de campos los experimentos no producen datos suficientemente homogéneos: las líneas celulares cambian, aparecen contaminantes, la humedad del laboratorio varía. Generar conjuntos de datos consistentes, precisos y escalables no es «simplemente añadir más GPU», escribe Schmidt.

La columna, originalmente publicada en MIT Technology Review, es clara: AlphaFold no demuestra que la IA pueda acelerar toda la ciencia; demuestra que puede hacerlo cuando existen datos adecuados.

Qué cambia con los agentes de IA

Un agente de IA no es un modelo especializado en responder una pregunta concreta. Es un motor de razonamiento con acceso a herramientas: puede leer literatura, ejecutar código, contrastar resultados, iterar y volver a empezar. En lugar de sustituir el método científico por un algoritmo milagroso, reproduce digitalmente cómo trabaja realmente un investigador: combinando evidencias imperfectas, usando distintas herramientas y revisando conclusiones.

Google ya mostró un ejemplo con AI Co-Scientist, presentado en mayo de 2026: recibió un brief de una página sobre cómo se propaga la resistencia a antibióticos entre especies bacterianas. Sus sub-agentes generaron hipótesis, las criticaron, organizaron torneos y refinaron la ganadora. La conclusión coincidió con una investigación de Imperial College London que llevaba una década en revisión por pares, según MIT Technology Review.

La crisis de reproducibilidad que los agentes pueden resolver

En una encuesta de Nature a 1.576 investigadores, más del 70% afirmó haber intentado sin éxito reproducir experimentos de otro grupo y el 52% consideró que existe una crisis significativa de reproducibilidad. El problema no es solo que los resultados sean erróneos: es que buena parte del conocimiento experimental resulta difícil de reconstruir porque los datos, el código y los pasos intermedios no quedan bien registrados.

Schmidt identifica tres consecuencias decisivas de incorporar agentes:

Trazabilidad automática. Cada acción, decisión y herramienta queda registrada; la trazabilidad deja de ser una tarea administrativa posterior.
Memoria institucional estructurada. El conocimiento que hoy vive en cuadernos y en la cabeza de investigadores veteranos se convierte en un repositorio consultable: qué se hizo, con qué parámetros, qué funcionó y qué no.
Velocidad de experimentación. Un agente capaz de leer 1.000 artículos en una hora, diseñar 500 moléculas y aprender de los experimentos fallidos durante la noche cambia el coste de probar una hipótesis. Cuando comprobar una idea cuesta menos que discutirla en una reunión, cambia la psicología del investigador.

El tamaño del mercado: lo que ya está en juego

El argumento de Schmidt no es solo filosófico: el mercado de la IA agentic ya se está dimensionando.

Según MarketsandMarkets, el mercado global de agentic AI está estimado en US$19.330 millones en 2026 y proyecta alcanzar US$205.880 millones en 2033, con un crecimiento anual compuesto del 40,2%. El software representa el 71,9% del mercado en 2026.

Los grandes proveedores —Microsoft, AWS, Google, Salesforce, ServiceNow, IBM, Oracle, SAP, UiPath y OpenAI— concentran el 47,16% del mercado, según el mismo informe. Las rondas recientes ilustran el flujo de capital hacia plataformas de agentes:

Sierra levantó US$950 millones en mayo de 2026.
Decagon levantó US$250 millones en enero de 2026.
Harvey levantó US$200 millones en marzo de 2026.
Salesforce anunció la adquisición de Fin por unos US$3.600 millones; ServiceNow completó la compra de Moveworks por US$2.850 millones en diciembre de 2025.

La adopción todavía está lejos de ser masiva. Una encuesta de Recon Analytics a más de 120.000 respondents empresariales entre marzo de 2025 y enero de 2026, recogida por TechRepublic, muestra que solo el 8,6% de las empresas tenía agentes en producción al inicio del periodo,上升到 13,2% en diciembre de 2025. Entre los que sí los usan, el gasto en tokens de razonamiento de OpenAI creció unas 320 veces interanual y el volumen de mensajes de ChatGPT Enterprise, unas 8 veces.

Un dato que cruza el entusiasmo con la cautela: según el informe State of AI Agent Security 2026 de Gravitee, basado en 750 ejecutivos consultados en abril de 2026, el número de agentes en la empresa media pasó del rango de 26–50 al de 76–100 en apenas cuatro meses, mientras la cobertura demonitoring solo subió del 46,96% al 52%. El 54% de las organizaciones reconoce haber sufrido o sospechado un incidente de seguridad o privacidad relacionado con agentes en los últimos 12 meses.

¿Qué significa esto para tu startup?

La lectura práctica del argumento de Schmidt para un founder es directa: los agentes no reemplazan tu dominio, lo amplifican. Para biotech, climatech o cualquier startup que dependa de I+D, hay tres movimientos accionables ahora:

Invierte en datos antes que en modelos. Si tu ventaja competitiva depende de datos experimentales propios, documenta cada paso con la trazabilidad que Schmidt reclama. Será tu activo más defendible cuando los modelos sean commodities.
Empieza con un agente único y un workflow acotado. MarketsandMarkets confirma que las arquitecturas single-agent dominan la adopción empresarial en 2026 porque son más fáciles de desplegar, monitorizar y gobernar. No te lanzes a un sistema multi-agente antes de tener trazabilidad y métricas de ROI.
Separa velocidad de cobertura. El dato de Gravitee es la mejor advertencia: desplegar agentes sin monitorización es la receta para incidentes. Construye el panel de control antes de la segunda iteración del agente, no después del primer incidente.

Conclusión

AlphaFold demostró que una máquina puede conquistar problemas científicos extraordinariamente complejos cuando existen datos adecuados. Schmidt lo compara con el cálculo, la inferencia estadística, la espectroscopia o el ordenador: herramientas que hicieron visibles problemas que antes ni siquiera sabíamos formular. Los agentes de IA apuntan a esa categoría de transformación —no porque respondan mejor, sino porque participan en el proceso completo de descubrir, probar, documentar y replicar. Para un founder hispanohablante, la oportunidad está en aplicar esa misma lógica al cuello de botella de datos y procesos de su propio sector.