AutoDNA: el laboratorio de biología que dirige la IA solo

Un laboratorio que funciona 200 horas sin científicos dentro

Un equipo de la Universidad Jiao Tong de Shanghái (China) mantuvo un laboratorio de biología molecular operando durante casi 200 horas seguidas con brazos robóticos dirigidos por agentes de inteligencia artificial. El saldo: 11.382 operaciones automáticas y un puñado de humanos cuya única tarea fue reponer consumibles y vaciar la basura.

Para cualquier founder que gestiona procesos repetitivos, la noticia no es el récord de horas. Es que el sistema aprendió a tapar los tubos de ensayo para evitar la evaporación sin que nadie se lo ordenara. Ese salto —de ejecutar instrucciones a resolver un problema no previsto— es exactamente el que separa un script de un agente.

El trabajo, bautizado AutoDNA, se describe en un artículo publicado en Nature, según reportó la propia revista. Una versión preliminar había aparecido en arXiv en julio de 2025, según CryptoBriefing, más de un año antes de la publicación revisada por pares.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

¿Qué es AutoDNA y cómo funciona un laboratorio dirigido por agentes de IA?

El diseño es distinto al de la automatización clásica. En lugar de añadir un módulo de IA a un laboratorio ya existente, el equipo de Haibo Chen, científico computacional de la universidad, construyó la instalación pensando primero en los agentes. Según Chen, en la mayoría de los sistemas actuales "los expertos humanos todavía tienen que configurar los instrumentos" y la IA "se añade sobre todo para manejar una sola parte del proceso".

Así opera AutoDNA:

Una red de agentes recibe una petición escrita en lenguaje natural y la traduce en instrucciones de código.
Esas instrucciones controlan más de veinte tipos de aparatos de laboratorio, desde sintetizadores hasta secuenciadores.
Brazos robóticos trasladan las muestras de una máquina a otra, encadenando operaciones que en un proyecto de ADN pueden llegar a miles.
Cuando algo se agota, el sistema pausa el experimento y avisa al técnico para que reponga el material.

El equipo lo describe como un enfoque AI-native, apoyado en varios agentes cooperando en lugar de un único modelo intentando hacerlo todo. Es la misma lógica de orquestación que hoy se discute en las startups que construyen productos con varios agentes especializados.

¿Qué demostró la prueba de casi 200 horas?

Durante los ensayos, la plataforma ejecutó tres tareas de naturaleza muy distinta:

Optimización de análisis de ADN. El sistema alcanzó un rendimiento del 98 % en la optimización de análisis genético, según La Vanguardia. CryptoBriefing reporta además que AutoDNA igualó el desempeño de investigadores expertos en síntesis enzimática de ADN y ejecutó protocolos en paralelo 3,2 veces más rápido.

Diagnóstico clínico. Con una muestra real, identificó la mutación G13D del gen KRAS, asociada al cáncer colorrectal. Es el resultado con más potencial comercial: apunta a flujos de test genético, no solo a investigación de laboratorio. El propio artículo no afirma que el sistema esté listo para un hospital.

Almacenamiento de datos en ADN. Los investigadores pidieron al sistema que codificara un mensaje en las cuatro bases nucleotídicas (A, C, G, T) usando una frase popular atribuida erróneamente al cosmólogo Stephen Hawking: "La inteligencia es la capacidad de adaptarse al cambio". AutoDNA la recuperó sin errores tras 11.382 pasos de hardware repartidos en unos ocho días.

¿Los agentes de IA reemplazan a los científicos?

No según los propios autores, y tampoco según los observadores que citan los reportes. Milad Abolhasani, ingeniero químico de la Universidad Estatal de Carolina del Norte en Raleigh, dijo a Nature que "el futuro de la ciencia va a involucrar muchos laboratorios autónomos". Reshma Shetty, cofundadora y presidenta de la biotecnológica Ginkgo Bioworks, lo describió como "un adelanto de lo que podría ser posible en el futuro".

La lectura más útil la aportó James Zou, investigador de Stanford, en Nature: el trabajo muestra cómo la IA puede reducir la brecha entre proponer un experimento y llevarlo a cabo. Ese es el punto. El cuello de botella de la ciencia —y de muchas operaciones empresariales— no suele ser la idea; es la distancia entre la idea y su ejecución.

Aun así, el humano sigue físicamente en el bucle: repone reactivos y mantiene el hardware. Como advierte CryptoBriefing, eso mantiene a las personas dentro del laboratorio, pero no necesariamente dentro del razonamiento del sistema.

¿Cómo se compara con la carrera global por el laboratorio autónomo?

AutoDNA no es un caso aislado. En Estados Unidos, el Departamento de Energía seleccionó el 8 de octubre al SLAC National Accelerator Laboratory para liderar SPIRE, una plataforma en la que agentes de IA, robots y detectores inteligentes corren experimentos de principio a fin en instalaciones de fotónica. Según Tech Times, la iniciativa forma parte de un reparto de US$30 millones entre cuatro proyectos de laboratorios nacionales, con US$2 millones asignados en el año fiscal 2026.

La misma cobertura sitúa el esfuerzo dentro de la Genesis Mission del DOE, que ha respaldado más de US$320 millones en inversiones para el año fiscal 2026, y recuerda que el A-Lab de Google DeepMind en Lawrence Berkeley ya había descubierto de forma autónoma más de 40 materiales candidatos en 2023.

La diferencia de AutoDNA es el terreno. La biología molecular es mucho más hostil a la automatización que la química de materiales: flujos complejos, equipos heterogéneos y precisión extrema. Por eso el dato relevante no es que exista otro laboratorio autónomo, sino que este encadene más de veinte instrumentos distintos desde un solo prompt.

Los límites que los propios autores reconocen

El artículo es explícito en que queda camino. Los creadores señalan dos desafíos pendientes: la supervisión de bioseguridad y los pequeños fallos mecánicos. A eso se suma lo que cualquier operador de sistemas autónomos conoce: cuando la IA diseña sus propios experimentos, hacen falta mecanismos para auditar su razonamiento antes de que un error consuma días de tiempo de máquina y reactivos caros.

También hay un límite de evidencia. Los resultados provienen del laboratorio del propio equipo; la replicación por grupos independientes será la prueba real. Y el salto de una demostración académica a un entorno clínico regulado es largo.

¿Qué significa esto para tu startup?

Aunque no construyas biotecnología, hay tres lecciones transferibles.

Primera: identifica tu "reponer consumibles". En AutoDNA el humano no desapareció, se movió a la logística. En tu operación pasa lo mismo: casi siempre hay una persona cuya jornada consiste en mover datos entre herramientas, pedir aprobaciones y avisar cuando algo se agota. Ahí es donde un agente rinde de inmediato, no en la parte creativa del negocio.

Segunda: diseña AI-native, no con parches. El equipo chino eligió construir el laboratorio desde cero con la IA en el centro en lugar de añadirla después. Si estás montando un flujo de trabajo nuevo, define primero qué decide la máquina, qué decide el humano y dónde se intercambian el control. Retrofitear después cuesta el doble.

Tercera: la validación humana es tu foso, no tu trámite. Que AutoDNA detecte una mutación del gen KRAS no lo convierte en un producto sanitario. Si tu startup opera en un sector regulado, la capa de verificación, trazabilidad y auditoría es exactamente lo que un competidor con mejor modelo no puede copiar rápido.

Conclusión

AutoDNA demuestra algo más modesto —y más importante— que un titular de ciencia ficción: la orquestación de agentes ya funciona en un entorno físico, heterogéneo y de alta precisión durante días sin intervención. El cuello de botella se está mudando de la ejecución al criterio. Para un founder, la pregunta deja de ser si la IA puede hacer la tarea y pasa a ser qué decide la IA por su cuenta, cómo lo auditas y qué haces con el tiempo que libera.