Exin, la biotech donde una IA eligió y aplicó la terapia

Qué hizo el agente de IA, paso a paso

Un agente construido sobre Claude revisó 19 terapias génicas candidatas, eligió una, calculó las coordenadas de la inyección y la ejecutó en el cerebro de un ratón vivo con epilepsia. Lo hizo sin que un humano eligiera el tratamiento ni el blanco: la única instrucción que recibió fue reducir las convulsiones del animal. Gabriel Ocana-Santero, CEO de la biotech Exin Therapeutics, sostiene que es la primera vez que un agente de IA decide un tratamiento y además lo aplica en un mamífero vivo.

Para un founder, el punto interesante no es el récord. Es que un modelo de lenguaje dejó de ser una herramienta que sugiere y se convirtió en una que ejecuta sobre hardware: aguja, motores, tiempos. Y con eso llegan los mismos problemas de confiabilidad que ya conoces de la automatización, solo que con un animal anestesiado y unos 45 minutos de reloj corriendo.

El setup fue deliberadamente acotado. Al agente le dieron tres cosas: la lista de 19 terapias génicas, un modelo murino de epilepsia y un equipo quirúrgico automatizado con cámaras. Crypto Briefing detalla que el agente eligió la corteza entorrinal lateral como zona objetivo y calculó coordenadas de 3,90 mm detrás del bregma, 4,00 mm a la derecha y 4,30 mm de profundidad; la inyección fue de 250 nanolitros administrados lentamente durante cinco minutos.

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 →

Cómo eligió la terapia y el punto exacto del cerebro

El agente no partió de cero. Analizó cómo se producen las convulsiones en ese modelo específico de ratón y propuso una terapia para reforzar una señal inhibitoria —según Crypto Briefing, una terapia diseñada para potenciar GABA, el principal freno químico del cerebro. Eligió una región que la literatura científica identifica como el origen de ese tipo de crisis.

También descartó una alternativa, y lo argumentó: rechazó una segunda zona objetivo señalando que sus efectos eran demasiado inconsistentes y que había fallado en un estudio previo contra exactamente el tipo de convulsión que debía tratar.

Las coordenadas salieron de tres artículos científicos: el agente cruzó los puntos de referencia y promedió los valores. Además fijó por su cuenta el volumen de la inyección, la velocidad y los tiempos de espera, y durante el procedimiento hizo 32 observaciones por cámara, incluyendo la verificación de sangrado. Ese es el nivel de granularidad que hoy ya es delegable. Lo que no es delegable —todavía— es la responsabilidad.

Por qué Claude Opus se negó a operar y Sonnet 5 aceptó

Acá está el hallazgo más útil del experimento, y no es quirúrgico. El equipo probó primero Claude Opus 5.5, el más potente de los tres modelos. Se negó a guiar la aguja: según Ocana-Santero, dijo que algo en su propia salida le indicaba que no debía hacerlo. Claude Opus 5 completó un ensayo con agua y papel milimetrado, pero se detuvo ante el animal real, razonando que empezar algo que quizá no pudiera terminar en un ratón anestesiado era peor que no empezar.

Solo Claude Sonnet 5, un modelo de uso más cotidiano, aceptó completar toda la operación. La lección para cualquiera que arme agentes: la capacidad del modelo y su disposición a ejecutar una tarea crítica son dos variables distintas. El más potente no es automáticamente el más adecuado para ejecutar.

El momento en que el agente dijo que no, en plena cirugía

Después de una desconexión, el agente detectó que su cálculo ubicaba la aguja a 34 milímetros en un eje donde el equipo solo alcanza 30. Se negó a continuar. El equipo reinició la referencia, obtuvo el mismo resultado y el agente volvió a negarse. Tenía razón: movimientos manuales durante una pausa anterior habían desajustado el control del equipo.

Ocana-Santero lo describió como una experiencia frustrante, que muestra cuánto se puede depender de estos modelos y qué pasa cuando dicen que no en mitad de un procedimiento con tiempo limitado. Las fuentes difieren en cómo se resolvió: The Decoder informó que el investigador corrigió el código a mano; Wired, que lo hizo otro agente basado en Opus 5 al que no le avisaron que había una cirugía en curso. Una operación de este tipo dura unos 45 minutos y esta se extendió algo más de una hora.

Los límites, en todo caso, estaban fuera del agente. Un veterinario matriculado hizo la craneotomía —el agente no podía abrir el cráneo—, aprobó cada paso irreversible y sostuvo un botón de emergencia que cortaba la energía de todos los motores. El agente tampoco podía modificar el código del equipo. Es un diseño de seguridad que conviene copiar: límites duros en el hardware y en los permisos, no solo instrucciones en el prompt.

CircuitATLAS: el producto que hay detrás del experimento

La inyección en el ratón es una demostración, no un producto. Lo que Exin Therapeutics construye es CircuitATLAS, una plataforma que combina conocimiento de neurociencia de sistemas con razonamiento agéntico para descubrimiento de fármacos en trastornos neurológicos. Crypto Briefing reporta que la empresa forma parte del cohorte Winter 2025 de Y Combinator, fue cofundada junto a Marko Tvrdic y opera parte de su trabajo en un laboratorio de neuroterapéutica en Filipinas, donde invirtió aproximadamente US$25 millones. Ocana-Santero también es estudiante de doctorado en la Universidad de Oxford.

La empresa planea ahora probar otros modelos, entre ellos Grok, para comparar desempeño, y publicar un informe técnico. Todavía no hay datos sobre si la terapia redujo las convulsiones: el equipo espera a que haga efecto. Y Ocana-Santero fue explícito con Wired: la supervisión humana sigue siendo clave cuando hay animales vivos, y es demasiado pronto para usar un agente de IA en un cerebro humano. El resultado, además, no pasó revisión por pares.

La otra carrera: agentes que ya hacen descubrimiento de fármacos

El experimento de Exin no ocurre en el vacío. En septiembre de 2026, un equipo de Stanford Medicine publicó en Science el caso de una biotech virtual con hasta 37.000 agentes de IA que analizaron cerca de 50.000 ensayos clínicos en menos de una semana y diseñaron un candidato terapéutico contra B7-H3 para cáncer de pulmón.

Los números de ese trabajo, difundidos por Singularity Hub, sirven de marco para dimensionar lo que viene: los fármacos que apuntaban a genes con comportamiento de interruptor y alta especificidad celular tuvieron 40% más de probabilidad de avanzar de fase 1 a fase 2, 48% más de llegar al mercado y 32% menos de eventos adversos. La misma publicación recuerda que cerca del 90% de los fármacos que entran a ensayos clínicos nunca llegan al mercado, y James Zou, autor senior del paper, señala que el proceso completo de un ensayo puede costar decenas o cientos de millones de dólares.

Es decir: el cuello de botella no está en generar hipótesis —eso los agentes ya lo hacen a escala— sino en validarlas experimentalmente. Ahí es donde una startup puede tener ventaja real: no en el modelo, sino en el sistema que conecta al agente con la validación física.

Qué significa esto para tu startup

La noticia parece de nicho neurocientífico, pero el patrón aplica a cualquier founder que esté conectando agentes con sistemas reales.

Escribe los límites en el sistema, no en el prompt. El experimento funcionó porque el agente no podía abrir el cráneo, no podía saltarse el tope de volumen y no podía tocar el código del equipo. Si tus guardarraíles viven solo en el prompt, no son guardarraíles.
Trata el no del agente como telemetría, no como un bug a vencer. Se negó dos veces y tenía razón: había un desajuste de calibración real. Si tu equipo se apura en forzar la ejecución, pierdes la señal más valiosa del sistema.
Evalúa cada modelo para la tarea específica que va a ejecutar, no por ranking general. Un modelo más potente rechazó guiar la aguja; uno más liviano la guio completa. Corre tu propia prueba de aceptación por modelo y por tarea crítica.
Registra cada decisión irreversible con su justificación. El valor del agente no está solo en lo que hizo, sino en el rastro que dejó: 32 observaciones, coordenadas, rechazos argumentados. Sin ese log no hay auditoría ni aprendizaje.

Para startups de biotech y salud en LATAM y España hay una capa adicional: un agente que elige y ejecuta tratamientos es, antes que nada, un problema regulatorio y de trazabilidad. La supervisión humana con firma sobre cada paso irreversible no es un freno al producto; es lo que lo hace aprobable.

Conclusión

Lo que hizo Exin Therapeutics no es un robot cirujano más preciso: es un agente que decidió el tratamiento, eligió el blanco y lo ejecutó en un ser vivo, con humanos sosteniendo el veto. El detalle que más deberías llevarte es que la parte frágil no fue el modelo, sino la interfaz entre la decisión del agente y el mundo físico — un desajuste de calibración que el propio agente detectó antes que las personas.

Todavía no hay evidencia de que la terapia funcionara, y el propio CEO marca el límite: nada de esto está listo para un cerebro humano. Pero el patrón ya está instalado. Si tu roadmap incluye agentes que actúan sobre sistemas reales, el trabajo de ingeniería de este año no es hacerlos más capaces, sino hacerlos verificables.