OpenAI lanza BioBasicsBench: 100 tareas de laboratorio

Qué es BioBasicsBench y por qué se construyó con datos sucios de laboratorio

BioBasicsBench son 100 tareas diseñadas para responder una pregunta incómoda: ¿puede un agente de IA mirar el gel, la placa y el lector de placas de un experimento real y sacar la conclusión correcta? OpenAI lo presentó el 6 de noviembre de 2026, desarrollado junto con Ligo, una empresa de diseño de enzimas, y el detalle que lo hace distinto no es el número de tareas sino el tipo de evidencia que usan.

Las evaluaciones habituales de IA científica se construyen con gráficos e imágenes seleccionados para artículos publicados. Eso es el mejor escenario posible: datos limpios, conclusiones ya validadas, figuras elegidas porque se entienden. El trabajo cotidiano de un laboratorio húmedo es lo contrario. Incluye experimentos fallidos, imágenes ambiguas, observaciones que se contradicen y horas de resolución de problemas que nadie publica.

BioBasicsBench apunta a ese terreno. Sus tareas piden a los agentes interpretar datos experimentales, detectar errores y —la parte más difícil— reconocer cuándo la evidencia no alcanza para justificar una conclusión. Cubren cinco áreas: métodos de proteínas, obtención de imágenes y citometría, cuantificación y ensayos, métodos de ácidos nucleicos y clonación molecular.

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 →

Los insumos son crudos: imágenes de geles y blots, placas con colonias, series de microscopía, lecturas de secuenciación, archivos exportados de lectores de placas, fotografías de banco de trabajo y videos de protocolos. Algunas tareas combinan varios tipos de evidencia con hojas de referencia como tablas de marcadores de tamaño y mapas plasmídicos.

Cómo se califica: rúbricas escritas por científicos, no por anotadores

El diseño del benchmark es la parte que más debería interesar a quien construye productos de IA. Las tareas las crearon científicos de Ligo a partir de sus propios experimentos y las rúbricas de evaluación las escribieron ellos mismos. No hay anotadores externos interpretando imágenes de biología que no entienden.

Cada tarea pasó por tres filtros: una revisión interna de un científico de Ligo que no la había redactado, una revisión externa de un científico con doctorado y experiencia en laboratorio húmedo, y una revisión interna final que abarcó la consigna, la evidencia, la rúbrica, las notas del autor y un intento de respuesta de un modelo ya calificado.

El sistema de puntuación se llama recompensa media: el promedio de las tareas expresado como porcentaje del crédito disponible. Y el crédito no se otorga solo por el número final. Las rúbricas puntúan los resultados numéricos, el razonamiento que los respalda y el reconocimiento explícito de que la evidencia es insuficiente. Es decir: decir «no puedo saberlo con esto» suma puntos.

La evaluación corrió sobre 37 combinaciones de modelo y nivel de esfuerzo de razonamiento, con cinco intentos por tarea en cada combinación, lo que produjo 18.500 resultados. Los intervalos de confianza se calcularon remuestreando tareas completas y manteniendo juntos los cinco intentos de cada una.

¿Qué tan bien lo hacen los modelos? Astra 66,7%, Sol 43,8%

En el nivel de esfuerzo de razonamiento más alto reportado, xhigh, para los siete modelos evaluados, GPT-6 Astra obtuvo un 66,7% con un intervalo de confianza del 95% de 60,3–73,1%. GPT-5.6 Sol se quedó en 43,8%, con intervalo de 37,6–50,0%.

Según el desglose publicado por blockchain.news, en ese mismo nivel GPT-6.1 Sol alcanzó 62,0% (55,6–68,4%), GPT-6 Luna llegó a 38,3% (32,3–44,5%) y GPT-5.5 se ubicó en 35,4% (29,7–41,0%).

Un dato lateral que no conviene pasar por alto: Astra promedió 4.704 tokens de salida por tarea, frente a los 9.099 de Sol. El modelo que mejor resolvió el benchmark no fue el que más texto generó. Para cualquiera que pague inferencia por token, la diferencia entre un agente que razona y uno que divaga tiene un costo medible.

Por qué un agente puede observar bien y concluir mal

La parte más valiosa del reporte son los ejemplos donde Astra mejora a Sol y los ejemplos donde falla. Los primeros son alentadores: en una tarea de imagen celular, Sol clasificó células como muertas a partir de la señal de un tinte; Astra reconoció que la superposición de las ventanas de detección podía permitir la interferencia de un segundo tinte y pidió controles para separar las señales. En una tarea de clonación de ADN, Sol concluyó a partir de la ausencia de colonias en una placa de control negativo, mientras Astra notó que la placa estaba etiquetada para kanamicina y no para la ampicilina usada en el experimento, y la descartó como control fiable.

Los segundos son la advertencia. En una tarea de PCR de colonias, Astra eligió los carriles 4, 6, 7 y 8 asumiendo que un producto de PCR más grande indicaba una clonación exitosa, cuando la interpretación de referencia seleccionaba los carriles 5, 9 y 10. Ese error llevaría a purificar el plásmido equivocado. En otra, generalizó que las vacuolas suelen ser más oscuras que el material celular circundante, aunque en la misma imagen aparecían vacuolas más claras y sus propias observaciones intermedias señalaban que el contraste cambiaba con el enfoque.

El caso más contundente está en el recuento de colonias: Astra no logró separar colonias muy próximas, pasó por alto colonias visibles y marcó zonas vacías de agar, con un recuento aproximadamente 12% superior al de la referencia. Si el volumen sembrado y la dilución se mantienen constantes, ese exceso infla en la misma proporción la eficiencia estimada de introducción de ADN. Un 12% de sobreconteo no es un detalle estadístico: es un experimento replicado con una conclusión equivocada.

OpenAI lo resume así: puntuaciones más altas todavía no equivalen a un criterio de laboratorio fiable.

¿Hacia dónde va la IA en el laboratorio húmedo?

BioBasicsBench no aparece en el vacío. Nature documentó un laboratorio de la Shanghai Jiao Tong University llamado AutoDNA, operado por robots guiados por IA, capaz de manejar más de 20 tipos de instrumentos y completar miles de operaciones en un solo proyecto. Y en el extremo del software, el proyecto Virtual Biotech de la Universidad de Stanford —descrito en Science en septiembre de 2026, según reportó el Stanford Daily— usó decenas de miles de agentes para analizar más de 50.000 ensayos clínicos en menos de una semana, con un costo estimado por debajo de US$1 por agente.

El contexto de mercado empuja en la misma dirección: según el reporte de ResearchAndMarkets difundido por GlobeNewswire, el mercado global de instrumentación biotecnológica se valuó en US$28.300 millones en 2025 y se proyecta en US$56.100 millones para 2032, con una tasa compuesta de crecimiento anual del 10,3%. Ese reporte identifica la automatización y la IA entre las tendencias más influyentes del segmento.

La brecha que señala el benchmark está justo donde las startups tienen ventaja y riesgo al mismo tiempo. La ventaja: nadie va a esperar a que OpenAI resuelva el problema de interpretar placas de colonias para construir herramientas verticales de biotech. El riesgo: vender un agente que «lee» datos de laboratorio cuando en realidad confunde un control mal etiquetado con un resultado negativo.

Qué significa esto para tu startup

Aunque no construyas nada de biotecnología, el diseño de BioBasicsBench es una plantilla de evaluación que se traslada a cualquier vertical regulada o de alto costo por error —legal, salud, finanzas, logística de inventario—. Tres cosas concretas para llevarte:

Construye tu set de evaluación con datos feos de operación real, no con demos curadas. El error de método que critica OpenAI es universal: se evalúa con los casos donde el modelo luce bien. Toma las últimas 100 decisiones que tu equipo revisó en producción, incluidas las que salieron mal y las que quedaron ambiguas, y úsalas como benchmark interno. Si tu agente solo se prueba con screenshots limpios, tu métrica no dice nada sobre el lunes por la mañana.
Puntúa la abstención como un acierto. En BioBasicsBench, reconocer que la evidencia es insuficiente otorga crédito. Aplica la misma lógica a tu producto: define una tercera categoría de respuesta —»no hay datos suficientes»— y recompénsala en tu evaluación. Un agente que responde con seguridad cuando debería escalar a un humano es más caro que uno que dice «no sé», sobre todo cuando la decisión implica purificar el plásmido equivocado de tu negocio.
Mide tokens de salida por tarea, no solo precisión. Astra resolvió mejor que Sol gastando 4.704 tokens frente a 9.099 por tarea. Si tu unit economics se sostiene en el costo de inferencia, el razonamiento eficiente es una métrica de producto, no un detalle técnico. Instrumenta costo por tarea resuelta desde el primer día.
Verifica controles de forma explícita en el flujo, no dentro del prompt. Los errores que documenta OpenAI tienen un patrón: observaciones correctas que no gobiernan la conclusión final. La solución de producto no es un prompt más largo, es un paso de validación determinista que confirme que los controles declarados coinciden con los insumos (¿la placa dice kanamicina o ampicilina?) antes de dejar avanzar al agente.

Lo que el benchmark todavía no demuestra

Conviene leer el resultado con el mismo criterio que el propio informe aplica a los modelos. Un 66,7% de recompensa media significa que un tercio del crédito disponible quedó sin obtener en tareas que científicos redactaron a partir de experimentos rutinarios. No es un suspenso ni una aprobación: es un punto de partida con intervalos de confianza amplios, en un set de 100 tareas.

OpenAI también señala que seguir el desarrollo de estas capacidades informará su evaluación de las consecuencias para la seguridad biológica y la bioseguridad. Es una frase que conviene tomar en serio: a medida que un agente puede interpretar y recomendar sobre experimentos reales, la conversación regulatoria deja de ser teórica.

El umbral práctico que plantea BioBasicsBench es más exigente que subir el promedio. Un agente tiene que llevar observaciones precisas hasta la conclusión, verificar los controles y abstenerse de afirmar lo que la evidencia no sostiene. Ese es un estándar perfectamente aplicable a tu producto, con o sin pipetas.