La IA ya propone las ideas de los científicos: el problema es quién va a saber cuándo se equivoca

Un martes lluvioso de julio, la bioquímica Anna Pertl escribió una pregunta, apretó Enter y se fue a dormir. A la mañana siguiente, Co-Scientist, el sistema de Google que genera hipótesis científicas, había leído más de 700 papers, producido 108 estrategias contra la proteína MYC y descartado 107. La que quedó daba vuelta lo que su laboratorio venía pensando.

El caso lo cuenta la revista Nature en su edición del 24 de septiembre, en un reportaje de Elie Dolgin sobre los “co-científicos” de IA.

MYC es una proteína que se descontrola en la mayoría de los cánceres y resistió décadas de intentos de ataque. Pertl hace su doctorado en el Whitehead Institute, un centro de investigación biomédica de Cambridge, Massachusetts.

La propuesta de la máquina: en lugar de disolver los cúmulos de proteínas que activan el gen, pegarlos entre sí hasta que el ADN quede ilegible. Es lo contrario de lo que persigue Dewpoint Therapeutics, la empresa que cofundó el propio jefe de Pertl, el biólogo Richard Young. “Nunca habíamos pensado en nada parecido”, dijo su colega Kalon Overholt.

Hasta acá, la parte de la historia que llega a los titulares. Falta la otra mitad.

La máquina solo funciona con un experto sentado al lado

Antes de que Co-Scientist leyera un solo paper, Pertl y Overholt pasaron casi una hora corrigiéndolo. El sistema había entendido la pregunta al revés: creyó que los cúmulos de proteínas eran el fármaco y no el blanco, y asumió que siempre activaban genes, cuando algunos hacen lo opuesto. Sin esa hora, las 108 estrategias habrían respondido a un problema inexistente.

Esa hora no la puede poner cualquiera. Hace falta alguien que sepa lo suficiente de biología del cáncer para notar que la máquina se equivocó.

Y ahí aparece la paradoja que el reportaje de Nature nombra sin rodeos: para juzgar si una idea generada por IA es sólida puede hacer falta más conocimiento que nunca, justo cuando los estudiantes tienen menos oportunidades de adquirirlo haciendo el trabajo.

Ross King, biólogo computacional de la Universidad de Cambridge, lo dice sin diplomacia: los protocolos que genera la IA “no suelen ser muy buenos, son más bien recetas”. Y una receta de soufflé en manos de un novato, agrega el reportaje, rara vez sube.

Anton Sinitskiy, químico computacional de la Universidad Northeastern, en Boston, ubica el cuello de botella en la validación: una máquina puede proponer cualquier cosa, probarlo sigue siendo lento.

El recurso que se consume no se fabrica

Las empresas venden tiempo. Vivek Natarajan, investigador de Google que ayudó a construir Co-Scientist, describe la herramienta como “un colaborador, un socio”. Le Cong, genetista molecular de Stanford y cofundador científico de la startup Phylo, habla de “mover a los humanos hacia arriba en la cadena de valor”.

El interés es claro y legítimo: cada hora de laboratorio que la IA ahorra es una hora que alguien paga.

Lo que ninguna de esas empresas vende es el científico capaz de decir que la máquina está equivocada. Ese producto se fabrica de una sola manera: años de experimentos fallidos, protocolos que no salen, datos mal etiquetados que alguien aprende a reconocer. Las mismas tareas que la IA promete eliminar.

En el CXO Summit de Chicago Booth, este mes, escuché la misma tensión desde la empresa. Michelangelo D’Agostino, vicepresidente de IA en Grainger, una distribuidora industrial, dijo que la mitad de su trabajo es enseñar y pensar con Recursos Humanos cómo cambian los puestos, incluida la decisión de si contratar juniors.

Reza Rooholamini, de CCC, una empresa que digitaliza seguros, contó su fórmula: juntar a un pasante recién salido de la facultad que sabe de modelos con un experto de dominio que lleva años en el área. Funciona porque todavía existen los dos.

Semanas después de aquel martes, Pertl volvió a correr el mismo pedido con los plazos y el presupuesto de un doctorado. Co-Scientist no devolvió ninguna hipótesis viable. La idea que sorprendió al laboratorio existía solo mientras nadie preguntara cuánto costaba probarla.

Un mercado que gasta el capital de la generación anterior

Hector Zenil, investigador en computación biomédica del King’s College de Londres, cierra el círculo: los investigadores capaces de entender el cuadro completo van a valer más que nunca. Es cierto y es el problema.

Un mercado que paga más por un recurso escaso y a la vez desmonta la cadena que lo produce no está acelerando la ciencia. Está consumiendo lo que otros formaron.

La IA ya sabe proponer. Saber cuándo descartar sigue siendo un oficio, y ningún oficio se aprende mirando trabajar a una máquina.