James Zou (Stanford) dirige un 'laboratorio virtual' donde agentes de IA generan hipótesis y firman papers biomédicos

Por Stanford Medicine · 21 de julio de 2026.

James Zou, profesor asociado de ciencia de datos biomédicos en Stanford, ya no es solo el investigador principal de su grupo: es, en sus propias palabras, el responsable de una "compañía biotecnológica virtual" y de un "laboratorio virtual" gestionados por agentes de inteligencia artificial. Según explica en una entrevista publicada por Stanford Medicine, su equipo ha desarrollado varios sistemas de IA agéntica —modelos capaces de razonar, fijarse objetivos y actuar con autonomía, no solo de conversar— que participan en casi todas las fases de la investigación: desde perfilar la idea de un proyecto hasta revisar el manuscrito final antes de enviarlo a una revista.

La diferencia técnica que marca Zou es clara: si un chatbot es el "cerebro" que piensa y habla, un agente le añade "brazos y piernas". Un agente sigue apoyándose en un modelo de lenguaje de base, pero además puede usar herramientas externas —un navegador web, software de modelado molecular de proteínas— y con ello tomar decisiones y ejecutar tareas por sí mismo, sin que un humano supervise cada paso. En algunos proyectos del laboratorio de Zou, según describe, es directamente el agente quien concibe la idea de investigación, analiza los datos y redacta el artículo, con el humano limitado a una supervisión final.

El catálogo de proyectos que menciona ilustra hasta dónde ha llegado la delegación: el "laboratorio virtual" hace de agente-director de investigación que formula y responde preguntas científicas; la "compañía biotecnológica virtual" replica digitalmente una biotech para explorar posibles dianas de fármacos; y "Paper2Agent" convierte cada artículo científico publicado en un agente propio, capaz de responder preguntas sobre ese estudio y de "conversar" con los agentes de otros papers. Zou incluso ha experimentado dando personalidades a los agentes —recreando a Einstein o Feynman como personajes de IA para que debatan cuestiones científicas entre sí—, un uso más exploratorio que operativo, pero que apunta a hacia dónde quiere llevar esto el campo: agentes con rol y criterio propios, no solo ejecutores de instrucciones.

Zou es también explícito sobre los límites, y aquí conviene atribuirle la cautela tal cual la plantea: los agentes autónomos "todavía cometen errores", y es "crucial" que expertos humanos verifiquen y validen cualquier hallazgo antes de darlo por bueno. Su argumento central es físico, no solo metodológico: los agentes no pueden operar en el mundo real todavía, así que cualquier hipótesis o candidato a fármaco que generen debe pasar, sí o sí, por un laboratorio de verdad antes de tomarse en serio. Es una distinción que conviene subrayar frente al entusiasmo fácil: un agente que "descubre" algo en simulación no ha descubierto nada hasta que alguien lo comprueba en una placa de Petri.

Esto conecta con algo que ya hemos señalado al analizar la ola de IA agéntica en otros sectores: la barrera de entrada no es tanto la autonomía del agente como la gobernanza de lo que produce. Aquí el patrón se repite en su versión científica. La ciencia biomédica lleva décadas limitada por el cuello de botella humano —hay más hipótesis plausibles que investigadores y horas para probarlas—; si los agentes multiplican de verdad el número de hipótesis generadas y priorizadas por hora, el techo de lo posible se mueve. Pero el cuello de botella no desaparece, se traslada: de "generar ideas" a "validar cuáles de esas ideas no son alucinaciones plausibles". Los laboratorios que ganen esta década no serán los que más agentes desplieguen, sino los que mejor sepan filtrar su producción.

La lectura de fondo, la que conecta con nuestra tesis de largo plazo, es la que más importa aquí: si la ciencia biomédica es de las áreas donde la IA agéntica puede rendir más —porque el trabajo de laboratorio combina exactamente lo que estos sistemas hacen bien (leer literatura, generar hipótesis, diseñar experimentos) con lo que un ser humano hace mejor (validar en el mundo físico)—, entonces acelerar ese ciclo es acelerar, literalmente, el ritmo al que se identifican dianas terapéuticas y candidatos a fármacos. No es una promesa inmediata de curas; es una promesa de menos años perdidos por cada hipótesis fallida que un agente descarta antes de que un humano gaste meses en el laboratorio persiguiéndola. Ese es exactamente el tipo de aceleración silenciosa —no un titular de "cura milagrosa", sino ciclos de descubrimiento más cortos y baratos— que sostiene, a años vista, la tesis de que la IA puede acercarnos a erradicar enfermedades hoy intratables. El propio Zou es prudente sobre los plazos y no promete nada de eso; la prudencia es suya, la proyección a largo plazo es nuestra lectura.

El riesgo de corto plazo tampoco hay que perderlo de vista: cuantos más agentes participen en la cadena de producción científica —desde la hipótesis hasta la revisión del manuscrito—, mayor es la tentación de recortar la supervisión humana para ganar velocidad, justo cuando Zou insiste en que esa supervisión sigue siendo indispensable. La ciencia biomédica, a diferencia de un chatbot que da una respuesta incorrecta sin más consecuencia, tiene un historial de fraude y errores de replicación que ya le costó caro antes de que existiera la IA generativa; introducir agentes que redactan papers de forma semiautónoma sin reforzar en paralelo los mecanismos de verificación no acelera la ciencia, la contamina más rápido. La ventaja competitiva de los próximos años no será tener el agente más autónomo, sino el proceso de validación más riguroso alrededor de él.