AIPOCH abre el código de Open-Science: un diario de «vibe Research» para la investigación con IA

AIPOCH ha publicado en abierto Open-Science, y su idea central se resume en una promesa de tres palabras: la investigación debe ser trazable, transferible y reproducible. El motivo son los dos años en los que las herramientas de IA han entrado en cada etapa del trabajo científico: búsqueda de literatura, limpieza de datos, ejecución de código y preparación de informes. La velocidad ha aumentado y, con ella, un problema que señala el medio chino Jiqizhixin: cuanto más rápido se trabaja, más difícil resulta explicar cómo se hizo exactamente ese trabajo.

Dónde se pierde el rastro de la investigación

La escena le resultará familiar a cualquiera que haya trabajado con agentes de IA. Los diálogos con el modelo se quedan en el chat. Los datos están en un almacenamiento en la nube. El código se ejecutó en una máquina local. Las conclusiones intermedias quedaron atrapadas en un Notebook. Cada fragmento está intacto por separado, pero las conexiones entre ellos no están registradas en ningún sitio.

Mientras la investigación permanece en manos de su autor, esto es tolerable. Cuando hay que entregarla para revisión, pasársela a un colega o repetirla seis meses después, resulta que el resultado sigue ahí, pero el contexto ha desaparecido. Qué prompt llevó a esta hipótesis, qué versión de los datos se usó, por qué se descartó una de las opciones: reconstruirlo suele ser imposible.

Qué promete Open-Science

AIPOCH presenta el proyecto como infraestructura para un modo de trabajo que llama «vibe Research». El nombre remite al vibe coding: el investigador plantea la tarea en lenguaje natural y los agentes se encargan de la rutina. Según su descripción, Open-Science debe reunir ese proceso en una única cadena que se pueda verificar, transferir y volver a ejecutar.

Parámetros clave del material disponible:

• Desarrollador: AIPOCH, lanzamiento en formato open source.
• Fecha de publicación: 15 de octubre de 2026.
• Tres propiedades declaradas: trazabilidad, posibilidad de transferir el trabajo y reproducibilidad.
• Problema que aborda: artefactos dispersos (chats, datos en la nube, código local, notebooks).
• No se detalla en el fragmento disponible: licencia, arquitectura, modelos compatibles, formatos de almacenamiento, benchmarks ni ejemplos de proyectos reales.

El último punto es importante. La afirmación sobre la reproducibilidad solo se comprueba en la práctica: hay que saber qué se registra exactamente, cómo se tiene en cuenta el no determinismo de los modelos y si es posible congelar la versión del modelo y del entorno.

Por qué la idea toca un nervio

En el desarrollo de software, este problema lo resuelven desde hace tiempo los sistemas de control de versiones: cada cambio en el código tiene un autor, una hora y un motivo. En la investigación con agentes todavía no existe un estándar equivalente. La salida de un modelo de lenguaje no se reproduce bit a bit, y las decisiones se toman dentro de un diálogo que nadie archiva. Un proyecto que convierte ese diálogo en un registro estructurado cubre un vacío real. Esta es una valoración nuestra, no una declaración de los desarrolladores.

También hay una mirada más cauta. Un registro de acciones, por sí solo, no garantiza la reproducibilidad: si el modelo se ha actualizado o la API ha cambiado, repetir el proceso dará otro resultado. El formato open source es aquí una ventaja, porque la implementación se podrá auditar en lugar de aceptarse por fe.

Qué pueden hacer los equipos desde ya

Si su grupo usa agentes de IA en investigación, no espere a una solución ya hecha. Empiece por lo sencillo: guarde los prompts y las respuestas junto con el código, fije las versiones de modelos y datasets y anote los motivos de las hipótesis descartadas. Cuando aparezcan más detalles sobre Open-Science, compruebe cuatro cosas: la licencia, la integración con Jupyter y con su almacenamiento de datos, el método para fijar las versiones de los modelos y la existencia de ejemplos públicos que se puedan ejecutar desde cero. Si repetir la investigación de otro lleva una hora y no una semana, la herramienta funciona.