Anthropic estima el potencial de la IA en la ciencia: hasta 2 veces ahora y hasta 15 veces en el futuro

Un investigador normalmente no tiene una sola tarea, sino una cadena de decenas de tareas distintas: encontrar bibliografía, entender el código de otros, escribir el propio, preparar datos, verificar cálculos, describir el resultado y solo después volver al experimento. La IA acelera bien los tramos digitales de esta cadena, pero no puede eliminar automáticamente todas las demás restricciones.

Anthropic analizó más de 207.000 sesiones de usuarios de Claude y Claude Code relacionadas con el trabajo científico. La conclusión de la compañía suena más contundente que el habitual «los científicos usan más los chatbots»: con las capacidades actuales de la IA, el volumen de resultados en ciertos campos podría, en teoría, casi duplicarse. Y si algún día se logra automatizar todo el ciclo que lo permita, el aumento podría llegar a 15 veces.

Aquí es importante no confundir las dos cifras. La aceleración casi del doble es una estimación del efecto de las herramientas disponibles hoy en las etapas en que el modelo ya puede ayudar. El crecimiento de quince veces es un escenario prospectivo de automatización total, no un resultado que un grupo de investigación obtenga tras instalar Claude Code.

Dónde surge la aceleración

Imaginemos un equipo pequeño que comprueba una nueva hipótesis. Antes, el investigador pasaba dos días buscando bibliotecas adecuadas, otro día montando un script de procesamiento de datos y varias horas corrigiendo errores. La IA puede acortar esta parte del trabajo: proponer un punto de partida, explicar código desconocido, escribir un borrador del script y ayudar con la depuración.

Pero si después hay que fabricar la muestra, colocarla en un equipo y observarla durante una semana, el proyecto en conjunto no será diez veces más rápido. El trabajo frente al portátil se aceleró, pero la etapa física sigue igual. Es un cuadro conocido en ingeniería: optimizar un tramo no equivale a acelerar todo el sistema.

Por eso el valor práctico de Claude y herramientas similares depende no solo de la calidad de las respuestas. Lo determina qué parte del proceso se puede delegar al modelo, cuánto tiempo lleva verificar su trabajo y dónde está el verdadero cuello de botella. Para la investigación computacional el efecto puede ser más notable que para las disciplinas de laboratorio, donde el resultado depende del equipamiento, los materiales y la presencia humana.

Por qué las 15 veces no deben leerse como una promesa

El estudio se basa en el análisis de sesiones de usuarios, no en la observación durante años de equipos idénticos con y sin IA. Estos datos muestran bien qué tareas delegan las personas al modelo, pero por sí solos no demuestran que toda la productividad científica haya crecido en el factor indicado.

Hay otras limitaciones. La cantidad de código creado, datos procesados o textos preparados aún no equivale al número de descubrimientos de calidad. Un error del modelo puede acelerar la producción de un resultado incorrecto. Cuanto más importante es la conclusión, más caras resultan la verificación independiente, la reproducibilidad y la revisión por expertos. Por último, el análisis incluye a usuarios de productos de Anthropic, por lo que su comportamiento no puede extrapolarse automáticamente a todos los científicos.

La estimación de 15 veces es más razonable entenderla como el límite superior de un escenario: qué ocurriría si la IA aprende a realizar de forma fiable casi todas las tareas digitales y los procesos a su alrededor se reconstruyen. Entre ese modelo y el laboratorio de hoy se interponen la integración con herramientas, el control de calidad, el acceso a los datos, la seguridad y la responsabilidad por las conclusiones.

Qué deben hacer los desarrolladores y los equipos de producto

La principal conclusión práctica es no empezar con la promesa de «automatizaremos la investigación de principio a fin». Primero hay que descomponer el proceso en etapas y medir cada una: búsqueda de fuentes, escritura de código, análisis de datos, verificación, experimento y preparación de la publicación. Después, elegir un tramo con mucho trabajo digital repetible y donde el resultado pueda comprobarse rápidamente.

Para un producto es más útil contar no el número de consultas al modelo, sino el tiempo hasta un resultado verificado, la proporción de correcciones humanas y la frecuencia de errores detectados. Si la IA escribe código el doble de rápido pero el investigador dedica el mismo tiempo a revisarlo, puede que no haya una ganancia real.

El estudio de Anthropic no demuestra que la ciencia vaya a acelerarse 15 veces mañana. Muestra algo más útil: el potencial de la IA lo determina la arquitectura del flujo de trabajo. Los equipos que encuentren un cuello de botella medible e integren allí una automatización verificable obtendrán beneficios ya. A los demás les tocará una cifra llamativa sin cambios en el resultado.