La IA fracasa en biología básica: el drama de las tuberías de datos

Diseño para humanos, rendimiento pésimo para agentes

El NCBI Virus y muchas otras bases de datos biológicas públicas se construyeron para flujos de trabajo interactivos y basados en navegador. Los científicos hacen clic en filtros, inspeccionan resultados manualmente y se guían por señales visuales. Esta lógica de interfaz es incompatible con agentes autónomos que esperan comandos estructurados y programáticos .

Resultados radicalmente no deterministas

El hallazgo más condenatorio fue la inconsistencia. Cuando los investigadores pidieron a Claude Sonnet 4 tres veces que recuperara secuencias de Ébola, con una verdad de campo verificada de 266 secuencias, el modelo devolvió 106 en el primer intento, 15 en el segundo y solo 5 en el tercero. No se cambió ninguna instrucción, solo varió el resultado .

Esto no se trata solo de perder algunos registros. En una simulación, una recuperación defectuosa sesgó tanto un análisis filogenético que estimó el origen de un brote de Ébola en 1922, en lugar de la fecha correcta de 2014. La IA no había alucinado la ciencia; simplemente, se le había alimentado un conjunto de datos roto y, obedientemente, construyó una conclusión falsa sobre él .

Infraestructura frágil y fragmentada

Los datos biológicos están dispersos en docenas de bases de datos con identificadores incompatibles, diferentes estándares de metadatos y sin APIs con control de versiones. Los ingenieros de software confían en gestores de paquetes y endpoints versionados; los biólogos computacionales a menudo se ven atrapados haciendo scripts contra interfaces web inconsistentes que cambian sin previo aviso .

La solución determinista: gget virus

En lugar de entrenar un modelo mejor, el equipo construyó una capa de recuperación mejor. gget virus es un marco de trabajo determinista y ligero que formaliza la lógica de filtrado del NCBI Virus en un sistema programático reproducible .

Funciona aplicando restricciones de metadatos antes de descargar las secuencias, buscando selectivamente solo los registros estructurados de GenBank que coinciden y reduciendo la transferencia de datos en más del 98 % para consultas de alto volumen, manteniendo una semántica de coincidencia exacta. El resultado es el mismo conjunto de datos cada vez, una propiedad que los agentes de IA necesitan desesperadamente pero que la antigua infraestructura no podía ofrecer .

El impacto fue inmediato y espectacular. Cuando los sistemas de IA autónomos usaron gget virus como su motor de recuperación:

• La precisión saltó a al menos el 90,0 % para todos los modelos probados, con GPT-5.5 alcanzando el 99,7 %.
• Las métricas de estabilidad se elevaron a 0,92–1,00 en todos los ámbitos.
• La magnitud del error, especialmente el catastrófico que cambia las conclusiones científicas, se desplomó .

La conclusión es inequívoca: la limitación principal para la biología impulsada por IA no es el razonamiento del modelo, sino el acceso determinista a los datos. Añade la capa de recuperación correcta y los agentes actuales ya pueden realizar un trabajo fiable .

Repensar la infraestructura de datos biológicos para la era de los agentes

El éxito de gget virus es una prueba de concepto para un cambio mucho mayor. Los investigadores argumentan que este patrón no se limita a la virología: el NCBI por sí solo alberga más de 30 bases de datos que se beneficiarían de envoltorios deterministas similares .

De un diseño orientado a humanos a uno nativo para agentes

Las bases de datos biológicas deben evolucionar para exponer APIs bien documentadas y versionadas, con filtrado estandarizado y semánticas de consulta reproducibles. Esto es el equivalente a lo que los desarrolladores de software obtienen de los gestores de paquetes y sistemas de control de versiones: una infraestructura crítica de la que la ciencia biológica carece actualmente .

El impulso hacia datos federados a escala de IA

En un esfuerzo paralelo, la Iniciativa Chan Zuckerberg publicó una hoja de ruta que aboga por conjuntos de datos biológicos interoperables y agrupados que puedan consultarse mediante interfaces de línea de comandos y estándares legibles por máquinas. Su visión: un mundo donde los científicos puedan buscar, analizar y descargar datos multimodales en una sola consulta federada, permitiendo el descubrimiento a escala de IA sin el caos de recuperación actual .

La CZI ya está actuando en este sentido, desarrollando una interfaz de línea de comandos (CLI) para el acceso a datos federados y construyendo el Proyecto Mil Millones de Células (Billion Cells Project), un conjunto de datos de referencia de células individuales destinado a entrenar a los modelos de IA de próxima generación. El objetivo es una infraestructura fundacional que haga que los datos biológicos sean tan accesibles para las máquinas como los repositorios de código lo son para los desarrolladores .

La lección no se limita a la biología

La idea central —que las interfaces heredadas diseñadas para humanos rompen los agentes de IA— se generaliza en toda la computación científica. Las capas de acceso programáticas y deterministas no son un lujo; son un prerrequisito para permitir que los sistemas autónomos participen de forma fiable en la investigación. La solución no es esperar un modelo más inteligente, sino mejorar las carreteras.