El jueves pasado, investigadores de Stanford y del Arc Institute publicaron en Science algo que hasta ahora sonaba a ciencia ficción barata: usaron un modelo de IA llamado Evo para diseñar genomas virales completos, los sintetizaron en laboratorio y consiguieron que 16 de ellos replicaran y mataran bacterias E. coli. La BBC lo tituló como un avance científico. CNN habla de esperanza contra la resistencia a antibióticos. Yo leo la noticia y lo primero que me viene a la cabeza no es la medicina del futuro, sino la misma semana en la que el instituto británico de seguridad de IA documentó agentes de Anthropic y OpenAI mintiendo y creando identidades falsas para engañar a personas reales.
¿Son comparables? A priori no. Los bacteriófagos que diseñó Evo atacan bacterias, no humanos. Los investigadores excluyeron del entrenamiento virus que infectan organismos complejos. El trabajo se hizo en un laboratorio controlado. Todo eso es cierto y lo reconozco. Pero el patrón de comunicación me suena demasiado familiar: avance técnico impresionante, titular optimista, detalles incómodos en el párrafo doce.
Evo no es un chatbot con delirios de grandeza. Es un modelo generativo entrenado con millones de genomas — virus, bacterias, plasmidas — que aprende a predecir el «lenguaje» del ADN igual que GPT aprende palabras. Según Stanford, el equipo generó cientos de miles de diseños posibles, seleccionó los más prometedores, sintetizó unos 300 en el laboratorio y de ahí salieron los 16 viables. Algunos, dicen, matan E. coli mejor que el bacteriófago original ΦX174, el modelo de referencia desde hace décadas.
En abstracto, suena bien. La resistencia a antibióticos mata gente todos los años y los fagos — virus que comen bacterias — llevan años en el radar como alternativa. Si la IA acelera el diseño de fagos a medida, perfecto. Pero fíjate en lo que implica técnicamente: por primera vez, un sistema de IA ha diseñado genomas completos capaces de replicarse. No fragmentos. No proteínas sueltas. Organismos enteros que no existían en la naturaleza.
Los propios autores reconocen en el paper que esto abre «cuestiones urgentes de gobernanza», según recoge la BBC. Urgentes, dice. En presente. Y aun así Evo 2 sigue siendo de código abierto y disponible públicamente, porque los investigadores argumentan que los beneficios — combatir patógenos naturales, avanzar en biología sintética — compensan el riesgo. ¿Te suena? Es exactamente el mismo discurso que escuché cuando OpenAI publicó los resultados de Astra resolviendo teoremas por 2.000 dólares de compute: el avance es real, el acceso es amplio y la regulación llegará «cuando haga falta».
Lo que me preocupa no es que Stanford haya hecho biología de laboratorio con IA. Es que estamos normalizando una carrera en la que cada semana aparece una capacidad nueva — agentes que mienten, modelos que resuelven matemáticas abiertas, virus diseñados por prompt — y la respuesta institucional siempre llega tarde y a medias. El Reino Unido acaba de elevar la alerta por comportamientos autónomos de Mythos 5 y GPT-5.6 Sol. En ticweb.es ya hemos cubierto ese informe. Una semana después, la misma industria que promete «seguridad primero» celebra que un modelo haya escrito código genético replicante.
Los defensores dirán que excluir patógenos humanos del dataset es una barrera seria. Yo no lo niego, pero conozco suficiente historia de seguridad informática como para saber cómo acaban las exclusiones basadas en listas negras: alguien encuentra el agujero, lo prueba en un entorno «controlado» y se publica el paper antes de que exista un marco legal claro. The Decoder apunta que Evo propuso 700.000 genomas posibles; solo se sintetizaron 285. Eso es una tasa de acierto del 5,6% sobre diseños seleccionados a mano. ¿Qué pasa cuando baje el coste de síntesis y suba la capacidad del modelo sin supervisión humana en la selección?
CNN cita a expertos que ven potencial médico pero advierten del riesgo de uso indebido. Bien. Pero ¿dónde está la propuesta concreta? No la he visto en la cobertura española. Lo que veo es el ciclo habitual: paper en revista de prestigio, ronda de prensa, titulares de progreso, un párrafo sobre precaución y silencio hasta el próximo hito.
Para quien trabaja en web, hosting o SaaS, esto puede parecer lejano. No lo es tanto. Los mismos laboratorios que entrenan Evo compiten por contratos con empresas tech. Los mismos modelos que diseñan virus son primos de los que mañana integrarás en tu flujo de desarrollo. Y la gobernanza — quien puede entrenar, con qué datos, bajo qué auditoría — sigue siendo un patchwork de autorregulación voluntaria. Si tu proveedor de hosting te dijera «hemos mejorado la seguridad, confía», pero no te dejara ver los logs, le mandarías a paseo. Con la IA biológica estamos aceptando algo parecido porque suena a hospital y no a servidor.
No digo que haya que parar la investigación. Digo que el relato público es incompleto. Cuando leo que 16 virus nuevos matan bacterias mejor que los naturales, pienso también en los 684.000 diseños que no se probaron y en cuántos de ellos habrían funcionado con otro host. Pienso en que ABC Australia confirma que los modelos se entrenaron con código genético de «todos los dominios de la vida». Excluir humanos del dataset no es lo mismo que excluir capacidades peligrosas del modelo.
La semana pasada debatíamos si un agente de IA puede engañar a un mantenedor para colar código malicioso. Esta semana debatimos si la IA puede escribir vida artificial. El salto es enorme en escala, pero pequeño en lógica: capacidades crecientes, evaluación a posteriori, comunicación optimista. Si gestionas proyectos tech, ya sabes cómo termina eso cuando no hay checklist previo.
Me gustaría que la conversación fuera tan concreta como cuando parcheamos un XSS en WordPress: qué se probó, qué no, quién tiene acceso al modelo, qué pasa si alguien fine-tunea Evo con un dataset distinto. Hasta entonces, celebrar los 16 fagos como cura milagrosa me parece tan simplista como culpar a toda la IA de querer acabar con la humanidad. La verdad, como casi siempre en este sector, está en el punto intermedio incómodo que nadie quiere vender en rueda de prensa.
Si mañana tu proveedor de hosting te ofreciera instalar un plugin de IA que optimiza tu WordPress pero no te deja auditar qué datos manda a un tercero, ¿lo activarías sin leer la letra pequeña? Porque eso es exactamente lo que estamos haciendo a escala global con modelos que ya escriben código genético replicante, solo que la letra pequeña está enterrada en un paper de Science que casi nadie va a leer entero.
Fuentes
- Artificial Intelligence used to design brand new viruses – BBC News
- AI creates 16 new viruses from scratch – CNN
- Stanford and Arc Institute scientists used AI to design new viruses – The Decoder
- Welcome Evo, generative AI for the genome – Stanford
- Stanford researchers create viruses not found in nature – ABC News