Olfato científico: por qué la IA necesita criterio, no solo respuestas

La IA está mejorando en tareas largas, pero la ciencia pide algo más difícil que aguantar muchos pasos. Pide criterio. Un dataset de laboratorio casi nunca llega con un letrero que diga "usa este método, ignora esta columna, confía en este patrón y descarta aquel". La investigación real es más desordenada. Miras los datos, ves una posible señal, pruebas si es real, notas un problema, cambias el plan y solo después decides qué significa el resultado.

Esa cadena de decisiones es lo que OpenAI llama olfato científico en GeneBench-Pro, un benchmark publicado el 30 de junio de 2026 para agentes de IA que trabajan en biología computacional. El nombre suena elegante, pero la idea es sencilla: hacer buena ciencia no es solo saber datos. Es saber qué hacer cuando los datos están incompletos, tienen ruido o apuntan en dos direcciones a la vez.

01 · Qué significa "olfato científico"

El olfato científico es el sentido práctico que una buena investigadora construye después de muchos errores. Es esa voz que dice: este dataset puede responder la pregunta A, pero no la B. Este valor raro parece un error del laboratorio. Este modelo simple se queda corto. Esta correlación se ve bonita, pero todavía no está lista para tomar una decisión.

En palabras simples, es sentido común científico bajo presión.

Eso importa para la IA porque muchos sistemas son buenos siguiendo una receta. Dale al modelo una tarea limpia, con pasos claros, y muchas veces puede ejecutarla. Pero la investigación real no es una receta. Lo difícil es decidir qué receta aplica, si la receta se está rompiendo y si la respuesta se puede usar con confianza.

02 · Qué prueba GeneBench-Pro

GeneBench-Pro se enfoca en biología computacional, que significa usar código, estadística y datos para responder preguntas biológicas. OpenAI lo describe como un benchmark de nivel investigación para agentes que deben manejar ambigüedad y tomar decisiones importantes.

El benchmark tiene 129 problemas en 10 dominios principales y 21 subdominios. Incluye áreas como genómica, biología cuantitativa, genética clínica, genómica del cáncer, proteómica, genómica microbiana y más. Cada problema le da al agente un contexto breve, un dataset desordenado y una cantidad objetivo que debe estimar. Luego el agente tiene que explorar los datos, escoger un método, correr análisis, revisar diagnósticos, corregir si hace falta y entregar una respuesta final.

Esa última frase es la clave. El benchmark no pregunta "¿recuerdas la definición?". Pregunta "¿puedes hacer el ciclo completo de razonamiento sin que una supervisora te lleve de la mano?".

03 · Por qué los benchmarks limpios se quedan cortos

Muchos benchmarks de IA se sienten como exámenes de escuela. La pregunta está ordenada. La respuesta se conoce. El modelo acierta o falla. Eso sirve, pero no mide el trabajo que vuelve difícil la investigación.

Un análisis real tiene bifurcaciones. Imagina un dataset sobre una variante genética y el riesgo de una enfermedad. El modelo puede tener que decidir si debe ajustar por origen ancestral, si un efecto de lote está dañando la señal, si el tamaño de muestra alcanza para la pregunta y si el resultado aguanta cuando cambias un corte. Cada decisión cambia el próximo paso.

Un modelo puede lucirse en un paso y fallar en la cadena completa. Puede notar que un grupo tiene datos de menor calidad, escribir una frase diciendo eso y luego seguir usando un método que asume calidad igual para todos. Eso no es falta de información. Es falta de acción. El modelo vio la señal de alerta, pero no cambió la ruta.

OpenAI reporta justo ese patrón: los modelos suelen completar partes grandes del flujo, pero muestran una brecha entre notar y actuar. Identifican señales locales en los diagnósticos, pero no llevan esas señales hasta la decisión de análisis. En palabras normales: encuentran la pista, pero siguen con el plan viejo.

04 · El puntaje no es la historia principal

El paper de GeneBench-Pro reporta que GPT-5.6 Sol Pro llegó a 31.5% en corridas GPT Pro reportadas por separado, GPT-5.6 Sol llegó a 28.7% con razonamiento máximo, GPT-5.5 llegó a 12.0% y Claude Opus 4.8 llegó a 16.0% como el modelo no GPT más fuerte listado en el resumen.

Esos números sirven, pero la lección grande no es "un modelo le ganó a otro". La lección útil es que la tarea sigue siendo difícil. Incluso modelos fuertes pueden fallar cuando la respuesta depende de un camino largo de decisiones estadísticas pequeñas.

Esto importa porque el marketing ama las frases simples: "la IA ya hace investigación". GeneBench-Pro obliga a decirlo mejor. La IA puede ayudar con partes de la investigación, y la frontera se mueve, pero el criterio científico confiable de punta a punta no está resuelto solo porque un modelo puede escribir código, leer papers o sonar seguro.

05 · Qué aprende una persona normal que usa IA

Quizás nunca hagas un análisis de genómica. Aun así, GeneBench-Pro te da una mejor forma de usar IA.

No pidas solo la respuesta. Pide las revisiones que vuelven la respuesta más segura.

Prueba prompts como este:

Antes de dar la respuesta final, lista los supuestos que estás haciendo.
Luego nombra dos formas en que esos supuestos podrían fallar.
Por último, dime qué evidencia cambiaría tu conclusión.

O para una hoja de cálculo, un reporte o una decisión de negocio:

Analiza esto, pero no saltes todavía a la recomendación.
Primero revisa calidad de datos, valores faltantes, posible sesgo y una explicación alternativa.
Luego da la recomendación con un nivel de confianza.

Estos prompts no vuelven perfecto al modelo. Hacen algo más práctico: sacan el trabajo a la vista. Puedes revisar los supuestos en vez de recibir una respuesta bonita que esconde las partes frágiles.

06 · Cómo usar IA como compañera de investigación

Un flujo sano tiene cuatro movimientos.

Primero, deja que la IA explore. Pídele que resuma el dataset, liste problemas posibles y proponga métodos. Aquí ayuda mucho porque se mueve rápido y mantiene varias opciones visibles.

Segundo, haz que se comprometa con un plan antes de correr hacia la respuesta. Un plan puede estar mal, pero al menos puedes revisarlo. Si el plan dice "ignorar datos faltantes" y esos datos son centrales, atrapas el problema temprano.

Tercero, pide diagnósticos. Los diagnósticos son revisiones que dicen si el método se comportó bien. En una gráfica simple puede ser buscar valores extremos. En un modelo científico puede ser revisar supuestos, residuos, efectos de lote o sensibilidad a distintos cortes.

Cuarto, separa ayuda de autoridad. Deja que la IA haga borradores, calcule, compare y explique. No la conviertas en dueña final de una decisión que afecta salud, dinero, seguridad o reputación sin revisión humana.

07 · La lección grande

GeneBench-Pro es un benchmark de biología, pero la lección sirve para cualquier uso serio de IA. El futuro no es solo tener modelos que respondan más rápido. Es tener modelos que noten cuando el camino está mal, cambien de ruta y expliquen por qué la nueva ruta es mejor.

Por eso importa el olfato científico. Es la diferencia entre hacer pasos y hacer ciencia. También es la diferencia entre una herramienta que suena inteligente y una herramienta que puedes usar con responsabilidad.

Por ahora, la mejor postura no es pánico ni confianza ciega. Usa IA para ampliar tu pensamiento, correr primeras pasadas y mostrar revisiones que podrías olvidar. Luego frena en el punto de decisión. Pregunta qué de verdad permiten decir los datos. Pregunta qué cambiaría la respuesta. Pregunta dónde el modelo pudo haber visto una alerta sin actuar sobre ella.

La frase para quedarte es esta: hacer investigación con IA no es solo conseguir una respuesta. Es saber cuándo esa respuesta merece confianza.