¿Adiós a las baterías de litio?
Durante décadas, el litio fue el símbolo químico del progreso. Desde su silenciosa presencia en los relojes digitales de los años ochenta hasta su dominio absoluto en los smartphones, notebooks y vehículos eléctricos contemporáneos, este elemento se convirtió en el pilar sobre el que se edificó la promesa de un futuro más limpio, portátil y eficiente. Su baja masa atómica, su elevada densidad energética y su capacidad de recarga lo posicionaron como la materia prima ideal para el diseño de baterías recargables. Pero esa popularidad, sostenida por una cadena de suministro cada vez más tensa, se está volviendo su mayor debilidad.
La concentración de yacimientos, los impactos ambientales de su extracción y el desequilibrio entre oferta y demanda han encendido múltiples alarmas. La transición energética global no puede sostenerse indefinidamente sobre un recurso escaso, costoso y geopolíticamente delicado. La paradoja es evidente: se busca abandonar los combustibles fósiles para construir un mundo más sostenible, pero el esqueleto de esa transición depende hoy de un metal cuya producción arrastra su propia huella oscura. No se trata simplemente de reemplazar un material por otro. Se trata de repensar la lógica misma con la que diseñamos dispositivos capaces de almacenar energía.
En este escenario de tensiones acumuladas, la inteligencia artificial aparece como catalizador de nuevas posibilidades. No como una figura retórica ni como un complemento técnico, sino como una herramienta de descubrimiento científico profundo. Eso fue lo que logró el equipo del profesor Dibakar Datta en el Instituto Tecnológico de Nueva Jersey (NJIT): utilizar modelos generativos de IA para concebir desde cero cinco nuevos materiales porosos, aptos para alojar iones multivalentes con mayor eficiencia y estabilidad que los sistemas actuales basados en litio. La investigación fue publicada recientemente en Cell Reports Physical Science, y abre una puerta realista —aunque todavía experimental— hacia una química de almacenamiento radicalmente distinta.
Lo notable de este hallazgo no radica únicamente en los materiales descubiertos, sino en el proceso con el que se arribó a ellos. Ninguno de estos compuestos figuraba en bases de datos previas ni en la literatura científica convencional. No fueron el resultado de años de prueba y error en laboratorios físicos, sino de simulaciones asistidas por inteligencia artificial, entrenadas para explorar configuraciones moleculares posibles dentro de un espacio químico casi infinito. En otras palabras, la IA no optimizó una batería existente: diseñó posibilidades completamente nuevas que podrían dar forma a tecnologías inéditas.
Para comprender el alcance de esta innovación, conviene detenerse en una distinción fundamental. Las baterías de ion-litio —que dominan el mercado actual— se basan en un principio electroquímico relativamente sencillo: el desplazamiento de iones de litio (Li⁺), que transportan una sola carga positiva, a través de un electrolito entre dos electrodos. Este mecanismo permite un flujo constante de electrones, indispensable para alimentar dispositivos electrónicos. Pero en términos de capacidad energética, estos sistemas ya están cerca de su límite físico. A pesar de las mejoras incrementales logradas en los últimos años, las baterías de litio no podrán sostener por sí solas la futura demanda de almacenamiento distribuido, movilidad eléctrica masiva e integración energética.
Los sistemas multivalentes, en cambio, introducen una alternativa más ambiciosa. En lugar de un ion con carga simple, emplean elementos como magnesio (Mg²⁺), zinc (Zn²⁺) o aluminio (Al³⁺), capaces de transportar dos o tres cargas positivas por ion. Esto implica, teóricamente, una mayor densidad energética: más electrones disponibles por cada unidad de volumen. A igualdad de tamaño, una batería multivalente puede almacenar mucha más energía que una de litio. Pero este beneficio potencial viene acompañado de desafíos técnicos significativos. La doble o triple carga implica una mayor atracción electrostática, lo que dificulta la movilidad de los iones y su inserción en materiales estables. Además, muchos electrodos convencionales se degradan rápidamente al interactuar con iones más pesados y reactivos.
Ahí reside el corazón del problema: cómo diseñar materiales que no solo toleren, sino que colaboren activamente con estos iones multivalentes. La mayoría de los intentos previos fracasaron porque los compuestos eran inestables, sufrían reacciones parasitarias o perdían capacidad tras pocos ciclos. Lo que hizo el equipo de Datta fue delegar esa búsqueda a una IA generativa, capaz de concebir arquitecturas porosas completamente nuevas —porosas en el sentido técnico de tener canales internos tridimensionales donde los iones pueden fluir e insertarse sin colapsar la estructura.
El proceso combinó diferentes enfoques de frontera. Por un lado, el modelo se entrenó con bases de datos estructurales de materiales conocidos. A partir de allí, comenzó a generar configuraciones alternativas, respetando las reglas de la química cuántica pero sin limitarse a lo existente. Por otro, los investigadores aplicaron teoría del funcional de la densidad (DFT), una técnica de primeros principios que permite simular propiedades físicas y energéticas de materiales hipotéticos sin necesidad de sintetizarlos físicamente. Así pudieron verificar la viabilidad termodinámica y electroquímica de las estructuras propuestas antes de pasar al laboratorio.
La sinergia entre IA generativa y simulación cuántica es lo que permitió acelerar un proceso que tradicionalmente tomaría años de investigación experimental. El modelo fue capaz de evaluar miles de posibilidades en cuestión de días, seleccionando cinco con propiedades ideales: alta porosidad interna, estabilidad térmica, baja reactividad con el electrolito y capacidad para intercalar iones multivalentes sin distorsión estructural significativa. Algunas de esas estructuras ni siquiera tienen un análogo natural conocido: son, en rigor, inventos de la inteligencia artificial.
Pero lejos de postularse como una amenaza para el trabajo científico humano, esta IA se comportó como una suerte de “motor de intuiciones”, una extensión computacional de la imaginación material. Lo que antes era un proceso de laboratorio costoso, lineal y profundamente restringido por el tiempo, ahora puede convertirse en un ciclo de diseño interactivo, donde la exploración del espacio químico se convierte en un diálogo entre modelos generativos, físicos computacionales y validación empírica.
La posibilidad de desplazar al litio como sustancia central del almacenamiento energético no implica solo una mejora técnica. Es también una mutación profunda en la forma en que concebimos la infraestructura del futuro. El litio no es un simple insumo: es un nodo estratégico en una red global de poder, extracción, manufactura y consumo. Controlar el acceso a sus reservas, administrar sus flujos comerciales y desarrollar tecnologías compatibles con su uso ha definido, en buena medida, la política energética del siglo XXI. Pero también ha cristalizado una forma de dependencia que reproduce las desigualdades del presente bajo la bandera de una transición verde.
En América Latina, por ejemplo, la llamada “triada del litio” —Argentina, Bolivia y Chile— concentra más del 50% de las reservas mundiales, pero no posee control tecnológico sobre su procesamiento avanzado. El resultado es un esquema donde la materia prima se extrae localmente, pero el valor agregado se concentra en industrias situadas fuera de la región. El litio, en este marco, actúa como materia prima del progreso ajeno. Romper ese esquema no requiere únicamente diversificar los minerales: exige rediseñar las lógicas materiales sobre las que se construyen las cadenas de valor.
Más allá de la materia prima: soberanía energética en clave algorítmica
Los sistemas multivalentes permiten pensar alternativas. El zinc, el magnesio o el aluminio son metales mucho más abundantes, menos costosos y con menor impacto ambiental. No requieren minería de alta intensidad hídrica, no se concentran en pocos países y pueden ser reciclados con mayor facilidad. Además, muchos de ellos ya se utilizan en otras industrias a gran escala, lo que facilitaría su integración en procesos productivos existentes sin depender de monopolios tecnológicos o geográficos.
Pero ninguno de estos beneficios sería factible sin resolver, primero, el problema del diseño material. Y ahí es donde la inteligencia artificial despliega su potencia. En este caso, la IA no reemplaza al investigador ni automatiza una tarea previamente humana: introduce una nueva dimensión epistemológica. Los materiales generados por el sistema del NJIT no son simples extrapolaciones de lo ya conocido. Son propuestas radicalmente nuevas, concebidas en un espacio de posibilidades que ni siquiera estaba cartografiado. Esto marca una inflexión en la relación entre teoría y práctica científica.
Tradicionalmente, el descubrimiento de nuevos materiales era el resultado de un proceso lineal: hipótesis, síntesis, prueba, error, mejora. En el mejor de los casos, se apoyaba en simulaciones para acotar el campo experimental. Lo que cambia con la IA generativa es el punto de partida: ya no se trata de validar lo que se imagina, sino de explorar lo que aún no se puede imaginar por métodos convencionales. En este sentido, la inteligencia artificial funciona como un instrumento epistemológico autónomo, capaz de identificar regularidades ocultas, correlaciones no evidentes y soluciones de diseño que no derivan directamente de la experiencia previa.
Este fenómeno no se limita a las baterías. En los últimos años, los sistemas de IA han sido utilizados para descubrir proteínas sintéticas, catalizadores inéditos, compuestos farmacológicos con propiedades emergentes y estructuras moleculares imposibles de predecir por intuición humana. Lo que tienen en común todas estas aplicaciones es la misma lógica de fondo: transformar el espacio del conocimiento químico en un territorio navegable computacionalmente. Ya no se explora solo con la mano, la pipeta y el microscopio: se explora también con modelos que simulan billones de combinaciones en escalas temporales imposibles para la biología o la física tradicionales.
De la simulación a la materia: cómo la IA redefine lo posible
En el caso de las baterías multivalentes, esta capacidad abre caminos concretos. Uno de los mayores cuellos de botella actuales es el llamado “problema de la intercalación”, es decir, cómo permitir que los iones más pesados (como los de magnesio o zinc) se desplacen con fluidez dentro de los materiales del electrodo sin dañar la estructura ni degradar el rendimiento. La mayoría de los compuestos conocidos ofrecen una resistencia mecánica insuficiente o presentan reacciones secundarias indeseables. Los cinco materiales generados por el sistema del NJIT fueron diseñados para evitar ese obstáculo. Su estructura interna, altamente porosa y segmentada, actúa como una red de canales tridimensionales que permiten alojar múltiples cargas sin comprometer la estabilidad del sistema.
Más aún: estos materiales pueden adaptarse. Parte del entrenamiento de la IA incluyó la capacidad de modificar levemente sus parámetros estructurales para optimizar su rendimiento ante distintos tipos de iones. Es decir, no se trata de compuestos rígidos con una única función, sino de familias modulares que pueden evolucionar según las necesidades tecnológicas. Esta flexibilidad es clave si se piensa en una futura industrialización, donde cada aplicación —desde una batería para drones hasta un sistema de almacenamiento urbano— requiere condiciones específicas de densidad, duración, peso y seguridad.
Desde el punto de vista ecológico, el salto también es sustancial. A diferencia del litio, cuya extracción salina implica un consumo desmesurado de agua en zonas áridas, los metales como el magnesio y el zinc pueden obtenerse de manera más limpia, incluso como subproductos de otras actividades industriales. La posibilidad de diseñar materiales que los incorporen sin necesidad de procesos químicos agresivos convierte a estas tecnologías en candidatas reales para una transición energética con menor impacto ambiental. No es casual que muchas iniciativas de desarrollo sostenible estén empezando a explorar estas líneas, no solo por convicción ecológica, sino por viabilidad económica a mediano plazo.
Ahora bien, es importante aclarar que estos materiales aún no se han producido físicamente. El trabajo del NJIT es una prueba de concepto poderosa, pero su validación experimental y su posterior escalado industrial requerirán años de desarrollo. La distancia entre simulación y manufactura todavía existe, y cruzarla implica enfrentar desafíos técnicos concretos: desde la síntesis reproducible hasta la integración con electrolitos compatibles. Sin embargo, el hecho de que estas estructuras hayan sido concebidas con criterios de factibilidad y validadas por simulación cuántica reduce significativamente el riesgo de que se trate de simples quimeras matemáticas.
En paralelo, surgen preguntas filosóficas. ¿Qué significa que un modelo haya diseñado materiales inéditos? ¿Debemos atribuirle autoría, agencia, creatividad? ¿O se trata de una extensión del pensamiento humano, amplificada por herramientas no intuitivas? En el laboratorio de Datta, esta discusión no es anecdótica. Forma parte del trabajo cotidiano de reinterpretar el rol de la inteligencia artificial no como un “sistema inteligente” en sí mismo, sino como una nueva forma de representación de lo posible. Lo que la IA hace, en este contexto, no es decidir: es ampliar el horizonte de lo que puede ser pensado, probado, construido.
Cuando hablamos del “futuro de las baterías”, no estamos hablando únicamente de almacenar electricidad. Estamos hablando de cómo las sociedades organizan sus capacidades de anticipación, su poder de transformación material, su infraestructura invisible de soporte. Y si la IA es ahora capaz de intervenir en ese proceso desde el nivel atómico, entonces el mapa del desarrollo tecnológico deja de ser lineal, y comienza a parecerse más a un campo abierto de combinaciones por venir.
Cuando la química se vuelve política: entre la invención y la adopción
No hay transición tecnológica que ocurra en el vacío. El descubrimiento de materiales por sí solo no garantiza su impacto. Entre la invención y la adopción, entre la estructura simulada y el sistema industrial funcional, hay un largo trayecto que se despliega sobre decisiones estratégicas, marcos regulatorios, capacidades técnicas, acuerdos comerciales y, sobre todo, voluntad institucional. En ese camino, la inteligencia artificial no solo transforma la manera de descubrir, sino también la forma de disputar qué conocimientos se transforman en poder productivo y cuáles quedan atrapados en papers que nadie industrializa.
Si las estructuras porosas generadas por el modelo del NJIT cumplen con su promesa —y logran ser sintetizadas a escala sin perder sus propiedades—, entonces podrían convertirse en el núcleo de una nueva generación de baterías multivalentes para múltiples usos. No se trata solo de reemplazar el litio en los teléfonos o automóviles. Se trata de rediseñar las lógicas de almacenamiento en toda la cadena energética: desde pequeños dispositivos electrónicos hasta grandes bancos de respaldo para redes inteligentes, pasando por estaciones remotas, infraestructuras militares o nodos descentralizados de abastecimiento rural. En cada uno de esos casos, la posibilidad de trabajar con materiales más abundantes y configuraciones adaptativas puede redefinir el acceso a la energía como bien público.
Pero para que eso ocurra, se necesitan puentes intermedios. Las universidades y laboratorios pueden simular, pero la manufactura depende de industrias que operan con otras lógicas: escalabilidad, costo, estabilidad en cadena de suministro, compatibilidad con componentes existentes. El salto de lo posible a lo viable requiere asociaciones virtuosas entre investigación pública y desarrollo privado, algo que ni Silicon Valley ni los organismos estatales logran resolver por sí solos. Los gobiernos que aspiren a tener soberanía tecnológica real en este campo deberán ser capaces de articular ambos extremos: incentivar la invención mediante IA, pero también proteger el tránsito hacia la producción sin que la innovación se fugue a manos de licenciatarios externos.
Esto plantea una pregunta clave: ¿quién controla las herramientas que permiten diseñar materiales? Hasta ahora, la mayoría de los modelos generativos utilizados en ciencia de materiales son desarrollados por universidades o consorcios mixtos con grandes corporaciones. Son modelos potentes, pero no siempre abiertos ni auditables. Algunos utilizan arquitecturas propietarias, otros se entrenan sobre bases de datos que incluyen información no accesible públicamente. Esta opacidad metodológica tiene consecuencias. Si los descubrimientos materiales más prometedores del futuro dependen de sistemas cerrados, entonces lo que está en juego no es solo la propiedad intelectual de los resultados, sino el acceso mismo a los caminos que conducen a ellos.
Del laboratorio a la industria: bifurcaciones posibles del impacto
En términos prácticos, existen tres rutas posibles para el desarrollo de estas nuevas baterías multivalentes. La primera, más conservadora, es que los materiales descubiertos por IA sirvan como punto de partida para mejoras incrementales de tecnologías ya existentes. En este escenario, los sistemas de almacenamiento se mantienen relativamente similares, pero incorporan electrodos más eficientes que permiten aumentar la densidad o la vida útil. Esta vía es menos disruptiva, pero tiene mayor probabilidad de adopción temprana porque implica bajos costos de reconversión industrial.
La segunda ruta, más ambiciosa, es la creación de arquitecturas completamente nuevas de batería, optimizadas desde su concepción para trabajar con multivalentes y materiales generados por IA. Esto incluiría no solo los electrodos, sino también electrolitos específicos, carcasas adaptadas, sistemas de control térmico diferenciados. Es una vía más costosa, pero que puede liberar todo el potencial energético y ecológico de esta tecnología.
Y la tercera opción, todavía embrionaria pero muy prometedora, es la hibridación con otras tecnologías emergentes: baterías de estado sólido, supercondensadores bioinspirados, dispositivos de carga inalámbrica integrados a infraestructuras urbanas. En esos escenarios, los materiales porosos descubiertos por IA no son la solución final, sino un insumo dentro de sistemas complejos que combinan múltiples principios físico-químicos.
En cualquiera de los tres casos, los tiempos de adopción dependerán de tres factores: validación experimental acelerada (es decir, reproducibilidad en laboratorio sin pérdidas inesperadas), compatibilidad con procesos de fabricación existentes y voluntad política para asumir cierto riesgo tecnológico. En otras palabras: el obstáculo no es ya la ignorancia de qué se puede hacer, sino el coraje institucional para avanzar hacia lo que se debe intentar.
Algunos países ya están dando señales. En Alemania, por ejemplo, el Fraunhofer Institute está combinando IA generativa y experimentación rápida para rediseñar materiales aplicables a la electromovilidad. En Japón, empresas como Panasonic y Toyota están invirtiendo en estrategias de «inverse design» para baterías más livianas y con materiales alternativos. En China, múltiples laboratorios nacionales han comenzado a utilizar redes neuronales profundas para acelerar el diseño de compuestos en condiciones de alta humedad o temperatura extrema. Latinoamérica, sin embargo, aún no se posiciona con claridad. A pesar de ser fuente de litio, grafito y otros minerales estratégicos, su participación en el diseño asistido por IA sigue siendo marginal.
Esto abre un frente urgente: ¿cómo convertir a la IA en un instrumento de soberanía y no solo de dependencia? ¿Cómo evitar que los descubrimientos algorítmicos realizados por instituciones locales sean luego patentados, licenciados o apropiados por empresas del norte global con mayor capacidad de escalado? Parte de la respuesta implica generar capacidades computacionales propias, pero otra parte, igual de crítica, implica comprender la IA como un espacio de disputa ontológica. Es decir: como una tecnología que no solo resuelve problemas, sino que define qué cuenta como problema, qué vale la pena investigar y bajo qué criterios se valida lo descubierto.
En ese sentido, el uso de IA para el diseño de baterías no es un hecho aislado. Es una manifestación concreta del surgimiento de un nuevo modo de producción epistémica, en el que los sistemas algorítmicos no solo aceleran los procesos tradicionales, sino que participan activamente en la constitución de lo real. Si un modelo puede generar una estructura química plausible que nunca fue imaginada por un humano, entonces el acto de descubrir deja de ser exclusivamente humano y pasa a estar mediado por arquitecturas de cálculo que tienen su propia lógica, su propio ritmo, su propia autonomía relativa.
La verdadera disputa, entonces, no será solo por las patentes o las plantas industriales, sino por el acceso al diseño algorítmico como forma de agencia tecnocientífica. Quién controla los datasets, quién entrena los modelos, quién define los objetivos de búsqueda: esas serán las preguntas centrales para cualquier país o región que aspire a tener voz propia en la configuración del mundo que viene. Y si no se responde pronto, el riesgo no será quedarse sin litio, sino sin capacidad de imaginar materiales más allá del litio.
Tecnologías aplicadas a mundos reales: la batería como infraestructura cultural
La idea de que una batería es apenas un dispositivo técnico —una caja que guarda energía y la libera— resulta cada vez más insostenible. Al igual que un puente, una red de agua o una señal de internet, una batería se convierte en infraestructura cuando está incrustada en prácticas sociales, circuitos económicos y sistemas simbólicos. Su función no se agota en su arquitectura química, sino que se proyecta en cómo, cuándo y para qué se usa. Por eso, imaginar nuevas tecnologías de almacenamiento a partir de materiales descubiertos por inteligencia artificial no puede limitarse a escenarios futuristas o laboratorios herméticos. La pregunta clave es: ¿dónde puede intervenir primero esta tecnología? ¿Y con qué consecuencias visibles?
Uno de los campos más prometedores para la adopción temprana de baterías multivalentes generadas por IA es la educación rural. En vastas regiones sin acceso estable a la red eléctrica, pequeñas unidades de almacenamiento de alta densidad energética pueden ser la diferencia entre tener o no tener clase. Hasta ahora, las soluciones solares portátiles que utilizan baterías de litio han mostrado límites: poca autonomía, alto costo, dificultad para operar en ambientes hostiles. Una batería basada en zinc o magnesio, con electrodos porosos optimizados algorítmicamente para tolerar condiciones variables de humedad y temperatura, podría ofrecer una alternativa realista, más segura y más accesible. No se trata de sustituir sistemas industriales, sino de habilitar usos donde el litio ya no escala.
Otro escenario urgente: las ciudades medianas y pequeñas que aún dependen de infraestructuras eléctricas lineales, muchas veces obsoletas. Si las baterías multivalentes pudieran insertarse como sistemas de respaldo modulares —por ejemplo, para semáforos, redes de vigilancia, sensores ambientales o estaciones de carga intermitente—, se abriría una vía para hacer más resilientes los servicios urbanos sin necesidad de reconstruir toda la red. El hecho de que estos nuevos materiales sean más estables térmicamente y menos inflamables que las celdas de litio es una ventaja considerable, especialmente en espacios densamente poblados. Una infraestructura distribuida, alimentada por sistemas portables de alta eficiencia, permitiría mitigar apagones, adaptarse a eventos climáticos extremos y generar autonomía energética a nivel de barrio.
También en movilidad podrían aparecer aplicaciones intermedias. No necesariamente reemplazando las baterías de autos eléctricos, que son un mercado extremadamente regulado y dominado por intereses corporativos. Pero sí en nuevos vehículos livianos: drones logísticos, sillas de ruedas autónomas, bicicletas eléctricas urbanas, estaciones móviles de recarga para eventos o catástrofes. En todos estos casos, la combinación entre bajo peso, alta densidad energética, mayor durabilidad y facilidad de reciclaje posiciona a las baterías multivalentes como una tecnología intermedia con alto potencial de penetración.
La frontera más amplia, sin embargo, es la del almacenamiento estacionario para energías renovables. Uno de los grandes desafíos de la solar y la eólica es su intermitencia: producen mucho cuando no se necesita y poco cuando sí. Almacenar esa energía de forma eficiente, sin depender de litio y sin multiplicar los costos, es clave para hacer sostenible la transición energética. Allí es donde los materiales descubiertos por IA pueden tener su mayor impacto: diseñar, casi a medida, compuestos porosos que se adapten a las condiciones de almacenamiento requeridas por comunidades enteras, con materiales abundantes y bajo riesgo ambiental. No es ciencia ficción. Es una posibilidad técnica que espera ser tomada políticamente en serio.
La ética de una materia que no existía: decisiones delegadas al cálculo
Pero cuanto más avanza la posibilidad técnica, más se profundiza el dilema filosófico. ¿Qué significa que una inteligencia artificial —entrenada sobre datos pasados, pero no limitada por la experiencia humana— pueda generar estructuras materiales inéditas, funcionales y potencialmente revolucionarias? ¿Dónde queda la responsabilidad, la autoría, la validación? Y, más aún, ¿qué pasa cuando el conocimiento ya no es el resultado de observar el mundo, sino de proyectarlo desde modelos que no siempre comprendemos en su totalidad?
El caso de las baterías multivalentes expone esta tensión con una nitidez particular. Los cinco materiales descubiertos por el sistema del NJIT no fueron imaginados por ningún ser humano. Fueron propuestos por una arquitectura algorítmica que operó sobre millones de combinaciones posibles y seleccionó aquellas con propiedades deseables según criterios numéricos. ¿Eso los vuelve menos legítimos? ¿O más peligrosos? ¿Cómo verificar que no contienen riesgos ocultos si su diseño no fue guiado por intuición ni experiencia empírica directa?
En química y física de materiales, la validación experimental ha sido siempre la última palabra. Pero los modelos generativos operan con otra lógica: producen candidatos viables a partir de restricciones formales, y desplazan el tiempo de prueba al final del proceso. No anulan el laboratorio, pero lo reorganizan. Ya no se prueba para descubrir, sino para confirmar. El riesgo es que ese acto de confirmación se vuelva pasivo: que se acepte lo que el modelo entrega como válido por defecto, sin ejercer crítica ni imaginación material.
Este es un punto especialmente delicado cuando hablamos de infraestructura. Si un material diseñado por IA falla, no solo fracasa una simulación. Puede fallar un puente, una batería, una red eléctrica. Los sistemas algorítmicos no tienen conciencia de lo que implica un error físico. No entienden la diferencia entre una falla computacional y un incendio en una planta solar. No distinguen entre lo funcional y lo seguro, salvo que alguien les enseñe a hacerlo. Pero ¿quién diseña esos criterios? ¿Y con qué responsabilidades futuras?
Los investigadores que trabajan en este campo son conscientes de esa tensión. Por eso combinan simulación avanzada con herramientas de control de errores, reglas químicas básicas y filtros de plausibilidad antes de pasar a la síntesis experimental. Aun así, hay un límite inevitable: las IAs generativas funcionan como cajas de sugerencias sofisticadas. No pueden juzgar el contexto en el que serán usadas sus creaciones. No saben si un material funcionará en una escuela, un hospital o una fábrica militar. Es el investigador humano quien debe decidir si ese descubrimiento merece ser producido, distribuido, escalado.
Aquí aparece el último punto crítico: la transparencia del proceso. Si los modelos que diseñan materiales no son abiertos, si no se conoce su arquitectura, sus datos de entrenamiento o sus sesgos ocultos, entonces el conocimiento se vuelve no solo opaco, sino irrevisable. Y eso no es un problema técnico. Es un problema político, ético, epistémico. Porque allí donde no se puede revisar, no se puede discutir. Y donde no se puede discutir, no hay ciencia sino ingeniería cerrada al servicio de intereses que ya no se nombran.
La solución no es rechazar la IA como herramienta de descubrimiento, sino exigir marcos de gobernanza que la regulen como parte de un sistema de producción de conocimiento con responsabilidades públicas. Así como hoy se discute quién regula los modelos de lenguaje, mañana habrá que discutir quién gobierna los modelos de diseño molecular. Y esa conversación debe comenzar antes de que los materiales porosos que hoy admiramos se conviertan en estructuras críticas imposibles de auditar.
Hacia una gobernanza del descubrimiento: materia, modelos y poder
Si la inteligencia artificial ya es capaz de inventar nuevos materiales, entonces el foco del poder no estará solo en quién los produce o comercializa, sino en quién controla la fase invisible de su descubrimiento. La minería ya no será solamente de litio o cobalto, sino de combinaciones estructurales que aún no existen. Y esa minería, a diferencia de la tradicional, se realiza en servidores, no en salares. Lo que se disputa, en este nuevo escenario, no es el control del recurso sino del algoritmo, del entorno de simulación, del acceso al entrenamiento.
En este contexto, el concepto de gobernanza cobra una dimensión distinta. No se trata únicamente de regular el uso de materiales una vez que han sido aprobados, sino de establecer reglas sobre el modo en que se diseñan, se validan y se comparten las arquitecturas que los originan. Si los modelos generativos de descubrimiento permanecen cerrados, si sus parámetros de búsqueda son opacos, y si sus datasets de entrenamiento no son públicos, entonces estamos frente a una forma de extracción epistémica sin precedente: los sistemas aprenden a descubrir gracias a bases de datos construidas con recursos públicos, pero sus resultados quedan bajo control exclusivo de entidades privadas.
La experiencia con los modelos de lenguaje ya lo demostró. Aunque entrenados con textos extraídos de fuentes abiertas, la mayoría de los sistemas líderes hoy son inaccesibles, no auditables y legalmente blindados. Lo mismo puede suceder con los modelos de materiales: una vez que las grandes compañías logren estabilizar modelos potentes con capacidad real de descubrimiento estructural, podrán imponer condiciones de licencia, patentes sobre estructuras generadas algorítmicamente y restricciones a la reutilización. En lugar de democratizar el acceso a la materia, lo estarían intermediando. En lugar de liberar nuevas posibilidades, estarían privatizando el umbral de lo posible.
Para evitarlo, es necesario anticiparse. Establecer desde ahora criterios éticos, técnicos y políticos sobre cómo se diseñan, validan y distribuyen los sistemas de descubrimiento algorítmico. Una primera regla básica sería la trazabilidad: toda estructura generada por un modelo de IA debería incluir un historial completo de su proceso de diseño, con los parámetros utilizados, los datos empleados, las condiciones de filtrado y los criterios de selección. Eso permitiría no solo replicarla, sino también discutir sus supuestos implícitos.
Una segunda regla sería la transparencia del objetivo. Todo modelo generativo de materiales debería declarar explícitamente qué propiedades busca optimizar: densidad energética, estabilidad térmica, resistencia mecánica, impacto ecológico, costo, accesibilidad de componentes, riesgo de toxicidad. Esa declaración pública permitiría que otros investigadores, empresas o gobiernos evalúen si los descubrimientos se alinean con principios deseables o responden únicamente a lógicas comerciales de corto plazo.
Y una tercera regla, más ambiciosa pero igualmente necesaria, sería la apertura del modelo en sí. Así como se está exigiendo acceso abierto a los pesos de los modelos de lenguaje, debería reclamarse lo mismo para los modelos de diseño de materiales, al menos en los casos financiados con fondos públicos o destinados a bienes de uso estratégico como la energía, la salud o el transporte. Si los nuevos materiales determinan el tipo de baterías, prótesis, viviendas o dispositivos que una sociedad puede usar, entonces su origen debe ser controlable y gobernable por esa misma sociedad.
Soberanía algorítmica: construir capacidades propias para imaginar la materia
El problema de fondo es que, en muchos países, esa capacidad todavía no existe. La mayoría de las instituciones públicas no cuentan con recursos computacionales suficientes para entrenar modelos de diseño avanzado. Tampoco tienen acceso a bases de datos químicas integradas ni a infraestructura de validación experimental de alta resolución. Y lo que es peor: en muchos casos, ni siquiera hay una política explícita para desarrollar estas capacidades. La IA sigue siendo pensada como un área separada, como si se tratara de software para automatizar trámites o escribir correos, y no como una herramienta transversal que puede definir el curso del desarrollo material.
Construir soberanía en este campo implica algo más que comprar servidores o instalar clústeres de GPUs. Implica formar equipos interdisciplinares que incluyan físicos, químicos, ingenieros de materiales, diseñadores computacionales, teóricos de datos y expertos en ética tecnológica. Implica también abrir espacios institucionales donde estas prácticas puedan consolidarse: laboratorios de diseño algorítmico de materia, plataformas abiertas de simulación, bibliotecas públicas de estructuras validadas, protocolos nacionales de interoperabilidad para descubrimientos.
Hay experiencias que pueden servir como modelo. En la India, el Consejo de Investigación Científica e Industrial (CSIR) ha comenzado a financiar modelos abiertos para el descubrimiento de fármacos, combinando recursos computacionales propios con infraestructura experimental distribuida. En Sudáfrica, el CSIR local impulsa consorcios interinstitucionales para diseñar materiales de construcción resistentes al calor utilizando redes neuronales entrenadas en climas extremos. Y en Brasil, algunos grupos están desarrollando modelos para diseñar estructuras de almacenamiento de energía adaptadas a regiones amazónicas, con el objetivo de reducir el costo del transporte eléctrico en zonas sin red fija.
Latinoamérica, y en particular Argentina, podría posicionarse en esta línea si articula sus capacidades científicas existentes —CONICET, universidades técnicas, centros de simulación y materiales— con políticas activas de desarrollo soberano de IA aplicada. La pregunta no es si se puede, sino si se decide. Porque mientras se discuten reformas burocráticas o financiamientos marginales, otras regiones ya están proyectando sus materiales futuros con herramientas que nosotros aún no estamos usando. Y quien no diseña su materia, termina ensamblando la materia de otros.
No se trata de volver a una utopía autárquica del desarrollo material. Nadie puede, hoy, prescindir de intercambios globales, colaboraciones cruzadas, licencias tecnológicas. Pero sí se puede aspirar a una posición activa en ese intercambio. A no depender únicamente de lo que otros descubran, sino a participar en la generación de materia que responda a necesidades propias: baterías para climas húmedos, aislantes para viviendas de emergencia, sensores biodegradables para monitoreo ambiental, materiales conductores para infraestructura ferroviaria nacional.
La materia es poder, decía en los años ochenta un físico brasileño que trabajaba con cerámicas para energía nuclear. Lo que no decía, porque aún no lo sabía, es que en el siglo XXI ese poder sería algorítmico. Que quien controle los modelos no solo decidirá qué materiales existen, sino también qué formas de existencia son viables.
La materia como hipótesis: diseñar lo real antes de conocerlo
Desde la Revolución Científica, nuestra relación con la materia estuvo organizada por un principio central: el mundo existe antes que nosotros lo conozcamos. Descubrir era arrancarle al entorno una regularidad oculta, una estructura que ya estaba allí, esperando ser observada, medida, clasificada. Incluso en las versiones más modernas del conocimiento científico —donde la teoría precede al dato y el modelo guía el experimento—, esa lógica no se rompía del todo. La materia era, en última instancia, algo dado: un conjunto de posibilidades delimitadas por la naturaleza, cuya tarea era ser descrita.
Pero los modelos generativos de inteligencia artificial no funcionan con esa lógica. No observan el mundo. No parten de una experiencia física, ni de un fenómeno detectado, ni de una pregunta formulada a partir de lo que se percibe. Operan en el reverso: exploran espacios de posibilidad estructural que no están definidos por lo visible, sino por combinaciones internas de reglas, simulaciones y objetivos preestablecidos. Proponen arquitecturas que podrían funcionar, antes de que nadie las haya visto funcionar. En lugar de descubrir lo que hay, proyectan lo que podría haber. Y eso transforma radicalmente la idea misma de materia.
Cuando un sistema generativo es capaz de producir estructuras químicas estables que ningún científico imaginó, que no aparecen en ningún registro natural, y que aún así pueden ser sintetizadas y utilizadas con éxito, entonces el mundo físico deja de ser una superficie a interpretar. Se convierte en una hipótesis abierta. En una zona de diseño. En una plataforma sobre la cual el cálculo se vuelve constitutivo, no simplemente descriptivo. Y si eso es cierto, entonces la ciencia de materiales deja de ser una ciencia en sentido clásico, y pasa a ocupar un lugar más próximo al de una ingeniería epistémica: una disciplina que no parte del mundo, sino que lo esquematiza hacia adelante.
No es un cambio menor. En lugar de observar la naturaleza para extraer patrones, ahora creamos estructuras plausibles para insertarlas en la naturaleza. La materia no nos habla. Somos nosotros —o nuestras extensiones algorítmicas— quienes ponemos a prueba su plasticidad combinatoria. Lo que la IA nos ofrece no es un espejo más perfecto del mundo, sino una gramática ampliada de lo posible. Y eso implica riesgos, sí. Pero también oportunidades para pensar el conocimiento como algo distinto de la mera acumulación de observaciones verificadas.
El laboratorio como interfaz: entre lo simulado y lo sintético
En esta nueva configuración, el laboratorio deja de ser un espacio de verificación empírica en el sentido clásico. Se transforma en una interfaz entre modelos generativos y síntesis material. Ya no se busca únicamente confirmar una hipótesis previa, sino seleccionar, dentro de un conjunto inmenso de estructuras sugeridas por la IA, aquellas que valen la pena convertir en materia tangible. El gesto científico se vuelve más curatorial que experimental: discernir lo relevante entre millones de alternativas, elegir lo reproducible, descartar lo redundante.
Eso no significa que la validación desaparezca. Al contrario, se vuelve más crítica que nunca. La diferencia es que ahora valida no solo si algo funciona, sino si algo merece existir. Porque entre los millones de compuestos posibles que un modelo puede generar, solo unos pocos serán sintetizados. ¿Con qué criterios? ¿Para qué fines? ¿A quién benefician? ¿Con qué efectos ambientales? En esta etapa, la pregunta por la materia se vuelve inseparable de la pregunta por el sentido.
Y no solo por el sentido técnico o económico. También por el sentido ontológico: ¿qué significa que algo exista si fue creado en un simulador? ¿Qué tipo de realidad tiene un compuesto químico que fue predicho por IA, pero que aún no ha sido visto, tocado, probado por nadie? ¿Podemos decir que es parte del mundo antes de que entre en él? ¿O es parte de otro plano, intermedio, donde el diseño antecede a la presencia?
Estas preguntas, que antes estaban relegadas a la filosofía, ahora atraviesan las prácticas científicas concretas. Porque los modelos generativos no solo nos dicen qué podríamos construir. También nos confrontan con lo que aún no hemos decidido si queremos construir. Y ahí, la decisión ya no es del algoritmo. Es nuestra. O debería serlo.
No hay razón para suponer que este proceso se detendrá. A medida que las arquitecturas de IA se vuelvan más potentes, más abiertas y más especializadas, podremos generar materiales específicos para resolver problemas que aún no existen. Compuestos diseñados para operar en atmósferas de otros planetas. Superficies autorreparables que no se degradan con el tiempo. Absorbentes selectivos que filtran contaminantes moleculares. Conductores ópticos moldeables a temperatura ambiente. Catalizadores bioinspirados que imitan procesos enzimáticos. No porque los descubramos en la naturaleza, sino porque los modelamos en función de lo que necesitamos. Y si eso ocurre, el diseño de materiales se convertirá en una forma de ingeniería anticipatoria, no de reconstrucción.
Desde ese punto de vista, el futuro de las baterías no es el litio, ni siquiera el zinc o el magnesio. El futuro es el acceso al proceso que permite imaginar qué tipo de materia necesitamos para habitar el mundo que deseamos. Y ese proceso, cada vez más, será algorítmico.
Pero imaginar materia no es solo una cuestión técnica. Es también un acto político, ético y cultural. Implica definir qué estructuras queremos validar, qué sistemas energéticos queremos sostener, qué infraestructura distribuida queremos construir, y bajo qué reglas queremos gobernar los descubrimientos. En un mundo donde la IA puede inventar materiales, no hay neutralidad posible. Todo diseño es una toma de posición. Todo descubrimiento es también una omisión.
Quizás por eso, la mayor responsabilidad que tenemos no es desarrollar modelos más rápidos o más precisos, sino formar capacidades para usarlos con criterio, con sensibilidad histórica, con orientación pública. No basta con que una batería funcione. Hay que preguntarse para quién, en qué contexto, con qué consecuencias. Porque al final, la materia no es solo aquello de lo que están hechas las cosas. Es aquello que sostiene el mundo. Y si ahora podemos imaginarla antes de encontrarla, más nos vale imaginarla bien.