Claude Science quiere cambiar cómo investigan los científicos

El problema cotidiano de un científico moderno no es la falta de información. Es el exceso de piezas sueltas. Un paper está en PubMed. El conjunto de datos vive en otra base. El análisis se corre en Python o R. La figura sale de un notebook que nadie tocó en meses. El cálculo pesado depende de un clúster. La explicación final termina en un manuscrito. Cuando algo falla, empieza la arqueología: buscar qué versión del archivo se usó, qué script produjo el gráfico, qué filtro se aplicó, qué comando se ejecutó y por qué ese resultado parecía razonable en ese momento.

Claude Science, la nueva herramienta de Anthropic para investigación científica, intenta meterse exactamente en ese desorden. No es solo un asistente que contesta preguntas sobre biología o química. Eso ya existe y, francamente, no alcanza. Su objetivo es funcionar como una mesa de trabajo donde el investigador pueda leer literatura, consultar bases, ejecutar código, generar figuras, usar recursos de cómputo y conservar un historial auditable de cada paso.

La palabra clave no es “inteligente”. Es “rastreable”.

En ciencia, una respuesta brillante sin camino de regreso vale poco. Si un gráfico no puede reconstruirse, si una cifra no muestra su origen, si una cita no dice lo que el texto afirma, el resultado queda herido. Puede ser bonito, incluso convincente. Pero no es confiable. Anthropic entendió que el gran obstáculo para vender herramientas generativas a laboratorios no es que produzcan poco. Es que producen demasiado rápido y, a veces, con demasiada seguridad. La velocidad seduce. La trazabilidad decide.

Una escena simple alcanza para entender el asunto. Una investigadora quiere estudiar si ciertos genes aparecen asociados a una enfermedad. Antes debe leer papers, reunir datos, filtrar registros, limpiar tablas, escribir código, generar gráficos, comparar resultados y preparar una explicación. Nada de eso es ciencia de película. No hay bata iluminada ni descubrimiento teatral. Hay horas de pequeñas decisiones técnicas. Claude Science intenta convertir esas horas en un flujo menos roto: el sistema busca fuentes, consulta bases, prepara scripts, produce figuras y deja guardado el contexto. El científico sigue decidiendo. Pero ya no tiene que cargar solo con toda la logística digital.

La herramienta está en beta para usuarios de Claude Pro, Max, Team y Enterprise. Anthropic dice que funciona en macOS y Linux, puede trabajar en equipos locales, servidores remotos o nodos de cómputo de alto rendimiento, y se conecta con herramientas científicas ya usadas por laboratorios. También incorpora más de sesenta habilidades y conectores para áreas como genómica, proteómica, biología estructural, análisis de célula única y quimioinformática.

Eso suena técnico, pero la traducción es sencilla: el sistema no viene como una caja vacía. Llega preparado para moverse por parte del ecosistema científico real.

El avance está en el flujo

La manera más clara de medir Claude Science es compararlo con un chat común. Un chat responde. Un banco de trabajo ejecuta. Esa diferencia cambia todo. Un modelo puede explicar qué es una proteína, resumir un paper o sugerir una hipótesis. Claude Science apunta a algo más operativo: tomar una pregunta y convertirla en una serie de acciones conectadas.

El investigador puede pedir una revisión de literatura. El sistema puede buscar trabajos relevantes, extraer afirmaciones centrales y guardar evidencia. Luego puede pasar al análisis de datos, producir un gráfico y conservar el código que lo generó. Si hace falta cómputo pesado, puede preparar una tarea para el clúster del laboratorio o para recursos externos, pedir autorización y ejecutar el proceso. Al final, un agente revisor examina cálculos, citas y figuras para detectar inconsistencias.

Ese último punto es menos glamoroso que un gráfico molecular en tres dimensiones, pero mucho más importante. La ciencia no necesita una máquina que escriba con confianza. Necesita una herramienta que dude donde corresponde. Que pregunte si una cifra sale de la fuente correcta. Que marque una cita floja. Que advierta si una imagen no coincide con el código. Que deje ver la costura.

El ejemplo más fuerte que difundió Anthropic viene del Allen Institute. Jérôme Lecoq, neurocientífico de esa institución, usó Claude Science para crear una plantilla de revisión computacional con cerca de veinte habilidades personalizadas. La idea no era pedirle al sistema “escribime un informe” y celebrar el milagro. Era mucho más precisa: subagentes leen miles de papers, extraen afirmaciones y hallazgos cuantitativos, guardan evidencia en una base y luego ayudan a construir una revisión larga con figuras derivadas de esos datos. Un agente produce. Otro critica.

Esa arquitectura es la parte interesante. No porque garantice verdad automática, sino porque reconoce que el problema existe. Los modelos generativos tienden a sonar convincentes incluso cuando se equivocan. En investigación, eso es veneno con buena dicción. Separar producción y revisión no elimina el riesgo, pero lo vuelve visible. Y cuando el error se vuelve visible, al menos puede discutirse.

Otro caso citado por Anthropic es Manifold Bio, una empresa que trabaja en medicamentos dirigidos a tejidos específicos. La compañía usó Claude Science para nominar blancos experimentales, cruzando criterios como expresión de superficie, tráfico celular y seguridad. No significa que el sistema haya descubierto una terapia. Significa algo menos espectacular y más creíble: ayudó a ordenar evidencia y priorizar candidatos antes de pasar al trabajo experimental.

Ese es el tono correcto para leer el lanzamiento. No como revolución final. Como herramienta para achicar el tramo muerto entre pregunta y experimento.

El límite está en las bases

La parte más honesta de esta historia no está en el anuncio comercial de Claude Science, sino en una investigación previa de la propia Anthropic. A comienzos de junio, Laura Luebbert y otros investigadores mostraron un problema serio: incluso agentes fuertes fallaban al recuperar con precisión datos de NCBI Virus, una base usada por virólogos para vigilancia y diseño de ensayos diagnósticos. No fallaban porque “no supieran biología” en términos generales. Fallaban porque las bases científicas están llenas de formatos, convenciones, filtros y caminos pensados para humanos expertos.

La diferencia es brutal. Un programador puede pedirle a un agente que arregle un error en GitHub y verificar si las pruebas pasan. En biología, la recompensa no siempre es tan clara. Una secuencia mal recuperada puede seguir pareciendo válida. Un registro parcial puede confundirse con uno completo. Un identificador puede pertenecer a una versión distinta de una base. El error no explota en pantalla. Se arrastra.

Anthropic encontró que la precisión subía casi al máximo cuando se agregaba una capa determinista de recuperación, gget virus. La enseñanza es obvia, pero muchas empresas prefieren no decirla: más modelo no siempre resuelve el problema. A veces hace falta mejor infraestructura. Bases más accesibles. Interfaces programáticas más limpias. Herramientas que no obliguen al agente a comportarse como una persona haciendo clic en un sitio diseñado hace veinte años.

Por eso Claude Science es más interesante cuando se lo mira como infraestructura que cuando se lo vende como asistente. La empresa no está compitiendo exactamente con AlphaFold 3, el sistema de Google DeepMind e Isomorphic Labs capaz de predecir estructuras e interacciones de proteínas, ADN, ARN, moléculas pequeñas, iones y residuos modificados. AlphaFold ataca una pregunta científica muy específica: cómo se organizan e interactúan moléculas de la vida. Claude Science apunta a otra capa: cómo se organiza el trabajo alrededor de esas preguntas.

La diferencia importa para el lector común. AlphaFold se parece a un microscopio computacional especializado. Claude Science se parece más a una sala de trabajo donde se juntan el microscopio, el cuaderno, la biblioteca, el servidor, el gráfico y el corrector de errores. Uno predice objetos biológicos. El otro intenta coordinar tareas científicas.

Eso explica por qué Anthropic insiste tanto en los “artefactos auditables”. Cuando Claude Science genera una figura, no debería entregar solo la imagen final. Debe conservar el código exacto, el entorno que la produjo, la explicación del procedimiento y el historial de la conversación. En una cultura científica saturada de papers, preprints y resultados difíciles de reproducir, esa función puede ser más valiosa que una respuesta elegante.

La promesa real es ahorrar fricción

El riesgo de una herramienta así es evidente: vender velocidad como si fuera descubrimiento. La ciencia no mejora porque un sistema redacte más rápido una revisión o produzca más figuras por hora. Mejora si esas figuras son correctas, si las citas sostienen lo que se afirma, si los datos se usaron bien y si otro equipo puede reconstruir el proceso. Sin esa condición, Claude Science sería apenas una máquina de multiplicar documentos bonitos. Y de esos ya sobran.

El valor aparece cuando la plataforma reduce fricción sin borrar responsabilidad. Un investigador puede ahorrar tiempo en tareas mecánicas, pero sigue teniendo que decidir qué pregunta importa, qué dato es confiable, qué resultado merece seguimiento y qué hipótesis no sobrevive al contacto con la evidencia. El sistema puede acelerar una revisión. No puede convertir una mala pregunta en buena ciencia.

También hay una dimensión comercial que no conviene ocultar. Anthropic quiere entrar con fuerza en salud, biotecnología y ciencias de la vida, sectores donde el software puede cobrar caro si ahorra semanas de trabajo experto o reduce errores en procesos complejos. Reuters ubicó el lanzamiento dentro de esa estrategia más amplia. No se trata de una demostración simpática para laboratorios universitarios. Es una puerta de entrada a farmacéuticas, centros biomédicos, startups de biología computacional y equipos que ya pagan por herramientas especializadas.

La pregunta decisiva será quién controla el flujo. Si Claude Science se vuelve una capa más entre el investigador y sus herramientas, puede terminar agregando dependencia. Si permite conectar datos propios, ejecutar en infraestructura del laboratorio, conservar trazabilidad y revisar cada paso, puede convertirse en algo mucho más útil: una interfaz común para trabajos que hoy se sostienen con demasiada paciencia artesanal.

La ciencia real no ocurre en frases perfectas. Ocurre en carpetas desordenadas, datos incompletos, scripts que se rompen, gráficos que hay que rehacer y decisiones pequeñas que después pesan mucho. Esa es la razón por la que Claude Science merece atención. No porque prometa una inteligencia superior sentada en el laboratorio, sino porque ataca una pérdida diaria de tiempo y claridad que todos los investigadores conocen.

Si funciona, no será porque “descubra” por cuenta propia. Será porque ayude a que los descubrimientos humanos sean menos frágiles, menos opacos y menos dependientes de recordar qué se hizo hace tres meses a las dos de la mañana.

La promesa, bien entendida, es casi humilde: que un resultado científico no llegue solo como una respuesta, sino con su historia completa. En tiempos de automatización acelerada, esa puede ser la diferencia entre producir más y entender mejor.