En el laboratorio, nadie sostiene la pipeta. Un brazo robotizado prepara una mezcla, un instrumento mide sus propiedades y, después, un programa decide cuál será el siguiente experimento. Esta escena ya existe: encarna la ambición de los laboratorios autónomos, capaces de encadenar hipótesis, operaciones experimentales y análisis. Con la vista puesta en septiembre de 2026, conviene, sin embargo, formular su promesa sin dejarse llevar por el entusiasmo: no se trata de descubrir con certeza el material milagroso, sino de aprender más con menos ensayos innecesarios. Las demostraciones públicas documentadas, en particular las realizadas entre 2020 y 2024, permiten comprender esta trayectoria; los desarrollos que aquí se plantean siguen siendo prospectivos.
Un laboratorio que elige su siguiente movimiento
La automatización no es ninguna novedad en las ciencias experimentales. Desde hace tiempo, las máquinas procesan series de muestras siguiendo un protocolo establecido de antemano. El laboratorio de ciclo cerrado incorpora una diferencia decisiva: los resultados modifican el programa de los experimentos siguientes. Si una composición parece prometedora, el sistema explora otras próximas a ella. Si una vía fracasa, puede cambiar la temperatura, la dosificación o el método de preparación.
Imaginemos la búsqueda de un electrolito para baterías. Hay que combinar sustancias, probar su conductividad y comprobar su estabilidad. Explorar todas las formulaciones pronto deja de ser viable. El aprendizaje automático sirve entonces para decidir: ¿conviene mejorar la mejor fórmula conocida o probar en una zona poco comprendida? Métodos como la optimización bayesiana organizan este equilibrio entre explotación y exploración, teniendo en cuenta la incertidumbre de las predicciones.
El dispositivo se apoya en una cadena completa: preparación robotizada, medición, procesamiento de datos y selección de un nuevo experimento. Por tanto, un algoritmo brillante no basta. También hay que saber transferir un polvo sin contaminarlo, limpiar un recipiente y detectar un sensor defectuoso. En estos detalles poco espectaculares se juega buena parte de la autonomía real.
Demostraciones concretas, ámbitos limitados
En 2020, un equipo de la Universidad de Liverpool presentó en Nature un robot químico móvil, capaz de desplazarse por un laboratorio e investigar mezclas fotocatalíticas destinadas a producir hidrógeno. Su interés iba más allá del brazo mecánico: el sistema utilizaba los resultados obtenidos para orientar sus ensayos. Demostraba que un ciclo de aprendizaje podía funcionar con equipos físicos, y no solo en una simulación.
Otro hito, presentado en 2023, fue A-Lab, desarrollado en el Lawrence Berkeley National Laboratory junto con la Universidad de California en Berkeley. Esta plataforma combinaba cálculos, conocimientos extraídos de publicaciones, aprendizaje y robótica para intentar sintetizar materiales inorgánicos. Abordaba un terreno difícil: los sólidos, cuya formación no depende únicamente de los ingredientes, sino también del calentamiento y de las etapas de transformación.
Estos trabajos también recordaron la importancia del control científico. La identificación de las fases obtenidas y la interpretación de algunos resultados de A-Lab suscitaron debates críticos. La cuestión es esencial: producir una señal compatible con una estructura esperada no siempre basta para establecer que se ha sintetizado un material nuevo, puro y reproducible. El descubrimiento automatizado sigue sujeto a las mismas exigencias probatorias que cualquier otro.
Predecir una estructura no es fabricar un material
Ese mismo año, el proyecto GNoME de Google DeepMind ilustró la capacidad del aprendizaje automático para proponer un amplio conjunto de estructuras cristalinas potencialmente estables. Este tipo de herramienta amplía el repertorio de candidatos. Pero una estabilidad calculada no constituye una receta de fabricación ni una garantía de rendimiento en una batería, un panel solar o un componente electrónico.
Entre el archivo informático y el objeto útil persisten varios obstáculos. Un material puede ser difícil de obtener, degradarse al contacto con el aire o requerir elementos costosos. Sus propiedades pueden depender de defectos cristalinos ausentes del modelo. El valor del ciclo cerrado reside precisamente en que confronta las predicciones con la materia: esta se resiste, sorprende y obliga a revisar las hipótesis.
La verdadera ventaja: aprender de los ensayos, incluidos los fallidos
La productividad no se mide solo por el número de muestras preparadas. Una máquina puede producir experimentos redundantes a gran velocidad. Lo importante es, más bien, la información obtenida por ensayo, por euro o por cantidad de materia consumida. Un experimento que invalida de forma concluyente una hipótesis puede tener más valor que una ligera mejora obtenida sin comprender por qué.
Los fracasos se convierten entonces en un recurso. En las publicaciones, las formulaciones que funcionan suelen ocupar el primer plano; las vías sin salida a menudo se quedan en los cuadernos de laboratorio. Una plataforma bien diseñada puede registrar sistemáticamente estos resultados negativos. Ahora bien, es necesario distinguir un fracaso científico de un incidente técnico: una reacción imposible no enseña lo mismo que una bomba obstruida.
Para evaluar estos sistemas, algunos criterios importan más que una demostración espectacular:
- Comparar el rendimiento con una estrategia experimental de referencia creíble.
- Incluir el tiempo de preparación, mantenimiento y verificación.
- Confirmar los resultados con nuevas muestras, idealmente en otro laboratorio.
- Documentar los datos, las incertidumbres y las intervenciones humanas.
El investigador no desaparece: su trabajo cambia de lugar
Elegir el objetivo sigue siendo una decisión humana de gran trascendencia. Optimizar únicamente la conductividad de un electrolito puede llevar a descuidar su toxicidad o su inflamabilidad. Buscar el catalizador más activo sin considerar su vida útil puede desembocar en un callejón sin salida industrial. El sistema optimiza lo que se le pide, no necesariamente lo que de verdad importa.
Por tanto, los equipos deben definir múltiples objetivos, fijar límites de seguridad y decidir cuándo interrumpir una exploración. También investigan las anomalías: ¿resultado excepcional, contaminación, deriva instrumental? Una autonomía creíble incluye la capacidad de señalar una duda y devolver el control. No exige continuar a toda costa.
Del prototipo a la fábrica, otro salto
Para una empresa, la instalación supone algo más que comprar robots. Hay que conectar instrumentos heterogéneos, mejorar la fiabilidad del software y mantener la trazabilidad de cada lote. Una plataforma muy eficaz para una familia de reacciones puede resultar poco útil cuando cambia la química. La versatilidad tiene un coste, mientras que una especialización demasiado estrecha limita los usos.
El escalado también sigue siendo un reto distinto. Una formulación que funciona en una muestra pequeña puede comportarse de otra manera cuando aumentan los volúmenes: la transferencia de calor, la agitación y las impurezas no siempre evolucionan de forma proporcional. Con vistas a su implantación en 2026 y más allá, los sistemas más útiles podrían ser, por tanto, aquellos que incorporen desde el principio las limitaciones de fabricación, en lugar de los que acumulen candidatos.
¿Y ahora qué? La trayectoria más plausible no es la de un laboratorio universal sin científicos, sino la de núcleos de autonomía especializados, conectados con equipos capaces de verificar e interpretar. Su éxito se medirá por materiales reproducibles, datos reutilizables y decisiones mejor fundamentadas. Los robots pueden acelerar la investigación; no convierten la validación en algo opcional. Precisamente porque multiplican las posibilidades, una ciencia rigurosa adquiere aún más valor.
