Un brazo robótico dosifica un polvo, un horno inicia su programa, un instrumento analiza el producto obtenido. Después, un algoritmo elige la siguiente receta. En un laboratorio autónomo, la inteligencia artificial ya no se limita a comentar resultados: interviene en la toma de decisiones experimentales. Para las baterías, los catalizadores o los materiales destinados a capturar carbono, la promesa es considerable. Pero esta aceleración plantea una pregunta: ¿es más fácil o más difícil reproducir un descubrimiento realizado sin intervención humana constante?
La verdadera novedad: cerrar el ciclo
La automatización científica no es nueva. Desde hace tiempo, las máquinas dispensan líquidos, encadenan mediciones y procesan series de muestras. El cambio radica en el ciclo de decisión: preparar, medir, interpretar y, después, seleccionar el siguiente experimento en función de lo que acaba de observarse. Mientras un autómata clásico ejecuta un programa previsto de antemano, un laboratorio autónomo adapta su recorrido.
Imaginemos un electrolito de batería. Hay que elegir los disolventes, las sales y sus proporciones, y después comprobar la conductividad, la estabilidad y la compatibilidad con los electrodos. Explorar todas las combinaciones sería inviable. Un algoritmo de aprendizaje activo puede priorizar los ensayos que parecen prometedores o aquellos que más reducirán una incertidumbre. No sustituye las leyes de la química: organiza una búsqueda sujeta a restricciones.
Esta autonomía sigue estando delimitada. Los científicos fijan el objetivo, los ingredientes disponibles, las normas de seguridad y los instrumentos utilizables. También deciden qué merece considerarse un éxito. La máquina suele elegir dentro de un espacio diseñado por seres humanos, en lugar de inventar libremente un programa científico.
Demostraciones que cambiaron el debate
En 2020, un equipo de la Universidad de Liverpool presentó en Nature un robot químico móvil, capaz de desplazarse entre varios equipos y llevar a cabo una campaña de experimentos con mezclas fotocatalíticas destinadas a producir hidrógeno. Su interés iba más allá del brazo mecánico: el sistema utilizaba los resultados anteriores para orientar sus ensayos, al tiempo que trabajaba durante un periodo difícil de mantener de forma manual.
En 2023, el A-Lab, desarrollado en torno al Laboratorio Nacional Lawrence Berkeley y la Universidad de California en Berkeley, ilustró otro enfoque: combinar cálculos, conocimientos extraídos de la literatura científica, aprendizaje y robótica para sintetizar materiales inorgánicos. La preparación de los polvos, los tratamientos térmicos y el análisis por difracción de rayos X se integraban en un ciclo experimental automatizado.
Ese mismo año, los trabajos de GNoME, de Google DeepMind, pusieron de manifiesto el potencial del aprendizaje automático para proponer una gran cantidad de cristales teóricamente estables. Ambos enfoques son complementarios, pero no deben confundirse. Predecir un material no equivale a fabricarlo; fabricarlo tampoco demuestra todavía que posea una propiedad útil ni que pueda producirse a escala industrial.
Estos ejemplos constituyen hitos documentados antes de septiembre de 2026, no una prueba de que su uso se haya generalizado para esa fecha. La perspectiva creíble es la de una multiplicación de plataformas especializadas. Imaginar un laboratorio universal, capaz de pasar sin dificultad de un catalizador a una celda de batería, sigue siendo una extrapolación.
Acelerar, sí, pero ¿qué parte del trabajo?
La ventaja más evidente procede de la continuidad. Una instalación puede encadenar operaciones repetitivas, mantener parámetros constantes y aprovechar rápidamente cada medición. El aprendizaje activo también puede evitar que se dediquen demasiados ensayos a regiones poco interesantes. En algunos problemas bien delimitados, esta combinación acorta considerablemente la búsqueda de una formulación o de un protocolo.
Pero el cronómetro debe ponerse en marcha en el momento adecuado. Diseñar la plataforma, adaptar los instrumentos, garantizar la fiabilidad de la manipulación de polvos y programar los controles lleva tiempo. Un robot puede desenvolverse a la perfección con líquidos fluidos y fallar ante una pasta pegajosa. Un precipitado, una boquilla obstruida o un polvo sensible a la humedad bastan para interrumpir el buen funcionamiento del sistema.
Por tanto, hay que distinguir entre el ritmo de realización de experimentos, la eficiencia de la exploración y el valor científico. Producir más muestras no implica descubrir más materiales útiles. Optimizar una medición sencilla puede incluso alejarse de la necesidad real: un excelente rendimiento inicial no dice nada, por sí solo, sobre la durabilidad, el coste o la toxicidad.
La reproducibilidad, verdadera prueba de madurez
La automatización tiene una ventaja: puede registrar con precisión las cantidades, las temperaturas, los horarios y las decisiones. Donde un cuaderno de laboratorio deja a veces zonas de sombra, una plataforma correctamente instrumentada genera un registro detallado. También puede repetir controles sin cansarse. Es una oportunidad para documentar mejor la ciencia, no una garantía automática de calidad.
Porque una máquina también repite los errores. Una balanza mal calibrada, un sensor que presenta deriva o un modelo de análisis demasiado confiado pueden contaminar toda una campaña. El peligro se vuelve especialmente difícil de detectar cuando el mismo sistema elige los experimentos e interpreta su éxito: un error sistemático puede orientar los ensayos siguientes y reforzarse a medida que avanza el ciclo.
Los debates científicos suscitados por el A-Lab se han centrado, entre otros aspectos, en la identificación de las fases cristalinas y en los criterios que permiten afirmar que una síntesis ha tenido éxito. Recuerdan una dificultad clásica de la química del estado sólido: una señal compatible con una estructura esperada no siempre basta para descartar una mezcla u otra interpretación. La autonomía no elimina la necesidad de conocimientos especializados.
Lo que debe poder transmitirse
Para que otro laboratorio verifique un resultado, no basta con publicar únicamente la mejor receta. Hay que facilitar el acceso a los datos brutos, los métodos de análisis, las versiones del software y las características pertinentes de los reactivos. Los ensayos fallidos también cuentan: explican el camino seguido e impiden presentar un éxito aislado como un resultado sólido.
La transferibilidad entre equipos es igualmente decisiva. Dos hornos ajustados a la misma temperatura no someten necesariamente una muestra a la misma historia térmica. La geometría del recipiente, la atmósfera y el enfriamiento pueden cambiar el producto final. Por ello, una receta realmente reproducible debe describir algo más que una secuencia de instrucciones enviadas a un robot.
Humanos menos ejecutores y más responsables
Estas plataformas desplazan el trabajo científico hacia la formulación de objetivos, el mantenimiento, el análisis crítico de los datos y la validación independiente. Los modelos de lenguaje pueden ayudar a extraer protocolos o a manejar interfaces, pero sus propuestas deben seguir sujetas a restricciones verificables. Una instrucción químicamente plausible no es necesariamente segura.
El acceso a estas herramientas también plantea una cuestión económica. Los robots, los instrumentos y la integración favorecen a los equipos bien financiados. Las plataformas compartidas podrían ampliar el acceso, siempre que no encierren los resultados en sistemas propietarios imposibles de auditar. La capacidad de exportar un experimento se vuelve entonces casi tan importante como la capacidad de ejecutarlo.
¿Y ahora qué? Para lo que queda de 2026 y más allá, el avance más convincente no sería una nueva avalancha de candidatos anunciados, sino resultados reproducidos en varias plataformas independientes. Es una perspectiva, no un logro consolidado. El laboratorio autónomo cumplirá su promesa cuando su velocidad contribuya a una ciencia más verificable, y no solo a una producción más rápida de resultados atractivos.
