Los 78 000 dólares para no dar con la respuesta: por qué construimos laboratorios autónomos en lugar de campañas de cribado más grandes

El primer laboratorio autónomo que ayudé a diseñar no falló por la IA. Falló por un manipulador de líquidos.

Habíamos pasado semanas construyendo la parte que a todos entusiasma: un bucle de optimización bayesiana envuelto en una red neuronal de grafos capaz de predecir la banda prohibida de una perovskita de haluro en milisegundos, en lugar de esperar días a que se calentara un horno. En simulación era hermoso. La función de adquisición elegía composiciones como un motor de ajedrez ve las jugadas. Y entonces entramos en el laboratorio real para conectarlo a los instrumentos reales, y todo el asunto se detuvo en seco ante un manipulador de líquidos Hamilton de doce años de antigüedad cuyos archivos de método se negaban a comunicarse con cualquier cosa que no fuera el propio software de Hamilton.

Ese fue el día en que entendí qué es realmente un laboratorio autónomo. No es un modelo ingenioso. Es un bucle cerrado —diseñar un experimento, ejecutarlo en hardware real, leer el resultado, decidir el siguiente, repetir— y el bucle es solo tan fuerte como su eslabón más débil y aburrido. Normalmente ese eslabón es un equipo de 2014 que nunca fue pensado para ser automatizado por nadie más que su fabricante.

Todo el mundo quiere hablar del optimizador. Lo que decide si tu laboratorio se vuelve autónomo es si tu espectrómetro de quince años devolverá un número a un proceso de Python a las 3 de la madrugada.

Quiero repasar por qué el cribado de alto rendimiento —el caballo de batalla de la I+D industrial durante treinta años— es ahora matemáticamente obsoleto, qué hace en su lugar un laboratorio dirigido por IA y la nada glamurosa ingeniería que decide si uno de estos sistemas llega a funcionar realmente en tu edificio. Este es el problema en torno al cual ahora construimos laboratorios autónomos, y la mayor parte de lo que los hace difíciles no se parece en nada a lo que sugieren las charlas de las conferencias.

¿Por qué el cribado de alto rendimiento se ha vuelto de repente obsoleto?

Empecemos con una cifra que debería inquietar a cualquier responsable de I+D. El número de moléculas pequeñas de tipo farmacológico que cumplen las reglas de Lipinski —la química básica de "esto podría ser una pastilla"— se estima en 10⁶⁰. Una gran campaña de cribado de alto rendimiento, del tipo que cuesta millones en robótica y reactivos, prueba alrededor de 10⁶ compuestos.

Haz la división. Estás muestreando aproximadamente el 0,000000000000000000000000000000000000000000000000000001 % del espacio. Adéntrate en los biofármacos y las aleaciones multielemento y el espacio se estira hacia 10¹⁰⁰, que es más que el número de átomos del universo observable.

El problema más profundo ni siquiera es la cobertura. Es la suposición que la sustenta. El cribado presume que la respuesta ya está en una biblioteca presintetizada en una estantería. Para un material genuinamente novedoso —una perovskita sin plomo, un electrolito de estado sólido, un nuevo MOF— la composición óptima casi con certeza nunca ha sido fabricada por nadie. No estás buscando una aguja en un pajar. Estás buscando en un pajar del tamaño del Pacífico una aguja que además tienes que forjar tú mismo.

Este es el motor que hay bajo la ley de Eroom —la ley de Moore escrita al revés—, el hecho bien documentado de que la productividad de la I+D farmacéutica ha caído durante décadas incluso mientras el gasto trepaba. El desarrollo de un fármaco supera ahora los 2000 millones de dólares por activo (Deloitte, 2024), en torno al 90 % de los candidatos fracasa en los ensayos clínicos, y la tasa interna de retorno de la industria farmacéutica se desplomó a un mínimo de doce años del 1,2 % en 2022 antes de recuperarse hasta el 5,9 % en 2024, en gran medida gracias a unos pocos casos atípicos de GLP-1. La búsqueda por fuerza bruta es un impuesto sobre cada una de esas cifras.

Lo que la fuerza bruta cuesta realmente en un presupuesto real

Así es como la obsolescencia se manifiesta en un presupuesto real, porque las abstracciones sobre 10⁶⁰ no conmueven a nadie.

Imagina un laboratorio de materiales de tamaño medio persiguiendo una perovskita de haluro sin plomo con una banda prohibida y un perfil de estabilidad específicos para células solares de próxima generación. Cinco cationes candidatos, ocho combinaciones de aniones, proporciones estequiométricas continuas: llamémoslo 10⁸ composiciones viables. El método tradicional es un posdoctorando sintetizando de tres a cinco composiciones a la semana, guiado por la literatura y la intuición de un director. A unos 150 dólares por síntesis una vez que cuentas precursores, preparación de sustrato y caracterización —una partida que he visto acumularse en más de una orden de compra—, eso son 78 000 dólares a lo largo de un año para probar 520 composiciones.

Quinientas veinte de cien millones. Eso es el 0,00052 % del espacio, y el mejor candidato que arroja puede estar en ningún punto cercano al óptimo real.

En el lado farmacéutico la misma aritmética se juega contra el reloj en lugar de contra la mesa de laboratorio. He visto la lógica de bucle idéntica —predecir primero, sintetizar solo los candidatos que merecen ser sintetizados— comprimir un trabajo preclínico que tradicionalmente dura de cuatro a cinco años en algo más cercano al ciclo que Exscientia recorrió para llevar una molécula diseñada por IA a la Fase I en unos doce meses, con los costes de I+D preclínica reducidos entre un 25 y un 50 %. Mismo principio, denominador mucho mayor.

Ahora plantea el mismo problema como un laboratorio autónomo. Preentrenas un sustituto de red neuronal de grafos con 50 000 estructuras de perovskita calculadas por DFT del Materials Project —una base de datos pública de propiedades de materiales calculadas— para que el modelo pueda predecir la banda prohibida y la energía de formación en milisegundos. Luego un optimizador bayesiano que usa una función de adquisición de Mejora Esperada elige cada experimento siguiente según uno de dos criterios: o bien el rendimiento predicho es alto, o bien la incertidumbre del modelo ahí es lo bastante grande como para que merezca la pena resolverla. Evita deliberadamente los cientos de ejecuciones que habrían producido datos incrementales o inútiles.

Ese sistema alcanza el 0,1 % superior del espacio de composición en 80 a 120 experimentos dirigidos, por 12 000 a 18 000 dólares en reactivos. Mismo laboratorio, mismos instrumentos, mismo posdoctorando: un orden de magnitud menos de experimentos y una fracción del coste.

La ventaja no es realizar experimentos más rápido. Es no realizar nunca los cuatrocientos experimentos que siempre iban a no decirte nada.

Esa reducción de 10 a 50 veces en experimentos hasta el objetivo no es una cifra de marketing que me inventé; es la diferencia constante entre la optimización bayesiana y el cribado aleatorio en toda la literatura de materiales. Y el lado del coste tiene su propia cifra: la Optimización Bayesiana Informada por el Coste, publicada en ChemRxiv en 2024, recorta el coste de optimización hasta en un 90 % al tratar el precio de cada experimento como parte de lo que la función de adquisición optimiza, no como una ocurrencia posterior.

Por qué dejé de confiar en el modelo y empecé a preocuparme por la fontanería

Volvamos a ese manipulador Hamilton.

Cuando nuestro bucle perfecto en simulación murió al contacto con el hardware real, mi primer instinto fue el equivocado. Supuse que era un caso aislado: mala suerte con un instrumento viejo. Así que escribimos un adaptador rápido, lo dejamos cojeando y seguimos adelante. Luego el siguiente laboratorio tenía un Tecan ejecutando FluentControl, el de después tenía instrumentos Agilent hablando un tercer dialecto, y un LIMS y un ELN que almacenaban el mismo experimento en dos formatos incompatibles. En cada sitio, el modelo iba bien el primer día y la integración se comía las semanas que seguían.

Fue entonces cuando caló: en un laboratorio autónomo, la IA es quizás el 20 % del trabajo. El otro 80 % es lograr que instrumentos heterogéneos, a menudo antiquísimos, se comporten como un único sistema programable. Los laboratorios sobreviven a esto discretamente hoy convirtiendo a las personas en middleware humano —un científico reintroduciendo números de un espectrómetro a una hoja de cálculo al LIMS—, que es exactamente el paso manual y propenso a errores que se suponía que la automatización iba a eliminar.

La solución honesta es SiLA 2, el estándar de automatización de laboratorios pensado para dar a los instrumentos un lenguaje común. Pero "estándar" lo vende de más. Cada combinación de instrumentos es su propio proyecto de integración. Así que empezamos a escribir a mano pilas de controladores SiLA 2 para envolver instrumentos heredados específicos —incluido el manipulador de doce años— y a tratar esa capa de controladores como un entregable de primera clase, no como código pegamento por el que disculparse. Es la parte que decide si el laboratorio es autónomo o solo una demostración.

También había una segunda lección de humildad técnica esperando en el lado del modelo. La primera vez que una búsqueda estequiométrica sobrepasó un par de docenas de parámetros ajustables, nuestro optimizador de proceso gaussiano de manual se ralentizó hasta arrastrarse. La optimización bayesiana estándar basada en GP escala como O(n³); en algún punto por encima de ~50 dimensiones sencillamente deja de ser utilizable, y tienes que pasar a aproximaciones dispersas —SVGP, aprendizaje profundo de núcleo— que la mayoría de las herramientas listas para usar no exponen. ¿Y el sustituto GNN que parecía tan inteligente en el ejemplo de la perovskita? En frío, no vale nada. Necesita de 500 a 1000 estructuras calculadas por DFT antes de que sus predicciones superen el lanzamiento de una moneda. El problema del arranque en frío no es algo que resuelvas eligiendo un mejor modelo; es un problema de aprendizaje por transferencia que resuelves con experiencia de dominio sobre qué química preentrenada afinar como punto de partida.

Nada de eso está en el folleto. Todo ello es lo que el proyecto realmente es.

¿Quién más construye laboratorios autónomos, y qué te cuestan en silencio?

El campo de los laboratorios autónomos se consolidó rápido, y los actores son reales y están bien financiados. Vale la pena saber qué te da realmente cada uno antes de firmar nada.

Radical AI recaudó 55 millones de dólares en una ronda semilla ampliada y una Serie A de 60 millones, respaldada por RTX Ventures y NVentures de NVIDIA, y abrió unas instalaciones en el Brooklyn Navy Yard en enero de 2026 con la gobernadora Hochul presente: criban miles de millones de composiciones y realizan más de 100 experimentos al día, más de 25 aleaciones diarias. Impresionante, y afinado para la metalurgia. La trampa es estructural: tus datos viven en su plataforma, y la lógica de optimización es su caja negra, no algo que puedas modificar. Emerald Cloud Lab opera más de 200 instrumentos automatizados en Carnegie Mellon —tú envías muestras y recibes resultados—, lo cual es genuinamente útil y también significa que tu química propietaria sale de tus instalaciones y quedas limitado a su catálogo de ensayos. Atinary, Kebotix, la recién ampliada "fábrica de ciencia con IA" de Lila Sciences: la misma forma de compromiso. Adaptas tu flujo de trabajo a su plataforma.

Todo proveedor de plataformas en este espacio te vende lo mismo bajo nombres distintos: su optimizador, sus instrumentos, su nube, y tu propiedad intelectual como inquilina sobre ella.

Luego están las consultoras del Big 4 que te venderán un encargo de estrategia de laboratorio por entre 500 000 y 5 millones de dólares y te entregarán una presentación de selección de proveedores tras la mayor parte de un año: implementan plataformas, no construyen motores de optimización. Y la vía interna, que te da control total y te exige dotar de personal a un equipo de optimización bayesiana y GNN que tarda un año en volverse productivo.

Lo que casi nadie ofrece es el punto medio: conservar tus instrumentos y tus datos existentes, y añadir una capa de optimización con IA que sea tuya. Esa brecha —entre el hágalo usted mismo y el bloqueo de plataforma— es toda la razón por la que una cláusula de contrato de proveedor que dice "sus datos químicos residen en nuestra infraestructura" hace que un responsable de I+D cuidadoso se detenga. Es también donde nosotros elegimos construir.

Qué ocurre cuando olvidas los fracasos

Hay una cifra del A-Lab de Berkeley que saco a colación en casi todas las presentaciones porque corta en la dirección correcta. El A-Lab sintetizó 41 materiales novedosos en 17 días, un resultado autónomo histórico. Su tasa de éxito de síntesis fue del 71 %.

Desde el asiento de una empresa, ese 71 % se lee como su complemento. El veintinueve por ciento de los intentos fracasó: pipetas obstruidas, deriva de sensores, reactivos degradados, un horno que no alcanzó la temperatura. Para una prueba de concepto académica, brillante. Para una línea farmacéutica regulada, ese 29 % no es desperdicio que ocultar. Son datos que estás legalmente obligado a conservar.

Aquí es donde he visto suceder los errores más caros, y no tiene nada que ver con la química. La norma de integridad de datos de la FDA, ALCOA+, exige que los registros sean Atribuibles, Legibles, Contemporáneos, Originales, Exactos y Completos. Completos significa que los experimentos fallidos también se capturan, no solo las ejecuciones que funcionaron. La mayoría del software de laboratorio autónomo descarta silenciosamente las ejecuciones fallidas. En un laboratorio de investigación nadie lo nota. En un entorno GxP, esa omisión es precisamente el hallazgo que produce una carta de advertencia por integridad de datos del CDER citando registros faltantes.

Esa no es una presión hipotética. Las cartas de advertencia del CDER aumentaron un 50 % en el año fiscal 2025, con las cuestiones de integridad de datos entre las citaciones dominantes; la FDA envió cartas de integridad a firmas como Tyche Industries y Jagsonpal Pharmaceuticals a principios de 2025. Y en enero de 2026 la FDA y la EMA publicaron conjuntamente diez Principios Rectores para la Buena Práctica de IA en el desarrollo de fármacos, centrados en la gobernanza de datos, la gestión del ciclo de vida y la supervisión humana. Así que cuando construimos un bucle para un laboratorio regulado, el rastro de auditoría que captura cada fallo de pipeta obstruida con una marca de tiempo y su procedencia no es una función que añadimos al final. Es una restricción en torno a la cual diseñamos el bucle desde la primera línea.

"¿No harán esto sin más las plataformas?" y otras cosas que la gente me pregunta

La pregunta que oigo más a menudo es si las plataformas bien financiadas simplemente absorberán esta necesidad. Absorberán los laboratorios que estén contentos de ser inquilinos. No atenderán al laboratorio de tamaño medio que tiene veinte años de datos propietarios, un edificio lleno de instrumentos que ya pagó, y un consejo que no aceptará que su propiedad intelectual viva en la nube de otro. Esas dos necesidades están estructuralmente enfrentadas, y la financiación no las reconcilia.

La segunda pregunta es si la IA está lo bastante madura como para confiar en ella. Los propios puntos de referencia del campo dicen que el modelado ha llegado: en los resultados de Matbench Discovery de 2026, se clasificaron 45 modelos y el mejor, PET-OAM-XL, alcanzó un F1 de 0,924 y un factor de aceleración del descubrimiento superior a 6 veces. La técnica de laboratorio autónomo impulsado por flujo de NC State, publicada en Nature Chemical Engineering a mediados de 2025, recopiló 10 veces más datos que los enfoques anteriores. La ciencia está lista. Lo que no está mercantilizado es conectarla a tus instrumentos bajo tu régimen de cumplimiento.

La tercera pregunta es la callada: ¿es esto solo para las grandes farmacéuticas? No. La economía muerde con más fuerza a los laboratorios de materiales y ciencias de la vida de tamaño medio cuyo presupuesto de I+D no puede absorber un año de 78 000 dólares para buscar en el 0,0005 % de un espacio, y que no pueden firmar un cheque de consultoría de 5 millones para que les digan qué plataforma comprar.

La parte que nadie pone en una diapositiva

He llegado a pensar que el romance del laboratorio autónomo —robots pipeteando durante la noche, IA imaginando moléculas— le hace un flaco favor al campo. Vende el romance y esconde el trabajo. La razón por la que la mayoría de estos proyectos se estancan no es que el optimizador no fuera lo bastante inteligente. Es que nadie quería pasar semanas escribiendo un controlador SiLA 2 para un manipulador de líquidos, ni construir un rastro de auditoría que registre los experimentos que fracasaron, ni afinar un sustituto más allá de su arranque en frío con la química de dominio adecuada.

Ese trabajo nada glamuroso es el trabajo. Es por eso que construimos los motores de optimización, las integraciones de instrumentos y la arquitectura de bucle cerrado como un solo sistema, para el laboratorio concreto que tenemos delante: tus instrumentos, tus materiales, tus datos que siguen siendo tuyos.

Edison probó miles de filamentos a mano porque en su época la teoría iba por detrás del experimento. En 2026 esa excusa ha desaparecido. Podemos predecir antes de sintetizar, elegir el único experimento que merece ejecutarse de entre cuatrocientos, y dejar que el laboratorio avance solo hacia una respuesta. Los laboratorios que siguen aplicando fuerza bruta a la búsqueda no están siendo minuciosos. Están pagando el año entero de un posdoctorando para mirar el 0,0005 % del cuadro y llamándolo diligencia.