Diseñar el experimento
88Decidir qué hipótesis vale la pena poner a prueba, y qué diseño experimental podría falsarla de verdad, exige un criterio científico que ningún sistema de IA actual puede originar de forma fiable por sí solo.
La biología parece automatizable desde fuera de un modo concreto: gran parte del trabajo en bruto —pipetear, secuenciar, analizar imágenes, buscar bibliografía— es lo bastante repetitivo como para que software y robots ya hagan partes más rápido y de forma más consistente que una persona. Lo más difícil de automatizar es el criterio que decide qué experimento vale la pena correr en primer lugar.
Herramientas de IA como predictores de estructura proteica y robots de automatización de laboratorio son reales y se expanden rápido, cambiando cuánto del trabajo rutinario de banco y análisis se hace. Lo que no han cambiado es quién decide qué pregunta vale la pena hacer, interpreta un resultado ambiguo o contradictorio en contexto, y responde de que una afirmación publicada sea correcta.
Moderado
Parte del trabajo que una máquina podría hacer
Una parte sustancial de la ejecución rutinaria de la biología —procesamiento de muestras, secuenciación, búsqueda bibliográfica, análisis básico de imágenes y datos— ya está parcialmente automatizada o va en ese camino. El núcleo del trabajo que sobrevive es elegir qué pregunta vale la pena hacer, diseñar un experimento que realmente pueda responderla e interpretar resultados que una máquina aún no puede distinguir de forma fiable del ruido.
Puntuado por tareas, no por título. Más bajo es más seguro.
Empleos que la IA no puede quitar →Lo que las máquinas no pueden quitar
Interpretar datos ambiguos o conflictivos
85Decidir si un resultado raro es un hallazgo biológico real, un artefacto técnico o ruido se apoya en un criterio científico contextual que el emparejamiento de patrones de la IA actual no replica de forma fiable.
Técnica delicada de laboratorio húmedo y de campo
80El tejido vivo, los cultivos celulares y los organismos de campo se comportan de forma impredecible; los robots de automatización de laboratorio de hoy ejecutan protocolos predefinidos con precisión, pero aún no pueden improvisar cuando una muestra no se comporta como se esperaba.
Trabajo de campo en entornos impredecibles
74Seguir animales, censar hábitats remotos o recoger muestras bajo clima y terreno cambiantes sigue dependiendo de un criterio humano presente y adaptable al que las máquinas no se acercan.
Responsabilidad científica y revisión por pares
66Un investigador con nombre responde de la exactitud de una afirmación publicada y apuesta su reputación a ella; ninguna revista ni organismo financiador ha resuelto cómo, o si, poner el nombre de un sistema de IA en su lugar.
Lo que ya están quitando
Procesamiento de muestras y secuenciación
78Los robots automatizados de manejo de líquidos y los secuenciadores de alto rendimiento procesan ahora miles de muestras con mucho menos tiempo de manos humanas que hace una década, especialmente en laboratorios con mucha genómica.
Predicción de estructura proteica
72Modelos de aprendizaje profundo como AlphaFold pueden ahora predecir la forma tridimensional de una proteína a partir de su secuencia en minutos, una tarea que solía llevar años de cristalografía de laboratorio por proteína.
Análisis rutinario de imágenes y conteo celular
66El reconocimiento de imágenes basado en IA ahora cuenta células, marca anomalías y mide estructuras en imágenes de microscopía con una consistencia que reduce, aunque no elimina, la tediosa puntuación manual.
Búsqueda bibliográfica y resumen
58Las herramientas de IA pueden ahora escanear y resumir miles de artículos mucho más rápido que un investigador leyendo a mano, aunque verificar los resúmenes contra los hallazgos originales sigue cayendo en un humano.
Cómo está cambiando el trabajo
La IA predice y diseña moléculas, no solo las analiza
Tras el avance de AlphaFold en 2020 al predecir la estructura proteica —trabajo que valió a sus creadores una parte del Nobel de Química de 2024 junto al pionero del diseño de proteínas David Baker—, las herramientas de IA ayudan cada vez más a diseñar nuevas proteínas y moléculas, no solo a interpretar las existentes.
Los cloud labs dejan a los biólogos correr experimentos escribiendo código
Laboratorios robóticos operados a distancia dejan ahora a los investigadores enviar experimentos como código y recibir resultados sin tocar nunca una pipeta, desplazando parte del trabajo de banco hacia un flujo más parecido a la ingeniería de software.
Las habilidades de laboratorio húmedo y computacionales coinciden cada vez más en la misma persona
Los proyectos de biología exigen cada vez más comodidad tanto con la técnica experimental práctica como con el análisis computacional de datos, y los investigadores que pueden hacer ambas cosas se vuelven más valiosos que especialistas estrechos en solo una.
Los preprints aceleran un campo tradicionalmente lento
Plataformas de difusión rápida como bioRxiv, lanzada en 2013, dejan a los biólogos publicar hallazgos antes de la revisión formal por pares, comprimiendo un ciclo de publicación que antes llevaba un año o más en semanas, a costa de cierta verificación previa a la publicación.
Nuevos oficios que se desprenden
Biólogo computacional / bioinformático
Analiza grandes conjuntos de datos genómicos, proteómicos o ecológicos de forma computacional, un rol que apenas existía como carrera distinta antes de la era genómica y ahora está en el centro de la mayoría de los grandes proyectos de biología.
Ingeniero de biología sintética
Diseña y construye sistemas biológicos novedosos —microbios modificados, circuitos genéticos, tejido cultivado en laboratorio— tratando las células vivas como componentes programables más que solo como objetos de estudio.
Científico de automatización de laboratorio
Diseña y gestiona flujos de trabajo de laboratorio robóticos y operados a distancia para cloud labs e instalaciones de alto rendimiento, un rol híbrido entre la ciencia de banco tradicional y la ingeniería de automatización.
Consejero genético
Traduce resultados de pruebas genómicas cada vez más detallados a términos que pacientes y familias pueden usar de verdad para tomar decisiones médicas, un rol de rápido crecimiento entre la genética clínica y la atención directa al paciente.
Perspectiva
Las tareas más expuestas a la automatización son las que pueden especificarse por completo de antemano: una corrida rutinaria de secuenciación, un pipeline estándar de análisis de imágenes, una predicción de estructura proteica para la que un modelo se ha entrenado con miles de ejemplos similares. Las más protegidas son las que no pueden preespecificarse: qué pregunta vale años de una carrera, qué significa realmente un resultado raro y cómo interpretar un sistema vivo que se niega a comportarse como predijo el modelo.
Esa división es improbable que reduzca el número de personas llamadas biólogos tanto como que cambie lo que el trabajo implica día a día: más tiempo diseñando experimentos e interpretando resultados, menos en la ejecución repetitiva que ahora manejan cada vez más robots y software. Un biólogo que trabaje en 2040 muy probablemente pasará menos tiempo en la pipeta y más en el teclado que uno de hoy.
Nada de eso cambia quién responde cuando una afirmación biológica publicada resulta ser falsa, ni quién decide qué experimento se financia y se corre en primer lugar. Hasta que un sistema de IA pueda confiarse esa responsabilidad, y ningún regulador ni organismo financiador pretende entregarla por ahora, el centro del trabajo sigue siendo humano.
Profesiones similares
Vecinos más cercanos en el perfil de seis puntuaciones, no solo el mismo campo.
⚛️
Físico
Deriva y pone a prueba las leyes matemáticas que rigen la materia, la energía, el espacio y el tiempo, desde una pizarra solitaria hasta un artículo de un acelerador de partículas con 3.000 autores.
Resistente a la IA 65 🏗️Arquitecto
Diseña edificios que deben sostenerse, cumplir la normativa, agradar al cliente y costar lo justo — y asume la responsabilidad legal si no lo hacen.
Resistente a la IA 78 🧪Químico
El científico que fabrica y mide la materia misma — del alambique de perfume de Tapputi en Babilonia a los laboratorios robotizados de hoy, sigue siendo quien decide qué significa el espectro.
Resistente a la IA 70 🎬Director de cine
Convierte un guion en una película terminada eligiendo cada plano, interpretación y corte, y convence a productor, estudio y público de que la visión merecía el presupuesto.
Resistente a la IA 73 🐾Veterinario
Trata a pacientes que van del pez de colores al caballo y que no pueden describir un síntoma, y tiene la potestad legal de poner fin a su sufrimiento mediante la eutanasia.
Resistente a la IA 78 💱Economista
El estudioso de la escasez: de la fábrica de alfileres de Adam Smith a la sala de decisiones del banco central, al que se le sigue pidiendo predecir lo que ningún modelo capta del todo.
Resistente a la IA 62Seguir explorando
Seguir explorando
Más en Ciencia e investigación
⚛️
Físico
Deriva y pone a prueba las leyes matemáticas que rigen la materia, la energía, el espacio y el tiempo, desde una pizarra solitaria hasta un artículo de un acelerador de partículas con 3.000 autores.
Resistente a la IA 65 🧪Químico
El científico que fabrica y mide la materia misma — del alambique de perfume de Tapputi en Babilonia a los laboratorios robotizados de hoy, sigue siendo quien decide qué significa el espectro.
Resistente a la IA 70 📊Científico de datos
Encuentra patrones y construye modelos predictivos a partir de datos: un título laboral de 2008 asentado sobre tres siglos de contar, contrastar y visualizar evidencia.
Resistente a la IA 38 🔭Astrónomo
El científico que mide el universo, desde las tablillas de arcilla babilónicas hasta los telescopios espaciales, aún decidiendo qué parpadeo en los datos es un descubrimiento.
Resistente a la IA 70 🧮Matemático
De los escribas babilonios a los medallistas Fields y la demostración asistida por IA: la profesión que convierte preguntas difíciles en certeza permanente, teorema a teorema.
Resistente a la IA 70