Los agentes de IA suspendieron una prueba sobre vigilancia de patógenos. Eso debería preocuparnos

La vigilancia genómica de patógenos tiene un problema de datos, o más bien lo tenía: las máquinas de secuenciación ahora producen muchas más lecturas sin procesar de las que los analistas capacitados pueden procesar. El cuello de botella se ha desplazado de generar datos a darles sentido. Los agentes de IA parecían la solución obvia, y varios laboratorios han comenzado a experimentar con ellos.

Un nuevo artículo publicado en arXiv el 21 de julio de 2026 ofrece una cifra concreta sobre dónde se encuentra esa idea hoy. La respuesta: alrededor del 50 %.

Lo que la evaluación hace de manera diferente

BioSecBench-Surveillance, creado por un equipo de investigadores cuyas afiliaciones figuran en el artículo, es un conjunto de 100 evaluaciones que prueban si un agente de IA puede deducir el flujo de análisis correcto a partir de datos de secuenciación sin procesar y el contexto de vigilancia. El agente no recibe nada que un analista humano no tendría: las lecturas, una descripción del tipo de muestra, la plataforma de secuenciación utilizada. Luego, el sistema califica la respuesta estructurada del agente de forma determinista, sin puntuación subjetiva.

Las tareas abarcan siete categorías: clasificación taxonómica, perfil de resistencia antimicrobiana, parentesco clonal, detección de recombinación, asignación de linaje o variante, predicción de serotipo y detección de ingeniería genética. Las muestras cubren diversas tecnologías de secuenciación y tipos de muestra que van más allá de las lecturas cortas estándar de Illumina.

Las puntuaciones, con los datos

El artículo informa los resultados de 3962 intentos calificables de dieciséis combinaciones de modelo y entorno. Los investigadores proporcionan intervalos de confianza, lo cual es importante porque 83 evaluaciones son una muestra pequeña para obtener clasificaciones precisas. Los tres primeros, incluidos sus intervalos de confianza, son los siguientes.

Opus 4.8 con PI obtuvo un 50.2 % (IC del 95 %: 40.1 a 60.3 %). GPT-5.5 con Codex empató con un 50.2 % (IC del 95 %: 40.8 a 59.6 %). Opus 4.7 con PI obtuvo un 49.6 % (IC del 95 %: 40.0 a 59.2 %). Sonnet 4.6 con PI le siguió con un 48.6 % (IC del 95 %: 38.9 a 58.3 %). Ninguna de estas diferencias es estadísticamente significativa dados los intervalos de confianza superpuestos, por lo que la conclusión principal es que las mejores configuraciones se agrupan en el mismo techo.

Más de la mitad del tamaño de la muestra para el par con mayor puntuación correspondió a tareas de perfil de resistencia antimicrobiana, lo que puede inflar las puntuaciones generales si esas tareas son más fáciles. La investigación original no desglosa la precisión por categoría, por lo que el número del 50.2 % debe entenderse como un agregado con una varianza desconocida entre los tipos de tarea.

Los errores que importan

El hallazgo más esclarecedor no es el techo de precisión, sino el modo de fallo. El artículo informa que, incluso cuando los agentes invocaban los flujos de trabajo correctos, los errores provenían de las decisiones periféricas. Qué base de datos de referencia usar. Dónde establecer el umbral para una coincidencia. Qué normalización aplicar. Qué filtros mantener o descartar. Estos son el tipo de decisiones que un bioinformático experimentado toma de forma semiautomática, y son precisamente las decisiones que los agentes de IA se equivocan de manera sistemática.

Ese patrón sugiere que la brecha no se cerrará solo con modelos más grandes. Un mayor número de parámetros o mejores datos de entrenamiento podrían mejorar la selección del flujo de trabajo, pero las decisiones de juicio periféricas no son obviamente aprendibles a partir del texto público. Dependen de un conocimiento tácito que se acumula en los laboratorios húmedos y los programas de vigilancia.

Lo que está en juego para el próximo brote

Los autores del artículo presentan la evaluación como un estándar para medir si se puede confiar en los agentes para realizar la vigilancia genómica cuando llegue el próximo brote. Al 50 %, la respuesta es claramente que todavía no. La preocupación no es que un agente falle en silencio. La preocupación es que produzca respuestas erróneas y seguras que pasen desapercibidas durante la revisión, especialmente durante un aumento en el que los analistas están abrumados.

La evaluación en sí es abierta y las tareas son verificables, lo que significa que el trabajo futuro puede medir el progreso. Si ese progreso proviene de mejores agentes, mejores evaluaciones o mejor supervisión humana es la pregunta que el campo deberá responder antes de la próxima crisis.