Demis Hassabis: la IA como herramienta definitiva para una nueva era científica

CIENCIA · IA · FUTURO

1. Quién es Demis Hassabis y por qué habla tanto de ciencia

Demis Hassabis tiene una biografía bastante distinta a la del típico CEO de big tech. Fue niño prodigio del ajedrez, diseñador de videojuegos en su adolescencia, doctor en neurociencia cognitiva y, finalmente, fundador de DeepMind en 2010. En 2014 Google compró la compañía, y en 2023 se fusionó con Google Brain para convertirse en Google DeepMind, el brazo de IA avanzada de Alphabet.

Su misión declarada desde el inicio era ambiciosa hasta la arrogancia: “resolver la inteligencia” para luego usarla para resolver el resto de problemas. Esa idea explota con AlphaGo, el sistema que derrota a Lee Sedol, y sobre todo con AlphaFold, el modelo que resuelve el problema del plegamiento de proteínas que llevaba décadas atascado en biología estructural. Es ese trabajo el que acaba llevándole al Nobel de Química junto a John Jumper y David Baker.

En una entrevista oficial de NobelPrize.org, Hassabis lo resume así: ha trabajado toda su vida en IA porque siempre ha creído que, si se construye “de la forma correcta”, puede ser la herramienta definitiva para ayudar a los científicos a explorar el universo y acelerar el descubrimiento. AlphaFold, dice, es solo el primer ejemplo, no el final del camino.

2. De la frase bonita a los hechos: AlphaFold, AlphaFold 3 y compañía

Lo fácil sería quedarse en el titular inspirador. Lo interesante es ver dónde la IA ya está cambiando la ciencia en serio.

AlphaFold fue el primer aviso. En 2020 DeepMind presentó un modelo capaz de predecir la estructura 3D de proteínas a partir de su secuencia de aminoácidos con una precisión que dejó descolocados a los expertos. Era un problema abierto desde los años 70, clave para entender enfermedades y diseñar fármacos. De repente, una tarea que podía llevar meses de laboratorio se podía automatizar en cuestión de horas.

En 2022, DeepMind y el EMBL-EBI liberaron las estructuras predichas de más de 200 millones de proteínas, prácticamente todo el catálogo conocido de la vida. Biólogos que trabajaban en enfermedades raras, enzimas industriales o nuevas vacunas pasaron de no tener estructura a tener un punto de partida decente para sus hipótesis.

En 2024, Google DeepMind da otro salto con AlphaFold 3: un modelo capaz ya no solo de predecir estructuras de proteínas, sino también cómo interactúan con ADN, ARN o pequeñas moléculas, mejorando la precisión de métodos previos en categorías clave. Traducido: no solo vemos la forma de la pieza, sino cómo encaja con otras, algo directamente relevante para el diseño racional de fármacos y terapias avanzadas.

En paralelo, la filial Isomorphic Labs está usando estas capacidades para diseñar medicamentos desde cero. En Davos 2025, Hassabis explicaba que esperan tener su primer fármaco diseñado con IA en ensayos clínicos a finales de año, con la ambición declarada de acortar por diez la parte de descubrimiento en el ciclo clásico de I+D farmacéutica.

3. GNoME, AlphaDev, AlphaEvolve: la IA escribiendo ciencia y algoritmos

La visión de Hassabis no se limita a la biología. DeepMind lleva años aplicando IA a otras ramas de la ciencia y las matemáticas, con resultados que encajan muy bien con esa idea de “herramienta general”.

GNoME, por ejemplo, es un sistema de aprendizaje profundo para descubrir nuevos materiales. En 2023, el equipo publicó que había predicho 2,2 millones de nuevos cristales, de los cuales unos 380 000 serían estructuralmente estables. En la práctica, es como si un algoritmo hubiera generado un mapa gigante de posibles materiales para baterías, chips o paneles solares que los científicos pueden explorar después en el laboratorio.

En el frente más matemático y de computación pura, DeepMind ha desarrollado sistemas como AlphaDev, que encontró algoritmos de ordenación más rápidos que los que se usaban convencionalmente en librerías estándar, y AlphaEvolve, un agente basado en Gemini capaz de diseñar algoritmos y optimizar centros de datos, chips e incluso procesos de entrenamiento de otros modelos. Aquí la ciencia no es biología, sino la propia informática: usar IA para inventar mejores formas de calcular.

Si te interesa esta parte más de ingeniería, hay una conexión directa con cómo diseñamos sistemas de machine learning en el día a día: desde la elección de arquitecturas hasta la optimización de pipelines de datos. Lo relacionamos con más profundidad en diseño de sistemas de machine learning, donde la mentalidad de “experimentar como un científico” encaja bastante con lo que predica DeepMind internamente.

El patrón que se repite es claro: modelos que exploran espacios enormes (moléculas, materiales, algoritmos) y devuelven candidatos prometedores que humanos especialistas pueden refinar. La IA no escribe el paper sola, pero cambia radicalmente qué hipótesis son siquiera visibles.

4. Una década de cambio brutal: ciencia, economía y AGI

En varias entrevistas recientes, Hassabis ha dicho que el impacto de la IA será “diez veces mayor que la Revolución Industrial y quizá diez veces más rápido”. Sitúa la posible llegada de una inteligencia artificial general (AGI) en un rango de cinco a diez años y habla sin cortarse de “abundancia radical” si se gestiona bien.

Su tesis es que, si conseguimos que sistemas del estilo de los de DeepMind trabajen codo a codo con científicos, ingenieros y médicos, podemos “comprimir un siglo de avances en biología en una década”. Eso implica nuevos tratamientos, mejores materiales, energías más baratas y, en general, procesos de innovación mucho más rápidos que los que conocemos.

La parte menos comentada de su discurso es que esto no es automático. En apariciones públicas y en foros como el Foro Económico Mundial, Hassabis insiste en que el reparto de beneficios va a ser crucial: si solo unas pocas compañías capturan la mayor parte de esa “abundancia”, el resultado puede ser más desigualdad y más tensión social, incluso aunque la ciencia vaya como un tiro.

Aquí la conversación se cruza con temas que tratamos más desde el ángulo empresarial en liderazgo en IA empresarial: quién decide qué proyectos se priorizan, qué datos se usan, qué sectores se benefician primero y cómo se protege a la gente cuyo trabajo se ve desplazado.

5. Qué podemos aprender de su forma de usar la IA en ciencia

Más allá de los grandes titulares, la forma en la que Hassabis y su equipo usan la IA deja varias lecciones prácticas para cualquiera que esté construyendo productos, modelos o empresas.

La primera es casi obvia pero se suele olvidar: empiezan por el problema científico, no por el modelo de moda. AlphaFold no nace de “queremos usar transformers porque son cool”, sino de una pregunta muy concreta: ¿podemos resolver el plegamiento de proteínas usando aprendizaje profundo? Lo mismo con GNoME o con AlphaDev: problema duro, impacto grande si sale bien, y paciencia para iterar hasta que el modelo realmente aporta algo nuevo.

La segunda: diseñan IA como parte de una cadena completa de descubrimiento. En ciencia, un modelo que sugiere hipótesis pero no se integra con bases de datos, herramientas de simulación y trabajo de laboratorio se queda en demo bonita. DeepMind coloca sus sistemas en el flujo de trabajo completo: desde explorar el espacio de posibilidades hasta ayudar a priorizar qué experimento físico se hace después.

La tercera: combinan modelos fundacionales con herramientas especializadas. Una parte pasa por grandes modelos multimodales tipo Gemini (que tratamos desde el ángulo de producto y negocio en Gemini 3 de Google), y otra por modelos muy afinados en dominios concretos. Al final, el stack de IA científica se parece más a un sistema operativo completo que a un chatbot aislado.

Si estás montando algo con IA, este patrón es oro: problema serio primero, modelo como pieza intermedia y no como fin en sí mismo, y un flujo de trabajo alrededor que convierta predicciones en decisiones reales. Es exactamente el enfoque que conectamos con el encaje producto-mercado para startups de IA.

6. Infraestructura, datos y “deep research” para la ciencia

Para que esta visión funcione fuera de Google DeepMind, hace falta algo más que un buen modelo: se necesitan infraestructuras, datos y herramientas de investigación que permitan a más gente trabajar como trabajan ellos.

En infraestructura, las grandes “fábricas de IA” de las que habla Hassabis son centros de datos diseñados específicamente para entrenar y servir modelos científicos. Ahí entran temas como chips especializados, redes de alta velocidad, gestión de energía y, cada vez más, despliegues con privacidad y residencia de datos controlada. Es el tipo de enfoque que comentábamos cuando analizamos Private AI Compute de Google: mover modelos hacia donde están los datos sensibles, no al revés.

En la capa de herramientas, empiezan a aparecer sistemas que automatizan partes del “deep research”: lectura masiva de papers, construcción de resúmenes y propuestas de experimentos. Google está empujando esta línea con cosas como NotebookLM, de la que hablamos en detalle en NotebookLM Deep Research y cómo puede cambiar tu forma de estudiar. Aunque NotebookLM está pensada para usuarios generales, la lógica es muy parecida a la que un científico puede usar para mantenerse al día en su campo.

Y en la parte de datos, el truco no es solo tener mucho, sino tener datos estructurados y conectados. Herramientas de recuperación aumentada (RAG) con grafos de conocimiento científico, como las que comentamos en Graph-RAG y búsqueda aumentada por grafos, empiezan a parecerse bastante a lo que un asistente científico ideal debería hacer: navegar por la literatura, conectar conceptos y proponer saltos no obvios.

7. El lado B: riesgos, sesgos y ciencia “acelerada” a lo loco

Hassabis se define como “optimista cauteloso”, y esa segunda palabra es importante. La misma IA que acelera el descubrimiento puede amplificar sesgos en los datos, generar papers-plantilla con errores sutiles o empujar a laboratorios y empresas a moverse tan rápido que la verificación se quede atrás.

Entre los riesgos que él mismo ha señalado están el uso malicioso de modelos para biología (por ejemplo, diseñar patógenos), la concentración de poder en pocas manos y el impacto ambiental del cómputo masivo. También reconoce el miedo real al desplazamiento de trabajos de cuello blanco si la IA se convierte en asistente científico y técnico en casi todos los campos.

Su respuesta no es frenar la investigación, sino combinarla con marcos de seguridad y regulación fuertes: normas para modelos de alto riesgo, auditorías, cooperación internacional y, sobre todo, inversión seria en investigación sobre seguridad de IA, no solo en hacerla más grande y rápida.

8. Qué hacer tú con todo esto

Si eres desarrollador, científico, founder o directivo, la visión de Hassabis no es un espectáculo lejano en un laboratorio de Londres. Es un mapa de hacia dónde se mueve la frontera, y te conviene leerlo con calma.

En lo personal, su consejo reciente a estudiantes es claro: hay que volverse muy bueno en “aprender a aprender”. Los modelos cambian cada pocos meses; lo que permanece es tu capacidad para entender un campo nuevo, formular buenas preguntas y usar la IA como acelerador, no como sustituto de tu criterio.

En tu organización, lo inteligente es empezar a tratar la IA como una capacidad estratégica, no como un proyecto aislado: pequeños “laboratorios de IA” internos, equipos mixtos de negocio y ciencia de datos, políticas claras de uso y una hoja de ruta que combine quick wins con apuestas más profundas. Si quieres una guía más aterrizada en esa parte empresarial, te puede servir ampliar con liderazgo en IA empresarial.

Y si estás construyendo producto, la pregunta que resume todo este artículo es sencilla y brutal: ¿estás usando la IA solo para escribir texto bonito o para acercarte, aunque sea un poco, a la forma en la que DeepMind la usa para hacer ciencia? La diferencia entre ambas cosas es, probablemente, la diferencia entre otro juguete más y algo que permanezca dentro de diez años.

La buena noticia es que aún estamos pronto. Lo que hoy vemos con AlphaFold, GNoME o AlphaDev es el principio de cómo será trabajar con la IA como herramienta científica. Si empiezas a pensar tus proyectos con esa mentalidad, es mucho más probable que la ola te pille surfeando y no mirando desde la orilla.

---

Si quieres seguir conectando la parte científica con el lado de producto y negocio, puedes enlazar este artículo con Gemini 3 de Google: innovaciones y impacto, con el análisis de NotebookLM y el deep research automático y con la visión de encaje producto-mercado para startups de IA.