El AI co-scientist de Google es un sistema de IA multiagente basado en Gemini que funciona como colaborador virtual de investigación. Le entregas un objetivo de investigación en lenguaje natural y un equipo de agentes especializados genera, critica y clasifica hipótesis novedosas, y luego te devuelve una lista corta con citas. Pasó de una demo de 2025 a un artículo de Nature revisado por pares en mayo de 2026 y ahora es la herramienta "Hypothesis Generation" dentro de Gemini for Science.
El momento estelar fue una historia de "superbacteria": reprodujo en unos dos días una hipótesis a la que un equipo del Imperial College tardó una década en llegar. La lectura honesta, a la que llegan incluso los escépticos, es que leyó todos los artículos relevantes y sintetizó la respuesta más rápido de lo que podría hacerlo cualquier persona, no que inventara la idea de la nada. Sigue siendo muy útil, pero es una afirmación distinta.
El acceso es restringido: los investigadores individuales se registran en labs.google/science y la I+D empresarial obtiene una vista previa privada a través de Google Cloud. Todavía no hay precios públicos. Si no diriges un laboratorio húmedo, lo que importa es la forma del invento: un compañero de IA especializado contratado para un trabajo definido. Ese es exactamente el modelo que eesel usa para tareas de soporte y contenido que puedes activar hoy.
Qué es realmente el AI co-scientist de Google
Empecemos por lo que no es. No es un chatbot, ni una herramienta de búsqueda bibliográfica que te entrega un resumen ordenado. Google es específico en esto: el co-scientist está pensado para descubrir conocimiento nuevo y formular "hipótesis y propuestas de investigación demostrablemente novedosas", no para reformular lo que ya se sabe.
Por dentro es una coalición de agentes que se ejecutan sobre Gemini. Le das un objetivo en lenguaje natural, algo como "propón candidatos de reposicionamiento de fármacos para la leucemia mieloide aguda", y el sistema activa agentes especializados que cumplen cada uno un papel del método científico: uno propone ideas, otro las critica como un revisor por pares, otro las clasifica y otro refina las que sobreviven. El resultado es un conjunto clasificado de hipótesis y un resumen de investigación que de verdad podrías llevar a un laboratorio.
El proyecto tiene un pedigrí real. Google Research lo presentó por primera vez en febrero de 2025, con Juraj Gottweis y Vivek Natarajan al frente, y se publicó en Nature en mayo de 2026 tras probarse con más de 100 instituciones. Ese es el recorrido que conviene notar: demo, luego un año de validación real en laboratorio y después un artículo revisado por pares, un listón mucho más alto que el típico "construimos un agente genial" de blog.
Cómo funciona el sistema multiagente
La forma más fácil de imaginarlo es un ritmo de tres tiempos: generar ideas, debatirlas, hacerlas evolucionar, y vuelta a empezar.
Seis agentes especializados se reparten ese trabajo y un séptimo está por encima. El artículo de DeepMind sobre Nature los nombra con claridad:
- Generation propone áreas de enfoque e hipótesis iniciales, apoyadas en la literatura.
- Proximity agrupa y elimina duplicados de ideas para que el sistema explore ampliamente en lugar de dar vueltas en torno a una sola respuesta.
- Reflection actúa como revisor por pares virtual y comprueba la corrección y la novedad de cada hipótesis.
- Ranking organiza un "torneo de ideas" y compara hipótesis cara a cara.
- Evolution refina y recombina las ideas mejor clasificadas.
- Meta-review sintetiza todo en la hoja de ruta final de investigación.
Por encima de todos, un agente Supervisor convierte tu objetivo en un plan y asigna los agentes especializados a una cola de workers, que es como el sistema aumenta o reduce el cómputo. Esta es la pieza que lo convierte en un verdadero sistema multiagente y no en un único modelo con gabardina: los agentes se ejecutan en paralelo y se alimentan entre sí, explorando varias vías a la vez.
Si has leído sobre la arquitectura de Agentforce deep research, plataformas de agentes empresariales como OpenAI Frontier o herramientas de investigación como Hebbia, este patrón te resultará familiar: dividir una tarea grande y difusa en roles, dejar que especialistas se encarguen de cada uno y orquestarlos. El co-scientist lleva esa idea al trabajo más difícil posible, las preguntas científicas abiertas.
El torneo de ideas y por qué la mayor parte del cómputo se va en comprobar
La parte competitiva es lo ingenioso. El agente Ranking organiza un torneo basado en Elo donde las hipótesis se enfrentan en debates científicos simulados, tomando la idea de autojuego de AlphaGo y AlphaStar. Las hipótesis con mejor puntuación ascienden, las más débiles caen y las que sobreviven siguen evolucionando.
Este es el detalle que omite la mayoría de la cobertura: Google dice que la mayor parte del cómputo del sistema se dedica a verificar hipótesis, no a generarlas. Las afirmaciones se contrastan con la literatura y con bases de datos como ChEMBL y UniProt para comprobar su fundamento y exactitud factual. Ese énfasis en comprobar por encima de lluvia de ideas es la decisión de diseño más importante, y es la misma lección que aparece en la IA de negocio, donde lo difícil nunca es generar una respuesta sino asegurarse de que es correcta antes de enviarla. Quien haya lidiado con las AI hallucinations reconocerá el instinto.
¿Refleja el torneo la calidad real? Google comprobó si su puntuación Elo interna coincidía con la precisión real en el conjunto GPQA "diamond", un conjunto de preguntas científicas de nivel doctoral.
La línea azul sube: un Elo autoevaluado más alto sí se correlacionó con una mayor probabilidad de acertar, y el co-scientist se despegó de la línea base de Gemini 2.0 a medida que dedicaba más tiempo a razonar. No es una verdad de referencia independiente, y Google lo reconoce, pero es una señal real de que el enfoque de "pensar más, debatir más" aporta algo.
La historia de la superbacteria que todos citan
Ahora el momento que lo hizo famoso. Google dirigió el co-scientist a una pregunta sobre resistencia antimicrobiana: ¿cómo se propagan las islas cromosómicas inducibles por fagos formadoras de cápside (cf-PICIs) entre tantas especies bacterianas? El equipo del profesor José Penadés, del Imperial College London, llevaba aproximadamente una década tratando de resolverlo y aún no había publicado la respuesta.
Ante la misma pregunta, el sistema llegó a la hipótesis central del equipo en unos dos días. Penadés quedó, comprensiblemente, atónito, y fue más que una simple suposición afortunada:
"It's not just that the top hypothesis they provide was the right one. It's that they provide another four, and all of them made sense. And for one of them, we never thought about it, and we're now working on that."
Esa frase de "cuatro hipótesis más, una en la que nunca habíamos pensado" es la parte emocionante, y el descubrimiento se publicó después en Cell.
Pero la historia se comprimió en "la IA resuelve un problema de superbacterias en dos días", y ese enfoque desató un debate agudo. El hilo de Hacker News más votado sobre el tema defendió la postura contraria sin rodeos:
"The point isn't that it's bad, the point is that the AI did not discover the solution to the problem independently, as news headlines had implied."
La objeción técnica es razonable. El co-scientist lee la literatura publicada, y ya existía trabajo adyacente del mismo grupo, así que un científico que escribió los artículos anteriores podría redactar el prompt, sin darse cuenta, con el mismo planteamiento que llevó a la respuesta. Como dijo un comentarista, se parecía más a "a search engine for information from its training data" que a un descubrimiento desde cero.
Entonces, ¿avance o exageración? La opinión más útil de ese mismo hilo rechazó ambos extremos:
"'Knowing all of the relevant literature' is a great first step for solving a problem! ... 'This paper from a lower-tier journal two years ago suggests you should look at X' is a very valuable thing to have!"
Ese es el veredicto honesto. El co-scientist no es un Einstein sintético con ideas originales en la ducha. Es el sintetizador de literatura más rápido y exhaustivo jamás construido, capaz de tener a la vista todos los artículos relevantes a la vez y conectar un hallazgo enterrado en una revista oscura con tu pregunta exacta. Planteada así, la historia de los dos días sigue siendo notable, solo que no es la historia que contó el titular.
En qué es realmente bueno: tres resultados de laboratorio
Más allá del caso de la superbacteria, Google sometió el sistema a experimentos de laboratorio de principio a fin en tres problemas biomédicos de dificultad creciente.
| Aplicación | Reposicionamiento de fármacos | Descubrimiento de nuevas dianas | Explicar un mecanismo |
|---|---|---|---|
| Ejemplo | Leucemia mieloide aguda | Fibrosis hepática | Resistencia antimicrobiana |
| Desafío | Búsqueda combinatoria | Identificar dianas novedosas | Entender sistemas complejos |
| Dificultad | Media | Alta | Muy alta |
| Resultado | Los fármacos inhibieron células tumorales a dosis clínicas | Los candidatos bloquearon una respuesta de cicatrización, p<0.01 | Recapituló el mecanismo de los cf-PICI |
El caso del reposicionamiento de fármacos es el más concreto. El co-scientist propuso fármacos existentes que podrían funcionar contra la leucemia mieloide aguda, y las pruebas de laboratorio posteriores confirmaron que los compuestos sugeridos inhiben la viabilidad tumoral a concentraciones clínicamente relevantes en varias líneas celulares.
El trabajo sobre fibrosis hepática, realizado con un equipo de Stanford y publicado en Advanced Science, fue más allá hacia territorio novedoso y reveló un candidato de reposicionamiento que bloqueó el 91 % de una respuesta ligada a la cicatrización en el laboratorio. Los científicos que lo usaron describen el valor de forma coherente, menos como "hizo mi trabajo" y más como "detectó lo que yo habría pasado por alto":
"Co-Scientist feels like a collaborator that's read everything available about biomedical science, with the reasoning capabilities to find the connections that we're currently missing."
Fíjate en lo cuidadoso que es el planteamiento de quienes están más cerca. Estructura el pensamiento, detecta lagunas y prioriza, pero la persona sigue haciendo las preguntas y ejecutando los experimentos. Es el mismo patrón con una persona en el circuito que distingue a un AI agent útil de uno demasiado seguro de sí mismo.
Dónde puedes usarlo hoy
Un chequeo de realidad práctico: para la mayoría de las personas, no puedes simplemente iniciar sesión y usarlo.
Hay dos vías, y ambas están restringidas. Los investigadores individuales pueden registrar su interés en labs.google/science para la herramienta experimental Hypothesis Generation, que Google va abriendo gradualmente. Los equipos de I+D empresariales obtienen una versión de nivel empresarial a través de Google Cloud, actualmente en vista previa privada con socios como Daiichi Sankyo, Bayer Crop Science y los Laboratorios Nacionales de EE. UU.
Dos advertencias honestas. Google no ha publicado ningún precio por uso, cuota ni límite de uso para el co-scientist, así que el coste es una incógnita. Y la herramienta es muy biomédica: los resultados estrella son todos de reposicionamiento de fármacos, descubrimiento de dianas y mecanismos de enfermedades, de modo que si trabajas en ciencia de materiales o economía, el encaje está mucho menos probado. Es pronto, funciona por invitación y apunta de lleno a las ciencias de la vida por ahora.
Qué significa esto si no diriges un laboratorio de investigación
La mayoría de quienes leen esto nunca dirigirán un agente a una línea celular cancerosa. Entonces, ¿por qué importa el co-scientist a un responsable de soporte o a un especialista en marketing? Porque es la prueba más clara y de mayor riesgo de un patrón que está cambiando silenciosamente el trabajo cotidiano: un compañero de IA especializado contratado para un trabajo claramente definido, que llega con las habilidades y el contexto para hacerlo.
Quita la biología y el co-scientist es una plantilla: dale un objetivo, deja que una coalición de agentes haga el razonamiento, dedica la mayor parte del esfuerzo a verificar antes de confiar en el resultado y mantén a una persona al mando de la decisión final. Esa es exactamente la receta de un buen agente de negocio, ya sea respondiendo a un ticket o redactando una publicación. La diferencia es que la versión de Google es una vista previa de investigación y la versión de negocio puedes activarla esta tarde, a menudo por una fracción del coste de un agente humano.
Prueba eesel
Google creó un co-scientist para el laboratorio. eesel crea compañeros de IA listos para trabajar en las tareas que tu equipo realmente lleva a cabo, y puedes contratar uno en minutos en lugar de apuntarte a una lista de espera.
Es la misma idea que hace funcionar al co-scientist, solo que dirigida al soporte y al contenido. El compañero de IA para el helpdesk se une a tu cola actual, aprende de tus tickets pasados y de tu centro de ayuda, y redacta o envía respuestas; además, puedes simularlo con tickets históricos reales antes de que toque a un cliente en vivo. El redactor de blogs con IA hace de principio a fin el ciclo de investigación y borrador. Ambos funcionan bajo una sola cuenta, se conectan a las herramientas que ya usas y se ponen en marcha en minutos. Empezar es gratis, sin llamada de ventas. Mira cómo funcionan los compañeros.