El paradigma micro: un fundador y una orquesta de agentes

El momento en que cambia la ecuación

Hace un par de años, la idea de lanzar un proyecto de investigación en biocomputación sin un laboratorio, sin un equipo de cinco personas y sin financiación era, como mínimo, extravagante. El deep-tech siempre ha tenido una barrera de entrada alta: conocimiento especializado, datos, infraestructura computacional, tiempo de personas cualificadas. Todo eso multiplicado por la lentitud natural de la ciencia.

Algo ha cambiado. No de forma gradual, sino con la brusquedad de un cambio de fase. Los modelos fundacionales de lenguaje no solo generan texto — razonan sobre dominios técnicos, escriben código funcional, revisan literatura, redactan manuscritos, estructuran argumentos, detectan errores. Y los modelos locales, más pequeños pero especializados, ejecutan tareas repetitivas a coste cero una vez desplegados.

La combinación de ambos, orquestada con criterio, convierte a una sola persona en algo que no existía antes: un investigador con capacidad operativa de equipo.

No es automatización — es orquestación

La imagen que mejor describe este modelo no es la de un programador que automatiza tareas. Es la de un director de orquesta. Cada agente es un instrumento especializado: uno descarga y filtra datos de ClinVar, otro computa perfiles termodinámicos, otro entrena la CNN, otro verifica los resultados contra la literatura, otro redacta el manuscrito. El fundador no toca cada instrumento — decide qué se toca, en qué orden, y cuándo algo suena mal.

La diferencia con la automatización clásica es que estos agentes no son scripts deterministas. Tienen la capacidad de interpretar instrucciones ambiguas, detectar inconsistencias, proponer alternativas. El fundador mantiene la visión y la decisión, pero la ejecución se distribuye entre agentes que pueden operar en paralelo.

El fundador no reemplaza al equipo. Redefine lo que significa operar un proyecto de investigación: menos ejecución manual, más juicio y dirección.

La mezcla estratégica: local + fundacional

Un error frecuente es tratar los modelos de IA como una categoría monolítica. En la práctica, hay dos clases con economías opuestas, y la decisión de cuándo usar cada una es la decisión estratégica central de este paradigma.

Modelos fundacionales (Claude, GPT, Gemini): Razonamiento complejo, revisión adversarial, redacción científica, interpretación clínica. Alto coste por token, pero insustituibles cuando la tarea requiere juicio sofisticado. En QMetrika, el verificador clínico — el agente que cruza predicciones con CADD, REVEL, UniProt y las guías ACMG — necesita este nivel de razonamiento.

Modelos locales y cómputo propio (PyTorch, ESMC-300M, RNAfold): Tareas deterministas o de alto volumen donde el modelo fundacional sería un desperdicio. El motor termodinámico (energy.py) computa perfiles ΔG sin LLM. La CNN entrena localmente. El scoring evolutivo (ESMC-300M, sucesor de ESM-1v) se ejecuta en un Mac Mini con Apple Silicon a 0.08 segundos por variante. Coste marginal: cero. Todo el pipeline de precomputación corre en hardware de escritorio.

El ratio entre tokens locales y tokens fundacionales es la métrica de salud del proyecto. Cuanto más se desplaza hacia lo local, mayor autonomía, menor coste y más conocimiento propio se acumula. Pero sin acceso puntual al modelo fundacional, ciertas tareas — las que requieren razonamiento de alto nivel — simplemente no se hacen.

La orquesta en la práctica: pipeline de QMetrika

En QMetrika, este modelo no es una abstracción. El pipeline de clasificación de variantes (L1) funciona así:

Entre el predictor y el verificador hay un gate de aprobación: el pipeline se detiene hasta que el fundador — en este caso, el investigador principal — revisa la predicción antes de pasar a la verificación cruzada. El sistema es fail-closed: si no hay aprobación explícita, nada avanza. La IA propone, el humano decide.

El resultado de operar así, en números:

Tres preprints (clasificación missense, optimización de mRNA terapéutico, variantes sinónimas) y un benchmark formal publicado que compara EnergyFingerprint contra CADD, REVEL y AlphaMissense. Una patente registrada (OEPM). Un optimizador de mRNA que supera a las vacunas de Pfizer y Moderna en estabilidad termodinámica. Un estudio de valor aditivo que demuestra que EF mejora a CADD en canales iónicos (SCN1A: +0.109 AUC) y reclasifica VUS con 90.6% de precisión. Un prototipo de red neuronal sobre grafos termodinámicos (DT-GNN) con interpretabilidad glass-box. Y un marco teórico (Λ = S ⊗ Φ) que despliega una trilogía de papers planificada hasta 2028.

Todo desde un escritorio con un Mac Mini, conexión a internet y una cuenta de API.

Lo que no cambia

La parte que la IA no sustituye es la más importante: la pregunta correcta. Ningún agente decide que el perfil termodinámico del mRNA es una dimensión útil para clasificar variantes genéticas. Ningún agente elige el ángulo de la patente, define la trilogía de papers, o detecta que el gradiente de transferibilidad zero-shot revela algo profundo sobre la gramática de las proteínas.

La intuición científica, la visión estratégica y el juicio sobre qué merece la pena investigar siguen siendo humanos. Lo que cambia es que esa intuición ya no necesita esperar a tener un equipo, una beca y un laboratorio para convertirse en resultados publicables y defendibles.

Un investigador con la pregunta correcta y una orquesta de agentes bien dirigida puede generar resultados que antes requerían un grupo de investigación completo. La barrera ya no es el equipo — es la pregunta.

Para quién es este modelo

No es para todo el mundo. Funciona cuando se dan tres condiciones: el fundador tiene dominio del campo (sin eso, no hay pregunta correcta); el proyecto tiene una componente computacional significativa (la IA amplifica lo computacional, no lo experimental); y el fundador está dispuesto a invertir tiempo en diseñar la orquestación antes de ejecutar.

Pero cuando esas condiciones se dan, el resultado es algo que no tenía nombre hasta hace poco: un micro-proyecto de deep-tech viable, con un solo fundador, que compite en calidad de output con grupos establecidos. No porque la IA sea mágica — sino porque la combinación de juicio humano, modelos locales especializados y acceso puntual a razonamiento fundacional es, por primera vez, suficiente.

Donde el paradigma micro necesita dejar de ser micro

Todo lo anterior es real y funciona. Cuatro publicaciones con DOI, una patente registrada, un benchmark formal publicado, 42 genes validados, un optimizador que supera vacunas comerciales — todo desde un escritorio. Pero sería deshonesto cerrar aquí sin decir lo que viene después.

Este modelo es extraordinariamente eficaz para validar una hipótesis, construir un prototipo y generar evidencia publicable. La fase de exploración y prueba de concepto se comprime de años a meses. Hasta ahí, un fundador con una orquesta de agentes es suficiente.

Pero la ciencia no termina en el preprint. La validación experimental — sintetizar constructos de mRNA, medir expresión en cultivos celulares, realizar ensayos DMS-MaPseq — requiere un laboratorio físico. La extensión internacional de la patente requiere capital. Escalar el producto desde un prototipo hasta una herramienta clínica certificada requiere regulación, infraestructura y personas.

El paradigma micro demuestra que la barrera de entrada al deep-tech ha bajado drásticamente. Pero la barrera de escalado sigue donde estaba. Lo que cambia es la posición desde la que se negocia: ya no es una idea en una servilleta — es un proyecto con resultados cuantificados (AUC 0.961, 42 genes, benchmark publicado contra los tres predictores dominantes), con DOIs, con IP protegida y con un sistema operativo probado.

El siguiente paso natural para QMetrika es colaboración con universidades para validación experimental, cooperación con empresas de capital para la extensión PCT y el desarrollo de producto, y partnerships con laboratorios de diagnóstico y pharma para pilotos clínicos. El micro-proyecto ha demostrado que la ciencia funciona. Ahora necesita el ecosistema para crecer.