Introducción: por qué los científicos de IA se estancan al inicio
Los modelos de lenguaje modernos han aprendido a manejar bastante bien la rutina del trabajo científico: generan hipótesis, escriben código para experimentos e incluso redactan borradores de artículos. Sin embargo, al intentar automatizar todo el ciclo de investigación surge un cuello de botella inesperado: la etapa temprana en la que se debe formular el propio problema de investigación.
La mayoría de los científicos de IA existentes en este paso recurren a APIs comerciales de modelos propietarios. Esto se parece a una caja negra: las propuestas surgen del conocimiento paramétrico del modelo y de una búsqueda bibliográfica que está preajustada a las ideas generadas. Verificar en qué hechos se basa la conclusión es prácticamente imposible. Añada el riesgo de alucinaciones y sesgos sistemáticos del modelo concreto, y resultará que el punto de partida de la investigación puede ser no solo aleatorio, sino infundado.
Otro dolor particular es la privacidad. Los científicos no siempre están dispuestos a enviar sus avances a APIs externas, especialmente cuando se trata de ideas no patentadas o temas sensibles. Por eso no es de extrañar que cada vez atraigan más atención los enfoques locales que no salen de los límites de la infraestructura de investigación.
Es aquí donde entra en escena el sistema SGHA, desarrollado por Sarvesh Gharat y Junpei Komiyama. Su preprint apareció en el archivo el 18 de agosto de 2026. Los autores proponen un pipeline completamente autónomo de detección de vacíos científicos, que funciona con un modelo abierto local sin una sola llamada a APIs externas. Pero veamos cómo está estructurado.
Cómo funciona SGHA: del corpus a los problemas de investigación
A diferencia de los agentes típicos que simplemente «piensan» de forma libre, SGHA apuesta por la estructura explícita del corpus científico. La primera etapa es la transformación del conjunto de artículos en objetos de artículo vinculados a evidencias y un grafo de evidencias tipificado. En términos simples, cada publicación se descompone en entidades y relaciones: qué afirmaciones hace, en qué trabajos se apoya, qué experimentos confirman las conclusiones.
Luego, el sistema busca en este grafo patrones estructurales no resueltos: posibles vacíos. No se trata solo de coincidencias textuales, sino de «huecos» verificables sobre el material fáctico: por ejemplo, dos áreas de investigación están claramente relacionadas, pero nadie ha intentado combinarlas. Es importante que cada vacío candidato, antes de convertirse en un planteamiento de problema completo, pase una verificación de solidez.
De patrones a familias de problemas
A la salida, SGHA crea familias de problemas de investigación, para cada una de las cuales se indica:
- supuestos;
- objetivos;
- criterios de éxito;
- ambigüedades restantes.
Este enfoque permite al investigador ver no solo una idea, sino su justificación y los límites de aplicabilidad. Además, todo el razonamiento está limitado a las evidencias del corpus, lo que reduce drásticamente la probabilidad de alucinaciones.
Totalmente local: solo un modelo abierto de 9 mil millones de parámetros
La característica clave de SGHA es la autonomía total. Todos los componentes relacionados con el procesamiento del lenguaje y el razonamiento se ejecutan en un modelo abierto desplegado localmente con 9 mil millones de parámetros. Nada de APIs propietarias de modelos de vanguardia, nada de transferencia de datos al exterior. Incluso un proceso de investigación prolongado no requerirá ni una sola solicitud externa.
Esto no es solo una cuestión de conveniencia. Para laboratorios que trabajan con pedidos industriales o datos médicos, este enfoque elimina toda una clase de problemas de gestión de datos y confidencialidad. Además, un modelo abierto de 9B es un tamaño bastante modesto para los estándares actuales, lo que hace que el sistema sea accesible para ejecutarse en una sola estación de trabajo potente.
Evaluación: comparación con AI Scientist-v2
Los autores probaron el sistema en cinco áreas del aprendizaje automático, comparándolo con el módulo de formulación de ideas del proyecto AI Scientist-v2. Los resultados muestran que el enfoque con estructura explícita del corpus y verificación de evidencias produce formulaciones de problemas no menos prometedoras y verificables que el uso de modelos de vanguardia mucho más potentes. SGHA no solo genera nombres de temas, sino que permite rastrear sobre la base de qué artículos y relaciones llegó a tal o cual planteamiento de la cuestión.
Esto resuelve el problema de la «caja negra» y hace que el proceso sea auditable. Y dada la total localidad, este agente se puede integrar fácilmente en los flujos de trabajo científicos sin preocuparse por las políticas de seguridad.
Conclusiones y perspectivas
SGHA es un ejemplo convincente de que para plantear problemas científicos no es necesario conectar modelos en la nube gigantescos. La estructuración del corpus, el grafo de evidencias y un modelo local de 9B pueden proporcionar una calidad suficiente para problemas de investigación prometedores y verificables. Por supuesto, aún queda mucho trabajo por delante: los autores prometen abrir el código y los artefactos, lo que permitirá a otros grupos reproducir los resultados y adaptar el sistema a sus propias áreas.
Si la tendencia continúa, en los próximos años veremos toda una clase de científicos de IA que no dependen de APIs externas y son completamente transparentes para la verificación. Y eso significa que la automatización de la ciencia será no solo más eficiente, sino también más segura.
