Cuando la IA entra al laboratorio: el Dual-Use tecnológico cambia de escala

La inteligencia artificial cruza progresivamente una frontera importante. Después de haber aprendido a generar textos, imágenes, código informático, estructuras moleculares y proteínas, empieza ahora a participar en el diseño de sistemas biológicos mucho más complejos. En agosto de 2026, investigadores de Stanford y del Arc Institute publicaron en Science trabajos que demuestran que modelos de inteligencia artificial podían generar genomas completos de bacteriófagos funcionales, es decir, de virus que infectan bacterias. Los investigadores obtuvieron 16 fagos viables que presentaban distintos perfiles biológicos, y algunos demostraron una capacidad interesante para combatir bacterias que se habían vuelto resistentes al fago natural utilizado como referencia.

Este avance abre posibilidades considerables. Los bacteriófagos son objeto de investigación desde hace mucho tiempo como solución potencial o complemento de los antibióticos contra ciertas infecciones bacterianas, particularmente en un contexto donde la resistencia antimicrobiana representa un desafío mayor. La posibilidad de utilizar la IA para explorar más rápidamente el espacio biológico y diseñar nuevas variantes podría eventualmente acelerar esa investigación.

También pone de relieve una propiedad fundamental de numerosas tecnologías avanzadas: la misma capacidad que permite resolver un problema puede a veces aumentar la capacidad de crear otro. La inteligencia artificial acelera la investigación, amplía el espacio de las posibilidades y reduce ciertas barreras a la experimentación. Estas características pueden producir avances notables en medicina, en farmacéutica y en biotecnología. Al mismo tiempo, obligan a las organizaciones a reflexionar mucho antes sobre las consecuencias posibles de las capacidades que desarrollan.

El verdadero desafío supera, por lo tanto, ampliamente a los bacteriófagos. A medida que la inteligencia artificial entra en los laboratorios y participa directamente en el diseño biológico, el Dual-Use tecnológico cambia de escala. La gobernanza deberá evolucionar con él.

Los trabajos publicados en Science constituyen un excelente ejemplo de esta nueva realidad. Los investigadores utilizaron modelos genómicos capaces de aprender las estructuras y las restricciones presentes en grandes cantidades de secuencias de ADN. Evo 2, presentado a comienzos de 2026 en Nature, había sido entrenado con alrededor de nueve billones de pares de bases provenientes del conjunto de los dominios de lo vivo. El objetivo consiste en permitir a la inteligencia artificial trabajar directamente con el lenguaje fundamental de la biología.

Para el experimento sobre los bacteriófagos, el virus ΦX174, que infecta E. coli, sirvió de modelo de partida. Cientos de genomas generados por la IA fueron seleccionados, sintetizados y probados en laboratorio. Dieciséis produjeron fagos viables. Algunos presentaban características diferentes del virus natural y la mezcla de varios fagos generados logró infectar bacterias que habían desarrollado una resistencia al fago natural de referencia.

Hay que medir lo que este experimento representa sin hacerle decir más de lo que demuestra. No se trata de la creación por inteligencia artificial de un virus humano. Se trata de la demostración de que un modelo generativo puede contribuir a diseñar genomas virales completos y funcionales. Esta capacidad es suficientemente importante como para que investigadores en bioseguridad hayan señalado de inmediato sus implicaciones potenciales. Una perspectiva publicada paralelamente en Science estima así que la generación de genomas virales funcionales plantea cuestiones urgentes de bioseguridad y de bioprotección.

Es precisamente aquí donde la noción de Dual-Use se vuelve esencial. Una tecnología Dual-Use posee aplicaciones beneficiosas y puede al mismo tiempo producir otros usos o consecuencias que presentan riesgos. Este principio existe desde hace mucho tiempo en la investigación científica, en la ciberseguridad, en el ámbito nuclear, en la aeronáutica, en las tecnologías espaciales y en numerosas disciplinas de ingeniería. La inteligencia artificial añade, sin embargo, una dimensión nueva: puede acelerar considerablemente la velocidad de exploración y volver ciertas capacidades accesibles a más personas y organizaciones.

En el ámbito biológico, esta aceleración puede ser extraordinariamente beneficiosa. Los bacteriófagos constituyen una vía terapéutica estudiada desde hace más de un siglo y son hoy objeto de un renovado interés frente a las infecciones difíciles de tratar y a la resistencia a los antibióticos. La posibilidad de utilizar modelos para identificar, diseñar u optimizar más rápidamente fagos podría contribuir a explorar un número mucho mayor de candidatos y eventualmente a desarrollar enfoques terapéuticos más precisos.

La inteligencia artificial también puede acelerar el diseño de proteínas, el análisis genómico, el descubrimiento de moléculas, la comprensión de las interacciones biológicas y numerosas otras actividades que antes exigían ciclos de experimentación mucho más largos. Una parte del espacio de las posibilidades biológicas puede explorarse digitalmente antes de seleccionar los candidatos que merecen una experimentación física.

Esta capacidad cambia, sin embargo, la cuestión de la gobernanza. Cuando una tecnología permite explorar diez posibilidades, un equipo humano puede examinar cada una de ellas con relativa facilidad. Cuando permite explorar diez mil o un millón, el problema se vuelve diferente. La capacidad de generación aumenta mucho más rápidamente que la capacidad humana de examinar individualmente todas las consecuencias posibles.

Encontramos aquí un fenómeno ya visible en otros ámbitos de la inteligencia artificial: la escala modifica la naturaleza del riesgo.

En un laboratorio tradicional, la gobernanza se apoya en particular en las personas, los equipos, las sustancias, los protocolos, las autorizaciones y los experimentos realizados. Con la inteligencia artificial, una parte importante de la exploración puede comenzar mucho antes del experimento físico. Los modelos pueden generar hipótesis, proponer estructuras y explorar combinaciones en un entorno puramente informático.

La frontera de la gobernanza debe, por lo tanto, desplazarse también aguas arriba.

Es ahí donde un principio de Dual-Use by Design se vuelve interesante. Consiste en considerar las posibilidades beneficiosas y los usos potencialmente problemáticos desde el diseño de una capacidad, en lugar de esperar su despliegue para empezar a reflexionar sobre los mecanismos de control necesarios.

Este enfoque no significa que una tecnología que presenta un potencial Dual-Use debería evitarse. Una gran parte de las tecnologías más útiles de nuestra historia posee precisamente esa característica. Significa más bien que la gestión del riesgo se convierte en una propiedad de la arquitectura y del proceso de desarrollo.

Para una organización farmacéutica, biotecnológica o de investigación, esto podría comenzar con una pregunta simple: ¿qué capacidades estamos realmente creando?

Esta pregunta va más lejos que el inventario de los modelos utilizados. Un modelo relativamente general puede adquirir capacidades muy diferentes cuando se conecta a bases de datos especializadas, a herramientas científicas, a infraestructuras de cálculo, a sistemas automatizados o a equipos de laboratorio. El riesgo debe, por lo tanto, evaluarse a nivel del sistema completo y de sus interacciones, y no únicamente a partir del modelo tomado de forma aislada.

La identidad y los permisos adquieren también una nueva dimensión. ¿Quién puede utilizar un modelo? ¿A qué datos puede acceder? ¿Qué herramientas puede invocar? ¿Qué categorías de experimentos puede proponer? ¿Puede desencadenar una acción automáticamente? ¿Qué resultados requieren una validación adicional? ¿Qué actividades deben permanecer bajo autorización humana explícita?

Estas preguntas se parecen mucho a las que las organizaciones ya empiezan a encontrar con los agentes de IA en sus entornos informáticos. La diferencia reside en la naturaleza de las consecuencias posibles. Cuando un sistema actúa sobre código, datos o una infraestructura digital, su radio de acción debe ser controlado. Cuando participa en una cadena que puede eventualmente conducir a una realización biológica o física, la gobernanza debe considerar también ese paso de lo digital a lo real.

El concepto de mínimo privilegio se vuelve entonces particularmente pertinente. Un sistema solo debería disponer de los datos, herramientas y capacidades necesarios para la tarea que se le confía. Los entornos sensibles pueden segmentarse. Ciertas acciones pueden exigir varios niveles de autorización. Las actividades pueden registrarse y los resultados ser suficientemente trazables para permitir comprender qué datos, qué modelos y qué intervenciones humanas contribuyeron al proceso.

Esta trazabilidad se vuelve fundamental cuando varias inteligencias artificiales participan en la investigación. Una IA puede proponer una hipótesis, una segunda analizarla, una tercera efectuar una simulación y una cuarta contribuir a la preparación de un experimento. Cuando el resultado final posee consecuencias importantes, la organización debe ser capaz de reconstituir esa cadena de razonamiento y de acción.

El Dual-Use by Design conecta así con varios principios que ya conocemos en ciberseguridad: separación de responsabilidades, mínimo privilegio, segmentación, registro de actividad, control de accesos, validación independiente, supervisión y capacidad de interrumpir una operación. Estos principios pueden adaptarse a los entornos donde convergen inteligencia artificial, investigación científica y sistemas físicos.

El objetivo es permitir la innovación con un nivel de control proporcional a las capacidades desarrolladas.

Este enfoque se vuelve tanto más importante cuanto que la IA contribuye a reducir el costo de la exploración. En varios ámbitos científicos, una parte importante de la dificultad residía tradicionalmente en el número limitado de hipótesis que un equipo podía razonablemente examinar. Los sistemas generativos pueden multiplicar esas posibilidades. Lo que antes era improbable simplemente porque nadie tenía tiempo de explorarlo puede volverse accesible para una máquina capaz de recorrer un espacio considerable de soluciones.

Esta potencia constituye precisamente una de las razones por las que la inteligencia artificial puede acelerar el descubrimiento científico. Constituye también la razón por la que los mecanismos de gobernanza deben evolucionar al mismo ritmo que las capacidades.

La solución no consiste en ralentizar sistemáticamente la innovación. En ámbitos como la resistencia antimicrobiana, el desarrollo de medicamentos o la comprensión de las enfermedades, acelerar la investigación puede producir beneficios humanos considerables. Los progresos recientes en terapia con fagos ilustran, por lo demás, un ámbito donde nuevos enfoques podrían responder a infecciones difíciles de tratar.

La verdadera madurez consiste en desarrollar simultáneamente la capacidad de innovar y la capacidad de gobernar esa innovación.

Esto exige también una colaboración entre disciplinas. Los especialistas de la inteligencia artificial no pueden, por sí solos, determinar todas las consecuencias biológicas de un sistema. Los biólogos no deberían tener que convertirse en especialistas de la arquitectura de seguridad, del IAM o de la gobernanza de los agentes. Los equipos de ciberseguridad deben comprender que ciertas infraestructuras científicas combinan ahora datos, modelos, automatización y sistemas físicos de una manera que supera las fronteras tradicionales de la informática.

La gobernanza Dual-Use by Design se vuelve, por lo tanto, necesariamente multidisciplinaria. Reúne a los científicos que comprenden el ámbito, a los especialistas de la IA que comprenden los modelos, a los equipos de seguridad que comprenden los mecanismos de control, a los responsables de cumplimiento que comprenden las obligaciones y a los directivos que deben determinar el nivel de riesgo aceptable para la organización.

Esta convergencia es particularmente importante para los sectores farmacéutico, biotecnológico, médico, gubernamental y de defensa. Estas organizaciones pueden beneficiarse enormemente de las capacidades de la inteligencia artificial mientras trabajan con conocimientos, infraestructuras e investigaciones cuyas consecuencias superan a veces ampliamente su propio entorno informático.

La Hiperseguridad cobra aquí todo su sentido. La seguridad ya no concierne únicamente a la protección de un servidor, de una base de datos o de una cuenta de usuario. Debe considerar las identidades humanas y de máquina, los modelos, los datos científicos, las herramientas accesibles a los agentes, las infraestructuras de cálculo, los proveedores, los equipos físicos, las cadenas de validación y las consecuencias posibles de una acción.

Cuando lo digital puede influir directamente en lo biológico, la frontera de la ciberseguridad se amplía.

Los bacteriófagos generados con la ayuda de modelos de inteligencia artificial representan un avance científico notable. Muestran que la IA puede empezar a intervenir en el diseño de sistemas biológicos completos y que podría eventualmente contribuir a acelerar ámbitos como la terapia con fagos y la lucha contra ciertas infecciones resistentes a los antibióticos.

Este avance nos enseña al mismo tiempo algo mucho más amplio sobre la evolución de la inteligencia artificial. A medida que sus capacidades abandonan la pantalla para llegar a los laboratorios, los equipos, las infraestructuras y el mundo físico, las consecuencias de sus decisiones y de sus creaciones también cambian de escala.

El Dual-Use tecnológico se convierte entonces en una realidad arquitectónica. Una misma capacidad puede abrir una nueva vía terapéutica, acelerar un descubrimiento y permitir explorar posibilidades antes inaccesibles, exigiendo al mismo tiempo mecanismos de gobernanza proporcionales al poder que pone a disposición.

Para Quantum Beyond, esta evolución refuerza la importancia de un enfoque donde la innovación, la arquitectura, el AI Governance y la Hiperseguridad progresan juntos. Las organizaciones que trabajan en la frontera de la IA, la farmacéutica, la biotecnología, la salud, la investigación o la defensa necesitarán especialistas de sus ámbitos respectivos. También necesitarán una visión transversal capaz de comprender cómo interactúan los modelos, los datos, las identidades, los permisos, las infraestructuras y los procesos de validación.

El Dual-Use by Design puede convertirse en uno de los principios de esta nueva generación de gobernanza: identificar las capacidades a medida que aparecen, comprender sus usos posibles, limitar los privilegios cuando sea necesario, preservar la trazabilidad, mantener validaciones humanas proporcionales a las consecuencias y diseñar los mecanismos de seguridad al mismo tiempo que la innovación.

La IA nos permitirá probablemente explorar posibilidades científicas que nunca habríamos tenido tiempo de examinar por nosotros mismos. Es precisamente eso lo que hace este periodo tan prometedor. Cuanto más aumente nuestra capacidad de transformar una idea digital en realidad biológica, física u operativa, más se convertirá nuestra capacidad de gobernar esa transición en un componente esencial de la innovación misma.