Resolver problemas en forma automática y hacer investigación relevante no son lo mismo. Esa es la conclusión de un artículo invitado que el profesor Matthew Schwartz, físico de la Universidad de Harvard, publicó en el sitio de Anthropic, según The Decoder el 3 de octubre de 2026. Schwartz es además investigador visitante en Anthropic.

En el texto cuenta que dejó de intentar usar a Claude como si fuera un investigador humano y empezó a buscar lo que llama "problemas con forma de Claude", tareas que calzan con las fortalezas de los modelos de IA actuales. Según el gráfico que acompaña el artículo, esos problemas están en la intersección entre lo que los científicos quieren estudiar y lo que la IA de verdad puede hacer.

Ese enfoque dio origen a BootLoops, un arnés de código abierto para cálculos científicos exactos. El código fuente está publicado en GitHub.

Con el arnés, Claude encontró conexiones entre la física de partículas, la ecología, la genética de poblaciones, la economía y la lingüística, según Schwartz. Pero los resultados muchas veces solo adquirieron valor científico cuando expertos de cada área entraron a fijar el rumbo.

¿Qué problema intenta resolver BootLoops?

Schwartz usa el concepto de "envolvente convexa" para explicar cómo la IA puede ayudar a la ciencia. El conocimiento humano está fragmentado. Cada disciplina se extiende en su propia dirección y los espacios entre ellas quedan sin explorar. Un laboratorio puede pasar 20 años estudiando un conjunto de genes con un solo método y dejar sin tocar los genes vecinos y los enfoques alternativos.

Un arnés de IA como BootLoops está pensado para llenar esos vacíos, trazando conexiones a lo largo de las fronteras irregulares del conocimiento.

36 manuscritos en 18 disciplinas en tres meses

En tres meses, el equipo produjo 36 manuscritos en 18 disciplinas, con 19 coautores. Schwartz empezó por cálculos de física de partículas, en particular amplitudes de dispersión e integrales elípticas. En pocas semanas, Claude calculó 30 integrales con BootLoops. Quince reprodujeron resultados conocidos y quince se calcularon por primera vez.

Después amplió la búsqueda a otras áreas.

  • Ecología. Claude resolvió una ecuación de 20 años de antigüedad de la teoría neutral de la biodiversidad que hasta ahora no se podía calcular a escala. Aplicados a datos reales, los resultados mostraron que la composición de especies de árboles en la isla Barro Colorado, en el Canal de Panamá, cambia 4,5 veces más rápido de lo que la teoría permite. El ecólogo James O'Dwyer ayudó luego a convertir ese hallazgo en un mejor modelo predictivo.
  • Genética de poblaciones. El equipo analizó 5.700 millones de pares de mutaciones del proyecto 1000 Genomes y encontró evidencia de un mecanismo llamado conversión génica.
  • Economía. Un editor de datos con IA para revistas de economía revisó en forma automática 4.452 paquetes de replicación. El trabajo se publicó como documento de trabajo del NBER.
  • Lingüística. Una base de datos de acento léxico que cubre 6.072 idiomas, construida junto a tres lingüistas.

"Python para ingenieros ya está obsoleto"

Schwartz describe una ciencia que cambia tan rápido con la IA que planificar a futuro se vuelve casi imposible. ¿Para qué postular a un fondo de tres años para financiar un cálculo que un modelo de IA podría resolver en una noche?

La formación de estudiantes de doctorado también quedó como pregunta abierta. Desde su artículo anterior sobre lo que llamó Vibe Physics, esa sensación solo se ha hecho más fuerte. En algunas áreas, como la computación, el cambio es alarmante. Hace dos años habría calificado un curso de "Python para ingenieros" como "esencial", y hoy lo considera "innecesario", porque Claude puede encargarse de esas tareas.

Construir modelos de aprendizaje automático para estudiar fenómenos físicos es otro terreno que la IA ya puede asumir. Incluso un conocimiento profundo de redes neuronales rinde poco cuando Claude puede implementar a pedido el estado actual de la investigación en ML.

"Revísalo todo tú mismo"

Schwartz también advierte sobre las debilidades de los modelos. A Claude le gusta declarar victoria antes de tiempo, y frases como "listo, con un asterisco" a menudo significan "nada listo". Calcula mal cuánto van a tardar las tareas y tiende a resolver los cálculos por fuerza bruta en vez de buscar soluciones más elegantes. Las verificaciones automáticas no son confiables, y las conclusiones de Claude pueden estar equivocadas aunque sus cálculos sean correctos.

Más allá de la confiabilidad, el modelo se inclina hacia debates antiguos y muy citados en vez de preguntas de verdad nuevas. Y los proyectos fueron "intensivos en cómputo y en tokens", según Schwartz.

También ve un riesgo en el foco puesto en los grandes problemas matemáticos y en los titulares. Las expectativas poco realistas pueden distraer de las aplicaciones productivas que ya funcionan hoy. El progreso real se seguirá construyendo sobre bases sólidas, solo que más rápido. Para Schwartz, el método científico no está amenazado, y la guía y el criterio humanos siguen siendo indispensables.