La informática de materiales (Materials Informatics) está entrando en una etapa en la que el uso de la inteligencia artificial no se limita al análisis de datos o a la propuesta de nuevas composiciones, sino que se extiende a determinar qué preguntas deben plantearse y a diseñar el propio ciclo de investigación. El artículo, publicado el 9 de septiembre de 2026, analiza esta transformación a través del papel de los modelos lingüísticos grandes (LLM) y los agentes inteligentes en el ciclo de desarrollo de materiales.
La idea fundamental no es que la inteligencia artificial vaya a sustituir al investigador, sino que cambiará la forma de distribuir las funciones entre la persona y el sistema. En lugar de realizar un experimento y después analizar su resultado, puede construirse un bucle repetitivo en el que el algoritmo seleccione el siguiente experimento basándose en los datos anteriores, manteniendo las decisiones de verificación y de intervención dentro del diseño del proceso.
De optimizar resultados a seleccionar el siguiente experimento
El artículo explica que el uso de la optimización bayesiana en la ingeniería de materiales ya permite seleccionar los siguientes experimentos de forma secuencial. El método se basa en los resultados anteriores y en la incertidumbre del modelo, y después selecciona el punto que previsiblemente será más útil para la investigación. Sin embargo, este enfoque por sí solo no garantiza una interpretación completa de los resultados ni la detección de todos los factores influyentes; su objetivo principal es alcanzar el mejor valor dentro de un número limitado de experimentos.
El análisis señala que el éxito de la optimización bayesiana depende de cómo se definan las variables y las restricciones. Si algunas condiciones no se incluyen o se consideran fuera del alcance de la investigación, el ámbito de las recomendaciones de la inteligencia artificial puede cambiar sin que ello resulte evidente para el usuario. Asimismo, definir el objetivo puede ser en sí mismo un problema de investigación, especialmente cuando la relación entre la composición del material y su rendimiento no se conoce lo suficiente.
¿Qué aportan los modelos lingüísticos grandes?
Los modelos lingüísticos grandes pueden intervenir en el diseño de preguntas, por ejemplo, leyendo registros anteriores, organizando la información, extrayendo patrones o formulando hipótesis iniciales. Sin embargo, el artículo advierte contra la equiparación de esta capacidad con la producción automática de conocimiento fiable. La inferencia que los modelos construyen a partir de la información disponible puede ser distinta del resultado que el investigador pretende alcanzar, y sus resultados también pueden reflejar las limitaciones de los datos y la forma en que se formula la pregunta.
Por esta razón, no basta con introducir un modelo lingüístico en el flujo de trabajo. Es necesario construir un mecanismo que conecte la pregunta con los datos, el experimento y el criterio de verificación, y que después devuelva el resultado al ciclo de investigación para actualizar la pregunta o seleccionar el siguiente experimento. De este modo, el modelo se convierte en parte de un proceso de exploración revisable, y no en una fuente única de juicio científico.
El ser humano dentro del bucle o por encima de él
El artículo analiza el concepto de human-on-the-loop como un modelo en el que la persona supervisa el sistema y tiene autoridad para intervenir cuando sea necesario, en lugar de participar manualmente en cada paso, como en el modelo human-in-the-loop. Esta idea se relaciona con lo que el artículo denomina, en el contexto del desarrollo de software, «ingeniería de bucles» (loop engineering): determinar dónde se sitúa la inteligencia artificial en el ciclo, qué supervisa la persona y cuándo se repite o se detiene el proceso.
Esta concepción amplía el alcance del diseño, desde las capacidades del modelo hasta el diseño del sistema completo. La cuestión no se refiere únicamente a si la inteligencia artificial es capaz de proponer una respuesta, sino también a quién la revisa, cómo se mide la calidad del resultado, qué procedimiento la sigue y cuándo vuelve la decisión a la persona. El artículo menciona que el debate sobre el papel humano en la automatización se intensificó durante 2025, mientras que en 2026 surgieron llamamientos a pensar en la ingeniería de bucles al desarrollar agentes de inteligencia artificial.
¿Por qué importa esta noticia?
El efecto práctico de este planteamiento es que los proyectos de ingeniería de materiales no se medirán únicamente por la precisión del modelo o por el número de experimentos que pueda ejecutar. También necesitarán una definición clara de los objetivos, el alcance de las variables, las condiciones de exclusión y los puntos de revisión humana. Cuanto mayor sea la capacidad del sistema para pasar de un resultado a un nuevo experimento, más importante será que las decisiones puedan rastrearse y verificarse.
Sin embargo, el artículo no presenta pruebas de que los agentes o los modelos lingüísticos hayan resuelto estas limitaciones. Más bien, las sitúa entre las preguntas de diseño abiertas: ¿cómo se define un resultado satisfactorio? ¿Cómo se vincula el resultado con el comportamiento siguiente? ¿Y cuándo es necesaria la intervención humana? Por tanto, el valor fundamental de la transformación propuesta no reside en automatizar por completo la investigación, sino en rediseñar el ciclo de investigación para que el uso de la inteligencia artificial pueda examinarse y corregirse.