La mayoría de las herramientas de lectura de IA resumen artículos; Faraday intenta rehacerlos. El nuevo agente de Inherent está optimizado para la replicación: identifica los pasos experimentales clave, diseña procedimientos ejecutables y reporta si los resultados se mantienen. La empresa afirma que Faraday, que funciona con un modelo Qwen de clase 27B comparativamente pequeño y herramientas externas, superó a sistemas mucho más grandes de OpenAI y Anthropic en sus tareas internas de replicación. Aunque las cifras principales son provisionales, el cambio de objetivo es notable. La replicación operacionaliza el rigor científico y está directamente ligada al rendimiento y la credibilidad del laboratorio, siendo un mejor indicador de utilidad real que la extracción de citas o la calidad de la revisión bibliográfica.

La ventaja reclamada parece provenir del diseño del agente más que del tamaño del modelo: aprendizaje por refuerzo para cultivar “gusto investigativo”, planificación deliberada de experimentos y dependencia pragmática de asistentes de codificación existentes para la implementación. Esa arquitectura refleja cómo trabajan realmente los equipos humanos: el investigador principal establece la hipótesis, el postdoctorado diseña el plan, las herramientas producen código y gráficos. Si la reproducibilidad es la meta, la orquestación importa tanto como el razonamiento. La pregunta abierta es la validez externa: ¿persisten estas mejoras en bancos de pruebas públicos, ciegos y multidominio con líneas base sólidas y métricas transparentes como success@k, paridad de acceso a datos y tiempo para replicar?

Si los agentes de replicación maduran, su impacto podría ser inmediato para biotecnología, materiales y organizaciones de investigación en aprendizaje automático. Pueden preseleccionar artículos de alto esfuerzo antes de asignar tiempo en el laboratorio, poner a prueba procedimientos operativos estándar y documentar resultados negativos, a menudo invaluables pero poco reportados. Para las empresas, esto redefine la IA de asistente de lectura a capa de verificación en I+D, cumplimiento y diligencia en propiedad intelectual. Pero la gobernanza es crucial: deben codificarse límites para la procedencia de datos, ejecución de código, conjuntos de datos licenciados y escalada de reclamos. Sin protocolos transparentes y registros de auditoría, la replicación a gran escala corre el riesgo de amplificar métodos defectuosos más rápido que mejorar la fiabilidad científica.