
OpenAI anunció que junto a PerturbAI y Scripps Research usó miles de agentes de IA potenciados por GPT-Rosalind para analizar datos experimentales de millones de células del cerebro de ratón — y se demoraron 32 minutos. El análisis equivalente, hecho por humanos de a una perturbación genética a la vez, tomaría entre meses y un año. Bautizaron la técnica distributed biological reasoning, y el resultado — un “reasoning atlas” que conecta genes, efectos celulares, publicaciones y mecanismos biológicos posibles — quedó disponible públicamente.
Cómo funciona el enjambre
Cada agente investigó una disrupción de gen del atlas CRISPR de cerebro completo: analizó las respuestas celulares, buscó literatura científica y propuso explicaciones. Luego los reportes se combinaron en el atlas. Los agentes reprodujeron hallazgos de análisis humanos previos y desenterraron pistas nuevas — sus evaluaciones de novedad y valor científico coincidieron con las de expertos humanos a ciegas. Entre los hallazgos: una divergencia inesperada entre los genes Tsc1/Tsc2 (relevante para esclerosis tuberosa) y una hipótesis que conecta el gen DCTN1 con el metabolismo del colesterol en neurodegeneración.
El dato que importa si construyes con agentes
El experimento comparó miles de agentes distribuidos contra un solo agente con el mismo modelo y recursos. A medida que crecía la carga, el agente único cita cada vez menos literatura (11 referencias en el máximo de carga), mientras los distribuidos citaron más de 700. En comparaciones a ciegas, expertos humanos prefirieron los reportes distribuidos el 75% de las veces.
La lección de arquitectura es directa y aplica a cualquier workload agentic, no solo biología: particionar el contexto y paralelizar vence a un contexto gigante monolítico. El agente único no se vuelve tonto — simplemente se queda sin espacio para buscar.
Bonus para el equipo de platform
El framework Distributed Agents está en GitHub bajo licencia MIT, con el runtime, tooling de corpus y notebooks. Detalle sabroso: expone un servicio de corpus read-only con endpoints MCP que dan acceso a Findings, Claims, evidencia de soporte y herramientas de análisis. O sea: la forma “moderna” de publicar resultados científicos ya es a través de un server MCP que otros agentes pueden consumir. El preprint (bioRxiv, 16 de octubre, sin peer review aún) reconoce los conflictos de interés de rigor: seis autores son empleados de OpenAI.
Fuentes: OpenAI, Unite.AI, bioRxiv.


