Google lanza ERA para escribir código científico experto

Inicio

Cuando un equipo de investigación necesita probar docenas de variantes de código para validar una hipótesis, el proceso puede tardar semanas o meses.

Ese trabajo repetitivo y técnico sigue siendo un cuello de botella para avanzar en descubrimientos con datos y modelos.

Qué ocurrió

Google Research publicó el 19 de mayo de 2026 en la revista Nature un sistema llamado Empirical Research Assistance (ERA).

ERA es una herramienta de inteligencia artificial que ayuda a escribir y optimizar código para experimentos científicos.

Además, Google empezó a abrir acceso a una plataforma llamada Computational Discovery, que integra ERA y otros sistemas, a través de Google Labs y el programa Gemini for Science.

Qué cambia en la práctica

Predicciones de salud más rápidas

Un modelo creado con ERA predice ingresos hospitalarios en EE. UU. por estado hasta cuatro semanas antes para gripe, COVID-19 y RSV.

Sus pronósticos se sitúan entre los mejores en los listados públicos del CDC, lo que puede mejorar la planificación hospitalaria a corto plazo.

Mejor gestión del agua

ERA generó un modelo que pronostica el caudal estacional en cuencas alimentadas por nieve en California.

Sus predicciones tempranas son más precisas que el boletín oficial del estado (Bulletin 120), lo que podría ayudar a agricultores y gestores a decidir reservas y riego con más antelación.

Mapas detallados de CO2 y energía solar optimizada

La herramienta produjo estimaciones de CO2 cada 10 minutos usando datos de satélite meteorológico, mostrando emisiones urbanas y absorción vegetal diaria.

También ayudó a diseñar una estructura 3D para capturar más energía solar en un caso de estudio. Ambos ejemplos muestran aplicaciones concretas para monitoreo ambiental y diseño energético.

Cómo funciona

ERA actúa como un ayudante que prueba automáticamente muchas versiones de un experimento. Imagina a un grupo de técnicos probando variaciones de una receta hasta encontrar la más eficiente; ERA hace esa búsqueda por computadora, combinando técnicas y evaluando resultados según un objetivo definido por el científico.

Lo que no está resuelto

ERA ha mostrado resultados sólidos en varios estudios, pero su uso a gran escala depende de acceso, validación externa y adaptación a contextos locales.

No reemplaza la supervisión humana: los resultados deben revisarse y reproducirse por investigadores independientes antes de tomarlos como definitivos.

Cierre

La llegada de ERA y Computational Discovery refleja la tendencia a automatizar tareas técnicas para acelerar la ciencia.

Estas herramientas prometen reducir la carga de trabajo repetitivo y hacer más accesible la modelización avanzada, siempre que su adopción vaya acompañada de transparencia y evaluación rigurosa.

Por qué importa

• Negocios: puede acelerar proyectos de I+D yreducir costos de desarrollo.
• Usuarios: servicios públicos y empresas obtendrán predicciones y modelos más rápidos.
• Industria: impulsa la automatización de la experimentación y nuevas aplicaciones en salud y clima.

Nota de Transparencia

Esta nota fue escrita con apoyo en herramientas de IA. La fuente fue aprobada por Diario Occidente y el contenido final fue revisado por un miembro del equipo de redacción.

🔊 El Resumen de Noticias sobre Inteligencia Artificial e Innovación Tecnológica de la semana, aquí 👇🏻

Curaduría editorial

La curaduría y revisión editorial de estas notas está a cargo de Rosa María Agudelo Ayerbe, comunicadora social y periodista, con maestría en Transformación Digital y especialización en Inteligencia Artificial.

Desde su rol como líder del equipo de innovación y transformación digital del Diario Occidente, y a través de la unidad estratégica DO Tech, realiza un seguimiento permanente a las principales novedades en tecnología e inteligencia artificial a nivel global.

Estas notas se apoyan en un agente de investigación basado en inteligencia artificial, diseñado para monitorear semanalmente avances, lanzamientos y debates clave del sector.

El contenido es posteriormente leído, analizado, contextualizado y validado editorialmente antes de su publicación.

Este proceso forma parte del mecanismo de actualización continua que permite interpretar los desarrollos tecnológicos desde una mirada periodística, crítica y comprensible para audiencias no especializadas.

Comments