Tag: Muy Interesante

El análisis del arte pictórico empieza, en ocasiones, lejos de la pincelada: se ilumina un cuadro con rayos X, se apunta con un láser Raman o se fotografía en bandas de luz que ningún ojo humano percibe. Gracias a estas técnicas, bajo la superficie visible pueden aparecer un dibujo desechado, un repinte, el rastro de un pigmento inusual o la huella de una mano ajena a la del maestro. La pintura deja entonces de ser una imagen fija y se convierte en un archivo de decisiones.

Algunos estudios técnicos recientes de obras de arte demuestran que la ciencia aún puede aportar pruebas nuevas sobre la concepción, ejecución y significado de estas piezas. Veamos cómo ha sido posible con el Salvator Mundi, un mural de Diego Rivera, la Sala de Constantino del Vaticano y el arte rupestre de Sulawesi.

El uso de nuevas tecnologías está reescribiendo la historia del arte tal y como la conocíamos.

Un mundo invisible bajo las capas de pintura

¿Qué hay debajo de Las Meninas de Velázquez, de El ciervo herido de Frida Kahlo o de La bruja de Salvator Rosa? Algunas tecnologías son capaces de mostrar lo que esconden las pinceladas de un cuadro. La radiografía de pinturas registra las diferencias de absorción de rayos X: los pigmentos con elementos pesados, como el plomo o el mercurio, aparecen con mayor contraste y delatan cambios de composición, clavos, soportes o zonas repintadas. No identifica a un artista, y sus resultados pueden volverse ambiguos cuando varios materiales responden de forma parecida.

Otras técnicas, como la reflectancia infrarroja, atraviesan ciertas capas y revelan los dibujos preparatorios, es decir, el boceto trazado antes de aplicar color. La luz ultravioleta , por su parte, hace visibles las fluorescencias asociadas a barnices, repintes y restauraciones antiguas.

Otras técnicas, como la reflectancia infrarroja, atraviesan ciertas capas y revelan los dibujos preparatorios, el boceto trazado antes de aplicar color.

La anomalía técnica de la Sala de Constantino

Durante la restauración de la Sala de Constantino de los Museos Vaticanos, un estudio técnico detectó una rareza reveladora. Se descubrió que dos figuras alegóricas, la Justicia (Iustitia) y la Cortesía (Comitas), no se pintaron al fresco, como el resto de la sala, sino directamente al óleo sobre el muro. Esta técnica experimental resulta arriesgada, puesto que la aplicación del óleo sobre la pared plantea serios problemas de adherencia y conservación. Esa anomalía se ha interpretado como el indicio material de una fase de ensayo atribuida al entorno de Rafael.

De la receta a la práctica

La identificación de pigmentos y el establecimiento de la autoría artística de una obra resultan mucho más sólidos cuando combinan varias técnicas. Así, la espectroscopía estudia cómo una sustancia absorbe, emite o dispersa la radiación: la fluorescencia de rayos X (XRF) informa sobre los elementos químicos presentes, mientras que la espectroscopía Raman aporta información molecular y mineralógica.

Pintado entre 1922 y 1923, el mural La creación, primera gran obra de Diego Rivera, ofrece un ejemplo notable. La tradición lo describía como una pintura encáustica, elaborada con cera de abeja fundida y resinas. Sin embargo, el análisis microquímico publicado en 2026 en ACS Omega por Aguilar-Rodríguez y su equipo detectó biomarcadores compatibles con resina de copal. Sin embargo, no se encontró ninguna evidencia de cera de abeja en las muestras examinadas.

La discrepancia entre la receta descrita y la práctica material puede deberse a una reformulación del artista, a una degradación selectiva de los componentes o a las limitaciones del muestreo. En cualquier caso, este caso concreto sugiere que lo que un artista dice hacer y lo que hace realmente no siempre coinciden.

Un análisis microquímico del mural La creación, de Diego Rivera, detectó biomarcadores compatibles con resina de copal, pero no encontró ninguna evidencia de cera de abeja en las muestras examinadas.

¿Quién la pintó? La cristalografía y los límites de la plausibilidad

La cristalografía se ocupa del ordenamiento de los átomos en los sólidos cristalinos y puede identificar estructuras minerales. Su uso más comentado en un contexto artístico llegó con el Salvator Mundi, atribuido a Leonardo da Vinci. En un artículo publicado en 2026 en npj Heritage Science, Juan Manuel García-Ruiz y Dianne Modestini examinaron las diminutas manchas representadas en el orbe transparente que sostiene la figura de Cristo.

Su interpretación es que esas motas milimétricas no representarían simples burbujas de aire en el vidrio, sino que reproducirían inclusiones fluidas anisótropas, es decir, pequeñas cavidades con líquido atrapado dentro de un cristal, propias de una esfera de cuarzo o de cristal de roca. Las formas poligonales y su orientación correlacionada apuntarían a la simetría de un cristal real. De ser así, la pintura habría representado un fenómeno mineralógico más de tres siglos antes de que la ciencia lo describiera.

En este caso, la cristalografía solo establece qué formas pintadas son compatibles con determinadas estructuras cristalinas. Es, por tanto, un argumento de plausibilidad basado en la geometría. La atribución del Salvator Mundi sigue dependiendo del estilo, la procedencia, el historial de restauración y la comparación con obras documentadas, pero el uso de otras disciplinas para leer el cuadro proporciona un marco más amplio para su interpretación.

Según una investigación, las motas milimétricas del orbe del Salvator Mundi reproducirían pequeñas cavidades con líquido atrapado dentro de un cristal, propias de una esfera de cuarzo o de cristal de roca.

Los límites impuestos por la roca

El arte prehistórico ilustra con claridad los límites de estas técnicas científicas aplicadas al arte. Una investigación publicada en Nature en 2026 y centrada en Liang Metanduno, en la isla de Muna (Sulawesi sudoriental), dató la huella de una mano con una antigüedad mínima de 67.800 años. La técnica empleada, la datación por series de uranio-torio, mide el tiempo transcurrido desde la desintegración radiactiva del uranio presente en la calcita. La técnica, por tanto, permite datar la capa de calcita que cubre la pintura, pero no el pigmento. La cifra indica que la mano se imprimió, como mínimo, hace 67.800 años, pero no fija el momento exacto de su ejecución.

Incluso la inteligencia artificial, la herramienta más reciente, opera bajo esta lógica de cautela. Los algoritmos aplicados a mapas microscópicos de textura y topografía superficial pueden comparar los patrones de la pincelada y ayudar a localizar coincidencias, pero producen probabilidades y correlaciones, no veredictos. Sus resultados solo cobran sentido cuando se contrastan con el conocimiento del conservador, la historia material de la obra y el resto de las evidencias. De ahí que el laboratorio no sustituya al ojo experto: solo lo amplía.

A simple vista, una persona puede reconocer un cuadricóptero que zumba a poca altura. Disponemos de contexto: advertimos su forma, asociamos el ruido con unas hélices y seguimos su desplazamiento. Pero un equipo electrónico no recibe la etiqueta “dron”, sino que obtiene ecos, píxeles, ondas de radio o variaciones de presión que debe separar de todo cuanto ocurre alrededor.

El desafío aumenta con aparatos pequeños que vuelan bajo. El terreno, los edificios, la vegetación, las aves y hasta las condiciones atmosféricas añaden datos ajenos al objetivo.

Una revisión publicada en la revista científica International Journal of Critical Infrastructure Protection por Stephanie Johnson, Hunter Moore y Michael Porter examinó 33 trabajos sobre cinco grandes tecnologías y halló precisamente ese obstáculo: ninguna modalidad aislada mantiene unas prestaciones fiables en todos los escenarios degradados.

Así que la pregunta interesante no es únicamente hasta dónde alcanza un radar. Más bien, se trata de cómo localiza una máquina algo diminuto dentro de un espacio enorme cuando ni siquiera sabe exactamente dónde buscar. Para responder, hay que empezar por una distinción que solemos ignorar.

Encontrar algo no significa necesariamente saber qué es

Detectar, seguir, clasificar e identificar describen tareas diferentes. La primera consiste en advertir un posible blanco, el seguimiento reconstruye su trayectoria, clasificar supone asignarlo a una categoría y la identificación intenta determinar con mayor precisión qué objeto tenemos delante. Un aviso inicial, por tanto, no equivale a leer “dron” en una pantalla.

Pensemos en una silueta lejana que avanza por una calle. Primero, distinguimos algo que se desplaza. Al acercarse, inferimos que es una persona. Un poco después, apreciamos rasgos particulares y quizá acabemos identificando a un conocido. Cada etapa rebaja la incertidumbre gracias a nuevas pistas.

Con la vigilancia aérea sucede algo parecido. Un retorno de radar puede señalar un blanco sin aclarar si corresponde a un cuadricóptero o a un ave. Una cámara puede contribuir posteriormente a discriminarlo. La labor técnica no acaba al descubrir “algo”: hacen falta pruebas suficientes para saber qué es sin disparar falsas alarmas.

Un retorno de radar puede señalar un blanco sin aclarar si corresponde a un cuadricóptero o a un ave, y hacen falta pruebas suficientes para saber qué es sin disparar falsas alarmas.

El verdadero enemigo es distinguir una señal diminuta

Aquí aparece una idea fundamental: la relación señal-ruido. Dicho sin ecuaciones, expresa cuánto destaca aquello que interesa frente a las interferencias. Intentar escuchar un mosquito durante una fiesta sirve como analogía. El insecto emite sonido; nadie lo ha vuelto invisible. Simplemente, conversaciones, música y golpes pueden sepultar su zumbido.

Un dron tampoco posee una “detectabilidad” absoluta. Influyen sus dimensiones, materiales, orientación, lejanía, velocidad y posición respecto al instrumento que lo busca. También pesa el lugar. En vigilancia por radar, por ejemplo, suelo, construcciones o vegetación producen retornos no deseados, conocidos como clutter. El receptor ha de aislar el eco relevante de ese fondo.

Johnson y sus colegas subrayan justamente el contraste entre el rendimiento nominal y lo que sucede sobre el terreno. Oclusiones, rebotes múltiples de las ondas y obstáculos merman un rendimiento que, durante ensayos controlados, puede parecer mucho mejor.

Oclusiones, rebotes múltiples de las ondas del radar y obstáculos merman un rendimiento que, durante ensayos controlados, puede parecer mucho mejor.

La cuestión correcta deja entonces de ser si se puede detectar este dron y pasa a ser con qué tecnología, desde dónde y bajo qué circunstancias.

Qué “ve” un radar cuando busca un dron

Un radar no contempla el cielo como nosotros. Emite ondas electromagnéticas y analiza parte de la energía que regresa tras interactuar con los objetos. A partir del tiempo de retorno y de cambios en la frecuencia, puede obtener datos sobre distancia y movimiento. Funciona de día o de noche y no exige que el blanco transmita voluntariamente nada.

Aquí entra la sección radar equivalente, o RCS. No representa simplemente el tamaño físico: describe, de manera simplificada, cuánta energía de las ondas incidentes devuelve un objeto hacia el radar bajo unas condiciones determinadas.

Imaginemos dos superficies de dimensiones parecidas iluminadas por una linterna; según su material y su orientación, una puede devolver mucha más luz hacia nosotros. La física del radar es distinta, pero el ejemplo preserva la intuición.

Los drones pequeños plantean complicaciones porque suelen presentar RCS reducidas y volar a velocidades modestas frente a aeronaves convencionales. Sus rotores, paradójicamente, pueden delatarlos. Al girar, introducen pequeñas modulaciones Doppler —el cambio de frecuencia asociado al movimiento— que componen las llamadas firmas micro-Doppler. Esos patrones proporcionan claves para diferenciar hélices, aves u otros blancos.

No existe, aun así, una cifra universal de alcance. Un experimento publicado en 2019 con el sistema RAD-DAR consiguió detectar y seguir un micro-UAV a tres kilómetros; y otro estudio, aparecido en 2021, logró hacerlo con un DJI Phantom 4 hasta cinco kilómetros mediante un radar MIMO. Son resultados de configuraciones concretas, no promesas extrapolables a cualquier entorno operativo.

Los drones pequeños plantean complicaciones porque suelen devolver poca energía hacia el radar y volar a velocidades modestas frente a aeronaves convencionales.

Escuchar el cielo: las hélices también dejan una pista

Hay otra propiedad aprovechable antes incluso de observar: el sonido. Motores y rotores generan patrones acústicos característicos, y conjuntos de micrófonos pueden rastrearlos y estimar desde qué dirección llegan. La experiencia cotidiana sirve de referencia puesto que, por ejemplo a veces sabemos que se aproxima una motocicleta mucho antes de verla.

Esta estrategia es pasiva —no precisa irradiar energía— y puede contribuir a reconocer aparatos cercanos. Pero el aire real está lejos de un laboratorio silencioso. Viento, tráfico, maquinaria, multitudes o reverberaciones en calles y edificios enmascaran la firma buscada. Además, la intensidad sonora decae conforme aumenta la separación.

Por eso, la acústica incorpora otra pieza, no una respuesta infalible. Su fortaleza y su debilidad nacen del mismo principio: escucha una característica física ajena a la examinada por el radar. Esa complementariedad conduce hacia otras maneras de interrogar el espacio.

Viento, tráfico, maquinaria, multitudes o reverberaciones en calles y edificios enmascaran la firma acústica buscada y su intensidad decae si aumenta la separación.

Buscar su silueta, su calor o sus comunicaciones

Las cámaras visibles brindan algo especialmente valioso: imágenes que permiten apreciar contornos y detalles. A cambio, dependen de iluminación, meteorología, resolución, campo de visión y ausencia de obstáculos. Un punto minúsculo ocupa pocos píxeles; niebla, contraluz o noche pueden degradar todavía más la escena.

Los equipos infrarrojos explotan otro indicio: no “ven el calor” como si fuese una sustancia: registran radiación infrarroja y aprovechan contrastes entre el aparato y sus alrededores. Eso amplía las posibilidades cuando la luz visible escasea, aunque tampoco elimina las restricciones ambientales.

La radiofrecuencia abre una vía diferente. Muchos drones intercambian señales con un controlador, conque un receptor puede rastrear esas emisiones y extraer indicios útiles. Es como localizar a un mensajero no por su aspecto, sino escuchando la conversación que mantiene mientras camina. El inconveniente se deduce de la propia metáfora: sin intercambio aprovechable, ese recurso queda mermado. El análisis de 2026 señala que los métodos RF pueden fallar por inútil ante plataformas autónomas sin transmisiones activas.

Las cámaras dependen de iluminación, meteorología, resolución, campo de visión y ausencia de obstáculos; los equipos infrarrojos no eliminan las restricciones ambientales y la radiofrecuencia puede fallar por inútil ante plataformas autónomas sin transmisiones activas.

Cada técnica interroga, en definitiva, un rasgo particular. Precisamente por eso, resulta tentador combinarlas.

Cuando varios sensores se hacen preguntas entre sí

La fusión de sensores integra fuentes distintas para generar una estimación más consistente que cualquiera de ellas por separado. No implica que dos instrumentos mediocres se vuelvan mágicamente infalibles. Una pista puede confirmar, matizar o cuestionar lo registrado por otra.

Nosotros hacemos algo semejante continuamente. Oímos un ruido detrás, giramos la cabeza, divisamos una figura móvil y reconocemos una bicicleta; el oído llama la atención, la vista añade características y el conjunto despeja parte de la duda.

Una arquitectura antidrones puede encadenar una lógica comparable: el radar cubre una zona amplia, marca un candidato y una cámara orientada hacia esas coordenadas suministra después elementos para clasificarlo.

El examen de 2026 concluye que ninguna de las cinco modalidades estudiadas —radar, electroóptica/infrarroja, acústica, radiofrecuencia y LiDAR, que emplea pulsos láser para medir distancias— resulta robusta en todas las situaciones degradadas.

No obstante, la combinación de radar y sensores electroópticos e infrarrojos (EO/IR) aparece como la alternativa multimodal más madura entre las analizadas, aunque también pierde eficacia si coinciden adversidades como oclusión y rebotes múltiples.

Instrumentos mediocres no se vuelven infalibles; una pista puede confirmar, matizar o cuestionar lo registrado por otra y ninguna modalidad estudiada resulta robusta en todas las situaciones degradadas.

Fusionar trae, además, sus propios escollos. Hay que sincronizar mediciones y determinar si dos observaciones pertenecen realmente al mismo blanco. El beneficio no consiste en abolir la incertidumbre, sino en administrarla mejor.

Un pájaro y un dron pueden empezar siendo simplemente “algo”

Supongamos que surge un punto móvil. La trayectoria proporciona una pista y el retorno electromagnético, otra. Los rotores quizá dejen micro-Doppler. Una imagen puede revelar geometría, mientras una emisión de radio reforzaría la hipótesis. Ningún indicio aislado tiene que sostener toda la decisión.

Este proceso explica por qué los falsos positivos importan tanto como la sensibilidad. Un sistema que avisara ante cualquier ave, bolsa arrastrada por el viento o cuerpo en desplazamiento acabaría inundando al operador de alertas. Hallar más cosas no garantiza comprender mejor qué atraviesa el espacio vigilado.

El reto reside en conservar la capacidad de descubrir blancos débiles sin confundir continuamente el fondo con aquello que buscamos. Ahí, la detección pasa a ser una tarea de elección bajo incertidumbre.

Detectar un dron es también una lección sobre cómo conocemos el mundo

Existe una última paradoja. Elevar la sensibilidad permite captar señales más tenues, pero puede incrementar también cuanto exige ser descartado. El progreso no depende únicamente de “ver más lejos”: requiere criterios más refinados para separar, contrastar e integrar indicios. Esa es la razón de que estudios recientes insistan tanto en evaluaciones realistas y sistemas multimodales.

Un pequeño dron termina enseñándonos algo que desborda la seguridad aérea. Tendemos a imaginar que los objetos están ahí fuera, perfectamente definidos, esperando a que una máquina los descubra. Los sensores reciben algo bastante menos ordenado: ecos, radiación, sonido, emisiones y ruido. Después, toca convertir esas huellas físicas en una conclusión razonable.

Eso también modifica la manera de entender la palabra “detectar”. No significa solo mirar con tecnología, sino también extraer información de un medio incierto y juzgar cuándo las pruebas bastan para sostener que allí hay algo y qué puede ser. En un cielo lleno de interferencias, encontrar un dron no consiste tanto en verlo como en aprender a reconocerlo.

Hay elecciones pequeñas que parecen irreversibles en cuanto el agua toca el café. Si alguien desea reducir una fracción considerable de la cafeína, lo habitual es haber comprado previamente una variedad descafeinada. Una vez servida, esa molécula comparte espacio con multitud de sustancias responsables de su aroma, composición y carácter. Eliminarla entonces se parece menos a retirar una hoja de una taza que a aislar una voz concreta dentro de un coro.

Ese problema cotidiano encierra una pregunta química bastante más interesante de lo que aparenta: ¿podemos separar preferentemente la cafeína cuando el café ya está listo sin arrastrar indiscriminadamente cuanto la rodea? Los métodos industriales convencionales actúan sobre todo antes del tostado, procesando el grano verde mediante agua, disolventes orgánicos o dióxido de carbono supercrítico. Funcionan, pero obligan a fijar de antemano qué producto queremos beber.

Un grupo de la Universidad de Nueva Gales del Sur y la de Okayama ha ensayado el camino inverso. En lugar de intervenir sobre el grano, Yihan Tian y sus colaboradores han experimentado con el líquido ya extraído y una membrana de óxido de grafeno. Su propuesta, publicada en Journal of Membrane Science, exige entender algo contraintuitivo: a escala molecular, filtrar no significa solo colocar agujeros suficientemente pequeños.

Un filtro molecular no es un colador diminuto

El filtro de una cafetera discrimina materiales gracias a un contraste. Los fragmentos sólidos quedan atrás, mientras el agua cargada de especies disueltas atraviesa el papel. Si redujéramos mentalmente esos poros, parecería lógico esperar la misma regla: pasan las moléculas menores y se atascan las mayores. La nanofiltración es más caprichosa.

Estas partículas encuentran una especie de portero que examina varias variables a la vez. Importan su tamaño, carga eléctrica, hidratación y afinidad química con la superficie que encuentran al avanzar, la de los nanocanales, que son los diminutos espacios formados entre las láminas apiladas del óxido de grafeno. Y entran también en juego fuerzas de atracción o repulsión.

Una analogía útil sería el acceso a una discoteca: ocupar poco sitio no garantiza entrar si otros rasgos condicionan la admisión.

Esta idea resulta esencial para comprender por qué apartar cafeína sin vaciar químicamente la bebida constituye un reto. El café contiene centenares de compuestos, algunos con dimensiones o respuestas parecidas. Una barrera limitada a bloquear todo por encima de cierto umbral perdería mucha utilidad. Los autores necesitaban un mecanismo capaz de distinguir entre candidatos, no simplemente un tamiz más fino.

Una baraja de óxido de grafeno llena de pasadizos

Las láminas de óxido de grafeno proporcionan una arquitectura ajustable a escala nanométrica. Este material bidimensional deriva del grafeno, pero posee grupos con oxígeno distribuidos por su superficie. Al apilar muchas hojas, surgen entre ellas corredores minúsculos por los que circulan agua y solutos, sustancias disueltas en ella.

Los investigadores modificaron esos pasadizos añadiendo alginato de sodio y empleando iones de calcio como enlaces estabilizadores. El alginato se intercala entre las capas y el calcio las reticula, es decir, enlaza cadenas y reorganiza el conjunto. Con ello, varían la distancia entre hojas, su comportamiento eléctrico, el vínculo con el agua y la estabilidad.

La combinación produjo varias membranas con desempeños distintos en vez de una mejora progresiva. Aumentar el alginato o intensificar la reticulación no brindaba automáticamente mejores prestaciones. En ese medio, transporte, adsorción y confinamiento compiten entre sí: beneficiar un atributo puede perjudicar otro. La alternativa idónea debía conciliar esas exigencias.

Al apilar muchas hojas de óxido de grafeno, surgen entre ellas corredores minúsculos por los que circulan agua y sustancias disueltas en ella, que modificaron añadiendo alginato de sodio y, además, iones de calcio como enlaces estabilizadores.

Después, llegó el momento de hacer pasar café

El ensayo principal utilizó 100 mililitros de una disolución elaborada con café instantáneo comercial. Los científicos eligieron Moccona Classic, a una concentración de un miligramo por mililitro, y efectuaron la filtración al vacío durante 24 horas, con una diferencia de presión de unos 0,9 bar, ligeramente inferior a la atmosférica. No hablamos de un accesorio que pueda colocarse sobre una taza: estamos ante una demostración experimental.

El procedimiento invierte nuestra imagen intuitiva de lo que debería hacer un filtro. Aquí, el producto deseado no es el líquido que cruza la barrera. La cafeína debe abandonarlo preferentemente, mientras una proporción mayor de otros componentes permanece en el lado inicial. Lo valioso es ese café retenido. La membrana funciona, por tanto, como una vía selectiva para determinados integrantes del conjunto.

Los autores midieron otra cuatro sustancias representativas junto a la cafeína: colina, trigonelina, 5-hidroximetilfurfural (HMF) y N-metilpiridinio (NMP). Dichas sustancias forman parte de la compleja composición del café y permiten comprobar si el proceso se lleva consigo algo más que cafeína. No equivalen al sabor completo, pero sirven como referencias para comprobar hasta qué punto el proceso afecta a algo más que el objetivo buscado.

Casi un 47,4 % menos de cafeína

La variante denominada CGSM-1 rebajó la concentración de cafeína de 24,64 a 12,95 microgramos por miligramo. La caída alcanza el 47,4 por ciento, de modo que “la mitad” resume razonablemente el dato que da sentido al titular. Colina, trigonelina, 5-hidroximetilfurfural y N-metilpiridinio seguían presentes en cantidades medibles.

Ese 47,4 por ciento no convierte una bebida corriente en descafeinada. La referencia incluida en el trabajo resulta elocuente: la muestra comercial utilizada para contrastar contenía 0,52 microgramos de cafeína por miligramo, frente a los 12,95 obtenidos mediante CGSM-1.

Por lo tanto, hablamos de una disminución parcial, no de un sustituto de las técnicas empleadas actualmente por la industria.

Se rebajó la concentración de cafeína de 24,64 a 12,95 microgramos por miligramo, el 47,4 por ciento, y las otras sustancias representativas seguían presentes en cantidades medibles.

Tampoco sabemos si el café tratado sabe igual, porque el experimento no incluyó una cata sensorial. Que permanezcan marcadores relevantes no permite convertirlos en sinónimo de aroma intacto. El equipo advierte de otra frontera: no cuantificó los polifenoles totales. Esa cautela delimita lo descubierto. El dispositivo aparta cafeína dentro de una matriz real, y queda por averiguar qué impresión produciría en una taza.

La gracia no reside, pues, en hacer desaparecer toda la mezcla, sino en conseguir cierta preferencia por un integrante concreto.

La molécula más pesada encontró la salida más fácil

La sorpresa más instructiva surge al comparar las masas de las cinco sustancias examinadas. El N-metilpiridinio alcanza 94,1 daltons; la colina, 104,2; el 5-hidroximetilfurfural, 126,1; la trigonelina, 137,1; y la cafeína llega a 194,2. Un dalton es una unidad diminuta usada para expresar masa atómica o molecular.

Que la cafeína sea la sustancia más pesada no impidió que fuese la que escapó con mayor facilidad.

Siguiendo la intuición del colador, esperaríamos que el último compuesto tuviera mayores dificultades para avanzar, pero ocurrió justamente lo contrario: la cafeína presentó el menor rechazo entre las cinco moléculas. Ser la más pesada no impidió que escapara con mayor facilidad.

La colina brinda el contraste. Aunque pesa menos, posee carga permanente y muestra una marcada atracción por medios acuosos, y esos rasgos favorecen interacciones con los grupos oxigenados del óxido de grafeno, las cadenas de alginato y las zonas hidratadas relacionadas con el calcio.

El recorrido por los nanocanales depende así de una negociación física y química, no de una cinta métrica microscópica. Confinamiento, estado eléctrico, hidratación, afinidad superficial y diversas fuerzas actúan conjuntamente. La cafeína está menos ionizada en las condiciones del ensayo y puede adsorberse —es decir, adherirse temporalmente a la superficie del material— y desprenderse durante el trayecto.

La cafeína está menos ionizada en las condiciones del ensayo y puede adherirse temporalmente a la superficie del material y desprenderse durante el trayecto.

Nuestra discoteca molecular, dicho de otra manera, no concede prioridad al visitante más menudo: cada candidato mantiene una conexión particular con el entorno que intenta franquear. Así, a escala molecular, ocupar menos espacio no garantiza llegar primero al otro lado porque importa tanto quién eres como el volumen que ocupas.

Del laboratorio a un sistema que algún día pueda escalarse

El grupo trasladó después la solución seleccionada a membranas de fibra hueca. Fabricaron conjuntos de 23 tubos de fluoruro de polivinilideno (PVDF), un polímero resistente utilizado como soporte, y los recubrieron con una película selectiva de óxido de grafeno, alginato y calcio.

Esta geometría concentra mucha área activa en poco volumen y se aproxima más a sistemas en los que el café pueda circular y filtrarse de forma continua. Y el hecho es que las pruebas con estas fibras prolongaron el funcionamiento hasta 96 horas y mantuvieron un rendimiento prometedor.

Eso no sitúa un aparato doméstico a las puertas del mercado. Faltan respuestas sobre velocidad de procesamiento, durabilidad, costes, variedades de café, percepción sensorial y viabilidad a gran escala. Incluso el ensayo principal necesitó un día entero. Convertir una demostración de nanofiltración en un utensilio rápido, económico y reutilizable abre otra historia tecnológica.

Para impedir que una cifra espectacular ocultara pérdidas en otros apartados, los responsables crearon un método multicriterio. La evaluación reunió eliminación de cafeína, retención de marcadores, permanencia de colina, permeancia de agua y aumento de concentración. Ese balance señaló CGSM-1 como la alternativa más adecuada. Optimizar una membrana, por tanto, exige asumir compromisos entre propiedades rivales en lugar de perseguir un récord aislado.

Lo que una taza enseña sobre el mundo molecular

La posibilidad de actuar una vez listo el café trastoca nuestra intuición acerca de cómo se separa la materia. En la vida diaria, clasificamos objetos mediante señales evidentes: un colador discrimina por dimensiones, la decantación aprovecha densidades, una criba deja caer las piezas menudas. Al descender hasta nanómetros, esas reglas dejan de bastar, ycada molécula da con una ruta diferente según sus propiedades y su relación con el material que la rodea.

Diseñar el entorno de una molécula puede ser tan decisivo como fabricar un agujero con una anchura determinada. Esa es la lección que trasciende la cafeína. Ajustando carga, hidratación, afinidades y espacios confinados, una barrera logra distinguir sustancias mezcladas aun cuando la de mayor masa encuentre menos resistencia. La ingeniería deja entonces de levantar paredes pasivas y empieza a organizar paisajes microscópicos con preferencias.

Una taza de café vuelve tangible esa idea. El prototipo aún está lejos de permitirnos preparar un espresso y rebajar su cafeína a voluntad, pero demuestra que esa facultad no tiene por qué pertenecer al grano. Quizá ahí resida lo más sugerente: algunos filtros del futuro no tendrán que limitarse a detener lo grande, sino aprender qué distingue a cada molécula.

Un titular de opinión denomina “canto de sirena” a las promesas dudosas de un partido político. Un artículo califica a las mujeres que esperaban el regreso de sus maridos del frente durante la Segunda Guerra Mundial como “Penélopes”. Un usuario define su búsqueda de vivienda como “una odisea”. Ninguno de ellos cita a Homero de manera consciente y, sin embargo, todos hablan (hablamos, más bien) con un vocabulario que nace de su obra. La Odisea ha logrado cambiar el rostro artístico, expresivo y cultural del Mediterráneo y más allá durante siglos, incluso en la era digital. Y lo ha hecho mediante el lenguaje.

La vida es una odisea: por qué utilizamos el vocabulario homérico en la vida cotidiana.

El kit homérico: cinco palabras que seguimos usando

Desde los troyanos informáticos hasta las Circes seductoras, el lenguaje homérico de la Ilíada y la Odisea sigue muy vivo en el habla cotidiana. Algunas voces están plenamente lexicalizadas, es decir, integradas en el idioma como palabras comunes. Otras se utilizan para crear analogías y metáforas en el lenguaje periodístico, en la literatura o, simplemente, cuando queremos desarrollar una idea o una opinión apoyándonos en una imagen cultural compartida.

Así, hablamos de “odisea”, un término que el Diccionario de la lengua española (DLE) define como un “viaje largo, en el que abundan las aventuras adversas y favorables al viajero” y como “sucesión de peripecias, por lo general desagradables”. Su etimología remite explícitamente al poema homérico y es el caso de metaforización más completo: muchos hablantes la emplean sin pensar en los esfuerzos de Ulises por regresar a casa.

Otro término que ha alcanzado el grado máximo de naturalización es mentor. El DLE lo define como “consejero o guía” y aclara que procede de Méntor, personaje de La Odisea y consejero de Telémaco. Hoy se usa con plena normalidad en la educación, el mundo empresarial y la tecnología.

¿Recuerdas la imagen de Odiseo que, atado al mástil de su embarcación con los oídos llenos de cera de abeja, se resiste a las voces traicioneras de las sirenas? De esa escena inolvidable procede la expresión “canto de sirena”: una promesa atractiva e hipnótica que puede desviar de su objetivo o poner en peligro a quien la escucha.

Ítaca es otro vocablo bastante habitual en los titulares, las noticias y los artículos de opinión. La isla de la que Ulises era rey y a la que busca regresar a lo largo del periplo de la Odisea se ha convertido en sinónimo de destino, la meta del retorno. Alude a la necesidad de regresar al punto de partida, si es posible, como un héroe que ha aprendido de su viaje.

¿Y qué decir de Penélope, la esposa del héroe que espera su regreso? Penélope se ha convertido en sinónimo de paciencia estoica, pero también de astucia y de una sabiduría contenida capaz de salvaguardar el honor mientras el rey y cabeza de familia protagoniza mil correrías.

Algunas voces están plenamente lexicalizadas, es decir, integradas en el idioma como palabras comunes. Otras se utilizan para crear analogías y metáforas.

Tres microcasos: espacios en los que vive el imaginario homérico

Aunque las expresiones homéricas se utilizan en todos los contextos imaginables, hay tres que se llevan la palma. En política, una de las imágenes dominantes concierne a las sirenas y su engañoso canto. Se emplea la imagen para describir fuerzas tentadoras difíciles de resistir y promesas engañosas que solo tienen como finalidad la destrucción de quien las escucha.

Otra de las áreas en las que los términos homéricos ganan terreno es el deporte. Se habla, por ejemplo, de una “odisea” para aludir a una temporada larga y accidentada, o del regreso a “Ítaca” para designar el retorno de un equipo o de un deportista de élite al propio país. Expresiones como “la odisea de un ascenso” y “el largo viaje de vuelta” funcionan porque la mayoría de la afición ya ha interiorizado la estructura de la expresión, que indica una prueba superada tras muchos episodios.

En tecnología y mercadotecnia, existen agencias de comunicación llamadas Ulises o Ítaca y entornos tecnológicos que reciclan estos nombres. Son marcas que, en su mayoría, aspiran a asociarse con las nociones de viaje, ingenio o destino.

En política, el canto de sirena describe fuerzas tentadoras difíciles de resistir y promesas engañosas que solo tienen como finalidad la destrucción de quien las escucha.

El “homerómetro”: cómo saber si tu referencia es oro

Para separar los guiños cultos de los clichés y de los usos mal atribuidos, podemos evaluar cada expresión mediante la aplicación de cuatro variables. La primera es la especificidad: ¿la referencia apunta a un episodio o personaje concreto de la Odisea o solo evoca algo antiguo y épico de manera genérica? La segunda concierne a la función narrativa. Así, podemos preguntarnos si ese vocablo o expresión aporta un valor semántico (prueba, tentación con coste, regreso, etc.) a lo que estamos diciendo o si es mera decoración.

También es esencial evaluar la corrección: ¿el sentido que le doy a la expresión coincide con el del poema o lo tergiversa? Y, por último, no hay que pasar por alto la originalidad: ¿es un uso fresco o solo una fórmula gastada por la repetición automática?

Por qué Homero y la Odisea aún funcionan

Si un poema al que se le ha atribuido una antigüedad cercana a los tres milenios sigue prestando vocabulario a titulares, memes y campañas publicitarias, es porque reflexiona sobre motivos y conceptos casi universales: el regreso al hogar, la identidad oculta, la prueba episódica como proceso de aprendizaje o la tentación peligrosa. Ese es, en gran medida, el puente que explica que Ulises regrese una y otra vez a nuestras conversaciones cotidianas.

En los últimos años, nos hemos acostumbrado a una relación bastante sencilla con la inteligencia artificial. Escribimos una pregunta, solicitamos una imagen o pedimos ayuda con un texto y esperamos una respuesta. Nosotros iniciamos la conversación y el programa devuelve un resultado. Esa dinámica ha convertido el diálogo en nuestra imagen mental de esta tecnología.

Pero está extendiéndose otra clase de sistemas. En vez de limitarse a contestar, son capaces de recibir una meta, dividirla en tareas, emplear herramientas, observar qué ocurre y determinar cuál será el movimiento siguiente según el efecto anterior.

Uno de esos agentes aparece ahora en la primera notificación recibida por la Agencia Española de Protección de Datos (AEPD) sobre una brecha de información personal ejecutada mediante esta tecnología.

El suceso plantea una cuestión menos obvia que la alarma inicial. Si la inteligencia artificial buscó vulnerabilidades, entró en una aplicación y continuó explorándola sin que una persona tuviera que indicarle cada movimiento, ¿decidió atacar por sí misma? Para contestar conviene comprender antes qué separa a un agente de IA del chatbot al que estamos acostumbrados.

Un agente de IA no es simplemente un ‘chatbot’ que hace más cosas

Un modelo de lenguaje genera una salida a partir de la información que recibe, y un chatbot permite conversar con esa capacidad. Pero un agente añade una pieza decisiva: persigue un objetivo mediante una cadena de operaciones y ajusta el recorrido conforme aparecen nuevos resultados.

Cabe imaginar su funcionamiento como un ciclo: recibe una meta, prepara una secuencia, realiza una acción, examina lo sucedido y resuelve cómo proseguir. Si dispone de las herramientas y permisos necesarios, quizá consulte archivos, navegue por una web, ejecute código o interactúe con otros servicios. El usuario no necesita señalarle cada paso.

Pensemos en un viaje en coche. Una posibilidad consiste en sentarnos junto al conductor e indicarle cada giro: “Sigue recto, toma esta salida, cambia de carretera…”. Otra es decirle únicamente que queremos llegar a Madrid. A partir de ahí, tiene libertad para trazar la ruta, encontrarse una vía cortada, buscar una alternativa y modificar el itinerario sin consultarnos continuamente.

La diferencia entre recibir un propósito y seleccionar los medios para alcanzarlo resulta esencial para interpretar el incidente comunicado en España.

En el segundo caso, el conductor resuelve numerosos dilemas a lo largo del trayecto, pero eso no denota que haya escogido el destino. Esta diferencia entre recibir un propósito y seleccionar los medios para alcanzarlo resulta esencial para interpretar el incidente comunicado en España.

Qué sabemos realmente del ataque notificado en España

La Agencia Española de Protección de Datos informó el 14 de septiembre de que había recibido la primera notificación de una brecha de datos personales en la que el asalto habría sido ejecutado mediante un agente de inteligencia artificial.

Según la comunicación remitida por la organización afectada, un tercero utilizó como instrumento un sistema conectado a un conocido modelo de lenguaje (LLM), la tecnología de inteligencia artificial que permite comprender y generar texto.

El relato disponible permite reconstruir parte de la secuencia. El agente comenzó buscando vulnerabilidades en archivos genéricos y realizó correctamente un inicio de sesión. Una vez dentro, emprendió de manera autónoma la búsqueda de otras debilidades de la aplicación. Tras localizar una, consiguió modificar datos personales y consultar facturas.

Hay, sin embargo, un límite crucial: conocemos la descripción comunicada a la autoridad, no una reconstrucción forense completa publicada del suceso. La AEPD recalca que la información procede de la entidad afectada y debe ser analizada.

Tampoco se han hecho públicos el nombre de esa organización, el modelo empleado ni todos los detalles sobre las instrucciones proporcionadas, los permisos disponibles o la supervisión humana en cada fase.

El agente buscó vulnerabilidades en archivos genéricos y realizó un inicio de sesión, buscó otras debilidades y, tras localizar una, consiguió modificar datos personales y consultar facturas.

Además, que se utilizara un determinado modelo no implica que este o la infraestructura de su proveedor hubieran sido comprometidos, ni que la herramienta fuese creada con fines maliciosos. Es una distinción importante: un recurso concebido para usos legítimos también puede acabar integrado en una operación dañina.

Entonces, ¿actuó solo o no?

La aparente contradicción desaparece al separar tres elementos que solemos mezclar: propósito, decisiones instrumentales y ejecución. El primero establece qué se pretende conseguir. Las segundas determinan qué acciones parecen útiles para acercarse a esa meta. La tercera convierte esas opciones en hechos concretos.

Según la notificación, hubo operaciones realizadas autónomamente. Eso justifica hablar de autonomía en la ejecución de determinadas fases. No demuestra, en cambio, que la inteligencia artificial generara por iniciativa propia la intención de atacar.

Se justifica hablar de autonomía en la ejecución de determinadas fases, pero no de que la inteligencia artificial generara por iniciativa propia la intención de atacar.

La diferencia quizá parezca semántica, pero altera por completo la historia. Volvamos al automóvil: tomar un desvío porque una carretera está cerrada constituye una decisión auténtica dentro del viaje; decidir que uno quiere marcharse a Madrid pertenece a otro nivel. Confundir ambas cosas equivale a atribuir al conductor un destino que recibió previamente.

Por eso, expresiones como “la inteligencia artificial quiso entrar” o “decidió convertirse en atacante” añaden al relato algo que los datos conocidos no acreditan. Un agente dispone de margen para resolver cómo avanzar sin poseer un propósito independiente.

En este contexto, “autónomo” significa que ciertos pasos necesarios para completar una tarea ya no requieren instrucciones humanas una por una, no que la máquina tenga deseos, voluntad o una agenda propia. Esa frontera ayuda a comprender tanto lo ocurrido como el verdadero motivo de preocupación.

Lo inquietante no es que la IA haya desarrollado malas intenciones

Descartar una voluntad espontánea no vuelve trivial el episodio. La transformación relevante está en cuánto trabajo cabe delegar entre la orden inicial y el resultado final.

Un ataque informático exige a menudo encadenar operaciones: localizar una posible debilidad, probarla, interpretar la respuesta, adaptar la estrategia y continuar. Tradicionalmente, una persona debía intervenir en buena parte de ese recorrido, aunque utilizara programas automatizados. Los agentes transfieren una porción mayor del bucle completo.

La Agencia Española de Protección de Datos señala en concreto que estas herramientas no tienen por qué crear amenazas desconocidas. Alteran las existentes al incrementar su velocidad, escala y capacidad de adaptación. Si el software prueba una vía, analiza lo obtenido y modifica enseguida de táctica, disminuye el tiempo disponible para que quienes protegen la infraestructura detecten lo que sucede y reaccionen.

Es un ejemplo de una posibilidad que hasta hace poco se discutía como riesgo futuro: poder delegar en una IA, no solo una operación aislada, sino parte de la adaptación necesaria para continuarla.

Eso desplaza el interrogante central. Ya no se trata de si es capaz una máquina de volverse malvada, sino de qué sucede cuando el ser humano deja de ser imprescindible entre varias decisiones consecutivas.

Una sola notificación no basta para afirmar que estemos ante una oleada de ataques autónomos. Sí proporciona un ejemplo concreto de una posibilidad que hasta hace poco se discutía principalmente como riesgo futuro: que se pueda delegar en una inteligencia artificial, no solo una operación aislada, sino parte de la adaptación necesaria para continuarla.

España no es el único aviso

Todo esto ocurre, además, en un momento en que otros episodios están obligando a examinar cómo se comportan los agentes al interactuar con sistemas reales. Reuters ha documentado en los últimos meses incidentes relacionados con herramientas de OpenAI que alcanzaron servicios externos en pruebas, entre ellos Hugging Face y RubyGems.

Este 16 de septiembre, la agencia informó de que investigadores habían encontrado indicios de que agentes vinculados a OpenAI sondearon vulnerabilidades de Hugging Face ya en mayo, aproximadamente dos meses antes de los hechos conocidos en julio. La compañía ha reconocido otros comportamientos no previstos en evaluaciones.

Anthropic también ha comunicado episodios en los que versiones de sus sistemas interactuaron indebidamente con infraestructuras externas durante ensayos. Las circunstancias no son equivalentes al caso español: difieren el origen, los objetivos, el grado de control y la manera en que comenzó cada incidente.

De ahí el hecho de que no conviene agruparlos bajo una narración de “máquinas rebeldes”. Lo que muestran en conjunto es algo más sobrio y útil: conceder capacidad de actuación a un sistema introduce problemas distintos de los que aparecen cuando únicamente genera texto dentro de una ventana.

Cuando la inteligencia artificial puede actuar, también cambia lo que significa controlarla

Por mucho tiempo, evaluar una inteligencia artificial conllevaba preguntar si su respuesta era correcta, falsa, sesgada o peligrosa. Los agentes amplían el problema. Ahora importa asimismo saber qué herramientas pueden utilizar, a qué información acceden, qué permisos reciben, cuánto tiempo continúan operando y en qué momento debe intervenir una persona.

Eso modifica igualmente la defensa. La Agencia Española de Protección de Datos advierte de que una supervisión exclusivamente manual puede resultar insuficiente frente a procesos que pueden desarrollarse con gran rapidez. Las organizaciones necesitan combinar control humano con mecanismos automáticos de detección, contención y respuesta capaces de reaccionar a una velocidad comparable.

La cuestión de fondo es, por tanto, quién establece los límites del recorrido. Un agente resulta enormemente útil porque evita que tengamos que aprobar cada movimiento. Esa misma propiedad obliga a decidir de antemano hasta dónde puede llegar, qué puertas permanecen cerradas y qué acontecimientos deben detenerlo.

Las organizaciones necesitan combinar control humano con mecanismos automáticos de detección, contención y respuesta capaces de reaccionar a la misma velocidad que actúa la IA.

Durante años, hemos indagado acerca de qué puede decir una inteligencia artificial, pero casos como el notificado en España obligan a plantear otra cuestión: qué podemos permitirle hacer sin consultarnos cada paso. La frontera decisiva no aparece cuando una máquina adquiere voluntad propia, sino mucho antes: cuando dejamos de escoger cada movimiento porque hemos empezado a delegarle el camino.

En 2026, usamos inteligencia artificial para redactar, programar, buscar información o generar imágenes. Nada de eso parece el principio de una película apocalíptica. Sin embargo, responsables e investigadores de laboratorios punteros hablan abiertamente de amenazas catastróficas y de un progreso que podría desbordar nuestra habilidad para mantener estas tecnologías bajo control.

Lo desconcertante es el horizonte temporal. No se discute únicamente sobre un futuro remoto, sino sobre la próxima década. Algunas previsiones contemplan saltos extraordinariamente rápidos antes de 2030; otras consideran injustificado prolongar así las tendencias actuales. Entre ambas posiciones, queda un enorme margen de incertidumbre.

La pregunta interesante no es si un chatbot de hoy puede destruirnos. Es otra: ¿qué tendría que ocurrir entre la inteligencia artificial de hoy y una máquina que llegara a amenazar nuestra supervivencia? Para responderla, conviene reconstruir esa trayectoria y comprobar qué peldaños están ya ahí, cuáles empiezan a perfilarse y cuáles siguen siendo hipotéticos.

Antes de calcular el fin del mundo, hay que entender qué significa “riesgo existencial”

Una avería informática, una campaña de desinformación o incluso un gran ciberataque pueden causar daños enormes sin poner en peligro la continuidad de la humanidad. Un riesgo existencial es otra cosa: un acontecimiento que provoque nuestra extinción o destruya de forma irreversible las posibilidades futuras de la civilización.

Esa diferencia importa porque el debate mezcla niveles distintos. Que una inteligencia artificial pueda cometer errores graves no implica que vaya a causar una catástrofe planetaria.

Aquí encontramos una expresión habitual: p(doom), forma informal de representar la probabilidad subjetiva que alguien atribuye a una hecatombe causada por esta tecnología. Ese porcentaje no puede medirse como la posibilidad de obtener un seis al lanzar un dado.

La mejor analogía es una escalera. El último peldaño lleva escrito “extinción humana”, y abordar la cuestión rigurosamente no consiste en imaginar ese final, sino en averiguar si hay una sucesión plausible de escalones que permita alcanzarlo. Y cada uno debe examinarse por separado.

El último peldaño de esta escalera lleva escrito “extinción humana”, y abordar la cuestión rigurosamente no consiste en imaginar ese final, sino en averiguar si hay una sucesión plausible de escalones que permita alcanzarlo.

No existe una probabilidad empírica que permita afirmar que el riesgo sea del 5, del 10 o del 20 %

Las encuestas muestran que parte de los especialistas considera no despreciable el peligro de resultados extremos. Por ejemplo, el proyecto LEAP, una iniciativa dedicada a comparar pronósticos sobre la inteligencia artificial, consulta a esos mismos expertos, a superpronosticadores —personas con un historial muy bueno de predicciones probabilísticas— y al público general sobre distintos escenarios de avance y consecuencias adversas. Su novena ronda, llevada a cabo en 2026, contó con 194 especialistas, 53 superpronosticadores y 612 ciudadanos.

Ante la posibilidad de que un acontecimiento impulsado principalmente por inteligencia artificial causara al menos 50 muertes o 100.000 millones de dólares en daños antes de 2050, la mediana de las respuestas fue del 62 por ciento entre los expertos, del 70 entre los superpronosticadores y del 35 entre el público general.

Esas estimaciones son útiles, pero expresan juicios formulados bajo incertidumbre, no probabilidades inferidas a partir de datos empíricos repetidos. Para calcular la siniestralidad de los automóviles disponemos de millones de viajes y accidentes. Nunca hemos observado cien civilizaciones desarrollar superinteligencias para averiguar cuántas sobrevivieron.

Las estimaciones de los expertos expresan juicios formulados bajo incertidumbre, no probabilidades inferidas a partir de datos empíricos.

Por eso, sería incorrecto escribir que “la ciencia calcula un 10 por ciento de posibilidades de extinción”. Ningún instrumento ha medido semejante cifra. Lo que sí podemos conocer es cuántas personas informadas consideran razonable reservar una expectativa determinada a ese desenlace.

Distinguir esto cambia toda la conversación. Un riesgo puede merecer investigación aunque no dispongamos de esos datos empíricos que permitan calibrar si es o no probable y cuánto. Una estimación subjetiva no se convierte por ello en una probabilidad medida, aunque los métodos de pronóstico sirvan para recoger, comparar y evaluar esos juicios de forma sistemática.

El primer peldaño ya existe: máquinas capaces de actuar, no solamente de responder

Durante años, la imagen popular de la inteligencia artificial fue la de un sistema que esperaba una pregunta y devolvía una respuesta. Los agentes modifican ese esquema. Reciben una meta, la dividen en subtareas, emplean herramientas, consultan páginas web, ejecutan código, guardan información y deciden qué hacer después con mucha menos intervención humana.

El International AI Safety Report 2026, una evaluación científica internacional elaborada con la participación de más de 100 especialistas independientes, señala que estas prestaciones han avanzado con rapidez. En determinadas pruebas con tareas bien especificadas de ingeniería de software, la duración de las que los agentes completan con un 80 por ciento de éxito se ha duplicado aproximadamente cada siete meses durante los últimos años.

Si esa tendencia continuara, podrían completar primero tareas que a una persona le llevarían varias horas y, hacia el final de la década, otras que requerirían varios días.

Pero prolongar una curva no equivale a conocer el futuro. Los sistemas disponibles hoy todavía fallan cuando una misión exige muchos pasos, pierden el hilo, se atascan ante imprevistos y necesitan supervisión. El desarrollo, además, puede tropezar con límites de datos, energía, chips, inversión o arquitectura.

Las IA fallan hoy cuando una misión exige muchos pasos, pierden el hilo, se atascan ante imprevistos y necesitan supervisión, y el desarrollo puede tropezar con límites de datos, energía, chips, inversión o arquitectura.

La autonomía, por tanto, ya tiene manifestaciones concretas. Lo que no tenemos es una máquina que persiga de forma general, fiable y prolongada objetivos complejos en el mundo real.

Ser más inteligente que nosotros tampoco bastaría para exterminarnos

Imaginemos ahora el supuesto más favorable para quienes anticipan avances rápidos: antes de 2036, surge una inteligencia artificial que supera a los humanos en casi todas las tareas intelectuales relevantes. Incluso entonces, la historia no termina.

Comprender el mundo mejor que nosotros no concede automáticamente acceso a centrales eléctricas, laboratorios biológicos, arsenales, fábricas, robots o redes de transporte. La superioridad intelectual no equivale al poder material. Einstein entendía la física nuclear de un modo extraordinario, pero ese conocimiento no le daba por sí solo una bomba atómica.

Para llegar desde una superinteligencia hasta una amenaza existencial tendrían que concurrir varias condiciones. La máquina necesitaría fines incompatibles con los nuestros, suficiente autonomía para elaborar planes, medios para ocultar determinadas acciones, acceso a recursos externos, resistencia frente a intentos de apagado y alguna vía física que pudiera provocar una catástrofe global.

Los investigadores analizan sendas relacionadas con ciberataques, armas biológicas, infraestructuras críticas o sistemas militares. Algunas piezas auxiliares ya son observables; que puedan combinarse hasta desembocar en un desastre existencial sigue siendo hipotético. Estudios sobre escenarios extremos también han examinado cómo la inteligencia artificial podría amplificar amenazas ya existentes, como la escalada nuclear.

Esta distinción desmonta un atajo frecuente: “más inteligente que nosotros” no significa “omnipotente”. Entre saber qué hacer y llevarlo a la práctica queda otro tramo de la escalera.

La IA necesitaría fines incompatibles con los nuestros, autonomía para elaborar planes, medios para ocultar sus acciones, acceso a recursos externos, resistencia frente a intentos de apagado y una vía física para provocar una catástrofe global.

Lo inquietante es que algunas piezas pequeñas de esa escalera empiezan a aparecer

Las pruebas recientes sí han encontrado comportamientos que merecen atención. Algunas inteligencias artificiales encuentran formas inesperadas de maximizar una recompensa, identifican que están siendo examinadas o, en entornos experimentales concretos, producen estrategias engañosas para cumplir una finalidad. El International AI Safety Report incluye precisamente estos fenómenos emergentes entre los elementos que deben vigilarse al analizar posibles escenarios de pérdida de control.

Nada de eso prueba conciencia, miedo o deseo de supervivencia. Una máquina puede generar una conducta que, en la práctica, induzca a error sin experimentar emociones ni albergar intenciones humanas. Confundir ambos niveles convertiría un problema técnico en una historia de ciencia ficción.

Pensemos en un navegador GPS. No “quiere” llevarnos por una carretera concreta: optimiza una función según los criterios que le hemos dado. Un modelo mucho más competente podría dar con atajos que sus creadores no anticiparon sin sentir absolutamente nada.

Aquí entra el concepto de alineamiento: lograr que aquello que una inteligencia artificial trata de maximizar siga siendo compatible con lo que las personas realmente pretendemos. La preocupación no consiste en que los chatbots actuales estén planeando una rebelión, sino en preguntar qué sucedería si facultades hoy rudimentarias —autonomía, planificación, ocultación o persistencia— aumentaran y terminaran combinándose.

La evidencia relevante está en esas piezas intermedias. Son observables. El salto desde ellas hasta una catástrofe de alcance existencial sigue sin estar probado.

Hay una enorme distancia entre “podría ocurrir” y “ocurrirá antes de 2036”

El argumento escéptico comienza señalando cuántos supuestos necesita una versión extrema de pérdida autónoma de control. Tendría que mantenerse un ritmo acelerado de avance, aparecer sistemas mucho más competentes que los disponibles hoy y, como decimos, adquirir suficiente autonomía, perseguir objetivos perjudiciales, ocultarlos, obtener recursos, superar nuestras defensas y encontrar además un mecanismo capaz de provocar un desastre de alcance existencial.

Otra posibilidad sería que seres humanos utilizaran herramientas de IA para amplificar amenazas biológicas, cibernéticas o militares sin que la tecnología necesitase actuar por iniciativa propia.

Una cadena depende de sus eslabones. Si alguno resulta imposible, el desenlace completo se rompe. Por eso, encadenar escenarios plausibles individualmente no implica que el resultado final sea probable.

Esa, sin embargo, no es la única familia de riesgos catastróficos. Otra posibilidad sería que seres humanos utilizaran herramientas de inteligencia artificial muy potentes para amplificar amenazas biológicas, cibernéticas o militares, sin que la tecnología necesitase actuar por iniciativa propia. En ese caso, algunos peldaños de la cadena anterior ni siquiera serían necesarios.

Tampoco podemos invertir el razonamiento y concluir que tantos pasos vuelven imposible la secuencia. Algunos podrían facilitar los siguientes. Una inteligencia artificial de rendimiento excepcional quizá acelerase la investigación, escribiera mejor software, automatizara tareas o contribuyera a crear sucesores aún más capaces.

Google DeepMind, por ejemplo, ha explorado distintos caminos teóricos desde una inteligencia artificial general hasta una superinteligencia, incluida la mejora recursiva y los colectivos de múltiples agentes.

La dificultad científica reside en que desconocemos tanto la velocidad futura del desarrollo de la IA como la relación entre unas facultades suyas y otras.

Ahí reside la dificultad científica: desconocemos tanto la velocidad futura del desarrollo como la relación entre unas facultades y otras. El International AI Safety Report insiste precisamente en esa falta de certeza y señala que los sistemas de hoy todavía carecen de la autonomía sostenida que exigirían los escenarios de pérdida de control.

Entonces, ¿la inteligencia artificial podría acabar con nosotros en diez años?

La respuesta más rigurosa, por lo tanto, contiene tres partes.

No hay evidencia que permita afirmar que la inteligencia artificial vaya a extinguir a la humanidad antes de 2036. Tampoco disponemos de un método capaz de estimar con precisión y calibración conocidas la probabilidad de semejante desenlace. Los porcentajes que circulan expresan valoraciones humanas ante una incertidumbre extraordinaria, no frecuencias medidas.

Eso no permite, sin embargo, establecer que el riesgo sea exactamente cero. Algunas facultades relevantes para los escenarios de pérdida de control están avanzando y admiten evaluación empírica. Otras continúan lejos de lo necesario y varias quizá nunca lleguen a desarrollarse.

Volvamos entonces a la escalera. En 2026, vemos algunos escalones inferiores; otros apenas empiezan a dibujarse y los últimos permanecen únicamente en modelos hipotéticos. Nadie sabe todavía si todos ellos pueden conectarse hasta alcanzar el final.

Eso explica por qué el asunto importa incluso sin una predicción apocalíptica fiable. Normalmente, investigamos un peligro después de observarlo. Con un riesgo existencial, esperar una prueba inequívoca podría significar obtener la respuesta demasiado tarde. La cuestión científica no pasa por adivinar el fin del mundo, sino por comprender con suficiente anticipación qué factores podrían acercarnos a él y cómo impedir que lleguen a combinarse.

Durante años, buena parte de la conversación sobre inteligencia artificial en medicina ha girado alrededor de una competición tentadora: los algoritmos intentan igualar la capacidad diagnóstica de los especialistas ante radiografías, fotografías de retina u otros registros clínicos. La comparación tiene sentido, pero deja fuera una pregunta más atractiva: ¿qué sucede cuando una herramienta capaz de acertar en condiciones controladas abandona el laboratorio y debe convivir con quienes atienden pacientes cada día?

Es parecido a acreditar que alguien conduce bien porque completa sin errores un circuito vacío. La práctica hospitalaria añade tráfico al recorrido de la inteligencia artificial: imágenes deficientes, consultas con el tiempo contado y profesionales obligados a encajar cualquier novedad dentro de tareas que ya existían. Aprobar el examen técnico no garantiza desenvolverse en esa ciudad.

Un equipo multidisciplinar de la Universidad de Tsinghua y el Hospital Tsinghua Changgung de Pekín quiso averiguar qué ocurría al dar ese salto. Los investigadores integraron AI-TEC en una consulta oftalmológica desde noviembre de 2025, y ahora describen en Nature Medicine las primeras lecciones de esa experiencia.

Lo revelador no está únicamente en cuánto acertó la inteligencia artificial, sino en lo que sucedió cuando tuvo que aportar valor.

Una clínica con inteligencia artificial no es una consulta sin médicos

Conviene despejar primero una imagen que el concepto de “clínica de inteligencia artificial” puede sugerir con demasiada facilidad: AI-TEC mantiene a los oftalmólogos dentro del circuito asistencial, no coloca un robot con bata blanca frente al paciente ni entrega el criterio clínico a una máquina. Su nombre completo, AI-Agent Augmented Tsinghua Eye Clinic, describe mejor la idea: un entorno asistencial aumentado mediante varios agentes digitales especializados.

Podemos imaginarlos como asistentes repartidos por diferentes estaciones de un mismo viaje. Cinco tipos de agentes acompañan distintas etapas de la atención oftalmológica. Uno organiza síntomas e historial antes de la visita; otro ayuda con el triaje, es decir, establece prioridades y asigna exploraciones; un tercero integra información ocular para apoyar el diagnóstico; otro aporta elementos para decidir; y el último participa en educación, seguimiento y manejo posterior del paciente.

La diferencia respecto a añadir un programa aislado resulta importante. AI-TEC enlaza los datos entre las distintas fases del recorrido clínico, en el que hay imágenes deficientes, historiales incompletos, consultas con el tiempo contado y profesionales que deben encajar cualquier novedad, de modo que lo recogido antes de entrar en consulta puede orientar actuaciones posteriores.

La inteligencia artificial mantiene a los oftalmólogos dentro del circuito asistencial, no coloca un robot con bata blanca frente al paciente ni entrega el criterio clínico a una máquina.

Muchos datos pueden enseñar peor que pocos datos buenos

El primer choque con la realidad apareció en un lugar conocido por cualquiera que haya intentado ordenar un álbum enorme de fotografías. Las imágenes hospitalarias más defectuosas perjudicaron el aprendizaje de AI-TEC.

La respuesta parece paradójica en una época obsesionada con acumular información. Los oftalmólogos incorporaron 1.426 imágenes nítidas y correctamente etiquetadas, lo que elevó el rendimiento del sistema. Ese conjunto relativamente pequeño superó a casi 27.000 fotografías previas menos cuidadas y con anotaciones incompletas.

Pensemos en alguien que aprende a distinguir aves. Mil fotografías revisadas por un ornitólogo pueden resultar más instructivas que veinte mil álbumes mal rotulados. En medicina, además, la referencia empleada para instruir a una máquina puede contener incertidumbre. Si muchas imágenes de gorriones aparecen como pinzones, engordar la colección amplifica el ruido.

La inteligencia artificial superó el 0,93 sobre 1 de AUROC, medida estadística de la separación correcta de dos grupos, en la identificación de enfermedades oculares.

Tras esa depuración, la inteligencia artificial superó el 0,93 de AUROC en la identificación de enfermedades oculares. AUROC es una medida estadística que resume hasta qué punto un clasificador separa correctamente dos grupos —por ejemplo, ojos con una enfermedad y ojos sin ella— a través de distintos umbrales. Cuanto más se acerca a 1, mejor discrimina; no significa que acierte el 93 por ciento de todos los diagnósticos.

El algoritmo rendía bien; entonces, apareció otro obstáculo

Aquí llega la parte más instructiva. Un sistema puede ofrecer cifras convincentes y continuar acumulando polvo digital. Cinco meses después de la implantación, el personal empleó la inteligencia artificial en solo 41 de 1.113 exploraciones mensuales: un 3,8 por ciento. El cuello de botella ya no estaba necesariamente en reconocer una lesión de retina.

¿Por qué ignorar una ayuda que podía resultar valiosa? Porque cada recurso compite por algo escaso en cualquier consulta: tiempo y atención. La interfaz de AI-TEC obligaba al personal a soportar demasiados clics y entradas manuales, una fricción aparentemente menor que, reiterada visita tras visita, termina convirtiéndose en trabajo añadido.

Un instrumento excelente pierde atractivo si obliga a levantarse de la silla cada vez que queremos recurrir a él. Un clic apenas cuesta nada, pero diez pasos extra multiplicados por decenas de citas, jornadas enteras y distintos especialistas ya constituyen otra cosa.

Además, nadie acude al hospital para utilizar software; los médicos están allí para ayudar a las personas, y cualquier novedad compite por minutos y atención que ya tienen dueño.

Quitar fricción consiguió algo que mejorar el algoritmo no resolvía

Los investigadores actuaron sobre ese punto mundano. El equipo simplificó AI-TEC con menos clics y menor introducción manual de datos. Había que lograr que recurrir al sistema interrumpiera menos la labor de quienes debían incorporarlo a su rutina.

El cambio fue considerable. La adopción de la inteligencia artificial ascendió al mes siguiente hasta 259 de 1.126 exploraciones, alrededor del 23 por ciento. La comparación no demuestra por sí sola que la simplificación causara todo el aumento. Sí ilustra una lección que los laboratorios pueden pasar por alto: el valor de una tecnología también depende del esfuerzo que exige aprovecharla.

De ahí emerge una distinción sencilla, aunque de enorme alcance: el caso chino separa el rendimiento técnico del beneficio clínico cotidiano.

Una aplicación puede reconocer patrones con brillantez y fracasar al integrarse en una jornada real; otra quizá obtenga una puntuación algo menor en un entorno controlado, pero puede resultar más provechosa porque entrega la información adecuada en el momento preciso y sin estorbar.

El valor de una tecnología también depende del esfuerzo que exige aprovecharla: una aplicación puede reconocer patrones con brillantez y fracasar al integrarse en una jornada real.

Un hospital no funciona como un benchmark

Los benchmarks —evaluaciones estandarizadas usadas para comparar sistemas— reducen un problema complejo a una medición reproducible. AI-TEC expone variables humanas que una puntuación diagnóstica no captura: integración con el flujo asistencial, participación de los facultativos, fiabilidad de los registros, supervisión, rapidez de las correcciones y valor para quien recibe atención.

Hay incluso una diferencia de perspectiva. Los algoritmos suelen partir de la enfermedad mientras los médicos empiezan a menudo por el síntoma. Una máquina puede responder muy bien a la cuestión de si una retina presenta determinada patología, mientras la persona entra diciendo que ve borroso.

Lo decisivo, entonces, no es únicamente cuánto acierta una inteligencia artificial, sino qué ocurre cuando ese acierto tiene que convertirse en una ayuda que encaje entre personas, horarios, responsabilidades y decisiones médicas.

Por eso, la pregunta de si esta tecnología es tan buena como un médico empieza a quedarse pequeña. El caso de Tsinghua desplaza la evaluación hacia si oportunidades como AI-TEC mejoran realmente la asistencia. Eso implica comprobar si aligera carga laboral, distribuye mejor recursos, agiliza la toma de decisiones, amplía el acceso y, sobre todo, beneficia la salud de los pacientes.

Lo que este despliegue todavía no demuestra

También conviene evitar el salto en dirección contraria. Nature Medicine publicó este trabajo como un artículo de análisis sobre una implantación temprana, no como el ensayo clínico definitivo de una consulta autónoma. Los autores presentan lecciones iniciales y no prueban que AI-TEC sustituya a los oftalmólogos.

Tampoco un AUROC elevado responde a todas las preguntas importantes. El proyecto aún debe traducir el buen desempeño algorítmico en beneficios sanitarios medibles: desenlaces más favorables, menor carga para el personal, seguridad sostenida, eficiencia y resultados reproducibles fuera del centro donde nació.

Aún se debe traducir el buen desempeño algorítmico en beneficios sanitarios medibles: desenlaces más favorables, menor carga para el personal, seguridad sostenida, eficiencia y resultados reproducibles.

Esa cautela no debilita la historia; la vuelve más interesante. El proyecto convierte el despliegue médico de la inteligencia artificial en un desafío de conjunto y no de una sola máquina. Optimizar una pieza mientras las demás permanecen descoordinadas puede producir una maravilla técnica con poca repercusión práctica. La misma dificultad aparece cuando una innovación concebida para un entorno ideal entra en instituciones gobernadas por personas reales.

Saber diagnosticar no basta para funcionar bien en un hospital

El equipo añade otra lección surgida del día a día: esperar semanas para comunicar fallos resulta demasiado lento. Los autores reclaman retroalimentación rápida entre clínicos y especialistas en inteligencia artificial, además de vigilancia y gobernanza continuas.

Eso cambia una intuición muy arraigada sobre la innovación. Durante mucho tiempo, nos hemos preguntado cuándo será la inteligencia artificial suficientemente precisa para entrar en hospitales. La clínica de Tsinghua obliga a plantearse cuándo estará suficientemente bien integrada para merecer que se quede. El matiz parece pequeño, pero desplaza el centro de gravedad desde la máquina hacia el lugar donde debe trabajar.

Tal vez, ahí resida la enseñanza más valiosa. La medicina convierte una inteligencia artificial competente en una aliada solo cuando encaja en la vida real. Un algoritmo puede superar un examen en segundos, pero incorporarlo a una institución exige comprender hábitos, responsabilidades, tiempos y necesidades humanas.

La inteligencia artificial ya había demostrado que podía diagnosticar enfermedades en oftalmología. Lo difícil empezó después: demostrar que podía formar parte de la medicina real.

Madrid recibe este fin de semana a la Fórmula 1 con temperaturas altas. Para quien contempla la carrera desde fuera, el piloto parece pasar buena parte de la tarde sentado. Sin embargo, basta imaginar el mono ignífugo, el casco, el habitáculo estrecho y una máquina sometida a aceleraciones brutales para que surja una pregunta bastante más humana que mecánica: ¿cómo consigue su cuerpo seguir funcionando con precisión en semejante escenario?

El desafío tampoco consiste únicamente en aguantar una sensación desagradable. Durante cerca de dos horas, quien conduce debe frenar, girar, estabilizar la cabeza y el tronco frente a las fuerzas G, reaccionar en fracciones de segundo y sostener una concentración extraordinaria. Al mismo tiempo, su organismo genera calor metabólico y trata de desprenderse del excedente mientras permanece envuelto en varias capas protectoras.

Una revisión publicada este año en British Journal of Sports Medicine reunió los datos disponibles sobre las exigencias fisiológicas de los pilotos de automovilismo y añadió la experiencia de preparadores de Fórmula 1. Otros experimentos recientes han puesto a prueba métodos para refrigerarlos. Juntos permiten entrar, al menos parcialmente, bajo el mono y observar una competición invisible.

Antes de hablar de Fórmula 1 hay que entender cómo se refrigera una persona

Nuestro interior funciona bien dentro de un margen térmico relativamente estrecho. Aunque solemos hablar de 37 grados centígrados como si fuese una cifra fija, la temperatura central fluctúa según la hora, la actividad y otras circunstancias. La dificultad aparece cuando generamos o recibimos energía térmica más deprisa de lo que podemos liberarla.

El organismo dilata vasos sanguíneos próximos a la piel para transportar hasta la superficie parte de ese excedente de calor y activa las glándulas sudoríparas, cuya agua secretada puede evaporarse y llevarse consigo calor también.

El organismo dispone de su propio sistema de refrigeración. Cuando necesita evacuar calor, dilata vasos sanguíneos próximos a la piel para transportar hasta la superficie parte de ese excedente. También activa las glándulas sudoríparas. El agua secretada puede evaporarse y, al hacerlo, llevarse consigo calor. Es una solución biológica formidable, pero depende del entorno.

Sudar, de hecho, no equivale automáticamente a enfriarse. Si las gotas resbalan sin evaporarse, esa pérdida de líquido apenas cumple su misión refrigerante. Una humedad elevada dificulta la evaporación porque el aire ya contiene mucho vapor de agua. La ropa añade otra barrera y una ventilación escasa complica todavía más el intercambio.

Podemos imaginar el cuerpo como un motor equipado con un radiador peculiar: en vez de metal, ventilador y refrigerante industrial, utiliza circulación sanguínea, piel y sudor.

Si las gotas resbalan sin evaporarse, esa pérdida de líquido apenas cumple su misión refrigerante; una humedad elevada dificulta la evaporación, la ropa añade otra barrera y una ventilación escasa la complica todavía más.

Dentro de un monoplaza, ese mecanismo trabaja mientras el piloto lleva ropa interior y mono resistentes al fuego, guantes, calzado y casco. Entenderlo cambia la pregunta. Ya no importa solamente cuánto marca el termómetro exterior, sino cuánto calor puede eliminar realmente esa persona.

Dentro de un Fórmula 1, el cuerpo tiene dos trabajos a la vez

Pilotar tampoco se parece a conducir tranquilamente por una autopista.

Las aceleraciones longitudinales y laterales obligan a la musculatura a sostener el cuerpo; el cuello, en particular, debe estabilizar una cabeza cuyo peso aparente aumenta bajo fuerzas G, una medida de cuántas veces la aceleración supera la que produce normalmente la gravedad terrestre.

Las aceleraciones longitudinales y laterales obligan a la musculatura a sostener el cuerpo; el cuello, en particular, debe estabilizar una cabeza cuyo peso aparente aumenta bajo fuerzas G.

La revisión de Christopher Tyler y sus colaboradores identifica precisamente una fuerza cervical elevada como una de las adaptaciones más características de estos deportistas. El trabajo recopiló 6 artículos sobre características neuromusculares y de fuerza, y 19 acerca de respuestas metabólicas, cardiovasculares y termorreguladoras.

La cantidad parece considerable, pero los autores lanzan una advertencia importante: el respaldo científico sigue siendo escaso, heterogéneo y, en numerosos aspectos, inferior al conocimiento práctico acumulado dentro de las escuderías. De ahí que convenga desconfiar de algunas cifras espectaculares repetidas sobre la F1 como si sirvieran para cualquier carrera y cualquier corredor.

Lo que sí conocemos permite entender el conflicto. Los músculos activos necesitan oxígeno y nutrientes; simultáneamente, la piel reclama mayor circulación para disipar calor. Es como una red de abastecimiento a la que dos barrios empiezan a exigir más caudal a la vez. El corazón debe atender ambas demandas mientras el deportista continúa tomando decisiones a enorme velocidad.

El calor ambiental no crea por sí solo todo ese esfuerzo: se añade a una exigencia física, cardiovascular y mental que ya estaba presente.

Cuando sube la temperatura comienza una batalla por mantener el equilibrio

Un experimento reciente permite aislar mejor esa tensión. Los participantes realizaron una hora de ejercicio en un ambiente de 32 grados y 80 por ciento de humedad vestidos con equipamiento de competición. No era un Gran Premio real y, por tanto, sus resultados no pueden trasladarse directamente a los pilotos que corren en Madrid. Esa diferencia resulta útil: permite observar qué cambia cuando se controlan las condiciones.

Sin refrigeración, la temperatura de la piel llegó aproximadamente a 39,7 grados y la central alcanzó unos 38,3. El dato importante no es que exista un número mágico a partir del cual el organismo deje de funcionar, sino la dirección del proceso.

A medida que aumenta la carga térmica, los vasos cutáneos se ensanchan y la sudoración crece para favorecer, como decimos, la pérdida de calor. Ese mecanismo tiene un coste: enviar más sangre hacia la superficie mientras otros tejidos también la necesitan obliga al sistema cardiovascular a reajustarse continuamente.

Si además se pierde agua mediante el sudor, disminuye progresivamente el volumen de líquido disponible en la circulación. Para sostener el gasto cardíaco —la cantidad de sangre bombeada por minuto— el corazón puede necesitar latir más deprisa.

El cerebro tampoco está fuera de esa ecuación. La hipertermia, es decir, una elevación excesiva de la temperatura corporal, y la deshidratación pueden aumentar la percepción del esfuerzo y, cuando son importantes, perjudicar funciones cognitivas y motoras. Eso adquiere otra dimensión en un deporte donde una corrección minúscula del volante o una decisión tardía pueden costar una posición.

Una elevación excesiva de la temperatura corporal y la deshidratación pueden aumentar la percepción del esfuerzo y perjudicar funciones cognitivas y motoras, cuando una corrección minúscula del volante o una decisión tardía pueden costar una posición.

Pero sería incorrecto convertir esa posibilidad en “el calor hace que los pilotos cometan errores”. La literatura disponible es demasiado limitada para establecer una relación tan sencilla. Lo científicamente interesante es otra cosa: el mismo organismo que debe conservar una precisión extrema dedica recursos de forma simultánea a impedir que su medio interno se caliente demasiado.

El sudor es la solución, pero también crea otro problema

Ya hemos comentado que cada pequeña cantidad de sudor que consigue evaporarse funciona como refrigerante. Sin embargo, el agua utilizada para ese propósito procede del propio organismo. Cuanto mayor sea la pérdida y menos pueda reponerse, más difícil se vuelve preservar el volumen sanguíneo y el equilibrio de sales minerales.

La paradoja resulta fácil de visualizar: el cuerpo gasta parte de su reserva de agua para no sobrecalentarse y después tiene que afrontar las consecuencias de haber consumido ese recurso. La preparación, por tanto, empieza antes de que se apaguen los semáforos.

Los preparadores entrevistados por Tyler y sus colegas describen estrategias como la aclimatación, que expone de forma planificada al deportista a ambientes calurosos para favorecer adaptaciones, el preenfriamiento antes de competir y la refrigeración durante el esfuerzo.

Aun así, la propia revisión subraya que muchas prácticas de la Fórmula 1 se apoyan todavía más en experiencia y observaciones acumuladas que en estudios sólidos.

Conviene mantener esa cautela. No existe una cantidad universal de líquido que pierda todo piloto en cualquier Gran Premio. Circuito, duración, meteorología, equipamiento y características individuales modifican el resultado. La fisiología no ofrece una cifra espectacular válida para todos; explica por qué surge esta dificultad.

Los preparadores describen estrategias como la aclimatación, que expone de forma planificada al deportista a ambientes calurosos para favorecer adaptaciones, el preenfriamiento antes de competir y la refrigeración durante el esfuerzo.

La Fórmula 1 ha terminado refrigerando también al piloto

La preocupación dejó de ser solo una cuestión de preparación personal. Tras las condiciones especialmente duras del Gran Premio de Catar de 2023, Federación Internacional del Automóvil (FIA) desarrolló medidas específicas frente a episodios térmicos extremos. El reglamento de 2026 contempla formalmente la declaración de Heat Hazard o peligro por calor.

Puede activarse si el servicio meteorológico oficial prevé que el índice de calor supere 31 grados durante una carrera o sprint o por decisión del director de carrera. Ese indicador combina temperatura y humedad para aproximar cómo ambas variables determinan conjuntamente el estrés térmico. Cuando se declara la situación, los coches deben llevar los componentes reglamentarios del Driver Cooling System o sistema de refrigeración del piloto.

La normativa técnica va más lejos. Si el dispositivo trabaja continuamente, debe ser capaz de extraer al menos 200 vatios de calor del piloto con una temperatura ambiente de 40 grados. También admite soluciones basadas en energía térmica almacenada, con requisitos específicos. Los medios permitidos incluyen aire, agua y determinadas disoluciones.

La idea recuerda al radiador biológico del comienzo. Sangre, piel y sudor constituyen la primera defensa, y la ingeniería puede añadir una segunda capa cuando el ambiente se vuelve especialmente exigente. Los ensayos de refrigeración indican que intervenir sobre ese intercambio puede aliviar la carga térmica.

No es simplemente “poner el aire acondicionado”. Hay que integrar componentes en un monoplaza donde masa, espacio, seguridad y fiabilidad importan. La existencia de estas reglas revela hasta qué punto el ser humano forma parte del desafío de diseño.

Si el dispositivo trabaja continuamente, debe ser capaz de extraer al menos 200 vatios de calor del piloto con una temperatura ambiente de 40 grados, y se admiten soluciones basadas en energía térmica almacenada con aire, agua y determinadas disoluciones.

El calor no importa solamente porque resulte incómodo

Sentirse acalorado es la parte consciente de un proceso mucho mayor. Por debajo, ocurren redistribuciones del flujo sanguíneo, secreción de sudor, cambios cardiovasculares y ajustes destinados a estabilizar el medio interno. Todo eso coincide con una tarea que exige atención sostenida y coordinación muy fina.

La ciencia del ejercicio ha documentado que una carga térmica elevada puede empeorar el rendimiento físico y, en determinadas circunstancias, algunas capacidades cognitivas. En automovilismo, sin embargo, faltan datos suficientes para calcular cuánto cambia una decisión, una frenada o un tiempo por vuelta debido exclusivamente a ese factor.

Esa ausencia también resulta reveladora. La revisión de 2026 insiste en la distancia entre lo que las escuderías conocen por experiencia y lo que ha podido comprobarse mediante investigación publicada. La Fórmula 1 produce cantidades gigantescas de datos sobre sus máquinas, pero todavía sabemos sorprendentemente poco sobre ciertos límites del organismo que las conduce.

La Fórmula 1 produce cantidades gigantescas de datos sobre sus máquinas, pero todavía sabemos sorprendentemente poco sobre ciertos límites del organismo que las conduce.

La pregunta correcta, entonces, no es si una tarde calurosa hará necesariamente más lento a alguien. Es cómo sostener una precisión extraordinaria cuando una parte creciente de la fisiología está ocupada en conservar el equilibrio interno.

Lo que ocurre dentro del coche explica algo mucho mayor

Volvamos al piloto que parecía estar sentado. Ahora la escena es distinta. Sus músculos resisten aceleraciones, el corazón sostiene demandas simultáneas, los vasos próximos a la superficie se dilatan y las glándulas sudoríparas intentan evacuar calor. Mientras tanto, el cerebro debe interpretar información y escoger respuestas a velocidades que apenas toleran equivocaciones.

La Fórmula 1 se convierte así en un laboratorio extremo de interacción entre biología e ingeniería. Podemos fabricar coches más rápidos, modificar aerodinámica, recuperar energía o diseñar materiales capaces de soportar condiciones extraordinarias. Sin embargo, en el centro continúa una persona cuya maquinaria fisiológica responde a principios muchísimo más antiguos.

Eso explica por qué una competición obsesionada con décimas, gramos y eficiencia ha terminado regulando también cómo enfriar a quien conduce. El conjunto no acaba en los neumáticos ni en el motor: incluye un organismo que necesita preservar un entorno interno compatible con el rendimiento y la seguridad.

El calor de Madrid permite verlo con especial claridad. La velocidad máxima puede depender de una obra de ingeniería formidable, pero una parte de los límites del conjunto sigue marcada por sangre, agua, piel y sudor. Mucho antes de que existiera la Fórmula 1, la evolución ya había diseñado el mecanismo de refrigeración que hoy debe mantener funcionando a quien pilota uno de los coches más rápidos del mundo.

Ábrelo del todo. Los primeros centímetros salen lisos, transparentes, casi sólidos, como una varilla de cristal. Y de pronto, a una altura concreta, el agua se deshace: se vuelve blanca, ruidosa, impredecible. Las mismas ecuaciones describen el chorro antes y después de ese punto, y nadie ha conseguido demostrar que no se rompan justo ahí. Se llaman ecuaciones de Navier-Stokes, y el Instituto Clay de Matemáticas paga un millón de dólares a quien cierre esa demostración.

El 8 de septiembre de 2026, OpenAI anunció que un sistema interno todavía en entrenamiento había producido una prueba, verificada por ordenador, de que un fluido tridimensional puede desarrollar una singularidad en tiempo finito. Los titulares hicieron el resto: la máquina había resuelto en tres días y medio lo que la humanidad no había podido en un siglo. El premio, sin embargo, sigue sin reclamarse, y la propia empresa ha dicho en su anuncio que no piensa reclamarlo.

Para entender por qué, hay que volver al grifo.

Qué describen exactamente las ecuaciones de Navier-Stokes

Navier-Stokes no es una ecuación, sino un sistema de ecuaciones en derivadas parciales que responde a una pregunta muy concreta: dado un fluido en un instante determinado, ¿dónde estará cada porción de ese fluido un segundo después? El sistema traduce a lenguaje matemático las tres cosas que empujan a un líquido o a un gas: la presión, las fuerzas externas como la gravedad y la fricción interna del propio fluido, esa resistencia a fluir que llamamos viscosidad.

Con ellas se diseña el ala de un avión, se predice una borrasca, se calcula cómo circula la sangre por una arteria estrechada y se modela la corriente de un río. Funcionan tan bien que sostienen media ingeniería contemporánea. Y ese es exactamente el problema.

Usamos a diario unas ecuaciones de las que no sabemos si tienen solución para siempre. La ingeniería lleva dos siglos de ventaja sobre la demostración.

Un ingeniero francés y un físico irlandés

Las ecuaciones tienen dos padres y veintitrés años de distancia entre ellos. Claude-Louis Navier las dedujo en 1822 partiendo de un modelo molecular que la física posterior descartó: imaginaba fuerzas entre partículas que no se comportan como él creía. Llegó a la expresión correcta por el camino equivocado, algo que en la historia de la ciencia ocurre más de lo que se cuenta.

En 1845, George Gabriel Stokes las volvió a derivar desde la mecánica de medios continuos, tratando el fluido no como un enjambre de partículas sino como una sustancia continua que se deforma bajo tensión. Stokes alcanzó el mismo sistema con fundamentos sólidos, y de ahí el nombre doble con el que las conocemos hoy.

Entre medias y después, la física acumuló un catálogo de fenómenos que las ecuaciones describían sin que nadie supiera explicarlos del todo. El más terco de todos es la turbulencia: ese desorden aparente del chorro, del humo de un cigarrillo o de la estela de un avión que sigue sin tener una teoría cerrada casi dos siglos después.

Qué significa exactamente resolver el problema

En el año 2000, el Instituto Clay seleccionó siete Problemas del Milenio y puso un millón de dólares sobre cada uno. Charles Fefferman redactó el enunciado oficial del de Navier-Stokes, y conviene leerlo despacio porque casi nadie lo hace. Lo que pide no es calcular fluidos, sino demostrar que el cálculo nunca se rompe: que, partiendo de un estado suave, las soluciones existen para siempre y siguen siendo suaves.

Suave, en matemáticas, no significa que el agua vaya tranquila. Significa que la solución no da saltos ni se dispara. Si existe un instante en el que alguna magnitud del fluido se vuelve infinita, hay una singularidad, y la teoría deja de valer justo donde más falta hace. Nadie ha demostrado que eso no pueda ocurrir. Nadie ha demostrado tampoco lo contrario. Por eso el problema lleva décadas en todas las listas de problemas sin resolver.

Si la prueba es correcta, la conclusión resulta incómoda: las ecuaciones permiten que un estado perfectamente regular alcance por su propia dinámica un punto donde deja de serlo.

La dificultad tiene un culpable identificable: el término no lineal del sistema, el que describe cómo el propio fluido se arrastra a sí mismo y alimenta sus propios remolinos. Es ese término el que impide controlar la solución a largo plazo y el que convierte un problema de física aplicada en uno de los siete grandes enigmas matemáticos del siglo.

Las 88 horas y lo que de verdad se demostró

El sistema de OpenAI trabajó con unos 10.000 agentes en paralelo y alcanzó la respuesta el 5 de septiembre de 2026, aproximadamente 88 horas después de lanzar la búsqueda. La formalización y verificación en Lean, un asistente de demostración que comprueba cada paso lógico sin fiarse de la intuición humana, consumió otras 17 horas.

El enunciado demostrado es muy preciso, y la precisión es toda la noticia: un fluido tridimensional inicialmente suave y en reposo, sometido a una fuerza externa suave y con energía finita, desarrolla una singularidad en tiempo finito. La solución que encontraron es un vórtice, un remolino que gira hacia dentro y se estira cada vez más.

Ahí está el matiz que se cayó de los titulares. El enunciado que da derecho al millón no permite empujar el fluido desde fuera, y esa diferencia no es un tecnicismo: una fuerza externa puede diseñarse precisamente para provocar el estallido. Es la distancia que hay entre demostrar que un coche puede estrellarse y demostrar que puede estrellarse solo.

La cascada que venía de Madrid

Las 88 horas no empezaron de cero. En 2023, Diego Córdoba, del Instituto de Ciencias Matemáticas (ICMAT-CSIC), y Luis Martínez-Zoroa, hoy profesor de CUNEF Universidad, publicaron una estrategia para fabricar singularidades apilando capas de vorticidad. La idea consiste en encadenar infinitas soluciones no singulares que, combinadas, generan una cascada capaz de romper la regularidad del fluido. Funcionaba, pero exigía un forzamiento rugoso, matemáticamente incómodo.

Tristan Buckmaster y Levent Alpöge refinaron ese forzamiento hasta convertirlo en una función suave y extendieron el resultado a las ecuaciones de Euler en tres dimensiones. Lo que hizo la máquina fue recorrer el último tramo de un camino trazado durante años, a una velocidad que ningún equipo humano puede igualar.

La IA no abrió el camino. Lo recorrió entero en el tiempo que un doctorando tarda en leerse la bibliografía del problema.

La primera versión del anuncio de OpenAI no citaba a los dos matemáticos españoles: las referencias aparecieron horas más tarde, en una versión actualizada. No es la primera vez que una máquina se cruza con otro problema matemático y la discusión acaba girando sobre quién firma qué.

Lo que sigue sin demostrarse

El Instituto Clay no reparte premios por anuncios. Exige que la solución se publique en un medio que cumpla sus requisitos, que pasen al menos dos años y que la comunidad matemática la acepte de forma general. Ninguna de esas tres condiciones se ha cumplido todavía, y la página oficial del problema lo sigue listando como abierto.

Hay además una confusión que conviene deshacer. Lean verifica que la cadena lógica de lo que se le formaliza no tiene agujeros, pero no decide si lo formalizado es el enunciado del milenio. La verificación formal garantiza coherencia interna, no relevancia matemática, y ese segundo juicio sigue siendo humano y lento por diseño.

Tampoco hace falta mirar el vaso de agua con recelo. La singularidad es una propiedad del modelo, no del líquido: ningún fluido real va a alcanzar velocidad infinita porque unas ecuaciones lo permitan sobre el papel. Lo que se ha movido es la frontera de lo demostrable, no la de lo posible.

Queda lo más difícil, y es exactamente lo que nadie ha tocado: el mismo estallido sin empujar el fluido desde fuera. Ahí sigue el millón de dólares, y ahí sigue el chorro del grifo rompiéndose a la misma altura de siempre.

Pulsas el botón, el agua ruge y te das la vuelta. Es uno de los gestos más automáticos del día, tanto que casi nadie se para a pensar qué ocurre en los segundos siguientes. Pero dentro de la taza acaba de desatarse una pequeña tormenta. Igual que las olas, al romper contra las rocas, dejan en el aire un rocío salado que se nota en la piel aunque estés lejos de la orilla, la descarga del inodoro arranca del agua gotitas diminutas que no caen, sino que flotan. Y algunas llegan más alto de lo que parece.

Eso es lo que describe una revisión sistemática publicada en Science of the Total Environment por investigadores de la Universidad Flinders y la Universidad de Adelaida, en Australia. El equipo, encabezado por la doctoranda Lira Adiyani y la microbióloga ambiental Harriet Whiley, reunió 22 estudios sobre los aerosoles que se forman al tirar de la cadena y analizó qué factores hacen que se produzcan más o menos. Su conclusión central es sencilla de enunciar: algunos de esos estudios detectaron aerosoles a la altura a la que respira un adulto, y esas partículas pueden seguir en suspensión al menos 20 segundos después de la descarga.

Qué es exactamente un aerosol (y por qué importa que flote)

Un aerosol no es más que un conjunto de gotitas o partículas tan pequeñas que el aire las sostiene durante un tiempo en lugar de dejarlas caer al suelo. Las gotas grandes que salpican el borde de la taza siguen la gravedad y aterrizan en segundos sobre las superficies cercanas. Las más finas, en cambio, se comportan casi como humo: viajan con las corrientes de aire, ascienden con la turbulencia y pueden alcanzar la nariz y la boca de quien está de pie junto al inodoro.

Cuando esas gotitas transportan microorganismos presentes en el agua de la taza, los especialistas hablan de bioaerosoles. Ahí está el interés sanitario del asunto. Si un microbio viaja en una gota que se inhala, la descarga del inodoro se convierte en una vía potencial de exposición que no depende de tocar nada. Algo parecido a lo que ocurre con los virus respiratorios en habitaciones cerradas, y una de las razones por las que conviene ventilar los espacios interiores.

Una descarga es una ola pequeña y violenta dentro de una taza: parte de su rocío no cae, se queda flotando.

La física del chorro invisible

La turbulencia es la clave. Al abrirse la descarga, el agua entra con fuerza, choca contra las paredes de porcelana y se mezcla con el aire de forma caótica. Esa agitación rompe la superficie del agua en una multitud de fragmentos y lanza hacia arriba una columna de gotitas, lo que los físicos llaman una pluma.

Hace unos años, ingenieros de la Universidad de Colorado en Boulder lograron hacer visible ese fenómeno con láseres y cámaras en un inodoro público de fluxómetro, el modelo sin tapa habitual en muchos baños estadounidenses. Midieron un chorro de más de 2 metros por segundo capaz de subir aerosoles hasta 1,5 metros en 8 segundos. Aquel experimento ya dejó claro por qué no conviene tirar de la cadena con la tapa levantada.

La nueva revisión va un paso más allá. No se queda en un solo inodoro ni en un solo laboratorio: compara lo que se ha medido en contextos muy distintos para averiguar qué variables pesan de verdad.

Lo que más pesa: cuánto microbio hay y cuánta agua se descarga

Los 22 trabajos revisados son de naturaleza muy diversa. Algunos se hicieron en laboratorio, sembrando deliberadamente microorganismos o sustitutos inofensivos en el agua de la taza para poder rastrearlos después en el aire. Otros midieron lo que ocurre en condiciones normales, sin añadir nada. Pese a esa diversidad, emergen dos patrones bastante consistentes.

El primero tiene que ver con lo que hay en la taza. Cuanto mayor es la concentración de microbios en el agua, más bioaerosoles se generan. «Cuantos más microbios haya en el inodoro, más bioaerosoles pueden liberarse», resume Adiyani. Parece obvio, pero tiene una consecuencia práctica: la limpieza regular del inodoro no es solo una cuestión estética. Lo mismo vale para otros rincones del baño, como el lavabo, que también acumula microbios con facilidad.

El segundo patrón es hidráulico. Las descargas de mayor volumen se asocian, en general, con más aerosoles. Más agua implica más energía y más turbulencia, y por tanto más gotitas lanzadas al aire. Por eso las autoras sugieren usar la opción de descarga corta en las cisternas dobles cuando sea suficiente.

Los estudios también coinciden en que la concentración de aerosoles es mayor cerca del propio inodoro, sobre todo a la altura del asiento. La zona de más exposición no es la cara de quien está de pie, sino el entorno inmediato de la taza. Aun así, que algunas partículas lleguen más arriba es lo que convierte la inhalación en una posibilidad a tener en cuenta.

La zona más expuesta no es la cara de quien está de pie, sino el entorno inmediato de la taza.

¿Y la tapa? Ayuda, pero no es un precinto

Aquí la revisión introduce un matiz que desmonta una idea muy extendida. Varios estudios individuales observaron que cerrar la tapa antes de tirar de la cadena cambia la dirección de los aerosoles: en lugar de subir en vertical, escapan hacia los lados por las holguras entre la tapa y la taza. La tapa, por tanto, no encierra la nube. La desvía.

Además, cuando las investigadoras analizaron el conjunto de los datos, ni la posición de la tapa ni la ventilación del baño mostraron una asociación estadísticamente significativa con la concentración de aerosoles. Eso no significa que bajar la tapa sea inútil. Significa que los estudios disponibles son demasiado heterogéneos, con distintos inodoros, métodos de muestreo y microorganismos, como para medir su efecto con precisión.

Con esa cautela, las autoras siguen recomendando cerrar la tapa como medida de precaución, junto con limpiar el inodoro con regularidad, lavarse las manos después de usarlo y mantener el baño bien ventilado. Son gestos baratos que reducen la exposición aunque no la eliminen.

Exponerse no es lo mismo que enfermar

Conviene no convertir una pluma de gotitas en una nube amenazante. Que un aerosol llegue a la altura de la cara no implica que vaya a causar una infección. Para eso tendría que transportar un patógeno, en cantidad suficiente, en estado viable y hasta una persona susceptible. Ninguno de los estudios revisados cuantifica cuántas infecciones se deben a esta vía, y esa sigue siendo la gran pregunta abierta.

Precisamente ahí está la aportación más útil del trabajo. Además de sintetizar la evidencia, el equipo elaboró distribuciones de probabilidad con los datos disponibles para alimentar las llamadas evaluaciones cuantitativas de riesgo microbiano. Son los modelos que usan los especialistas en salud pública para estimar cuánto riesgo supone una exposición concreta y decidir qué medidas merecen la pena. Y apuntan hacia un objetivo claro: el diseño del propio inodoro.

Whiley insiste en que hace falta más investigación para desarrollar soluciones de diseño e ingeniería que reduzcan los bioaerosoles de los inodoros, sobre todo en entornos de alto riesgo como los hospitales. No es casualidad. En un hospital coinciden personas vulnerables, microorganismos resistentes y baños compartidos, una combinación que convierte las infecciones hospitalarias en un problema serio de salud pública.

Bajar la tapa y usar la descarga corta cuesta poco; rediseñar el inodoro es la tarea pendiente.

Un gesto pequeño, una pregunta abierta

La próxima vez que pulses el botón, quizá recuerdes que la taza no es un recipiente cerrado, sino una pequeña fuente de rocío. No hay motivo para el alarmismo: la evidencia describe una vía de exposición posible, no una epidemia doméstica. Pero sí para algunos hábitos sensatos: bajar la tapa, elegir la descarga corta, limpiar con frecuencia, ventilar y lavarse las manos. Mientras tanto, la ciencia tiene deberes pendientes. Medir el riesgo real y diseñar inodoros que, sencillamente, salpiquen menos hacia arriba.