Saltar al contenido

El verdadero reto de la inteligencia artificial en el laboratorio no está en la tecnología

En pocas palabras

Un laboratorio puede tener herramientas modernas y, aun así, perder tiempo porque sus programas no comparten bien la información. Si los sistemas se conectan y las tareas siguen un camino claro, es más fácil evitar confusiones y entender qué ocurre en cada etapa. Así, la inteligencia artificial puede ayudar mejor porque cuenta con el contexto necesario.

Se habla mucho de llevar la inteligencia artificial a los laboratorios, pero instalar una herramienta nueva no basta para mejorar el trabajo. Antes de ofrecer una ayuda útil, un sistema inteligente necesita comprender qué sucede a su alrededor: qué pasos ya se completaron, qué información corresponde a cada uno y qué debería ocurrir después. Si esos datos están repartidos entre programas y procedimientos distintos, la inteligencia artificial puede estar presente desde el punto de vista técnico, pero desconectada del contexto que permitiría aprovechar sus resultados.

Este es el tema de una conversación del pódcast GEN, en el tercer episodio de una serie dedicada a esta cuestión. Denise Bell, vicepresidenta de Gestión de Productos y Marketing en LabVantage, habla de cómo reducir la fragmentación operativa y crear procesos de laboratorio conectados y capaces de crecer. La importancia del tema no se limita a incorporar más herramientas digitales: también depende de cómo se relacionan los sistemas y de cómo se coordinan las etapas del trabajo científico cotidiano.

Cuando cada sistema tiene solo una parte de la historia

En un laboratorio, la información rara vez es un número aislado. Puede estar vinculada con el resultado de una medición, una muestra o un paso anterior o posterior del procedimiento. Para interpretar ese dato, quien lo consulta necesita saber de dónde procede y qué lugar ocupa en el proceso. Cuando distintos sistemas guardan partes separadas de la información, reunirlas y entender cómo se relacionan se vuelve más difícil.

Esta situación suele describirse como un conjunto de «islas de información»: los datos existen, pero en la práctica quedan encerrados en sistemas que no comparten suficiente contexto. Eso no significa necesariamente que la información se haya perdido. Puede estar guardada, pero quizá no sea posible acceder a ella con facilidad ni vincularla automáticamente con lo que sucede en otra etapa. Como resultado, quienes pasan de una tarea a otra pueden verse obligados a buscar de nuevo la información o a trasladar los detalles manualmente, en lugar de encontrarlos dentro del mismo flujo de trabajo.

La desconexión afecta tanto al significado de los datos como a la facilidad para utilizarlos. Un resultado que aparece en un sistema quizá no permita saber, por sí solo, qué ocurrió antes ni cómo se relaciona con un procedimiento registrado en otro lugar. Cuanto más haya que reunir piezas dispersas, más difícil será interpretar la situación completa sin una buena coordinación entre personas y sistemas. Por eso, conectar las herramientas no es solo una cuestión técnica: también ayuda a conservar el contexto científico y operativo mientras avanza el trabajo.

El traspaso manual: un paso pequeño que puede complicarlo todo

Una de las señales de la fragmentación es que una tarea o un dato tenga que pasar manualmente de una etapa a otra. Puede parecer algo sencillo, pero cada traspaso exige atención humana: la información correcta debe llegar al lugar adecuado y entenderse en función del paso siguiente. Cuando el proceso depende de muchos traspasos de este tipo, aumentan las posibilidades de que haya demoras o se pierdan detalles durante la transferencia, un problema que la conversación pone de relieve.

Esto no quiere decir que toda intervención humana sea indeseable ni que sea posible o conveniente automatizar cada actividad. La idea es identificar las tareas repetitivas que separan los sistemas sin aportar, por sí mismas, valor científico. Si cada vez hay que volver a introducir datos que ya existen o buscar manualmente el estado de una etapa anterior, conectar los flujos de trabajo puede reducir esa carga y hacer más claro el paso de una tarea a la siguiente.

Al depender menos de la manipulación manual, el flujo de trabajo puede volverse más coherente y fácil de seguir. Sin embargo, ese cambio no se consigue simplemente añadiendo una función de inteligencia artificial. Primero hay que identificar dónde se producen los traspasos, qué información debe circular y qué sistemas necesitan compartirla. Sin esa visión, una herramienta nueva puede incorporarse a una operación que sigue fragmentada: cambia la interfaz, pero el problema de fondo permanece.

Cuatro tipos de sistemas en un mismo entorno de trabajo

La conversación plantea integrar cuatro tipos de sistemas en un entorno común para ejecutar el trabajo del laboratorio. El primero es el sistema de gestión de información de laboratorio, conocido como LIMS, que ayuda a organizar la información y las operaciones del laboratorio. Le sigue el cuaderno electrónico de laboratorio, o ELN, un espacio digital para documentar el trabajo científico. El sistema de ejecución de procedimientos de laboratorio, LES, se centra en cómo se realizan los procedimientos, mientras que el sistema de gestión de datos científicos, SDMS, se ocupa de administrar esos datos.

Cada sistema cumple una función distinta. Por eso, reunirlos en un mismo entorno no significa que sus funciones se vuelvan idénticas ni que uno sustituya a los demás. La propuesta es que trabajen de manera coordinada, en vez de obligar a las personas a utilizarlos como si fueran herramientas aisladas. Cuando la documentación del trabajo se conecta con la información, los pasos de ejecución y los datos, resulta más fácil ver cómo se relacionan las distintas partes del proceso.

Una ventaja de esta integración es que el contexto no tiene que detenerse en los límites de un programa. La información que necesita un proceso puede vincularse con la etapa correspondiente, y conocer el estado de una operación puede ayudar a orientar lo que viene después. Esta es la dirección que describe la fuente, no una promesa de que cualquier integración elimine automáticamente los errores. La calidad de la organización, del diseño y de la puesta en práctica sigue siendo esencial en cualquier entorno digital.

De ahí la importancia de coordinar el flujo de trabajo entre las distintas funciones del laboratorio. En lugar de considerar cada sistema como una herramienta independiente, conviene preguntarse cómo se encadenan las tareas, qué necesita saber cada parte y dónde debe pasar la información para que no pierda su sentido. Responder estas preguntas permite imaginar un entorno de trabajo conectado y detectar dónde se puede reducir la dependencia de los traspasos manuales o de las búsquedas repetidas.

Por qué la inteligencia artificial necesita contexto

Una herramienta de inteligencia artificial puede procesar la información que tiene a su disposición, pero la utilidad de su ayuda también depende de que esté claro a qué se refiere esa información. Si recibe datos sin una conexión comprensible con el flujo de trabajo, su capacidad para ofrecer un apoyo adecuado puede ser limitada. En cambio, cuando los datos están vinculados con las etapas y las funciones que los produjeron, la herramienta puede entender mejor las condiciones del trabajo que debe apoyar.

Por eso, la conversación relaciona la infraestructura operativa con la posibilidad de aprovechar la inteligencia artificial. El contexto científico muestra cómo se conecta un dato con el trabajo que lo generó; el contexto operativo lo sitúa dentro de la secuencia de tareas. Juntos, ambos ofrecen una base más sólida para que las herramientas de inteligencia artificial ayuden, en vez de operar sobre información dispersa cuyas conexiones no están claras.

La confianza también es especialmente importante. Un laboratorio no necesita solo una respuesta que parezca inteligente, sino una ayuda cuyo fundamento pueda entenderse dentro del proceso en que se utiliza. La fuente no ofrece cifras sobre niveles de precisión o confianza ni describe los resultados de un experimento concreto. Expone, más bien, una idea general: conectar los sistemas y los flujos de trabajo aporta el contexto necesario para que la ayuda sea más práctica y pueda aplicarse a otros usos.

Ampliar el uso de estas herramientas tampoco significa limitarse a ponerlas en marcha en un solo lugar o para una tarea concreta. Cuando el trabajo se apoya en una estructura conectada, resulta más fácil plantear su expansión a otras funciones o procesos, porque la información depende menos de soluciones provisionales entre sistemas. Aun así, la conexión por sí sola no garantiza que una aplicación tenga éxito: crea condiciones más favorables, pero elegir el uso adecuado y decidir cómo implementarlo también forman parte del trabajo.

¿Por dónde puede empezar un laboratorio?

La conversación aborda formas prácticas de empezar a adoptar la inteligencia artificial, pero la descripción disponible no enumera una serie concreta de pasos. Por eso, a partir del problema que se plantea, se puede obtener una orientación general sin atribuir a la invitada recomendaciones detalladas que no aparecen en la fuente: conviene empezar por entender los procesos existentes, no dar por hecho que comprar una herramienta nueva resolverá automáticamente todo lo que dificulta el trabajo.

Un laboratorio puede trazar el recorrido de una tarea desde el principio hasta el final y preguntarse dónde se registra la información, en qué momentos vuelve a introducirse y dónde se pierde el contexto al pasar de un sistema a otro. Este análisis permite distinguir cuál es el problema: ¿faltan datos?, ¿cuesta acceder a ellos?, ¿o no está clara la relación entre una información disponible y la etapa que depende de ella? Identificar dónde se atasca el proceso ayuda a plantear de manera más concreta qué conexiones hacen falta.

Después, es útil analizar los sistemas según la función que cumplen, y no solo por su nombre. ¿Qué información conserva el sistema de gestión del laboratorio? ¿Cómo se relaciona el cuaderno electrónico con los pasos de ejecución? ¿Dónde se guardan los datos científicos y cómo se mantienen vinculados al proceso? No hay una respuesta que sirva para todos los laboratorios, pero hacerse estas preguntas ayuda a aclarar qué información deberían compartir los sistemas para reducir las brechas.

También es importante distinguir entre dos objetivos relacionados, pero diferentes: mejorar el flujo de trabajo e incorporar inteligencia artificial. Al revisar los procesos, puede quedar claro que antes hace falta organizarlos o conectarlos. Cuando se entienden mejor las relaciones entre los datos y las etapas, es más sencillo evaluar en qué tareas las herramientas inteligentes pueden ayudar de verdad, en lugar de usarlas solo porque la tecnología está disponible. Así, la inteligencia artificial se integra en un proceso comprensible, en vez de convertirse en una capa separada.

La conexión es la base, no una solución mágica

La expresión «entorno unificado» puede dar la impresión de que resolver el problema es sencillo, pero unificar no consiste simplemente en ponerlo todo en un mismo lugar. Lo esencial es que la información pueda seguirse y entenderse mientras pasa de una tarea o un sistema a otro. Si se reúnen las herramientas sin abordar cómo comparten los datos y el contexto, la fragmentación puede continuar, aunque ahora tenga una apariencia distinta.

La conversación tampoco promete que la inteligencia artificial vaya a eliminar todos los errores o a acortar todos los procedimientos. La fuente se centra en lo que debe prepararse antes de aprovecharla: reducir la fragmentación, coordinar el trabajo, disminuir los traspasos manuales y conectar las herramientas fundamentales del laboratorio. Estos pasos crean condiciones para que la ayuda digital se ajuste mejor al entorno en que se utiliza, pero no reemplazan la necesidad de entender las necesidades del laboratorio y evaluar qué soluciones son adecuadas.

Conservar el contexto no beneficia únicamente a las herramientas. Quienes trabajan en el laboratorio también necesitan ver con claridad cómo se relacionan los datos y las etapas, y contar con un recorrido que reduzca la necesidad de saltar entre fuentes separadas. Cuando el proceso está mejor conectado, puede ser más fácil seguir el trabajo y comprender qué lugar ocupa cada dato. Desde esta perspectiva, la inteligencia artificial forma parte de un cambio más amplio en la organización de las operaciones; no sustituye esa organización.

Conclusión

La idea central de la conversación de Denise Bell en el tercer episodio del pódcast GEN es que, antes de incorporar inteligencia artificial al laboratorio, hay que preparar el entorno en el que va a trabajar. Los sistemas desconectados pueden mantener la información dispersa y hacer que pierda parte de su contexto, mientras que los traspasos manuales añaden tiempo y posibles errores. La propuesta es coordinar los flujos de trabajo y conectar LIMS, ELN, LES y SDMS en un entorno integrado para crear un contexto científico y operativo más claro.

La fuente no presenta cifras, resultados cuantitativos ni instrucciones detalladas de implementación, pero sí plantea un principio claro: pensar en la inteligencia artificial no debería empezar y terminar con la herramienta. Comprender los procesos, reducir las islas de información y facilitar el paso de los datos son condiciones que pueden hacer que la ayuda inteligente resulte más útil y pueda ampliarse a otros ámbitos. Si esa base se construye con cuidado, la pregunta deja de ser si hay inteligencia artificial en el laboratorio y pasa a ser cómo integrarla para que entienda y apoye el trabajo.