¿Qué está logrando de verdad la inteligencia artificial en la ingeniería de materiales?

La inteligencia artificial aceleró la parte más barata de buscar materiales, la de calcular; la parte cara, la de fabricar y probar, sigue al ritmo de siempre. Buscar un material nuevo era, hasta hace poco, un trabajo de años: imaginar una combinación de átomos, calcular si se sostiene, intentar hacerla en un horno y analizar qué salió. La IA promete acortar el primer tramo: un modelo entrenado con todos los cristales conocidos predice cuáles combinaciones nuevas serían estables y con qué propiedades, sin probarlas una por una. Un lector nos preguntó qué está logrando eso de verdad.

Los datos dan una respuesta en dos partes. Primero, la IA multiplicó lo que se puede calcular. En 2023, GNoME, de Google DeepMind, propuso 381.000 materiales nuevos estables, casi ocho veces los 48.000 que se conocían. En 2025, MatterGen, de Microsoft, mostró que puede generar materiales a pedido, con la propiedad que se le indica. Y en ciencia de materiales, la parte de los trabajos que nombran a la IA se cuadruplicó en seis años.

Después, del cálculo al laboratorio la distancia sigue siendo grande, y dos de los resultados que publicó Nature se achicaron cuando otros científicos los revisaron. El laboratorio robótico de Berkeley anunció en 2023 que había hecho 41 compuestos nuevos de 58 que buscaba; en enero de 2026 corrigió el trabajo: fueron 36 de 57, y "nuevos" quería decir nuevos para la computadora, no necesariamente para la ciencia.

El segundo es MatterGen: el único material que Microsoft fabricó con ese modelo, según un químico de la Universidad Humboldt de Berlín, ya se conocía desde 1971 y estaba en los datos con los que se entrenó. Y el avance más concreto que encontramos, un electrolito sólido para baterías que reemplaza parte del litio por sodio, se fabricó y se midió, pero como candidato: no hay un producto a la venta.

Qué hace la IA en un laboratorio de materiales

Un material es una forma de ordenar átomos. Si el orden es estable, el material se puede fabricar y dura; si no, se desarma en otra cosa. Hace décadas que los científicos calculan esa estabilidad con un método de la física cuántica, la teoría del funcional de la densidad, pero cada cálculo es caro, y hacerlo para millones de combinaciones posibles no es práctico. Lo que hace la IA es aprender de los cálculos ya hechos y predecir, en una fracción de segundo, cuáles combinaciones vale la pena calcular en serio. En GNoME, ese filtro y el cálculo clásico se alimentaron uno al otro en seis rondas.

El punto clave es que todo eso pasa en una computadora. "Estable" quiere decir que el cálculo dice que ese orden de átomos tiene menos energía que las alternativas conocidas. No dice si se puede hacer en un horno, cuánto cuesta ni para qué sirve. Esa es la distancia que mide la tabla.

Lo que se predijo y lo que se fabricó

GNoME encontró 2,2 millones de estructuras más estables que las de la base pública de materiales del Departamento de Energía de EE.UU., el Materials Project. Como esos materiales compiten entre sí, al ordenarlos quedaron 381.000 nuevos en la lista final de estables, que suma 421.000 con los ya conocidos. Para comprobar que el método funcionaba, los autores buscaron cuáles de sus predicciones ya figuraban en la gran base de cristales fabricados, la ICSD: encontraron 736, y 184 de ellos se habían publicado mientras el proyecto estaba en marcha. Esos 736 no los hizo DeepMind; los hicieron otros laboratorios por su cuenta, y sirven como prueba de que el modelo acierta en algunos casos. Lo que el trabajo no responde es qué hay en el resto de la lista.

Anthony Cheetham y Ram Seshadri, químicos de la Universidad de California en Santa Bárbara con décadas fabricando materiales, revisaron la lista en la revista Chemistry of Materials en 2024. Eligieron 10 compuestos al azar de los 384.870 de la base de estables: los diez tenían una estructura que ya figuraba en la ICSD, casi siempre con un orden de átomos más simétrico que el que proponía la IA.

Contaron además más de 41.000 compuestos con elementos muy radiactivos, como el tecnecio, el neptunio o el plutonio. Escriben que todavía no encontraron ningún compuesto "llamativamente nuevo" en las listas, aunque esperan que haya alguno. Su conclusión es que el trabajo "no reporta materiales nuevos sino una lista de compuestos propuestos": para ellos, un compuesto es un material recién cuando se le demuestra una utilidad. Aun así, escriben que el método parece prometedor y que las composiciones que propone son creíbles. De esas listas eligió sus materiales un laboratorio robótico.

El mismo día que GNoME, Nature publicó el trabajo del A-Lab, un laboratorio con brazos robóticos del Lawrence Berkeley National Laboratory que eligió materiales de esas listas, propuso recetas con modelos de lenguaje entrenados con la literatura científica, los cocinó y analizó el resultado sin intervención humana. Anunció 41 compuestos nuevos de 58 buscados en 17 días.

En marzo de 2024, un grupo de Princeton y del University College London encabezado por Josh Leeman, Leslie Schoop y Robert Palgrave revisó uno por uno los productos en PRX Energy: concluyó que ninguno era un material nuevo y que dos tercios eran, probablemente, versiones desordenadas de compuestos ya conocidos.

En enero de 2026, los autores publicaron una corrección en Nature: reanalizaron los datos y confirmaron 36 de los 40 éxitos que quedaban (4 resultaron dudosos y uno se sacó porque estaba en los datos de entrenamiento), y aclararon que "nuevos" quería decir nuevos para la plataforma, "no necesariamente nuevos para la ciencia".

MatterGen, de Microsoft, cambió la pregunta: en vez de revisar millones de combinaciones, genera directamente materiales con la propiedad que se le pide. Según su trabajo en Nature, sus estructuras tienen más del doble de probabilidad de ser nuevas y estables que las de los modelos anteriores. Para probarlo, le pidieron un material con un módulo volumétrico de 200 GPa, eligieron cuatro candidatos y lograron fabricar uno, un óxido de tantalio y cromo, con un valor medido de hasta 169 GPa: a 16% del objetivo.

En abril de 2026, Mikkel Juelsholt, de la Universidad Humboldt de Berlín, mostró en Materials Horizons que ese óxido, en la forma en que se fabricó, es idéntico a uno descripto en 1971 que figuraba en los datos con los que se entrenó MatterGen. No encontramos una respuesta publicada de los autores.

Para qué sirve: baterías, chips, catalizadores

Los trabajos dicen para qué buscan. GNoME filtró sus resultados para dos usos: unos 52.000 materiales en capas, del tipo que se usa en electrónica y en almacenamiento de energía (antes se conocían unos 1.000), y 528 candidatos a conductores de iones de litio, la pieza que mueve la carga dentro de una batería. MatterGen se presenta para almacenamiento de energía, catálisis y captura de carbono. Todos son, por ahora, candidatos calculados. El caso que llegó más lejos también es un material para baterías.

De los casos que encontramos, ese es el de Microsoft con el Pacific Northwest National Laboratory, publicado en 2024 en el Journal of the American Chemical Society. Combinaron modelos de IA con cálculos clásicos en la nube para revisar más de 32 millones de candidatos, estimaron alrededor de medio millón estables y se quedaron con 18 de composición nueva para electrolitos sólidos, la pieza de las baterías de estado sólido que ocupa el lugar del electrolito líquido. Fabricaron la familia que encabezaba la lista, cloruros de itrio con proporciones variables de sodio y litio, y midieron que conduce los iones. Es un paso más que el resto, pero sigue siendo un material de laboratorio: el propio trabajo lo presenta como un candidato con potencial.

Cuánto pesa la IA en la ciencia de materiales

Para medirlo contamos, en arXiv, el repositorio donde los físicos y químicos suben sus trabajos, cuántos de la categoría de ciencia de materiales mencionan en su resumen el aprendizaje automático, el aprendizaje profundo, las redes neuronales o la inteligencia artificial. En 2019 eran 180 de 5.683: 3 de cada 100. En 2025 fueron 1.112 de 8.839: casi 13 de cada 100, seis veces más trabajos en números absolutos.

Lo contrastamos con otra base, OpenAlex, que reúne artículos de revistas de todo el mundo y los clasifica por disciplina. Con la misma búsqueda, los artículos de ciencia de materiales que nombran a la IA pasaron de 1.204 en 2019 a 7.716 en 2025: también seis veces más. Ahí pesan menos, de 0,7% a 4,1% del total, porque OpenAlex incluye toda la investigación aplicada y de laboratorio, mientras que arXiv concentra la parte más teórica y computacional. Las dos bases coinciden en lo importante: en seis años la IA pasó de rareza a herramienta habitual.

Y la Argentina

No hay una estadística oficial argentina de investigación con IA en materiales. Lo que se puede hacer es buscar trabajos publicados por grupos del país, y aparecen. Luis Miccio, investigador del CONICET en el INTEMA, el instituto de materiales de la Universidad Nacional de Mar del Plata y el CONICET, publicó en 2024 (con colegas del País Vasco) y en 2025 en Computational Materials Science modelos de IA que estiman la temperatura a la que un polímero o un vidrio molecular pasa de rígido a blando, un dato clave para fabricar plásticos, incluso cuando hay pocos datos para entrenar.

En Mendoza, investigadores de la Universidad Nacional de Cuyo, la Universidad de Mendoza y el CONICET, con Eduardo M. Bringa entre los autores, entrenaron en 2024 modelos con más de 1.600 nanopartículas simuladas de hierro y níquel para predecir su magnetización.

Son trabajos que usan la IA para predecir propiedades de materiales conocidos, no para buscar materiales nuevos como GNoME o MatterGen. Y en nuestra búsqueda no encontramos ningún trabajo argentino publicado que use IA para buscar materiales de baterías, aunque la Argentina produce y exporta litio. El cruce con el litio existe en el mundo, no todavía acá: el electrolito de Microsoft y el laboratorio PNNL reemplaza parte del litio por sodio, y las 528 candidatas de GNoME son conductores de litio. Es una pista de hacia dónde va la demanda, no un dato sobre cuánto litio se va a vender; lo que exporta hoy la Argentina lo contamos en esta nota.

Lo que todavía es promesa

Cuánto invierten las empresas en IA para materiales no se puede verificar: los montos de las empresas nuevas del sector los anuncian ellas mismas y no hay un registro oficial. Tampoco hay forma de saber si algún producto que se vende hoy lleva un material encontrado por una IA: las empresas no lo informan de manera que se pueda comprobar.

Y la discusión científica sigue abierta. Las críticas que citamos no dicen que la IA no sirva: dicen que todavía confunde materiales desordenados conocidos con materiales nuevos ordenados, y que cada predicción necesita la revisión de alguien que sepa de cristales. Las tres revisiones, la de los robots de Berkeley, la de GNoME y la de MatterGen, llegan a esa misma conclusión. Por eso la respuesta tiene las dos partes del principio: la IA multiplicó lo que se puede calcular, y del cálculo al laboratorio la distancia sigue siendo grande. Lo que estos trabajos dejan abierto es cuántos de esos candidatos calculados se van a poder fabricar y probar.

Las baterías, los paneles solares, los chips y los catalizadores de la industria dependen de materiales que suelen tardar años en pasar del laboratorio a la fábrica. Si la IA acorta ese camino, cambia qué materias primas se van a demandar y cuánto. Para un país que exporta litio, eso no es abstracto. Pero lo que muestran los datos de hoy es que la IA aceleró la parte más barata, la de calcular, y que la parte cara, la de fabricar y probar, sigue al ritmo de siempre.

La otra lección es de método, y vale para cualquier titular sobre IA: los resultados que Nature publicó en 2023 y 2025 sobre el A-Lab y MatterGen se achicaron cuando otros científicos los revisaron, y una corrección publicada dos años después llega a mucha menos gente que el anuncio original.