Lo que Pichicuaz no puede decirme

Ayer murió una de nuestras ninfas. Llevaba más de catorce años con nosotros. Le gustaba platicar, si a esa conversación extraña entre especies podemos llamarla así: nosotros hablábamos y ella respondía chiflando a los cuatro vientos, armando su propio escándalo doméstico como si tuviera opiniones bastante definidas sobre todo lo que ocurría alrededor. Y de pronto se murió. No hubo explicación, diagnóstico ni últimas palabras. Estaba ahí y dejó de estar.

El tiempo es implacable, aunque tenga la delicadeza de trabajar a velocidades distintas. Unos organismos se deterioran rápido; otros resisten décadas; algunos parecen mantenerse intactos durante años y luego se desmoronan en unos meses. Pichicuaz, siamés prominente en los círculos editoriales y literarios, también está dando el viajazo. Cada día está más débil, más enfermo, más cansado. Camina menos, duerme más, come con dificultad y uno va notando esos pequeños cambios que anuncian que algo se está acabando aunque nadie haya tenido la gentileza de entregar el calendario.

Y así convivimos en esta casa varias especies y varias edades, cada una ocupada en resolver el tramo de existencia que le tocó. Nimue, la adolescente de la casa, contempla la vida como algo que apenas se está poniendo interesante. Noemí está en la plenitud de sus cuarenta, sana, hermosa, activa, en ese periodo en que todavía queda muchísimo territorio por recorrer. Y yo ya ando montado en los setenta, en una zona de la resbaladilla donde uno empieza a sospechar que la pendiente tiene más inclinación de la que anunciaba el folleto.

El resultado es un pequeño laboratorio involuntario sobre el tiempo. En unos cuantos metros cuadrados conviven organismos con metabolismos distintos, expectativas de vida distintas, capacidades cognitivas distintas y relojes biológicos que avanzan a ritmos diferentes. Uno empieza; otro atraviesa la plenitud; otro envejece; otro se apaga. Y todos compartimos el mismo espacio sin entender demasiado bien lo que ocurre dentro de los demás.

La ninfa que sobrevivió a su compañera me parece triste. Subrayo: me parece. Puedo observar que se comporta distinto, puedo interpretar su silencio, proyectar sobre ella una emoción que conozco porque soy humano. Pero no sé qué está sintiendo. Tampoco supe si la que murió llevaba días sintiéndose mal, si tenía dolor, si algo le molestaba, si habría sido posible ayudarla. No pudo decírmelo.

Pichicuaz tampoco puede.

El veterinario observa, palpa, analiza, compara signos clínicos y construye hipótesis. Nosotros hacemos lo mismo con los indicios disponibles. Pero existe una barrera formidable: el paciente no puede señalar dónde le duele, explicar qué siente ni decir si un tratamiento lo está ayudando o simplemente está prolongando su malestar. Y ahí aparece una de las preguntas más difíciles de quienes convivimos con animales viejos: ¿hasta dónde intervenir? Porque prolongar la vida y prolongar una buena vida son dos asuntos muy diferentes. La longevidad sin calidad puede terminar siendo apenas una victoria burocrática sobre el calendario.

Curiosamente, ésta es también una de las preguntas centrales de la investigación contemporánea sobre el envejecimiento humano. La gerociencia ya no entiende el envejecimiento simplemente como una especie de desgaste inevitable y homogéneo, sino como una interacción extraordinariamente compleja de procesos celulares y moleculares: alteraciones genómicas y epigenéticas, pérdida de proteostasis, disfunción mitocondrial, senescencia celular, inflamación crónica y otros mecanismos que se retroalimentan entre sí. El giro conceptual es mayúsculo. Si el envejecimiento tiene mecanismos identificables, algunos podrían medirse, modularse o eventualmente intervenirse. La pregunta deja de ser únicamente cuánto tiempo ha vivido alguien y pasa a ser cómo está envejeciendo.

Ahí la inteligencia artificial se vuelve mucho más interesante que pedirle que redacte el menú del martes.

En 2025, por ejemplo, un trabajo publicado en Nature Medicine utilizó modelos de lenguaje para estimar edad biológica general y de órganos a partir de informes médicos. El sistema fue validado en seis grandes cohortes que sumaban más de diez millones de personas y sus estimaciones estuvieron fuertemente asociadas con resultados posteriores de salud y mortalidad. No significa que una computadora pueda pronosticar nuestra fecha de caducidad ni que exista ya un oráculo digital de la muerte. Significa algo bastante más importante: que dentro de masas descomunales de datos médicos rutinarios existen patrones del envejecimiento que nosotros no somos capaces de reconocer fácilmente y que los modelos pueden extraer.

Hace apenas unos días apareció otro caso asombroso. El 3 de agosto, Nature Communications publicó un trabajo realizado sobre 9,608 estudios clínicos de sueño. En lugar de reducir toda esa información a unos cuantos indicadores convencionales, un modelo fundacional —desarrollado por IBM y la Clínica Cleveland— analizó simultáneamente señales cerebrales, respiratorias, cardiacas y de oxigenación y encontró cinco grupos fisiológicos con riesgos claramente distintos. En el grupo de mayor riesgo, la mortalidad fue 2.71 veces la del grupo de referencia, mientras que la clasificación tradicional basada en la severidad de la apnea no consiguió distinguir de manera semejante esos riesgos.

Esto me parece fundamental para comprender lo que está ocurriendo.

La IA no necesariamente descubre datos nuevos. A veces descubre información nueva dentro de datos viejos.

Es una diferencia enorme.

Durante décadas hemos acumulado análisis clínicos, imágenes, genomas, transcriptomas, electrocardiogramas, estudios de sueño y millones de experimentos. El problema, a estas alturas, es que ningún investigador puede leer semejante océano. Las máquinas sí pueden recorrerlo buscando relaciones que no formaban parte de la pregunta original.

Un ejemplo notable es AgeXtend, una plataforma desarrollada en el Instituto Indraprastha de Tecnología de la Información de Delhi y publicada en Nature Aging. Sus investigadores emplearon inteligencia artificial para explorar alrededor de 1,100 millones de compuestos en busca de sustancias potencialmente geroprotectoras. Algunas de las predicciones se llevaron después al laboratorio y fueron evaluadas en levaduras, en Caenorhabditis elegans y en células humanas. Y hay un detalle que inspira confianza: la metformina y la taurina, dos protectores conocidos, habían sido excluidas a propósito de su entrenamiento, y el sistema las volvió a encontrar por su cuenta. No hemos descubierto la pastilla de la inmortalidad —conviene guardar las trompetas—, pero hemos cambiado brutalmente la escala de búsqueda. Un científico puede estudiar decenas o cientos de candidatos; un sistema computacional puede arrancar en mil millones.

Todavía más provocador es ClockBase Agent, desarrollado por investigadores vinculados con Harvard, el Broad Institute y otras instituciones. El sistema emplea agentes de IA para volver a analizar millones de perfiles moleculares humanos y de ratón con más de cuarenta relojes biológicos diferentes. Al examinar 43,602 comparaciones entre intervenciones y controles, encontró más de quinientas intervenciones asociadas con reducciones de edad biológica que no habían sido reportadas como tales en los trabajos originales. Una de ellas, la ouabaína, fue posteriormente probada en ratones viejos y mostró efectos sobre fragilidad, función cardiaca y neuroinflamación. Hay que poner un enorme asterisco antes de salir corriendo a la farmacia: el trabajo sigue siendo un preprint y no ha pasado todavía por revisión de pares. Pero precisamente por eso vale como señal de hacia dónde se mueve la investigación.

Y hay un estudio que me estremece por una razón distinta. En Nature Computational Science, un equipo danés entrenó un modelo —lo llamaron life2vec— con las secuencias de vida de 6 millones de personas: salud, educación, ocupación, ingresos, año tras año, tratando cada vida como si fuera un texto y cada acontecimiento como una palabra. El sistema aprendió a predecir mortalidad temprana mejor que los modelos de referencia —entre ellos tablas actuariales, regresión logística y redes neuronales—, con cerca de 11% más de precisión en personas de 35 a 65 años; y sus autores advirtieron de inmediato lo que no es: no predice la fecha de muerte de nadie, y pidieron que no se use con fines comerciales. Lo anoto por la ironía que encierra: ya podemos leer 6 millones de vidas humanas como quien lee frases. La cara de un gato todavía se nos resiste.

Y luego está la otra mitad de mi pequeña escena doméstica: los animales.

Porque si una cosa quisiera saber hoy es qué siente Pichicuaz.

Eso que hasta hace poco parecía casi una pregunta filosófica se está convirtiendo, poco a poco, en un problema computacional susceptible de investigación. Ya existen sistemas experimentales capaces de analizar automáticamente el rostro de los gatos mediante video, identificar decenas de puntos anatómicos y buscar configuraciones relacionadas con dolor. Los resultados todavía están lejos de convertir el teléfono en veterinario y existen dificultades importantes para distinguir dolor de otras expresiones o posturas, pero el campo ya existe. En Scientific Reports se han publicado modelos de reconocimiento automático de dolor felino basados en esas variaciones faciales diminutas que incluso a especialistas humanos les cuesta interpretar.

De pronto la pregunta cambia. Ya no es solamente «¿por qué mi gato no puede decirme que le duele?», sino «¿qué señales está produciendo que mi sistema perceptivo no sabe leer?».

Ése es exactamente el tipo de problema para el cual la IA es especialmente poderosa.

Lo mismo está ocurriendo a una escala todavía más fascinante con la comunicación animal. En 2024, un estudio publicado en Nature Ecology & Evolution encontró, mediante aprendizaje automático y experimentos de reproducción acústica, evidencias de que los elefantes africanos utilizan llamadas específicas para dirigirse a individuos concretos: una suerte de equivalentes funcionales de nombres. El sistema, entrenado con 469 llamadas de 101 elefantes en Kenia, podía predecir a quién iba dirigida una llamada a partir de su pura estructura acústica; y cuando los investigadores reproducían las grabaciones, los animales reaccionaban de manera diferente si la llamada había sido originalmente dirigida a ellos que si iba dirigida a otro miembro del grupo. Con un matiz que los distingue: los antecedentes conocidos —delfines nariz de botella y algunas especies de loros— parecen dirigirse unos a otros imitando el sonido del aludido; lo excepcional de los elefantes es que usan etiquetas que no imitan nada. Inventan el nombre. Las ninfas pertenecen también a los psitaciformes. Si la nuestra hacía algo remotamente parecido cuando chiflaba por toda la casa, simplemente no lo sabemos.

Ese mismo año, investigadores de Project CETI analizaron 8,719 secuencias de clics de cachalotes y encontraron una estructura combinatoria mucho más rica de lo que se suponía. Ritmo, tempo, variaciones temporales y ornamentaciones pueden combinarse formando un repertorio vastísimo de codas distintas: donde durante décadas se habían catalogado 21 tipos, aparecieron 156. Los investigadores hablan incluso de un «alfabeto fonético» de los cachalotes, aunque todavía desconocemos qué significan buena parte de esas combinaciones.

Hay que detenerse justo ahí porque es donde suele entrar corriendo la fábrica de titulares: no estamos traduciendo ballenas.

Todavía no.

Detectar estructura no equivale a comprender significado. Una máquina puede descubrir que determinadas secuencias aparecen juntas, que ciertos individuos utilizan determinadas llamadas o que un sonido se produce sistemáticamente antes de cierto comportamiento. Convertir eso en semántica exige observación, contexto, experimentos controlados y pruebas de reproducción acústica. Precisamente por ello los especialistas que estudian comunicación animal mediante aprendizaje automático insisten en que los modelos deben servir para construir hipótesis comprobables, no para fabricar subtítulos imaginarios de Free Willy.

Pero el avance es real. Earth Species Project ha desarrollado NatureLM-audio, un modelo fundacional específicamente orientado a bioacústica que puede detectar y clasificar vocalizaciones, individuos, especies y contextos aun en conjuntos de datos distintos de aquellos con los que fue entrenado. Google DeepMind, el Wild Dolphin Project y Georgia Tech desarrollaron DolphinGemma —entrenado con cuarenta años de grabaciones de delfines manchados del Atlántico— para aprender regularidades en secuencias acústicas y generar secuencias plausibles con una arquitectura conceptualmente semejante a la de los modelos que predicen la siguiente palabra de un texto. Tampoco «habla delfín», pero ayuda a identificar estructuras cuya detección manual sería endemoniadamente laboriosa.

Aquí también hace falta corregir otra simplificación frecuente. No sabemos que haya mamíferos «más inteligentes que los humanos» en un sentido general. La inteligencia no es una escalera con nosotros arriba y una fila ordenada de animales debajo. Es un conjunto multidimensional de capacidades. Otras especies poseen facultades sensoriales, espaciales, acústicas, memorísticas o sociales extraordinarias y pueden superarnos ampliamente en determinadas tareas. Pero la capacidad humana para integrar información entre dominios, abstraerla, transmitirla y acumularla culturalmente sigue siendo excepcional.

Quizá nuestra gran ventaja no haya sido disponer individualmente de una inteligencia maravillosa, sino haber aprendido a construir prótesis cognitivas.

El lenguaje fue una. La escritura otra. Después vinieron los números, los mapas, las bibliotecas, la imprenta, los telescopios, los microscopios, la estadística, las computadoras, las redes y finalmente estos sistemas de inteligencia artificial que ya nos ayudan a explorar espacios de información demasiado grandes o demasiado complejos para nuestras capacidades naturales.

Por eso me resulta un poco pintoresca la discusión actual sobre si «debemos usar inteligencia artificial».

Ya estuvimos allí.

Se discutió si era legítimo escribir con procesadores de palabras en lugar de hacerlo a máquina. Si las hojas de cálculo empobrecían la capacidad de hacer cuentas. Si Photoshop destruía la fotografía. Si Google acabaría con la memoria. Cada generación tiende a confundir la herramienta cognitiva a la que está acostumbrada con alguna facultad supuestamente natural del ser humano.

Mientras seguimos debatiendo si usar un chatbot para redactar un correo constituye una afrenta a la civilización occidental, otros están utilizándolo —y utilizando sistemas mucho más especializados— para recorrer mil millones de moléculas, leer millones de perfiles celulares, encontrar señales escondidas dentro de una noche de sueño, detectar dolor en el rostro de un gato o descubrir estructuras invisibles para nosotros dentro de una conversación entre cachalotes.

Ahí está, para mí, la verdadera revolución.

No en que una máquina redacte mejor o peor un párrafo.

En que empieza a funcionar como una nueva clase de instrumento científico.

El telescopio amplió nuestra capacidad de mirar hacia afuera. El microscopio amplió nuestra capacidad de mirar hacia adentro. La inteligencia artificial comienza a ampliar nuestra capacidad de encontrar relaciones: detectar estructuras en dimensiones, escalas y cantidades de información para las que nuestro cerebro simplemente no evolucionó.

Eso no la vuelve infalible. Mucho menos omnisciente. Los modelos pueden equivocarse, amplificar sesgos, confundir correlaciones con causalidad y producir interpretaciones convincentes pero falsas. En ciencia siguen haciendo falta experimentos, controles, replicación, revisión por pares y esa saludable costumbre de desconfiar de los resultados demasiado bonitos. La IA no elimina el método científico. Lo obliga a evolucionar.

A nuestra ninfa ya no podremos preguntarle qué ocurrió.

La otra quizá está triste. Quizá no. Tendremos que seguir observándola.

Y Pichicuaz continúa aquí, cada día un poco más cansado, incapaz de explicarme si algo le duele, si simplemente está exhausto o si llegó ese punto en que seguir interviniendo significaría satisfacer nuestra dificultad para despedirnos más que mejorar su existencia.

La inteligencia artificial no resolverá eso por mí. Ningún algoritmo debería hacerlo.

Pero tal vez dentro de no demasiado tiempo pueda ofrecerme información que hoy simplemente no tengo: distinguir dolor de cansancio, detectar cambios fisiológicos antes de que sean visibles, reconocer patrones de comportamiento, escuchar frecuencias que yo no percibo y ayudar a un veterinario a comprender un poco mejor qué está ocurriendo dentro de ese animal silencioso.

Y acaso algún día podamos hacer algo todavía más extraño: comprender qué información intercambia una ballena cuando hace clic bajo el océano, qué comunica un elefante cuando llama a otro o qué estaba intentando decir aquella pequeña ninfa cuando se pasaba las mañanas chiflando a los cuatro vientos.

No hemos vencido al tiempo. Ni estamos cerca de hacerlo.

Seguiremos envejeciendo. Seguiremos enfermando. Seguiremos muriendo.

Pero hay algo que sí empieza a retroceder.

La ignorancia.

Y ésa, para quienes tuvimos la extravagante ocurrencia de aparecer vivos en este momento de la historia, no es poca cosa.

— ALEJANDRO ZENKER, 09 AGO 2026 · 19:50