Las empresas de IA atraen al mejor talento académico, desplazando la investigación de las universidades

Dos años después de ganar el Premio Nobel, casi una cuarta parte de los miembros clave del equipo de Google AlphaFold han dejado Google, y premios Nobel como John Jumper se han unido a Anthropic. La industria de la IA está absorbiendo masivamente talento académico: en 2022, el 70,7% de los doctores en IA ingresaron al sector empresarial, solo el 20% permaneció en la academia. Los investigadores de élite en empresas alcanzan un ingreso anual de 1,94 millones de dólares, cinco veces más que en la academia. Aunque las empresas de IA pueden acelerar los avances científicos y generar logros que cambien la historia de la ciencia, tras una transición prolongada al sector empresarial, la producción de artículos disminuye en promedio un 65%, y los resultados pasan de artículos académicos a patentes y secretos comerciales. Lo aún más grave es que las empresas carecen de incentivos para formar a la próxima generación de científicos, y la investigación básica se está marginando. La ciencia está escapando aceleradamente de las universidades.

Autor y fuente del artículo: APPSO

Dos años después de ganar el Premio Nobel, el equipo original de Google AlphaFold ha sido desmantelado.

La mayoría de los autores originales del artículo de AlphaFold han sido reasignados en el último año, y casi una cuarta parte de los autores principales a tiempo completo han dejado completamente Google.

Los que se quedaron también se volcaron hacia campos como el Agente de Investigación de Gemini, diseño de enzimas, genómica y fusión nuclear, y algunos incluso se fueron a Isomorphic Labs, la empresa de desarrollo farmacéutico subsidiaria de Alphabet.

Incluso los premios Nobel John Jumper y Jonas Adler fueron temporalmente asignados al equipo Code Strike para enfocarse en el desarrollo de la capacidad de codificación con IA. Pero como todos sabemos, estos dos grandes expertos finalmente se unieron a Anthropic.

A la izquierda, Demis Hassabis, CEO de Google DeepMind; a la derecha, John Jumper. Enlace al artículo original: https://www.ft.com/content/61b2953d-ee0d-45de-af6e-a9c1cf524b33?utm_source=chatgpt.com&syn-25a6b1a6=1

En respuesta a este informe, Pushmeet Kohli, vicepresidente de investigación de Google encargado de AI for Science, indicó que el equipo científico de DeepMind no ha cambiado de dirección, sino que ha ampliado su alcance, y continúa avanzando en el diseño de proteínas, genomas y enzimas, utilizando Gemini para acelerar la investigación.

AlphaFold solía representar un enfoque de investigación relativamente tradicional: formar un equipo alrededor de una pregunta clara, invertir a largo plazo, concentrar recursos y finalmente entregar resultados.

Hoy en día, equipos similares están siendo reemplazados gradualmente por plataformas de modelos más universales. Proteínas, matemáticas, genómica, fusión nuclear y código, que parecen pertenecer a disciplinas distintas, se convierten, tras ingresar en empresas de IA, en un conjunto de módulos de capacidad de Gemini.

Al mismo tiempo, los talentos científicos, los recursos de cómputo y el control de los temas también se están concentrando cada vez más en pocas empresas de IA.

En los últimos años, cada vez más matemáticos, físicos, biólogos y profesores de ciencias de la computación han ingresado a la industria de la IA.

Por ejemplo, Anthropic ha estado contratando constantemente físicos, economistas y filósofos; OpenAI ha reunido a investigadores de agujeros negros, teoría de cuerdas y matemáticas puras; DeepMind también ha reunido a expertos en biología y fusión nuclear.

Recientemente, el profesor de la Universidad Estatal de Arizona, Subbarao Kambhampati, bromeó sobre que la comunidad académica ha adoptado un nuevo meme: «Quiero unirme a Anthropic».

Según un cálculo aproximado de The Atlantic, solo cuatro de las principales empresas de IA han reunido a al menos 80 profesores actuales o anteriores.

La dirección del flujo de talento también se vuelve cada vez más única.

El Informe de Índice de IA de la Universidad de Stanford muestra que en 2011, la proporción de doctores en IA que ingresaron al sector empresarial y al ámbito académico fue aproximadamente igual, con 40,9% y 41,6%, respectivamente. Para 2022, la proporción que ingresó al sector empresarial aumentó al 70,7%, mientras que la que ingresó al ámbito académico disminuyó al 20%.

Un artículo de trabajo del NBER de 2026 rastreó a aproximadamente 42.000 investigadores de IA en Estados Unidos. Los investigadores menores de 40 años tienen una probabilidad aproximadamente seis veces mayor de abandonar la universidad que los mayores de 40 años; alrededor del 70% de los que cambiaron de empleo aún trabajan en la misma empresa cinco años después.

El dinero, por supuesto, es importante. Los ingresos anuales de los mejores investigadores de IA del 1% en empresas aumentaron de 595.000 dólares a 1,94 millones de dólares; en universidades, el mismo grupo pasó de 301.000 dólares a 392.000 dólares. La brecha entre ambos se amplió a aproximadamente 1,5 millones de dólares.

Lo más difícil de rechazar son las condiciones de investigación.

A principios de la década de 2010, aproximadamente el 65% de los modelos de machine learning a gran escala fueron desarrollados independientemente por laboratorios académicos. Al entrar en la década de 2020, esta proporción cayó por debajo del 10%. Para 2022, aproximadamente el 81% de los modelos de vanguardia habían sido completados independientemente por empresas.

Cuando la profesora de UC Berkeley Anca Dragan se unió a DeepMind, expresó claramente su necesidad de los «datos, capacidad de cómputo y presupuesto» indispensables para un instituto de seguridad de vanguardia.

En comparación, en una universidad, un estudio podría requerir primero solicitar financiamiento, adquirir equipos, contratar personal de ingeniería y luego esperar por la asignación de recursos de cómputo. Al ingresar a una empresa de IA, el mismo investigador puede acceder directamente a modelos grandes, datos propietarios, capacidad de cómputo distribuida y un sistema de ingeniería de cientos de personas.

Sin embargo, la partida de un profesor de primer nivel de la universidad implica una pérdida que va mucho más allá de unos pocos artículos. La universidad pierde al mismo tiempo a un mentor, un grupo de investigación, una cadena de formación de doctores y las posibles líneas de investigación que podrían haberse desarrollado en los próximos quince años.

Antes, las empresas tecnológicas compraban investigaciones a las universidades. Ahora, comienzan a comprar directamente a las personas que producen esas investigaciones. Las empresas obtienen a una persona, y las universidades podrían perder a una generación.

Por supuesto, atribuir todos los movimientos de talento a la decadencia del mundo académico también subestima el valor que está creando la investigación empresarial.

AlphaFold ha demostrado que las empresas pueden lograr resultados que cambian la historia de la ciencia. Más de doscientos millones de predicciones de estructuras proteicas han ahorrado a numerosos biólogos meses e incluso años de trabajo.

Los Laboratorios Bell ya demostraron que los institutos de investigación empresariales también pueden cambiar la ciencia. En su apogeo, contaba con aproximadamente 1200 doctores y produjo al menos 10 premios Nobel. Demis Hassabis lo ha citado en múltiples ocasiones como referencia para DeepMind.

Las empresas de IA realmente se están volviendo cada vez más como un nuevo tipo de instituto de investigación que abarca múltiples disciplinas, con fuertes capacidades de ingeniería y salidas comerciales.

DeepMind integra Gemini en matemáticas, genómica y fusión nuclear; Isomorphic Labs colabora con empresas farmacéuticas para desarrollar nuevos medicamentos; Anthropic lanza Claude Science; OpenAI incorpora ChatGPT y Codex en los procesos de investigación científica.

Los resultados relacionados ya han aparecido. El físico Rogerio Jorge desarrolló software de fusión nuclear de código abierto con IA, y científicos de la computación teórica como Barna Saha utilizaron GPT-5.5 Pro para asistir en pruebas de geometría de alta dimensión.

OpenAI afirma que aproximadamente 1,3 millones de personas por semana utilizan ChatGPT para realizar tareas científicas y matemáticas avanzadas, y planea ofrecer gratuitamente modelos de vanguardia y Codex a 100.000 investigadores universitarios.

Desde la perspectiva del impacto personal, cuando un científico ingresa a una empresa, su influencia puede incluso multiplicarse. Como se mencionó anteriormente, en la universidad podría dirigir a una docena de estudiantes, mientras que en una empresa de IA puede movilizar a cientos de ingenieros, recursos de cómputo masivos y plataformas de datos globales. Los métodos que antes se quedaban en artículos académicos ahora tienen más facilidad para integrarse en medicamentos, software, equipos de experimentación y sistemas industriales.

But the cost is obvious.

Un estudio del NBER encontró que, tras trasladarse a empresas a largo plazo, la producción académica de investigadores en IA disminuyó en promedio un 65%. Entre 2000 y 2019, la proporción de investigadores en IA empleados por empresas aumentó del 48% al 68%, mientras que su participación en artículos académicos solo subió del 27% al 32%, pero su participación en patentes aumentó del 86% al 95%.

La gente aún está investigando, pero los resultados ya fluyen desde los artículos académicos hacia patentes, modelos internos y secretos comerciales. Google publicó originalmente Transformer y fomentó toda la industria. Hoy en día, los datos de entrenamiento, los pesos del modelo y los registros de fracasos son cada vez más difíciles de salir de los servidores de las empresas.

La ciencia sigue acelerándose, pero la ciencia abierta podría estar pisando el freno.

Las empresas de IA pueden convertirse en institutos de investigación, pero es difícil que se conviertan en universidades.

La universidad asume un trabajo a menudo ignorado: necesita formar a un gran número de estudiantes que aún no han demostrado su valor, y conservar durante mucho tiempo problemas que actualmente no tienen aplicación, no pueden ser valorados o cuyo posible valor solo se manifestará décadas después.

Sin embargo, las empresas de IA prefieren profesores e investigadores experimentados que ya han demostrado su valor, y tienen menos paciencia para formar a nuevos talentos. Los datos de SignalFire muestran que en 2024, los recién graduados representaron solo el 7% de las contrataciones en grandes empresas tecnológicas, una caída de más de la mitad en comparación con 2019.

🔗 https://www.signalfire.com/blog/signalfire-state-of-talent-report-2025

Las empresas absorben a profesores y investigadores experimentados de las universidades, al tiempo que reducen los puestos de entrada y la inversión en capacitación. Pueden reunir a un grupo de científicos de élite, pero no necesariamente asumen la responsabilidad de formar a la próxima generación de científicos.

Las consecuencias ya se han manifestado en las aulas universitarias. Los estudiantes entrevistados por The Atlantic descubrieron que algunos cursos se cancelaron repentinamente, con la razón práctica de que los profesores se tomaron un permiso en empresas de IA.

Al mismo tiempo, tras la partida del profesor estrella, el estudiante de doctorado pierde no solo un curso, sino también recursos de recomendación, redes de investigación, capacidad de organización de temas y oportunidades de acceder a problemas de vanguardia.

Cambios más sutiles ocurren en los temas de investigación.

El diseño de fármacos, la programación, el razonamiento matemático y el descubrimiento de materiales pueden mejorar los modelos y dar lugar a productos, por lo que es más fácil obtener apoyo de recursos. Temas como la investigación de campo a largo plazo y la conservación ecológica suelen encontrarse en una situación incómoda.

Sin embargo, la historia suele burlarse de los rendimientos a corto plazo.

La teoría de números fue durante mucho tiempo considerada la rama más pura y menos práctica de las matemáticas, pero más tarde se convirtió en la base de la criptografía moderna. Cuando surgieron los láseres, también se los llamó "una solución en busca de un problema". Al igual que Internet en sus primeros días, que también era difícil de medir con modelos comerciales.

El significado del sistema de investigación pública radica en que permite a los humanos investigar problemas cuyo valor no puede explicarse temporalmente.

Sin embargo, las empresas de IA hoy en día se encuentran en una intensa competencia en términos de rendimiento de modelos, lanzamiento de productos e inversión de capital. Incluso si están dispuestas a invertir en ciencia básica, los recursos tienen más probabilidades de dirigirse hacia áreas que puedan mejorar los modelos, respaldar productos o generar patentes.

Es muy probable que surja una prosperidad forzada.

Los humanos encuentran más rápido nuevos medicamentos, demuestran teoremas y descubren materiales, y los científicos más destacados poseen las herramientas más poderosas de la historia. Al mismo tiempo, surge la pregunta de quién decide qué investigar, quién forma a la próxima generación de científicos y quién está dispuesto a continuar con investigaciones que nadie paga.

Los científicos no han abandonado la ciencia. Simplemente, la ciencia está acelerando su escape de las universidades.

A veces pienso en la universidad y las empresas de IA como los dos extremos de un río. La universidad es más como la cabecera. El flujo es lento, hay mucho lodo, y numerosos afluentes parecen inútiles. Algunas personas allí miden, registran y discuten, mientras que otras pasan toda su vida estudiando un arroyo que finalmente no llega a la ciudad.

Las empresas de IA son como centrales hidroeléctricas aguas abajo. Pueden concentrar el flujo de agua, accionar máquinas y generar una enorme cantidad de energía, llevando rápidamente la ciencia a medicamentos, software e industrias.

Las centrales hidroeléctricas son, por supuesto, importantes. Sin ellas, el río simplemente fluye.

Pero si todos van a generar electricidad aguas abajo, el agua en la parte alta se secará poco a poco, y después de unos años, todos solo podrán sentarse en las salas de servidores esperando un río que ya no fluye.

Cuando los matemáticos se dedican a mejorar modelos, los biólogos a entrenar agentes y los físicos a ampliar los límites del poder de cómputo, la humanidad podría obtener IA más potente. Los problemas dejados atrás no tienen una hoja de ruta de producto, ni retorno de inversión, ni explicación temporal de su utilidad.

Están muy calladas. Tan calladas que es fácil pensar que no son importantes.