Claude descubre un sistema enzimático nuevo con repeticiones tipo CRISPR

Anthropic presentó el 23 de septiembre de 2026 un nuevo grupo de investigación en ciencias de la vida, con laboratorio propio en el área de la bahía de San Francisco, y compartió el primer resultado público de ese equipo: agentes de Claude identificaron de manera autónoma un sistema enzimático que no estaba descrito en la literatura.

¿Qué encontró exactamente Claude?

El sistema se llama ART, sigla en inglés de array-associated reverse transcriptases, y aparece principalmente en bacteriófagos, los virus que infectan bacterias. Tiene tres partes: una transcriptasa inversa, un gen acompañante junto a ella y un arreglo largo de repeticiones de ADN espaciadas de manera regular.

Ese arreglo es lo que llamó la atención. Su estructura recuerda a un arreglo CRISPR, el banco de secuencias de ARN que hace programables a los sistemas CRISPR-Cas. Los primeros experimentos de Anthropic muestran que el arreglo de ART también se expresa como un conjunto de ARN cortos y distintos entre sí, lo que sugiere un mecanismo análogo. La transcriptasa inversa de base ya había sido identificada en estudios previos, pero, según Anthropic, Claude fue el primero en notar las características que definen al sistema completo.

Feng Zhang, uno de los pioneros de la edición genómica con CRISPR y profesor del MIT y del Broad Institute, revisó el preprint y calificó el hallazgo como «genuinamente intrigante», además de señalar que merece más investigación. La función principal de ART sigue sin conocerse y los experimentos continúan.

¿Cómo trabajaron los 950 agentes?

El equipo humano se limitó a dos cosas: entregar el prompt inicial y ejecutar el trabajo de laboratorio. Desde ahí, los agentes de Claude recorrieron una base masiva de secuencias de ADN, investigaron las distintas familias de transcriptasas inversas y decidieron por su cuenta qué candidatos valían la pena.

• 950 agentes trabajando en paralelo durante 21 horas.
• 210 millones de tokens consumidos en la campaña.
• Más de 200.000 transcriptasas inversas reunidas.
• 3.500 sistemas candidatos detectados, reducidos a los 20 más prometedores con informes legibles por humanos.

Anthropic señala que, para un científico experto, este tipo de análisis toma de semanas a meses. El trabajo se hizo con Claude Science y Claude Code, las mismas herramientas disponibles para cualquier equipo, más un orquestador propio que coordina muchas sesiones en paralelo.

¿Por qué importa esto si no trabajas en biología?

Porque el caso no es sobre enzimas, es sobre un patrón de trabajo. Lo que ocurrió aquí es un ejemplo limpio de tres cosas: un objetivo amplio definido por humanos, cientos de agentes explorando en paralelo sin supervisión paso a paso, y un embudo de filtrado que pasó de 200.000 elementos a 20 informes revisables. Ese patrón se traslada a cualquier dominio donde exista un corpus grande y mal explorado.

Para las empresas B2B de Chile y Latinoamérica, los equivalentes están a la vista: bases de datos de CRM con años de actividad sin analizar, transcripciones de llamadas comerciales, tickets de soporte, catálogos de productos, registros públicos de licitaciones. En todos esos casos el cuello de botella nunca fue el dato, fue la capacidad de revisarlo con criterio.

Análisis de Revenue Hub

La lectura corta para un líder comercial es que el costo de explorar hipótesis a escala acaba de bajar otra vez, y con él cambia qué preguntas vale la pena hacerse. Hasta ahora, la mayoría de los equipos de revenue en Chile y Latinoamérica solo mira su data cuando ya tiene una hipótesis, porque revisar sin hipótesis era caro en horas humanas. Ese supuesto ya no se sostiene.

La decisión concreta no es contratar 950 agentes. Es mucho más aburrida y más urgente: revisar si tu data está en condiciones de ser explorada. Un CRM con campos inconsistentes, etapas mal definidas y actividad sin registrar no mejora porque le pongas agentes encima, solo produce candidatos falsos más rápido. El embudo de Anthropic funcionó porque la base de secuencias de ADN es limpia y está estandarizada. La pregunta honesta es si tu base de clientes lo está.

El riesgo del lado contrario también es real: quedarse esperando a que la tecnología madure mientras un competidor usa el mismo tipo de barrido para encontrar patrones de churn, segmentos desatendidos o señales de intención que tú no ves. Si quieres profundizar en cómo estructurar la data antes de automatizar, revisa lo que publicamos en CRM y datos y en el blog de Revenue Hub.