Jeff Dean deja Google tras 27 años para fundar Discovery Loop: automatización de la ciencia con IA

El 5 de agosto de 2026, el CEO de Google, Sundar Pichai, envió un comunicado interno anunciando un importante cambio de liderazgo: Jeff Dean, científico jefe de Google y figura legendaria tras 27 años en la compañía, deja su puesto para cofundar una nueva empresa, Discovery Loop, junto a su socio de mucho tiempo, Sanjay Ghemawat. La meta de la nueva compañía se resume en una sola frase: hacer que la IA automatice los experimentos científicos para que un puñado de personas pueda realizar el trabajo que antes requería todo un laboratorio.

La noticia causó un enorme revuelo en la comunidad tecnológica. En el foro de desarrolladores Hacker News, la discusión superó en pocas horas los 500 puntos y acumuló más de 300 comentarios, convirtiéndose en el tema principal del día. En el sector tecnológico, una salida no generaba tanto fervor desde la breve destitución de Sam Altman en OpenAI. Además, el memorando interno reveló una reestructuración de la cúpula de IA de Google: Demis Hassabis, líder de DeepMind, pasa de CEO a presidente del consejo de administración, siendo sucedido por otro veterano. La salida de Dean representa el movimiento más significativo de esta reorganización directiva.

¿Quién es Jeff Dean? Aunque el público general no siempre conozca su nombre, la vida digital diaria depende de los sistemas que ayudó a crear. La infraestructura de la Búsqueda de Google, Google Traductor y Google Maps opera sobre arquitecturas diseñadas bajo su liderazgo. En 2004, él y Sanjay inventaron MapReduce, una tecnología de computación distribuida que permitía dividir tareas masivas entre miles de ordenadores, impulsando el crecimiento de Google y sentando las bases de la era del Big Data. En 2011 cofundó Google Brain, y en 2015 impulsó la liberación como código abierto del marco de aprendizaje profundo TensorFlow, sobre el cual se construyen directa o indirectamente gran parte de las aplicaciones de IA actuales. Tras la fusión de las divisiones de IA de Google en 2023, ocupó el cargo de científico jefe, la cima de la escala técnica. Nacido en Hawái en 1968, su carrera comenzó incluso antes: antes de su posgrado, desarrolló software para la Organización Mundial de la Salud (OMS) para modelar la propagación del VIH.

Imagen: Jeff Dean en 2025. Fuente: upload.wikimedia.org

¿Por qué un ingeniero en la cúspide de su carrera decide marcharse a los 58 años? La versión oficial de Google fue sumamente cordial: tras 27 años, Dean deseaba emprender nuevos retos; Google le brinda apoyo total, participando como inversor fundador en la nueva empresa y manteniendo la colaboración en servicios en la nube. Cara al público, la separación ha sido amistosa y llena de buenos deseos. Sin embargo, analistas del sector señalan que el tamaño actual de Google ya no ofrece la agilidad de antaño: con casi 200.000 empleados y una línea de productos de IA que abastece a 950 millones de usuarios activos mensuales en la app de Gemini, llevar una idea desde el laboratorio hasta la producción exige superar infinitas capas de revisión. Para profesionales como Dean, el activo más valioso —la libertad de iteración rápida— se ha vuelto prohibitivo dentro de un gigante corporativo. Un comentario de un ingeniero veterano en Hacker News resumía el sentir general: “Con la salida de Jeff y Sanjay concluye una época dorada. El último motivo para que muchos ingenieros sénior permanecieran en Google era pensar: ‘Al menos Jeff y Sanjay siguen aquí’.”

Esto nos lleva a la pregunta central: ¿en qué consiste exactamente el “bucle de descubrimiento automatizado” que buscan construir?

Recordemos cómo avanza la ciencia tradicionalmente: un investigador plantea una hipótesis, diseña un experimento, lo ejecuta, analiza los resultados, ajusta la hipótesis según los datos y diseña el siguiente ensayo. Este ciclo repetitivo de “hipótesis-experimento-resultado-ajuste” se denomina bucle experimental. Su concepto es sencillo, pero cada paso resulta extremadamente lento: un solo experimento puede tardar semanas o meses en arrojar datos, y un laboratorio de docenas de investigadores apenas completa un puñado de grandes estudios al año. Discovery Loop pretende delegar todo este bucle a la IA: la IA formula hipótesis, diseña y ejecuta experimentos, interpreta los resultados y decide los siguientes pasos, corriendo miles de pruebas en paralelo. Como afirma su sitio web oficial: imaginen un futuro donde unas pocas personas logren investigar con una velocidad y calidad enormemente superiores a las de los grandes equipos de hoy.

Imagen: Diagrama conceptual del “bucle de descubrimiento automatizado” en la página principal de Discovery Loop. Fuente: discoveryloop.com

¿Por qué es una idea radical? Durante décadas, acelerar la investigación implicaba ampliar la plantilla: más laboratorios, más investigadores, más presupuesto. la apuesta de Dean sostiene que el cuello de botella de la ciencia es humano: las personas son lentas, caras y se fatigan al hacer experimentos. Al automatizar el ciclo, la velocidad pasa a depender de la capacidad de cómputo y de la paralelización, no del factor humano. El equipo comenzará aplicando esta visión al terreno que mejor domina: la propia investigación en inteligencia artificial. Al permitir que la IA realice experimentos sobre sí misma para optimizar su pila tecnológica, crearán una base sólida antes de expandirse a otras ciencias. El equipo fundador está compuesto por cuatro especialistas: Jeff Dean, Sanjay Ghemawat, Quoc Le y Oriol Vinyals. Según la compañía, tres de ellos figuran entre los investigadores de IA más citados del mundo, y dos entre los más citados en sistemas distribuidos. Innovaciones clave como la Búsqueda de Google, TensorFlow, AlphaFold y Gemini llevan su firma.

Imagen: Equipo fundador de Discovery Loop, de izquierda a derecha: Vinyals, Ghemawat, Dean, Le. Fuente: discoveryloop.com

Las ambiciones van más allá de la IA. La página web enumera una lista de metas inspiradas en los 14 Grandes Desafíos de la Ingeniería de la Academia Nacional de Ingeniería de EE. UU.: abaratar la energía solar, lograr la fusión nuclear controlada, garantizar agua potable para la humanidad, desarrollar mejores fármacos, proteger la ciberseguridad y crear herramientas científicas más avanzadas. Dean afirmó en redes sociales que su metodología puede abordar subproblemas clave en casi la totalidad de estos 14 desafíos. Cada uno de ellos ha supuesto décadas de trabajo y miles de millones de dólares sin resolverse por completo. Promesas de tal magnitud responden bien a una capacidad tecnológica real, bien a una estrategia para atraer inversores; en las startups de vanguardia, ambas cosas suelen darse al mismo tiempo.

Como era de esperar, la controversia no tardó en surgir. En Hacker News, el debate más acalorado giró en torno al clásico temor del reemplazo de trabajadores humanos por la IA. El comentario del usuario beloch, uno de los más apoyados, sintetizaba el escepticismo: el compromiso central de la empresa se traduce en automatizar a los empleados humanos para que una minoría se quede con los méritos y los beneficios, exactamente el mismo guion de las empresas de IA, solo que esta vez aplicado a los propios científicos. Siguiendo esta lógica, si la IA automatiza la experimentación, los primeros en perder sus empleos serán los asistentes de investigación y los técnicos de laboratorio, antes que los científicos sénior.

Por otro lado, los defensores aportan argumentos sólidos: el tiempo de los científicos no debe malgastarse en tareas repetitivas. El desarrollo de un nuevo fármaco requiere de media más de diez años y más de mil millones de dólares; si el bucle experimental se comprime en un orden de magnitud, los nuevos medicamentos, materiales y baterías aparecerán a un ritmo inédito, beneficiando a la sociedad. Otros comentaristas cuestionaron: ¿por qué no intentarlo? Si el sistema funciona, sus descubrimientos acallarán cualquier duda.

Las diferencias se concentran fundamentalmente en la distribución de los beneficios. Que la tecnología sea factible es una cuestión técnica; a quién pertenecen los frutos y si la sociedad puede compartirlos es un dilema distinto. Exponer ambas posturas es indispensable porque actualmente no existe una respuesta definitiva. Además, la ciencia automatizada plantea un problema ineludible de fiabilidad: cuando la IA diseña experimentos e interpreta resultados, ¿cómo detecta sus propios errores? La historia de la ciencia está llena de experimentos no reproducibles realizados por humanos; si la ciencia humana ya sufre este problema, ¿quién auditará los resultados de la IA? El equipo de Dean es probablemente el más capacitado del mundo para responder a esta incógnita, pero estar capacitado no equivale a haberlo resuelto.

Para el público general, la conclusión es muy clara: si Discovery Loop tiene éxito, los plazos de llegada de nuevos medicamentos, el coste de las baterías de vehículos eléctricos y la eficiencia de los paneles solares domésticos cambiarán radicalmente. Si fracasa, pasará a la historia como otra apuesta millonaria de la fiebre de la IA. En cualquier caso, una tendencia resulta innegable: la investigación científica está pasando del despliegue masivo de personal al binomio de algoritmos y potencia de cómputo, y el volante de esa transición lo sostienen unos pocos ingenieros veteranos de más de cincuenta años.

Enlaces de referencia:

• Sitio oficial de Discovery Loop
• Anuncio oficial de Google: Next Chapter of AI Momentum
• Discusión en HN (item?id=49184960)
• Discusión en HN (item?id=49184755)