John Jumper ha anunciado su salida de Google DeepMind para unirse a Anthropic. No se trata de una simple rotación de personal en Silicon Valley. Este es un premio Nobel de Química 2024 que deja el laboratorio más prestigioso del mundo para apostar por una startup de solo tres años. Y esa decisión dice mucho sobre el futuro de la IA científica, más que cualquier paper publicado en el último año.
Jumper fue quien lideró AlphaFold, el sistema que revolucionó la predicción de estructuras de proteínas. Este avance le valió el Nobel junto a Demis Hassabis. Ahora, en lugar de permanecer y cosechar ese legado en Mountain View, elige un equipo más pequeño, con menos recursos computacionales garantizados, y una misión que suena ambiciosa: construir una IA más interpretable y alineada. ¿Qué vio en Anthropic que DeepMind ya no puede ofrecer?
AlphaFold fue el apogeo, no el punto de partida
Cuando AlphaFold 2 se presentó en 2020, realmente cambió las reglas del juego en biología estructural. Décadas de trabajo de cristalografía quedaron resumidas en horas de computación. La base de datos de AlphaFold alberga ahora predicciones para más de 200 millones de estructuras proteicas. Sin duda, es el mayor repositorio de conocimiento estructural jamás creado.
Jumper no solo fue el arquitecto técnico de ese sistema. También comprendió que el problema del plegamiento de proteínas era más que un reto computacional; era una oportunidad para demostrar que la IA podía hacer ciencia de frontera. Y lo logró. AlphaFold no solo resolvió un problema de 50 años, sino que legitimó la IA como herramienta científica clave.
Pero aquí surge un dilema: después de resolver uno de los grandes problemas de la biología molecular, ¿cuál es el siguiente paso? DeepMind ha intentado replicar su éxito con AlphaFold 3 y ha buscado extensiones para el diseño de medicamentos, además de colaborar con la industria farmacéutica. Todo parece importante, todo parece incremental. Sin embargo, nada es realmente revolucionario.
El síndrome del segundo acto
Google DeepMind cuenta con recursos casi infinitos, acceso a TPUs de última generación y el respaldo institucional que cualquier científico ansiaría. Sin embargo, también enfrenta las limitaciones de ser parte de una corporación pública con expectativas trimestrales. AlphaFold fue el home run perfecto: ciencia básica generadora de titulares y prestigio. ¿Pero cómo replicar eso?
Jumper pasó los últimos años intentando extender AlphaFold hacia aplicaciones más comerciales, como la predicción de interacciones proteína-ligando o el diseño de enzimas. Todo muy valioso desde una perspectiva de negocio farmacéutico. Pero, honestamente, para alguien que acaba de ganar el Nobel por resolver un problema fundamental, optimizar pipelines de drug discovery probablemente se siente más como administrar un legado que como construir uno nuevo.
La decisión de irse ahora, solo dos años después de recibir el Nobel, sugiere que nunca llegó ese segundo acto que tanto esperaba. O, peor aún, que DeepMind ya no es el lugar donde se escriben esos segundos actos.
Por qué Anthropic (y no OpenAI, ni una nueva startup propia)
La elección de Anthropic es reveladora. Jumper podría haber levantado una ronda de $100M en apenas 48 horas gracias a su credibilidad actual. También podría haberse unido a OpenAI, que tiene más recursos y visibilidad pública. Sin embargo, eligió el laboratorio que está construyendo Claude y que tiene una tesis específica sobre la seguridad de IA.
Anthropic no es solo "otra startup de IA". Se trata del laboratorio fundado por los Amodei y otros exiliados de OpenAI que decidieron que el camino hacia la AGI requería interpretabilidad desde el diseño, no como un parche posterior. Su trabajo en "mechanistic interpretability" —entender qué hacen realmente las redes neuronales en su interior— es técnicamente fascinante, aunque comercialmente arriesgado.
La apuesta por la interpretabilidad científica
Para Jumper, que acaba de resolver un problema científico clave, la misión de Anthropic probablemente resuena más que simplemente "hacer el mejor chatbot" o "automatizar trabajadores de conocimiento". La interpretabilidad no es solo un problema de seguridad; es el próximo gran reto científico de la IA.
AlphaFold funciona, pero nadie entiende completamente por qué. La red neuronal aprendió algo sobre la física de proteínas que a los humanos les llevó décadas formalizar, pero ese conocimiento está encriptado en millones de pesos. Si logramos extraer y formalizar ese conocimiento, no solo tendríamos mejores predicciones, sino que además obtendríamos nueva física.
Anthropic está trabajando en técnicas para "abrir" esos modelos y comprender su funcionamiento interno. Para alguien como Jumper, eso es volver a la ciencia básica. Es la oportunidad de responder preguntas fundamentales, no solo de optimizar métricas de negocio.
Las grietas visibles en DeepMind
La salida de Jumper no es un hecho aislado. DeepMind ha perdido talento clave en los últimos 18 meses. El equipo original de AlphaGo está disperso. Varios científicos de investigación senior se han ido a startups o han fundado las suyas propias. La fusión forzada con Google Brain en 2023 creó una organización de más de 2,000 personas, dejando de ser el laboratorio boutique que atrajo a Jumper en 2017.
Hassabis sigue al mando, y es brillante. Sin embargo, ahora tiene que reportar a Sundar Pichai, defender presupuestos ante CFOs y competir por recursos de computación contra equipos de Google Cloud y Android. DeepMind ya no es el proyecto favorito del fundador; es simplemente una unidad de negocio más dentro de Alphabet.
El costo de la integración con Google
La fusión de DeepMind con Google Brain tenía sentido sobre el papel: unificar esfuerzos de IA, eliminar duplicidades, competir mejor contra OpenAI. Sin embargo, en la práctica, creó una burocracia que ralentiza decisiones y diluye la cultura de investigación pura.
Ahora los proyectos requieren justificación de ROI, los papers necesitan aprobación de PR y las colaboraciones externas pasan por procurement. Para alguien que está acostumbrado a la agilidad de un laboratorio de investigación, esto es veneno.
Google ha intentado compensar con más recursos: acceso prioritario a las TPUs más nuevas, presupuestos mayores, equipos más grandes. Pero, ojo, más recursos no siempre significan mejor ciencia. A veces, más significa más reuniones y menos tiempo para pensar.
Qué significa esto para la guerra del talento en IA
La salida de Jumper marca un punto de inflexión. Durante años, la narrativa fue que los mejores investigadores iban a los grandes laboratorios por sus recursos y estabilidad. Sin embargo, la narrativa ahora se invierte: los mejores investigadores están optando por startups por su agilidad y misión.
Anthropic está construyendo a propósito una organización pequeña y enfocada. Menos de 500 personas en comparación con las miles de DeepMind. Presupuestos menores pero más flexibles. No hay presión por productos trimestrales. Además, hay una tesis científica clara que atrae a aquellos investigadores que desean hacer ciencia fundamental, no solo ingeniería de productos.
El modelo post-BigTech
Esto no significa que los grandes laboratorios estén muertos. Meta AI, Microsoft Research y el propio DeepMind seguirán produciendo investigación importante. Pero el foco de la innovación fundamental podría estar moviéndose hacia organizaciones medianas con financiamiento generoso pero sin la burocracia corporativa.
Es un modelo que ha funcionado en biotech: startups bien financiadas compitiendo contra grandes farmacéuticas en innovación, aunque no en escala. La diferencia es que en IA, una startup de 200 personas puede entrenar modelos de frontera si tiene el capital y el enfoque correctos.
Jumper es solo el caso más visible, pero hay docenas de investigadores senior haciendo movimientos similares. Desde OpenAI a Safe Superintelligence, de Google a Mistral. El patrón es claro y cada vez más evidente.
La próxima década de IA científica
Lo que hace particularmente interesante la apuesta de Jumper es que indica hacia dónde se dirige la IA científica. No hacia aplicaciones incrementales de modelos existentes, sino hacia la comprensión fundamental de cómo funcionan estos sistemas y qué pueden enseñarnos sobre el mundo.
AlphaFold aprendió sobre la física de proteínas que los humanos no conocían explícitamente. Los grandes modelos de lenguaje están adquiriendo estructuras de razonamiento que no sabemos formalizar. Asimismo, los modelos multimodales están desarrollando representaciones del mundo que podrían ser más eficientes que las nuestras. Todo ese conocimiento está allí, encerrado en pesos neuronales.
La próxima revolución no será simplemente entrenar modelos más grandes. Será la extracción y formalización del conocimiento que esos modelos ya poseen. Convertir redes neuronales en teorías científicas. Y Anthropic, con su enfoque en interpretabilidad, podría ser el mejor lugar para intentarlo.
De la predicción a la comprensión
Jumper no va a Anthropic a construir AlphaFold 2.0. Su objetivo es afrontar el problema más complejo: hacer que los modelos de IA sean explicables y que su conocimiento sea extraíble. Si lo logra, su impacto será superior al de AlphaFold. Porque no solo resolverá un problema científico, sino que creará la metodología para resolver todos los demás.
Imagina poder tomar un modelo entrenado en datos genómicos y extraer reglas biológicas formales. O un modelo entrenado en física y obtener ecuaciones que los humanos aún no hemos descubierto. Eso es lo que está en juego. Y eso es suficientemente ambicioso como para que valga la pena dejar el laboratorio más prestigioso del mundo.
La reflexión final
La salida de John Jumper de DeepMind hacia Anthropic no es solo una noticia de RRHH. Es una señal de que la frontera de la IA está cambiando de lugar. Los grandes laboratorios corporativos seguirán siendo importantes, pero la investigación fundamental más arriesgada podría migrar hacia organizaciones más pequeñas y menos atadas.
Para fundadores e investigadores que están decidiendo dónde invertir los próximos cinco años de su carrera, el mensaje es claro: el prestigio institucional importa menos que la claridad de misión. Los recursos computacionales son importantes, pero no son suficientes. Y la libertad para perseguir problemas fundamentales sin presión trimestral podría tener más valor que cualquier salario de BigTech.
¿Tu startup o laboratorio está creando el ambiente donde un futuro Nobel elegiría quedarse en lugar de irse? Esa es la pregunta que todos deberíamos hacernos.