Paper2Agent, un sistema de Stanford que convierte artículos científicos en agentes de IA consultables por chat
Valencia, 23/09/2026
Investigadores de la universidad de Stanford han desarrollado Paper2Agent, un sistema que transforma automáticamente un artículo científico (su texto, código, datos y flujos de trabajo) en un agente de inteligencia artificial capaz de responder preguntas en lenguaje natural y reproducir los resultados del estudio original
El equipo, liderado por James Zou junto a Jiacheng Miao, Joe R. Davis y Jonathan K. Pritchard, publicó los resultados en Nature el pasado 16 de septiembre, tras una primera versión en formato preprint difundida en septiembre de 2025.
Cómo convierte un paper en un agente
Paper2Agent localiza el repositorio de código asociado a un artículo y monta un entorno computacional que replica las condiciones originales del estudio. A continuación, varios agentes de IA identifican las funciones y flujos de trabajo clave del código y los convierten en herramientas independientes, con entradas y salidas bien definidas. El sistema genera y ejecuta pruebas automáticas para verificar que esas herramientas reproducen fielmente los resultados publicados.
El resultado final es un servidor basado en el Model Context Protocol (MCP), el estándar que permite conectar modelos de lenguaje con herramientas externas. Cualquier agente conversacional (los investigadores citan Claude Code como ejemplo) puede conectarse a ese servidor y ejecutar los métodos del paper simplemente respondiendo a preguntas formuladas en lenguaje corriente.
Los números del experimento
El equipo probó el sistema sobre 100 artículos de biología computacional y logró convertir 74 en agentes funcionales. Sobre 300 preguntas de referencia extraídas de tutoriales, la precisión media se situó en el 91,2%.
El caso más destacado fue el del paper de AlphaGenome, la herramienta de Google DeepMind para interpretar variantes genómicas. Paper2Agent construyó automáticamente 22 herramientas MCP en unos 45 minutos, con un coste computacional de apenas 14 dólares. El agente resultante alcanzó un 98,7% de precisión en las preguntas de prueba, superando tanto a Claude Code trabajando directamente sobre el repositorio original (82,7%) como a Biomni, un agente rival construido por otros investigadores académicos, que se quedó en el 37,3%.
Los autores fueron más allá y encadenaron tres agentes generados a partir de distintos papers para identificar GPR137 como gen causal de la psoriasis, combinando predicción computacional con validación experimental. El sistema también identificó de forma autónoma una nueva variante de splicing vinculada al riesgo de TDAH.
El problema que intenta resolver
Zou plantea el proyecto como una forma de repensar qué es el conocimiento científico. Los propios autores lo resumen así en el artículo: Paper2Agent convierte un paper en un agente que actúa como una suerte de «autor corresponsal virtual», exponiendo el manuscrito, los materiales suplementarios, los datos y el código como conocimiento activo con el que se puede interactuar, en lugar de como texto estático que hay que interpretar y adaptar manualmente.
La motivación de fondo es un problema clásico de la ciencia computacional: reproducir los resultados de un estudio suele exigir lidiar con entornos de software obsoletos, documentación incompleta y diferencias entre configuraciones de cómputo. En lugar de que un investigador tenga que leer el paper y reconstruir su flujo de trabajo paso a paso, puede preguntarle directamente al agente cómo aplicar el método a sus propios datos.
Probar Paper2Agent en modo live
