La administración Trump ha puesto nombre y ambición a un plan que suena a “proyecto paraguas”: la Genesis Mission, un esfuerzo federal para incorporar IA en la investigación científica con una escala que el Departamento de Energía (DoE) compara, por intención y coordinación, con grandes programas históricos. La idea central es sencilla de explicar con una imagen cotidiana: si hoy muchos laboratorios trabajan como cocinas separadas, con recetas guardadas en cajones distintos, Genesis quiere una “mesa de trabajo compartida” donde modelos, datos y simulaciones se conecten y aceleren el ritmo de descubrimiento.
Según explicó el DoE en un documento de 26 páginas difundido el 13 de febrero de 2026 y recogido por The Register, el objetivo político-tecnológico que enmarca todo es elevar la productividad en I+D de Estados Unidos y duplicar su impacto en un plazo de una década. Ese enunciado es deliberadamente amplio: no promete un invento concreto, promete velocidad. Y ahí está el punto delicado: la velocidad en ciencia no se compra solo con software; requiere datos de calidad, infraestructura, talento y tiempo de validación.
Los 26 desafíos: un menú que mezcla industria, energía y ciencia fundamental
El primer “paquete” de Genesis se concreta en 26 desafíos considerados de “importancia nacional”. El DoE sostiene que se han seleccionado por su potencial de traducirse en beneficios tangibles para el país, desde prioridades económicas hasta seguridad estratégica. La lista junta temas muy distintos en una misma estantería: minerales críticos, manufactura avanzada, liderazgo en centros de datos, laboratorios autónomos guiados por algoritmos y, en el extremo más aspiracional, preguntas de física que rozan la idea de una teoría unificada.
Darío Gil, subsecretario de Ciencia del DoE y figura asociada al liderazgo de Genesis, presentó el enfoque con un lenguaje optimista: la ciencia “al ritmo de la imaginación” gracias a la inteligencia artificial. Es una frase que funciona bien como titular, aunque, vista en frío, describe más una dirección que un plan de obra con fechas. El propio departamento evita comprometer calendarios más allá del horizonte de diez años para duplicar productividad, sin detallar hitos intermedios públicos para cada reto.
Fusión nuclear: usar gemelos digitales para dejar de perseguir el “siempre faltan 30 años”
Uno de los ejemplos más desarrollados del documento es la fusión nuclear, ese objetivo que suele describirse como “prometedor” y que casi siempre llega acompañado de un chiste sobre su eterna distancia temporal. El DoE argumenta que el enfoque tradicional —ensayos muy específicos, centrados en cada dispositivo y poco conectados con dependencias como integración en red, control en tiempo real o comercialización— limita el avance. Es como intentar mejorar una receta cambiando solo la sal, sin tocar el horno, la temperatura o el tiempo de cocción.
La propuesta aquí gira alrededor de gemelos digitales: réplicas virtuales que permiten simular, probar y ajustar un sistema antes de tocar hardware caro. El DoE habla de una plataforma bautizada como AI-Fusion Digital Convergence Platform, que integraría HPC (supercomputación), algoritmos nuevos para códigos científicos, modelos fundacionales aplicados a plasma y ciencia de materiales, redes neuronales informadas por física y química, modelos sustitutos para acelerar cálculos y gemelos digitales a escala de instalación completa para control casi en tiempo real. Suena espectacular; el reto real será que esas piezas, que hoy suelen vivir en proyectos separados, encajen como un reloj y no como una caja de piezas sueltas.
Ocho décadas de datos nucleares: convertir archivos dispersos en conocimiento utilizable
Entre los objetivos más “aterrizados” aparece uno con sabor a trabajo silencioso, poco glamuroso y decisivo: digitalizar, estructurar y asegurar más de ochenta años de datos nucleares estadounidenses. En términos prácticos, se trata de transformar información histórica —a menudo dispersa, con formatos heterogéneos y distintos niveles de clasificación— en conjuntos de datos consultables que sirvan para decisiones de energía y seguridad nacional.
Aquí la metáfora no es un cohete, es una biblioteca. La IA puede ser una bibliotecaria que clasifica, etiqueta y cruza referencias con rapidez, pero solo si los documentos están accesibles y si el proceso respeta controles de acceso y trazabilidad. The Register subraya este enfoque como una de las metas con aplicaciones claras: mejores decisiones futuras basadas en memoria institucional, no en cajas de papel y silos digitales.
Agua y energía: pronosticar necesidades en un sistema que se recalienta por demanda
Otro objetivo práctico se centra en el agua, un recurso que se vuelve más crítico a medida que crece la infraestructura energética, especialmente allí donde la generación, la refrigeración industrial y la operación de grandes instalaciones compiten por disponibilidad. El DoE plantea aplicar inteligencia artificial para predecir necesidades hídricas vinculadas a la expansión del sistema energético.
Traducido a ejemplo doméstico: cuando una familia añade electrodomésticos y rutinas nuevas, la factura y el consumo cambian; si nadie lo anticipa, llegan sorpresas. En el plano nacional, anticipar demanda de agua ligada a energía puede ayudar a planificar, reducir riesgos y priorizar inversiones. La dificultad estará en combinar datos ambientales, industriales, regulatorios y de operación con modelos que no “alucinen” correlaciones.
Centros de datos, fábricas y laboratorios autónomos: la parte más abierta del plan
Varios retos del documento, siempre según lo recogido por The Register, suenan más a grandes ejes de investigación que a entregables. Reimaginar la manufactura avanzada y la productividad industrial, asegurar liderazgo en centros de datos, o alcanzar laboratorios autónomos impulsados por IA son propuestas que se entienden rápido, aunque son difíciles de delimitar.
Un laboratorio autónomo, por ejemplo, no es un robot que mezcla líquidos y ya está. En el ideal, sería un sistema que diseña experimentos, ejecuta, mide, aprende del resultado y decide el siguiente paso, como un chef que prueba, ajusta y vuelve a cocinar sin que nadie le dicte cada movimiento. Eso exige instrumentación, estándares de datos, controles de seguridad y, sobre todo, criterios científicos para evitar que el sistema optimice “lo medible” y olvide lo importante.
En centros de datos, el término “liderazgo” puede abarcar desde eficiencia energética hasta arquitectura de chips, refrigeración, software de gestión, seguridad y soberanía tecnológica. Si todo entra, también cuesta saber qué sale primero.
Ambición y recortes: el contexto presupuestario que incomoda a la narrativa
Genesis llega en un momento políticamente tenso para la ciencia federal. The Register describe recortes, eliminación de expertos y reducción de presupuestos en varias ramas del gobierno, incluyendo el DoE. En el presupuesto solicitado para el año fiscal 2026, la Casa Blanca planteó bajar la Office of Science del DoE de 8.240 millones de dólares en FY2025 a 7.092 millones, y reducir de forma drástica la partida de Energy Efficiency and Renewable Energy (EERE) de 3.460 millones a 888 millones.
Hay un matiz clave: el Congreso no adoptó el recorte propuesto para la Office of Science y el proyecto de ley de Energía y Agua para FY2026 sitúa esa oficina en torno a 8.400 millones. Eso no elimina la presión en otras áreas del portafolio de I+D del DoE, que seguirían enfrentando reducciones frente a niveles previos. El choque es evidente: pedir ciencia “más rápida” mientras se ajusta el grifo presupuestario obliga a priorizar y a demostrar retornos pronto.
El propio DoE, tras la publicación, respondió a The Register defendiendo que no se está depriorizando la ciencia y que el enfoque es impulsar avances “reales” como fusión, supercomputación, computación cuántica e IA, recortando lo que considera gasto menos eficiente. También habló de inversiones en laboratorios y en iniciativas legislativas recientes. En cuanto a resultados, la promesa concreta se reduce a que habrá “victorias tempranas” en los próximos años mediante proyectos piloto en energía, materiales y manufactura avanzada, mientras el objetivo grande sigue siendo la década.
El riesgo de fondo: cuando la IA promete velocidad y la ciencia pide verificación
El gran interrogante no es si la inteligencia artificial sirve para ciencia; ya sirve, y mucho, en áreas como modelado, diseño de materiales, análisis de datos y automatización experimental. El interrogante es de gobernanza y realismo: cómo se evita que una lista de retos se convierta en un catálogo de deseos sin métricas verificables, o que las prisas empujen a publicar resultados frágiles.
También existe un riesgo humano que The Register deja caer con ironía: si el gobierno apuesta por “ciencia con IA” mientras recorta equipos, puede encontrarse necesitando recuperar a los mismos investigadores que salieron por falta de estabilidad. La IA, en la práctica, amplifica capacidades; rara vez sustituye el juicio experto cuando toca validar hipótesis, diseñar controles o interpretar resultados con contexto.
Genesis, tal como se presenta, apunta a una reorganización del laboratorio moderno: datos bien ordenados, simulación integrada, infraestructura computacional potente y herramientas de IA conectadas a objetivos nacionales. Si esa base se construye, el impacto puede ser real. Si se queda en eslóganes y documentos breves, el país habrá aprendido una lección cara sobre la distancia entre imaginar y ejecutar.
☞ El artículo completo original de Natalia Polo lo puedes ver aquí