La empresa tecnológica estadounidense Microsoft presentó oficialmente en la conferencia Build 2026 su plataforma de inteligencia artificial empresarial en la nube, Microsoft Discovery. Esta plataforma está diseñada para escenarios de I+D intensivos en datos, como química, ciencia de materiales, ciencias de la vida, semiconductores y computación cuántica. Mediante la colaboración de múltiples agentes, grafos de conocimiento, integración de herramientas de simulación y orquestación de flujos de trabajo experimentales, ayuda a los equipos de investigación a reducir el ciclo que va desde la formulación de hipótesis y el diseño experimental hasta la validación de resultados. Microsoft Discovery se presentó inicialmente como vista previa privada en la conferencia Build 2025 y ahora está disponible de forma general.

El núcleo de Microsoft Discovery no es un asistente de oficina de uso general, sino una plataforma de agentes inteligentes orientada a los flujos de trabajo de investigación científica e ingeniería. Las instituciones de investigación y los departamentos de I+D empresariales a menudo se enfrentan a conjuntos de datos dispersos, documentos internos, registros experimentales, herramientas de simulación, sistemas de instrumentos y modelos especializados. En los flujos de trabajo tradicionales de I+D, los investigadores deben cambiar constantemente entre diferentes software, bases de datos y plataformas experimentales, dedicando una gran cantidad de tiempo a la limpieza de datos, el filtrado de hipótesis, la comparación de parámetros y la revisión de experimentos. Microsoft Discovery intenta integrar todos estos pasos en un mismo flujo de trabajo de I+D en la nube, permitiendo que múltiples agentes de IA se encarguen de tareas como la búsqueda bibliográfica, la organización de datos, la invocación de simulaciones, la generación de hipótesis, la planificación experimental y el análisis de resultados.

El módulo clave subyacente de la plataforma es Discovery Engine. Este organiza el conocimiento interno de la organización, los datos científicos públicos, los datos experimentales, las herramientas de modelos y los resultados de simulación en forma de grafo de conocimiento, permitiendo que los agentes de IA realicen razonamientos entre herramientas en torno a un mismo objetivo de investigación. Cuando un investigador plantea una tarea de selección de materiales, diseño molecular, optimización de procesos de semiconductores o validación de candidatos a fármacos, el sistema puede invocar diferentes agentes para descomponer el problema e integrar los resultados de cálculos, búsquedas, simulaciones y retroalimentación experimental en una misma cadena de I+D. Este diseño se acerca más a un "asistente de laboratorio digital" que a un simple sistema de preguntas y respuestas conversacional.

Microsoft Discovery admite la orquestación de múltiples agentes. Diferentes agentes pueden tener diferentes roles, como buscar conclusiones de investigaciones existentes, generar nuevas hipótesis, invocar recursos de computación de alto rendimiento, ejecutar tareas de simulación, comparar datos experimentales y verificar la consistencia de los resultados. Las tareas de investigación científica generalmente no se completan con una sola pregunta y respuesta, sino que requieren múltiples rondas de corrección de hipótesis, ajuste de parámetros, retroalimentación experimental y revisión de resultados. El valor de la estructura de múltiples agentes radica en descomponer tareas complejas de I+D en múltiples nodos ejecutables y luego agregar los resultados en un flujo de trabajo que los investigadores puedan revisar.

Microsoft ha enfatizado particularmente la aplicación de Discovery en la investigación y desarrollo de la computación cuántica. Durante el proceso de desarrollo de su nuevo chip cuántico topológico Majorana 2, Microsoft Discovery participó en la optimización de la pila de materiales, la configuración del chip y la compresión de la ruta experimental. Después de adoptar una nueva pila de materiales, la fiabilidad de los qubits del Majorana 2 ha mejorado aproximadamente 1000 veces en comparación con la generación anterior, con una vida media de los qubits de 20 segundos, y algunos casos pueden acercarse a 1 minuto. Para la computación cuántica, el tiempo de coherencia está directamente relacionado con la capacidad de mantener el estado cuántico, la ventana de corrección de errores y la capacidad de computación escalable posterior. Una vida útil de 20 segundos es un indicador de rendimiento importante en esta ruta tecnológica.

La dificultad en la I+D de chips cuánticos radica en el alto acoplamiento de materiales, estructuras de dispositivos, entornos de baja temperatura, control de ruido y esquemas de medición. Un cambio en un parámetro puede afectar la estructura de bandas, la calidad de la interfaz, la densidad de defectos y la estabilidad del estado cuántico. El papel de Microsoft Discovery en este tipo de problemas es colocar datos experimentales, modelos de simulación y combinaciones de materiales candidatos en un proceso iterativo, reduciendo la prueba y error manual uno por uno. Los agentes de IA no pueden reemplazar los experimentos físicos, pero pueden ayudar a los equipos de investigación a filtrar rutas candidatas más rápido, localizar resultados anómalos y convertir datos fragmentados en hipótesis que puedan seguir siendo validadas.

La plataforma también está orientada a escenarios de I+D en semiconductores. La investigación en materiales semiconductores, rutas de proceso, estructuras de empaquetado y fiabilidad de dispositivos requiere una gran cantidad de datos de simulación y experimentos. Discovery puede gestionar de manera unificada datos de proceso, propiedades de materiales, análisis de defectos, modelos de simulación y registros experimentales, permitiendo a los equipos de I+D completar la descomposición de problemas, el filtrado de variables y la revisión de resultados en la misma plataforma. Para la I+D en procesos avanzados, semiconductores compuestos, dispositivos optoelectrónicos y materiales para chips de IA, la organización de datos y la colaboración entre herramientas afectan directamente la eficiencia de la I+D.

Las ciencias de la vida y la investigación química también son escenarios objetivo de Microsoft Discovery. El descubrimiento de fármacos, el análisis de estructuras de proteínas, el cribado de moléculas, los materiales para baterías, las formulaciones de electrolitos y el diseño de catalizadores presentan problemas de datos de alto rendimiento y experimentos multivariables. Discovery puede conectar los datos existentes de la institución, bases de datos públicas, modelos especializados y sistemas experimentales, ayudando a los investigadores a acortar el tiempo de selección de soluciones candidatas. Los equipos de investigación aún deben liderar el juicio experimental y la confirmación de resultados; la plataforma de IA se encarga de la integración de información, la descomposición de tareas, la invocación de simulaciones y la automatización de trabajos repetitivos.

El lanzamiento oficial de Microsoft Discovery refleja que la IA para la investigación científica está pasando de ser una "herramienta puntual" a una "plataforma de flujo de trabajo de I+D". En el pasado, la IA se usaba más para resúmenes bibliográficos, generación de código o predicciones de modelos únicos; ahora comienza a integrarse en la cadena de generación de hipótesis, planificación experimental, invocación de herramientas y validación de resultados. Para los departamentos de I+D empresariales, el punto de competencia de este tipo de plataformas no es solo la capacidad del modelo, sino también la gobernanza de datos, la gestión de permisos, la calidad del grafo de conocimiento, la capacidad de integración de herramientas especializadas y la trazabilidad del proceso experimental.

Microsoft también ha lanzado una versión preliminar de la aplicación Microsoft Discovery, reduciendo la barrera de entrada para equipos de investigación y estudiantes. La plataforma empresarial se implementa en la nube de Azure, adecuada para que grandes instituciones integren bases de conocimiento internas y recursos de computación de alto rendimiento; la aplicación local está orientada a exploraciones científicas más ligeras y experimentos iniciales. A medida que los agentes de IA ingresan gradualmente en los procesos de investigación, el valor central de las plataformas de I+D pasará de "generar respuestas" a "organizar el proceso de investigación". Si Microsoft Discovery podrá formar aplicaciones estables en los campos de materiales, semiconductores, computación cuántica y ciencias de la vida dependerá de la validación experimental real, la profundidad de la integración de datos de la industria y el efecto de uso a largo plazo por parte de los equipos de investigación.