Hay muchísimas formas de hacer investigación, pero la mayoría solo conocemos una: la del laboratorio académico clásico. Es el agua en la que nadamos sin darnos cuenta de que es agua.

Una sola pregunta desmonta el sistema entero: ¿cuándo y cómo entran los datos en tu proyecto? Esa decisión condiciona quién manda, cuándo termina el proyecto y qué cuenta como éxito.

En este episodio recorro una línea con 10 modelos ordenados por cuándo entra el dato, desde el dato congelado hasta el dato que pide un algoritmo.

1. Laboratorio académico clásico: el dato entra una vez y se congela.
2. Bell Labs: "correa larga, valla estrecha". Dato continuo dentro de una empresa.
3. Institutos independientes (Arc Institute, etc.): financiación a varios años, poca presión por publicar.
4. Ciencia ciudadana: el público recoge datos de forma distribuida y constante.
5. Big Science (CERN, Hubble): datos en chorro permanente, papers con miles de autores.
6. FRO: 15 a 30 personas, 5 años, dinero filantrópico, sin obligación de publicar.
7. DARPA: un Program Manager con poder real marca hitos. Así nació Internet.
8. DeSci: financiación y propiedad intelectual en blockchain entre holders de tokens.
9. Self-Driving Lab: bucle DMTA. El dato entra a demanda; cada vuelta decide el siguiente experimento.
10. Radial: rediseñar el proceso científico como ingeniería, en ciclos, a nivel de sistema.

El laboratorio autónomo es el extremo más radical: no tiene final, sigue optimizando mientras lo dejes encendido. Eso es justo lo que el sistema científico actual no sabe gestionar.

Lo más profundo: ¿quién decide qué dato pedir? En el modelo clásico, el investigador. En Big Science, un comité. En DARPA, el Program Manager. En DeSci, una comunidad. En el laboratorio autónomo, un algoritmo. No estamos automatizando el pipeteo: estamos delegando la autoría intelectual del siguiente paso.

La razón por la que casi ninguno nace en la academia es sencilla: la academia solo sabe puntuar papers. No es un problema de calidad, es un problema de contabilidad del mérito.

¿Tu problema pide un bucle? Porque si lo estás forzando dentro del molde del paper, estás remando contra tu propio problema.

Comunidad de investigadores: https://horacio-ps.com/comunidad
Newsletter: https://horacio-ps.com/newsletter

Si el episodio te ha resultado útil, dale like, suscríbete o compártelo en Spotify, Apple Podcasts, iVoox o YouTube.

Enlaces y referencias

• Tony Blair Institute, "A New Model for Science": https://institute.global/insights/tech-and-digitalisation/new-model-science
• Future Blind (Max Olson), "The new wave of science and research models": https://futureblind.com/p/the-new-wave-of-science-and-research-models
• Construction Physics (Brian Potter), "The Influence of Bell Labs": https://www.construction-physics.com/p/the-influence-of-bell-labs
• Arc Institute, "The Arc Model": https://arcinstitute.org/model
• Franzoni y Sauermann (2014), Research Policy 43(1), pp. 1-20: https://ideas.repec.org/r/eee/respol/v43y2014i1p1-20.html
• Britannica, "Big Science": https://www.britannica.com/science/Big-Science-science
• Federation of American Scientists, "FROs: A New Model": https://fas.org/publication/focused-research-organizations-a-new-model-for-scientific-research/
• Ethereum.org, "Decentralized science (DeSci)": https://ethereum.org/desci/
• Tom et al. (2024), Chemical Reviews 124(16), pp. 9633-9732: https://pubs.acs.org/doi/abs/10.1021/acs.chemrev.4c00055
• Autonomous Chemical Experiments, Acc. Chem. Res. (2022): https://pmc.ncbi.nlm.nih.gov/articles/PMC9454899/
• Astera, "Announcing Radial": https://astera.org/announcing-radial/
• Seemay Chou, "Scientific Publishing: Enough is Enough": https://astera.org/scientific-publishing-enough-is-enough/
• STAT News sobre Radial: https://www.statnews.com/2026/03/11/radial-ai-science-astera-nonprofit/
• Nature, "Inside the self-driving lab revolution": https://www.nature.com/articles/d41586-026-00974-2
• Nature, "Will self-driving robot labs replace biologists?": https://www.nature.com/articles/d41586-026-00453-8

En este episodio comparto una idea original que llevo desarrollando estos últimos días: el Agentic Throughput Index, o ATI. La propuesta nace de una observación muy simple sobre cómo ha cambiado mi forma de trabajar desde que utilizo agentes de inteligencia artificial de manera habitual. Durante años, el cuello de botella de mi investigación estaba en la ejecución técnica: programar, analizar datos, redactar borradores o implementar ideas. Pero con los agentes de IA, gran parte de esa ejecución ya puede delegarse. Eso desplaza el problema a otro lugar: definir correctamente los proyectos, encuadrarlos bien, priorizar y dar feedback útil.

A partir de ahí planteo una pregunta que creo que cada vez será más importante: ¿cómo medimos realmente la productividad en un entorno donde múltiples agentes trabajan en paralelo? Porque el modelo clásico de productividad, basado en horas de trabajo directo o tareas completadas manualmente, empieza a quedarse corto. Lo relevante ya no es solo cuánto hago yo con mis propias manos, sino cuántos flujos autónomos soy capaz de coordinar y supervisar de forma eficiente.

En el episodio explico cómo aprovecho el tiempo de ejecución de los agentes para solapar proyectos en paralelo. Cuando una tarea está bien definida y es delegable, la lanzo a un agente en background y paso inmediatamente a otro proyecto mientras el primero sigue ejecutándose. Después vuelvo periódicamente para validar resultados, corregir desviaciones o desbloquear decisiones. La idea central es sencilla: no dejar tiempos muertos entre ejecuciones y utilizar los agentes como capas paralelas de trabajo.

También hablo de los riesgos de esta aproximación. Porque lanzar muchos agentes a la vez puede convertirse fácilmente en una métrica de vanidad: mucho movimiento, muchos outputs y poca integración real. Por eso propongo que el ATI tenga dos dimensiones. Por un lado, el throughput, es decir, cuántos flujos autónomos ejecuto en paralelo. Por otro, el Agentic Success Rate, que mide cuántos de esos flujos producen resultados realmente útiles y verificables. Sin esa segunda dimensión, el sistema se convierte en puro ruido.

Además, diferencio distintos tipos de sesiones agénticas —exploración, ejecución, mantenimiento, validación o análisis— porque no todas deben evaluarse igual. Una sesión exploratoria que no genera un entregable final puede seguir siendo extremadamente valiosa si produce aprendizaje o nuevas direcciones de trabajo.

En el fondo, este episodio es una reflexión sobre un cambio conceptual más grande: estoy empezando a pensar la productividad no como trabajo directo, sino como gestión de enjambres cognitivos. Como la capacidad de coordinar múltiples procesos inteligentes al mismo tiempo. No sé si el término Agentic Throughput Index terminará utilizándose o no, pero me interesa lanzar la idea, ponerla sobre la mesa y abrir la discusión.

Si quieres discutir el contenido de este episodio con otros investigadores, puedes unirte a nuestra comunidad de investigadores en https://horacio-ps.com/comunidad o seguir i newsletter para estar al tanto de contenidos extra relacionados en https://horacio-ps.com/newsletter

Si el episodio te ha resultado interesante, puedes apoyarlo dándole a like, suscribiéndote o compartiéndolo en tu plataforma habitual (Spotify, Apple Podcasts, iVoox, YouTube, etc.). Es un gesto que te cuesta muy poco y que ayuda muchísimo a que este podcast siga creciendo y llegue a más personas.

Hoy conversamos con Santiago Sánchez Migallón, profesor de filosofía especializado en mente e inteligencia artificial y autor del blog La máquina de Von Neumann. La conversación gira en torno a una de las preguntas más discutidas actualmente: si sistemas como ChatGPT realmente entienden lo que dicen o simplemente producen respuestas coherentes mediante procesos estadísticos.

Uno de los ejes principales es la diferencia entre inteligencia, comprensión y conciencia. Santiago explica cómo los grandes modelos del lenguaje funcionan a partir de predicciones estadísticas sobre palabras y tokens, lo que ha llevado a compararlos con “loros estocásticos”. Sin embargo, también reconoce que sus capacidades actuales obligan a replantear qué entendemos exactamente por inteligencia y hasta qué punto ciertos comportamientos pueden considerarse comprensión.

Gran parte del episodio se centra en el llamado grounding problem o problema del anclaje del significado. A través de ejemplos clásicos de la filosofía de la mente y del lenguaje, se discute cómo los seres humanos asociamos palabras con experiencias reales del mundo, mientras que las máquinas operan únicamente sobre símbolos y representaciones matemáticas. Esto lleva a debatir si una IA puede comprender realmente conceptos como “perro”, “dolor” o “color rojo” sin tener experiencia directa de ellos.

También se aborda el problema de la conciencia y los límites actuales tanto de la filosofía como de las neurociencias para explicarla. Santiago diferencia claramente entre simular emociones y experimentarlas realmente, introduciendo conceptos como los qualia y la experiencia subjetiva. Desde esta perspectiva, sostiene que las máquinas actuales no poseen emociones, sensaciones ni conciencia fenomenológica, aunque puedan generar discursos convincentes sobre ellas.

Otro tema importante es la relación entre filosofía y ciencia. Frente a enfoques más alejados del empirismo, Santiago defiende una filosofía estrechamente conectada con las ciencias cognitivas, la neurociencia y la inteligencia artificial. La conversación explora cómo la filosofía puede aportar marcos conceptuales, experimentos mentales y análisis críticos, mientras que la ciencia proporciona los datos empíricos necesarios para avanzar en estos problemas.

Además, hablamos sobre divulgación, escritura y lectura en la era digital. Santiago reflexiona sobre la evolución de los blogs, la pérdida de hábitos de lectura profunda y la importancia de escribir como herramienta para pensar. También comenta cómo la inteligencia artificial está obligando a replantear conceptos tradicionales como identidad, relaciones humanas, creatividad o incluso qué significa ser humano.

En la parte final, repasamos su trayectoria personal, su interés temprano por la informática y cómo terminó combinando filosofía, inteligencia artificial y ciencias cognitivas. También hablamos sobre docencia, educación y los retos de enseñar filosofía en una época marcada por la inmediatez tecnológica y la fragmentación de la atención.

Como cierre, se subraya la necesidad de mantener espacios de reflexión pausada y crítica en medio del actual entusiasmo tecnológico. Comprender qué son realmente estas tecnologías y cuáles son sus límites requiere no solo avances técnicos, sino también reflexión filosófica y diálogo interdisciplinar.

Para más info sobre Santiago: https://about.me/santiagosanchezmigallon

Si quieres discutir el contenido de este episodio con otros investigadores, puedes unirte a nuestra comunidad de investigadores en https://horacio-ps.com/comunidad o seguir i newsletter para estar al tanto de contenidos extra relacionados en https://horacio-ps.com/newsletter

Si el episodio te ha resultado interesante, puedes apoyarlo dándole a like, suscribiéndote o compartiéndolo en tu plataforma habitual (Spotify, Apple Podcasts, iVoox, YouTube, etc.). Es un gesto que te cuesta muy poco y que ayuda muchísimo a que este podcast siga creciendo y llegue a más personas.

En este episodio hablo de una paradoja que llevo años viendo tanto en mí como en otros investigadores: cuanto mejor funciona tu sistema de productividad, más fácil es terminar sintiéndote desbordado otra vez. Aprendes GTD, Zettelkasten, time blocking o cualquier otro método, y durante un tiempo la sensación es buenísima. Capturas mejor las ideas, organizas mejor la información y consigues procesar más cosas. El problema aparece cuando esa nueva capacidad se convierte en permiso para asumir todavía más proyectos, más lecturas, más tareas y más compromisos. El sistema que parecía diseñado para darte claridad termina convirtiéndose en un contenedor de acumulación.

En el episodio reflexiono sobre cómo este fenómeno se ha vuelto mucho más visible en los últimos años. Autores como Andy Matuschak o Cal Newport llevan tiempo señalando que muchos sistemas de productividad y PKM terminan derivando hacia una acumulación infinita de información. El problema no suele ser falta de herramientas, sino precisamente lo contrario: que el sistema facilita guardar demasiado y cuestionar demasiado poco.

Una de las ideas centrales del episodio es que la salida no pasa por encontrar un sistema mejor, sino por aprender a eliminar. Y eliminar de verdad. No archivar indefinidamente ni mover tareas a listas de “algún día”. Borrar. El problema es que psicológicamente eso cuesta muchísimo porque cada nota, cada bookmark y cada tarea representa una hipótesis sobre el futuro: “quizás algún día esto me sirva”. Renunciar a esa posibilidad genera resistencia aunque, en la práctica, la mayoría de esas cosas nunca vuelvan a ser útiles.

También explico cómo replanteo la revisión semanal de GTD. En lugar de empezar revisando tareas y proyectos, intento comenzar revisando objetivos. Primero releo cuáles son las dos o tres direcciones reales en las que quiero avanzar y, solo después, vuelvo a mirar las listas. Ese pequeño cambio transforma completamente la revisión porque la pregunta deja de ser “¿podría servirme?” y pasa a ser “¿esto está alineado con lo que quiero conseguir?”. Y cuando la respuesta es no, el elemento se elimina en lugar de seguir aplazándolo indefinidamente.

Otra parte importante del episodio es la “prueba del enlace”, una técnica que utilizo especialmente en Obsidian para decidir qué notas merece la pena conservar. Cuando tengo dudas sobre una nota, intento conectarla con otras ideas ya existentes en mi sistema. Si aparecen conexiones naturales, significa que la idea forma parte de algo que realmente estoy pensando y desarrollando. Si no consigo encontrar conexiones reales, normalmente eso indica que la nota era ruido o una idea capturada por inercia.

En el fondo, el episodio termina siendo una reflexión sobre la relación con nuestro yo futuro. Capturar y guardar constantemente implica asumir que esa persona futura tendrá más tiempo, más energía o más capacidad para procesarlo todo. Y la realidad es que probablemente tendrá exactamente las mismas limitaciones que tenemos hoy. Por eso la pregunta importante no es “¿podría esto serme útil?”, sino “¿quiero que mi yo futuro tenga que ocuparse de esto?”.

Si quieres discutir el contenido de este episodio con otros investigadores, puedes unirte a nuestra comunidad de investigadores en https://horacio-ps.com/comunidad o seguir i newsletter para estar al tanto de contenidos extra relacionados en https://horacio-ps.com/newsletter

Si el episodio te ha resultado interesante, puedes apoyarlo dándole a like, suscribiéndote o compartiéndolo en tu plataforma habitual (Spotify, Apple Podcasts, iVoox, YouTube, etc.). Es un gesto que te cuesta muy poco y que ayuda muchísimo a que este podcast siga creciendo y llegue a más personas.

Hoy conversamos con Guillermo Restrepo, investigador en el Instituto Max Planck de matemáticas en las ciencias, cuyo trabajo combina química, matemáticas, historia y filosofía de la ciencia. La conversación gira en torno a entender la química no solo como una práctica experimental, sino como una forma de conocimiento que plantea preguntas conceptuales, sociales y éticas.

Uno de los ejes principales es la filosofía de la química, entendida como una rama de la filosofía de la ciencia que analiza qué hace única a la química y cómo se relaciona con otras ciencias como la física o la biología. Frente al enfoque habitual del químico, centrado en sintetizar sustancias, esta perspectiva introduce cuestiones más amplias, como el impacto social de los materiales, las implicaciones éticas de la investigación o la naturaleza de conceptos como sustancia o reacción. También se discute si la química puede reducirse a la física o si posee una autonomía conceptual propia.

Se aborda por qué estas preguntas no suelen formar parte del día a día científico. Restrepo señala que la historia de la química, especialmente desde el siglo XIX, ha estado marcada por una fuerte presión por producir resultadossustancias, lo que ha orientado la formación hacia objetivos prácticos. Esto, junto con la creación de comunidades académicas separadas, ha generado una distancia entre científicos y filósofos.

Otro tema clave es la tensión entre especialización e interdisciplinariedad. Aunque la especialización ha permitido grandes avances, también ha fragmentado el conocimiento. Se plantea la necesidad de enfoques más integradores que permitan conectar disciplinas y recuperar una visión más global de la ciencia.

Una parte relevante del episodio se centra en el trabajo de Restrepo sobre la tabla periódica. A partir de datos empíricos y herramientas matemáticas, propone entenderla como una estructura basada en relaciones de semejanza y de orden entre elementos. Este enfoque permite interpretarla como una estructura matemática, similar a una red, y conecta con intuiciones ya presentes en el trabajo de Mendeleev.

También se discuten estudios históricos que muestran una paradoja: el conocimiento químico crece de forma exponencial, pero su diversidad disminuye. La investigación se concentra en unos pocos elementos, lo que refleja sesgos tanto científicos como sociales. Este problema se extiende a la inteligencia artificial, que tiende a reproducir esos mismos patrones si se entrena con datos poco diversos.

En la parte final, se explora su trayectoria personal y su forma de investigar, basada en la curiosidad y en conectar ideas de distintas disciplinas. Muchas de sus ideas surgen fuera de la química, al interactuar con otras áreas o contextos.

Como cierre, se subraya la importancia de la divulgación. Generar conocimiento no es suficiente si no se comunica de forma comprensible. El valor de la ciencia depende también de su capacidad para ser compartida.

Para más información sobre su trabajo, puedes consultar su web https://sites.google.com/site/guillermorestrepo/Home y su perfil en Google Scholar https://scholar.google.com/citations?user=b4CW5CEAAAAJ&hl=en, o contactarle en [email protected].

Si quieres discutir el contenido de este episodio con otros investigadores, puedes unirte a nuestra comunidad de investigadores en https://horacio-ps.com/comunidad o seguir i newsletter para estar al tanto de contenidos extra relacionados en https://horacio-ps.com/newsletter

Si el episodio te ha resultado interesante, puedes apoyarlo dándole a like, suscribiéndote o compartiéndolo en tu plataforma habitual (Spotify, Apple Podcasts, iVoox, YouTube, etc.). Es un gesto que te cuesta muy poco y que ayuda muchísimo a que este podcast siga creciendo y llegue a más personas.

Investigar está en todo, pero transformar ideas en contenido no siempre es un proceso directo. En este episodio abordo un problema muy común: el bloqueo a la hora de escribir o crear, esa sensación de quedarte frente a la página en blanco sin saber cómo empezar o cómo avanzar.

La causa principal de este bloqueo no suele ser técnica, sino conceptual: no tener las ideas claras. Podemos tener habilidades de escritura o experiencia, pero si no sabemos exactamente qué queremos decir, es muy difícil construir algo sólido.

A esto se suma un segundo factor frecuente: la sensación de desbordamiento ante proyectos grandes. Incluso cuando las ideas están más o menos definidas, el tamaño del contenido (como un artículo científico o un informe extenso) puede generar fricción y dificultar el arranque.

A partir de aquí, planteo dos formas extremas de abordar este problema. La primera es el enfoque “a las bravas”: empezar a escribir sin planificación previa, volcando todo lo que se tenga en mente y confiando en que la estructura aparecerá a través de iteraciones sucesivas de corrección, recorte y mejora.

Este enfoque funciona especialmente bien en contenidos cortos o familiares, donde ya existe una estructura implícita (como en el caso de un email). Sin embargo, en contenidos más complejos puede resultar ineficiente, ya que obliga a reconstruir varias veces el texto hasta encontrar una forma coherente.

En el extremo opuesto está el enfoque basado en estructura. Aquí no se empieza a escribir hasta tener clara una escaleta simple con los puntos clave que se quieren tratar. Esa estructura actúa como un mapa que guía todo el proceso posterior.

La clave es mantener esa estructura lo más compacta posible al principio, evitando convertirla en texto. A partir de ahí, el trabajo consiste en desarrollar cada parte de forma progresiva, lo que reduce la fricción y permite avanzar con mayor control.

Este enfoque es especialmente útil en contenidos largos o técnicos, como artículos científicos o libros, donde es necesario organizar muchas ideas. En estos casos, la estructura puede refinarse por niveles, descomponiendo cada sección en subapartados cada vez más específicos.

Sin embargo, no todos los contextos requieren este nivel de planificación. En contenidos más abiertos o creativos, la estructura puede no existir al inicio y emerger durante el propio proceso de creación mediante iteración.

En la práctica, muchas veces se utiliza un enfoque intermedio. Este episodio es un ejemplo: partiendo de una estructura mental básica (plantear el problema, analizarlo y proponer soluciones), el contenido se ha desarrollado de forma progresiva sin un guion detallado escrito previamente.

Este enfoque híbrido combina dirección inicial con flexibilidad durante la ejecución, aunque también tiene limitaciones, como el riesgo de olvidar ideas o perder precisión si no hay revisión posterior.

En definitiva, el bloqueo frente a la página en blanco no es tanto un problema de escritura como de claridad y de enfoque. Definir qué se quiere decir y decidir cómo estructurarlo son los dos pasos clave para poder avanzar en cualquier tipo de contenido.

Si quieres discutir el contenido de este episodio con otros investigadores, puedes unirte a nuestra comunidad de investigadores en https://horacio-ps.com/comunidad o seguir i newsletter para estar al tanto de contenidos extra relacionados en https://horacio-ps.com/newsletter

Si el episodio te ha resultado interesante, puedes apoyarlo dándole a like, suscribiéndote o compartiéndolo en tu plataforma habitual (Spotify, Apple Podcasts, iVoox, YouTube, etc.). Es un gesto que te cuesta muy poco y que ayuda muchísimo a que este podcast siga creciendo y llegue a más personas.

Si eres investigador y piensas que “vender” tu investigación no va contigo, este episodio es para ti. Porque hay algo que conviene asumir: si quieres que tu investigación avance más allá del laboratorio, vas a necesitar conectar con empresas. No es solo una cuestión económica, es una cuestión de impacto.

Una estrategia habitual para encontrar partners es el contacto directo, empresa a empresa. Funciona, pero tiene un problema claro: no es escalable. Requiere tiempo, esfuerzo y entrar en dinámicas de ventas y negociación que muchos investigadores no dominan o directamente evitan.

En este episodio planteo una alternativa mucho más eficiente: los eventos de partnering. Son espacios diseñados para conectar investigadores, empresas e inversores en pocos días, concentrando múltiples reuniones con organizaciones que ya tienen predisposición a colaborar.

Comparto mi experiencia reciente en BioEurope Spring 2026 (Lisboa), un evento internacional con más de 1.500 participantes. El funcionamiento es sencillo: accedes a una plataforma de matching, filtras perfiles según tus intereses y solicitas reuniones. Si hay interés mutuo, se agenda automáticamente un encuentro de 30 minutos durante el evento.

En nuestro caso, acudimos con un objetivo claro: encontrar partners para avanzar un proyecto en oncología hacia ensayos clínicos, una fase donde la colaboración con empresa es imprescindible. A partir de ahí, identificamos compañías relevantes, enviamos mensajes muy concisos explicando qué hacemos y qué buscamos, y cerramos reuniones.

Aquí hay una clave importante: la claridad. Tanto en los mensajes como en las reuniones, necesitas un pitch muy directo (2–3 minutos) donde se entienda rápidamente qué ofreces y qué necesitas. No es el lugar para presentaciones largas ni exceso de detalle técnico.

Durante las reuniones pueden surgir oportunidades inesperadas, pero también es fácil perder tiempo si no se va preparado. Es fundamental revisar previamente la empresa, entender su actividad y evitar compartir información confidencial sin acuerdos previos. Si hay interés real, los siguientes pasos (como NDAs) deben moverse rápido.

También es importante gestionar bien la parte económica: si estás explorando servicios, intenta obtener al menos un rango de precios durante la reunión. Y si te ofrecen algo, pide siempre validación: casos reales, resultados o evidencia.

Además de las reuniones, estos eventos ofrecen otras oportunidades: stands de empresas donde interactuar sin cita previa y presentaciones donde startups explican su tecnología y buscan inversión, mostrando claramente cómo conectan ciencia y negocio.

En definitiva, los eventos de partnering son una herramienta muy potente para cualquier investigador que quiera llevar su trabajo más lejos, permitiendo acceder de forma mucho más eficiente a partners que de otra manera serían difíciles de alcanzar.

Si quieres discutir el contenido de este episodio con otros investigadores, puedes unirte a nuestra comunidad de investigadores en https://horacio-ps.com/comunidad o seguir i newsletter para estar al tanto de contenidos extra relacionados en https://horacio-ps.com/newsletter

Si el episodio te ha resultado interesante, puedes apoyarlo dándole a like, suscribiéndote o compartiéndolo en tu plataforma habitual (Spotify, Apple Podcasts, iVoox, YouTube, etc.). Es un gesto que te cuesta muy poco y que ayuda muchísimo a que este podcast siga creciendo y llegue a más personas.

En este episodio retomo una idea que llevaba tiempo rondándome: hasta qué punto los procesos de investigación, creación y composición musical comparten una misma lógica de fondo. No tanto a nivel superficial, sino en cómo se generan, organizan y conectan las ideas. A partir de mi experiencia reciente volviendo a Ableton Live, un software de producción musical que permite crear, editar y combinar sonidos mediante loops y pistas, utilizo la creación musical como un laboratorio para observar estos procesos en acción.

El punto de partida es el modo sesión de Ableton, que permite trabajar de forma no lineal, combinando elementos en tiempo real. Esto introduce una improvisación que no es completamente libre, pero tampoco está encorsetada. El problema aparece cuando queremos que esa exploración tenga sentido: demasiadas opciones pueden bloquear el avance. Para evitarlo, propongo un método iterativo basado en reducir la complejidad, empezar con pocos elementos, explorar combinaciones, seleccionar las que funcionan y dejar reposar el material antes de tomar decisiones.

A partir de esas combinaciones surgen bloques principales que luego se ordenan en el tiempo. La estructura no se define al inicio, sino que emerge después. El siguiente paso es trabajar las transiciones entre esos bloques, que son las que realmente dan coherencia al conjunto. Una vez construido ese esqueleto, se añaden nuevas capas y se refina el resultado en ciclos sucesivos, con cuidado de no caer en el perfeccionismo infinito.

Este proceso conecta directamente con la escritura y, en general, con la generación de ideas. También con metodologías como Zettelkasten, donde pequeñas unidades se combinan para formar estructuras más complejas. La idea de fondo es clara: crear no es tanto partir de cero como diseñar un sistema que facilite conexiones interesantes dentro de un marco con ciertas restricciones.

Si quieres discutir el contenido de este episodio con otros investigadores, puedes unirte a nuestra comunidad de investigadores en https://horacio-ps.com/comunidad o seguir i newsletter para estar al tanto de contenidos extra relacionados en https://horacio-ps.com/newsletter

Si el episodio te ha resultado interesante, puedes apoyarlo dándole a like, suscribiéndote o compartiéndolo en tu plataforma habitual (Spotify, Apple Podcasts, iVoox, YouTube, etc.). Es un gesto que te cuesta muy poco y que ayuda muchísimo a que este podcast siga creciendo y llegue a más personas.

En este episodio parto de una idea bastante simple: la investigación no está aislada de nada, ni de la imaginación ni de los personajes ficticios. De hecho, muchas veces pensamos mejor cuando somos capaces de ponerle “caras” a procesos mentales que en realidad son abstractos. Por eso empiezo con algo muy reconocible, ese ángel y ese demonio que aparecían en los dibujos cuando había que tomar una decisión. No es tanto por lo psicológico, sino por lo práctico: ya desde pequeños hemos aprendido a representar conflictos internos con figuras.

A partir de ahí doy un paso más y entro en el síndrome del impostor, que en el fondo es otra versión de esas voces, pero más sofisticada y bastante más incómoda. Aquí ya no hay equilibrio entre dos opciones, sino una voz dominante que nos hace dudar continuamente de nosotros mismos. Y lo interesante es que esta voz no hay que invocarla, aparece sola. Todos la conocemos y, aunque en algunos contextos sabemos gestionarla mejor que en otros, suele ser más un freno que una ayuda.

Y entonces introduzco el tercer “personaje”, que es el núcleo del episodio: el famoso Revisor 2. Algo que empieza como meme pero que en realidad refleja muy bien una experiencia común en investigación. Ese revisor que te cuestiona todo, que encuentra problemas donde no los habías visto y que, en el peor de los casos, te complica bastante la vida. Pero precisamente por eso, porque es incómodo, puede ser útil si sabemos cómo integrarlo.

La idea que propongo es bastante directa: ¿por qué no traer ese Revisor 2 a nuestro propio proceso de trabajo? Es decir, cuando estamos escribiendo, diseñando un experimento o desarrollando una idea, parar un momento e invitar a esa voz crítica. No como algo destructivo, sino como una herramienta para detectar huecos, errores o supuestos que estamos dando por buenos sin cuestionarlos. Es una forma de introducir crítica antes de que venga de fuera.

Ahora bien, esto no es gratis. Igual que un revisor externo puede pasarse de la raya, nuestro Revisor 2 interno también puede hacerlo. Puede hacernos perder tiempo, sobredimensionar problemas o incluso desviarnos de lo que realmente queríamos hacer. Por eso la clave no es solo invocarlo, sino aprender a responderle. Filtrar, aceptar lo que aporta valor y descartar lo que no tiene sentido.

Y aquí hay un punto que me parece importante: visualizarlo ayuda. Ponerle forma, nombre o incluso asociarlo a alguien concreto hace que ese proceso sea más manejable. Deja de ser una autocrítica difusa y pasa a ser casi un diálogo. Y eso, en la práctica, facilita mucho integrarlo en el día a día de la investigación.

En el fondo, el mensaje es bastante sencillo: todos tenemos ya voces internas, algunas más útiles que otras. El síndrome del impostor no lo elegimos, pero el Revisor 2 sí podemos decidir cuándo y cómo utilizarlo. Y si se usa bien, puede convertirse en una herramienta bastante potente para mejorar cómo pensamos y cómo investigamos.

Si quieres discutir el contenido de este episodio con otros investigadores, puedes unirte a nuestra comunidad de investigadores en https://horacio-ps.com/comunidad o seguir i newsletter para estar al tanto de contenidos extra relacionados en https://horacio-ps.com/newsletter

Episodios relacionados: 379, 374, 372, 370

Si el episodio te ha resultado interesante, puedes apoyarlo dándole a like, suscribiéndote o compartiéndolo en tu plataforma habitual (Spotify, Apple Podcasts, iVoox, YouTube, etc.). Es un gesto que te cuesta muy poco y que ayuda muchísimo a que este podcast siga creciendo y llegue a más personas.

¿Qué sabemos realmente, a nivel molecular, sobre el efecto del aceite de oliva en la salud cardiovascular?

Jesús de la Osada lleva más de treinta años investigando las bases moleculares de la aterosclerosis y el papel de los componentes de la dieta mediterránea en la salud cardiovascular. En este episodio repasa cómo se construye conocimiento riguroso en un área donde la divulgación de baja calidad abunda, y qué significa eso en términos de lo que podemos afirmar con fundamento sobre el aceite de oliva virgen extra.

La investigación del grupo arrancó cuando los estudios disponibles medían únicamente colesterol total, un marcador tan poco específico que el aceite de oliva resultó neutro y quedó décadas fuera del foco. Con la llegada de modelos animales que reproducen aterosclerosis en semanas y el avance de la química analítica, el panorama cambió. El aceite de oliva virgen extra contiene cerca de 400 compuestos identificados. El candidato inicial, el ácido oleico por ser el componente mayoritario, fue descartado experimentalmente. El compuesto que concentra hoy el trabajo del grupo es el escualeno: el más abundante, el más estable durante el almacenamiento y el que se absorbe y acumula en órganos. Es además un intermediario universal en la biosíntesis de esteroles, lo que explica su presencia en organismos tan distintos como el olivo o el tiburón, y su coincidencia en las dos poblaciones con menor mortalidad cardiovascular históricamente documentada: la mediterránea y la japonesa.

Estudiarlo de forma aislada presenta un problema importante: fuera de su matriz natural, el escualeno se oxida con facilidad. La solución que el grupo ha desarrollado en colaboración con el Instituto de Nanomateriales de Aragón es la encapsulación en nanopartículas que aíslan el compuesto y replican la protección que ejerce el propio aceite. En paralelo, trabajan con un aceite de oliva virgen enriquecido en escualeno y un compuesto fenólico, desarrollado junto a una empresa chipriota, cuyos resultados preliminares son prometedores.

Dedicamos parte de la conversación a la diferencia entre evidencia in vitro y evidencia clínica, y por qué esa distinción es relevante para evaluar las afirmaciones que rodean a suplementos y nutracéuticos. El marco regulatorio para uso alimentario no exige demostrar eficacia, solo ausencia de toxicidad. Eso permite construir argumentos sobre mecanismos reales sin evidencia de que funcionen en humanos a las dosis habituales. No es necesariamente fraudulento, pero el salto entre ambas cosas rara vez se explicita.

Hablamos también del estado actual del diagnóstico cardiovascular. Más allá del colesterol total y la distinción LDL/HDL, hay marcadores con mayor valor predictivo que no se usan de rutina: la Lp(a), el tamaño de las partículas de LDL, o la cuantificación de ApoB-100, que refleja el número de partículas en circulación independientemente del colesterol que transportan. La razón por la que estos marcadores no se incorporan de forma sistemática no es científica sino económica. Lo mismo ocurre con la farmacogenómica aplicada a estatinas: sabemos que los citocromos P450 implicados en su metabolismo tienen variantes con distinta actividad, pero la caracterización de cada paciente antes de prescribir sigue siendo la excepción, no la norma.

Página Web del grupo: https://osada.unizar.es

Nuevos aceites: https://onlinelibrary.wiley.com/doi/10.1002/mnfr.70223

Escualeno: https://onlinelibrary.wiley.com/doi/abs/10.1002/mnfr.201800136

Aceite de oliva virgen: https://onlinelibrary.wiley.com/doi/10.1002/mnfr.201100668

Nuevos modelos para estudio de aterosclerosis: https://www.imrpress.com/journal/FBL/11/1/10.2741/1852

Si el episodio te ha resultado interesante, puedes apoyarlo dándole a like, suscribiéndote o compartiéndolo en tu plataforma habitual (Spotify, Apple Podcasts, iVoox, YouTube, etc.). Es un gesto que te cuesta muy poco y que ayuda muchísimo a que este podcast siga creciendo y llegue a más personas.