Google Cloud ha publicado una arquitectura de referencia para agentes de biotecnología que separa un agente planificador del cálculo científico intensivo en GPU y de los controles que rodean a ambos. La publicación de diseño del 16 de octubre describe cómo un equipo de descubrimiento de fármacos podría coordinar el plegamiento de proteínas, la generación molecular y la revisión de compuestos líderes en Google Cloud. Presenta un patrón y una pila de ejemplo, sin un despliegue de cliente medido, un resultado de capacidad de procesamiento ni un candidato a fármaco validado.

La distinción importa a los equipos que evalúan sistemas de agentes para investigación. Un modelo de lenguaje puede distribuir trabajo y resumir resultados, pero una estructura proteica o una trayectoria de acoplamiento es demasiado grande para tratarla como contexto de chat corriente. El cálculo científico también tiene su propio entorno de ejecución, cola y controles de acceso. La propuesta de Google sitúa esas partes tras límites explícitos para que el equipo pueda inspeccionarlas antes de depender del flujo combinado.

Tres capas con tareas diferentes

La primera capa es un orquestador principal en Agent Runtime. El ejemplo de Google le asigna dos subagentes especializados, uno para optimización de compuestos líderes y otro para evaluación de seguridad. El agente principal descompone una solicitud, distribuye el trabajo y compone una respuesta. En este diseño propuesto, los traspasos internos entre agentes ocurren en el mismo proceso de ejecución. Agent Runtime es un entorno de despliegue gestionado; Google documenta la configuración del proyecto, el Agent Platform SDK for Python, el desarrollo del agente y su despliegue antes de poder llamarlo. Un agente en contenedor debe cumplir su contrato de ejecución.

La segunda capa ejecuta los trabajos científicos costosos. El ejemplo de Google sitúa los microservicios de inferencia ESMFold y GenMol de NVIDIA en Google Kubernetes Engine, con máquinas virtuales G4 y GPU RTX PRO 6000 Blackwell. El plegamiento de proteínas y la generación de moléculas son ejemplos de trabajo que solicitaría el orquestador, no cálculos realizados por el modelo de lenguaje de propósito general. La publicación recomienda mantener activo al menos un nodo GKE y cargar los pesos del modelo al arrancar los pods para reducir la demora de arranque en frío. Un nodo en caliente y los pesos cargados consumen recursos; no se aporta una comparación de latencia, utilización o coste de esa elección.

La tercera capa gobierna el acceso. Agent Identity asigna al agente una identidad SPIFFE y un certificado X.509 gestionado, que pueden usarse con permisos IAM y registros de auditoría. Agent Gateway puede aplicar reglas de acceso en rutas de entrada y salida compatibles. Agent Registry cataloga agentes, servidores MCP, herramientas y endpoints. Google también propone inspección con Model Armor y aprobación humana para pasos de consecuencias importantes. Estos controles requieren despliegue y configuración de políticas; que aparezcan en un diagrama no demuestra que una ruta de datos concreta sea privada ni que cada decisión se audite.

Mover los archivos por el almacenamiento, no por el prompt

La parte más transferible del diseño es cómo trata las grandes cargas de datos científicos. El flujo propuesto escribe archivos PDB, poses de acoplamiento y registros de trayectorias en Cloud Storage. Los agentes intercambian referencias a objetos y resúmenes breves, y recuperan los datos subyacentes cuando una herramienta los necesita. Así se evita introducir matrices de coordenadas en la ventana de contexto de un LLM y se ofrece al equipo un lugar separado para controlar el acceso y la retención de archivos.

Google describe URI firmados de objetos en este patrón. Una URL firmada es en sí misma una credencial de acceso para el alcance y la vigencia indicados, por lo que los equipos aún deben configurar caducidad, permisos y registros para el flujo real. La publicación no documenta una política completa de almacenamiento, una configuración de residencia de datos ni un modelo de amenazas para una cadena de biotecnología en producción. Afirmar que un contenedor de cálculo alojado de forma privada mantiene las estructuras propietarias dentro del perímetro empresarial depende de todos los componentes que las reciban o reenvíen: almacenamiento, llamadas a modelos, registros y endpoints externos incluidos.

La publicación también recomienda encapsular una cadena larga de simulaciones tras una interfaz de herramienta clara e informar del progreso al completar etapas. Son decisiones de diseño que deben evaluarse frente a la cola real del backend. Enviar más solicitudes en paralelo no ayuda si el servicio científico las serializa internamente. El artículo no ofrece una prueba de rendimiento que demuestre una capacidad de procesamiento determinista en la configuración propuesta.

Dónde situar la decisión humana

La propuesta de Google permite que los agentes realicen preparativos reversibles, como buscar una estructura o resolver un nombre químico, y exige que una persona apruebe acciones costosas o de consecuencias importantes. Entre los ejemplos están una ejecución de acoplamiento con varias GPU, avanzar un compuesto líder hacia la síntesis en laboratorio húmedo y archivar un programa. La organización investigadora tendría que definir esos controles, quién aprueba y la evidencia mostrada en cada punto. La publicación no presenta un resultado validado de evaluación de seguridad ni establece que un modelo pueda emitir juicios farmacológicos sin revisión experta.

La documentación de gobernanza acota parte del lenguaje amplio del blog. Gateway admite entrada y salida con Agent Runtime, mientras que su compatibilidad con Gemini Enterprise es solo de salida. Se puede acceder a destinos no registrados cuando una política IAM explícita apunta a su URL; por tanto, el registro no es un bloqueo universal de herramientas desconocidas. Las comprobaciones de Model Armor están entre las salvaguardas que un equipo puede configurar. Entre los límites documentados de Agent Identity están la imposibilidad de conceder roles heredados de buckets de Cloud Storage a entidades principales de agentes y la limpieza manual de las vinculaciones IAM al eliminar un agente.

Para la validación, las cuatro lecciones de evaluación de un plugin de agentes publicadas por separado por Google Cloud ofrecen contexto útil, aunque ese plugin es otro sistema. El equipo descubrió que evaluar solo la respuesta final omitía acciones visibles en los registros de llamadas a herramientas. Recomienda preservar la estructura de llamadas concurrentes, comparar ejecuciones reales con otras de solo planificación y mantener tareas de referencia seleccionadas por expertos. Aplicado a la propuesta de biotecnología, esto apunta a comprobar las escrituras reales en almacenamiento, los endpoints de modelos, las decisiones de permisos, el comportamiento de las colas y las aprobaciones humanas. BIG CHANGE no ha construido ni probado esta arquitectura.

Nuestro artículo anterior sobre la selección de péptidos antimicrobianos con Google Antigravity trata una tarea distinta de agentes científicos. No demuestra que la infraestructura propuesta aquí se haya construido o validado.

Acceso, coste y estado de lanzamiento

Un equipo necesitaría un proyecto de Google Cloud, las API y la configuración IAM pertinentes, un despliegue de Agent Runtime, capacidad GPU en GKE, almacenamiento y componentes de gobernanza configurados. La disponibilidad y los límites dependen de las regiones elegidas, las cuotas y la configuración del producto. La documentación de Agent Runtime remite a listas de regiones y cuotas y dice que existe un nivel gratuito. La página de precios de Agent Platform cobra el cálculo y la memoria del entorno de ejecución y describe la facturación de salida de Gateway; el uso de modelos, la infraestructura GPU y Cloud Storage añaden sus propios costes. La calculadora de precios de Google puede ayudar a estimar una configuración elegida. Un conjunto de GPU mantenido permanentemente en caliente debe incluirse en esa estimación.

Los documentos de los componentes describen servicios utilizables, pero no convierten el patrón combinado de biotecnología en un producto de disponibilidad general y con resultados medidos. Las habilidades independientes de Registry están marcadas expresamente como Preview, mientras que las páginas consultadas no asignan una sola etiqueta de fase de lanzamiento a todos los elementos de la pila propuesta. Debe comprobarse la compatibilidad de los contenedores de modelos, controles de red y aplicaciones de investigación concretos para la región y el despliegue previstos. Este artículo examina la propuesta del 16 de octubre a partir de documentación; no es una guía de instalación ni el relato de una instalación operativa.

El gran cambio

Google ha planteado cómo dividir un flujo de agentes para biotecnología en planificación, cálculo científico dedicado y acceso gobernado, pasando estructuras grandes por referencia y reservando la aprobación humana para acciones costosas o de consecuencias importantes. El diseño ofrece a los equipos de infraestructura de investigación un conjunto concreto de límites que evaluar. Su velocidad, aislamiento, fiabilidad científica y coste operativo siguen siendo cuestiones para un despliegue configurado y pruebas medidas.

Fuentes y lecturas adicionales

Fuentes consultadas el 18 de octubre de 2026. BIG CHANGE no desplegó ni evaluó mediante pruebas de rendimiento el sistema de biotecnología propuesto.