Acelerando el tiempo hacia el descubrimiento científico para los CDC y los NIH

La transición de la inteligencia artificial, desde chatbots experimentales hacia agentes autónomos, enfrenta un desafío crítico en sectores altamente regulados como la biomedicina y la salud pública. Si bien estos sistemas son capaces de navegar datos complejos para realizar tareas del mundo real, aún existe una clara falta de un marco estandarizado, observable y centrado en la seguridad que permita a los agentes de IA interactuar con datos sensibles. Sin mecanismos de protección de nivel empresarial, el potencial de los flujos de trabajo agénticos sigue limitado a entornos experimentales.

Para abordar este desafío, Red Hat ha iniciado un esfuerzo conjunto de investigación con los Centers for Disease Control and Prevention (CDC) y los National Institutes of Health (NIH). Al fortalecer el protocolo de código abierto Model Context Protocol (MCP), estamos estableciendo los requisitos de infraestructura necesarios para trasladar, de forma más segura, los flujos de trabajo agénticos hacia entornos de producción, donde la precisión y la seguridad de los datos son requisitos innegociables.

Cerrando la brecha entre la IA y los repositorios de datos sensibles

En el contexto de la salud pública, el concepto de "time to science" —el intervalo entre una pregunta de investigación y una respuesta basada en datos— constituye una cuestión de seguridad nacional. Actualmente, los silos de datos fragmentados y las llamadas a API insuficientemente documentadas ralentizan este proceso, haciendo que muchos flujos de trabajo tarden horas en completarse. Al aplicar el Model Context Protocol en estos entornos complejos, ese tiempo puede reducirse a apenas unos segundos.

Este trabajo conjunto de coingeniería aborda las cuatro principales barreras que hoy impiden que los investigadores que utilizan agentes de IA generen un impacto científico significativo:

• Reemplazar la latencia por acceso instantáneo: al crear una interfaz estandarizada entre los modelos de IA y los principales repositorios de salud pública, los investigadores pueden pasar de la recopilación manual de datos al análisis en tiempo real.
• Integridad contextual por encima de los datos sin procesar: en la investigación científica, una conclusión sin contexto está incompleta. El trabajo actual incluye ampliar las capacidades de MCP para garantizar que los agentes de IA reciban no solo los datos, sino también las erratas, advertencias, notas aclaratorias y demás información contextual necesaria para evitar la propagación de información errónea.
• La auditabilidad como requisito: para evolucionar desde asistentes experimentales hacia agentes autónomos, cada interacción debe ser completamente trazable. Este esfuerzo establece los patrones de gobernanza y observabilidad necesarios para que las decisiones impulsadas por IA sean totalmente auditables y cumplan con las normativas federales.
• Pruebas de aceptación del conocimiento: cuando una aplicación se implementa en una industria regulada, debe superar rigurosos procesos de prueba y validación por parte de expertos responsables del dominio de conocimiento. Actualmente, MCP no dispone de un mecanismo específico para realizar pruebas de aceptación, y nuestro trabajo conjunto aborda directamente esta brecha mediante nuevas técnicas de extrapolación a gran escala.

De la colaboración entre instituciones a la innovación en OpenShift AI

Si bien MCP ya es un componente fundamental de Red Hat OpenShift AI, los aprendizajes y el fortalecimiento técnico derivados del trabajo realizado junto con los CDC y los NIH generan un valioso ciclo de retroalimentación. Esta colaboración contribuirá directamente a la evolución de la comunidad upstream de MCP y, en consecuencia, a la próxima generación de capacidades de OpenShift AI.

Al utilizar estos casos de uso de salud pública como la prueba de estrés definitiva, estamos perfeccionando la forma en que OpenShift AI administra los servidores MCP, procesa solicitudes simultáneas de datos a gran escala y establece conexiones más seguras entre los modelos de IA y diversas fuentes de información. Estas mejoras —que abarcan desde una lógica de escalabilidad más eficiente hasta un manejo de errores más robusto para APIs complejas— se incorporarán posteriormente a la plataforma OpenShift AI.

Esto significa que todos los clientes de Red Hat, independientemente del sector en el que operen, podrán beneficiarse de una plataforma validada por algunas de las instituciones científicas más prestigiosas del mundo.

Estándares abiertos para un impacto global

Los objetivos de este esfuerzo conjunto de investigación van mucho más allá de los avances técnicos inmediatos; también pueden contribuir a definir el enfoque global sobre la IA agéntica. Al liberar como código abierto los frameworks de pruebas desarrollados junto con nuestros socios federales, estamos ayudando a las comunidades científica y sanitaria a superar los desafíos culturales y organizacionales asociados con la transición hacia arquitecturas basadas en agentes.

A medida que las organizaciones avanzan hacia el uso de agentes autónomos de IA, queremos que nuestra colaboración con los CDC y los NIH contribuya a establecer la infraestructura necesaria para que estos agentes sean más rápidos, más seguros y, sobre todo, confiables para las personas que dependen de ellos para proteger la salud pública.