Cómo la IA reduce los plazos de desarrollo de fármacos

En 2020, AlphaFold de DeepMind resolvió un problema que había desconcertado a la biología estructural durante 50 años: predecir cómo se pliegan las proteínas a partir de sus secuencias de aminoácidos. Lo que a los equipos de investigación les llevaba años de cristalografía y computación, ahora requería segundos. Este avance es una señal más de que el desarrollo de IA ha llegado a un punto en el que puede hacer en las ciencias de la vida cosas que los humanos sencillamente no pueden realizar con la rapidez suficiente ni a la escala que la industria necesita.

Aquello no fue una prueba de concepto. Fue una señal. En todos los sectores, la IA está transformando el mercado laboral a un ritmo que pocos anticipaban, y el desarrollo de fármacos es uno de los campos con mayores implicaciones donde este cambio se está manifestando.

El desarrollo de fármacos siempre ha sido lento y costoso. Todo el mundo en el sector conoce la cifra de 2,6 mil millones de dólares. Lo que se debate menos es el motivo: el proceso de descubrimiento sigue basándose en gran medida en la intuición y en la suerte estadística. La IA no soluciona esto por completo, pero va reduciendo las mayores ineficiencias, etapa por etapa.

Dónde se aplica realmente la IA hoy

Empecemos por la identificación de dianas terapéuticas. Ahí es donde se pierde la mayor parte del tiempo. La proteína o vía biológica con la que debe interactuar un fármaco se debe identificar a lo largo de años de ensayo de hipótesis y experimentación biológica. Los sistemas de IA entrenados con datos genómicos y proteómicos aceleran drásticamente este proceso, detectando en cuestión de meses dianas que los investigadores podrían haber tardado años en encontrar.

Luego está el cribado de moléculas. El cribado de alto rendimiento tradicional evalúa miles de compuestos. Los modelos de IA generativa evalúan millones, de forma computacional y antes de realizar un solo experimento en el laboratorio. Insilico Medicine pasó de la identificación de la diana al candidato preclínico en 18 meses. Ese proceso suele requerir de cuatro a cinco años.

El reposicionamiento de fármacos se subestima con frecuencia. BenevolentAI detectó que el baricitinib —un fármaco para la artritis que ya estaba en el mercado— podía funcionar contra la COVID-19. Ocurrió a principios de 2020, antes de que existiera una vacuna. Obtuvo la autorización de uso de emergencia de la FDA. Esa misma capacidad analítica se está aplicando ahora a enfermedades raras, donde la viabilidad económica de desarrollar un nuevo fármaco desde cero simplemente no resulta rentable.

La toxicología predictiva merece más atención de la que recibe. Gran parte de los fracasos en fases avanzadas se debe a compuestos que parecían viables al principio, pero resultaron tóxicos en humanos. Los modelos de IA entrenados con datos históricos de ensayos fallidos detectan esas señales antes, con margen para intervenir antes de llegar a las fases más costosas.

El diseño de ensayos clínicos es probablemente una de las aplicaciones de mayor impacto comercial de la que menos se habla. Incluir a pacientes inadecuados en un ensayo —o no captar a suficientes con la debida rapidez— invalida resultados estadísticamente representativos. La selección de pacientes basada en IA soluciona ambos problemas. Un ensayo que recluta con mayor agilidad e incorpora a los perfiles idóneos no fracasa por motivos de ejecución técnica.

Qué muestran los datos

ETAPA	TRADICIONAL	ASISTIDA POR IA
Identificación de dianas	2–4 años, basada en literatura científica	Meses; reconocimiento de patrones multiómicos a gran escala
Generación de moléculas líderes	Miles de compuestos cribados en laboratorio	Millones de candidatos evaluados primero computacionalmente
De fase preclínica a candidato	4–5 años de media	18 meses en casos documentados liderados por IA
Predicción de toxicidad	Descubierta tarde, muy costosa de corregir	Detectada computacionalmente antes de la síntesis en laboratorio
Selección de pacientes para ensayos	Manual, inclusión lenta, enmiendas al protocolo	Emparejamiento automatizado por criterios, inclusión más rápida
Coste global de I+D	2,6 mil millones de dólares de media por fármaco aprobado	McKinsey estima un potencial de reducción del 20–40 %

McKinsey sitúa la reducción general de costes entre un 20 y un 40 % para programas asistidos por IA, con una reducción de varios años en los plazos a lo largo de toda la cadena, desde el descubrimiento hasta la fase clínica. No son proyecciones basadas en hipótesis: son extrapolaciones de programas que ya están en marcha.

Cuatro empresas que ya lo aplican a gran escala

INSILICO MEDICINE De la diana al candidato en 18 meses Utilizó IA generativa para identificar una nueva diana y diseñar un fármaco candidato para la FPI. El proceso requirió 18 meses y 2,6 M$, una fracción de los estándares del sector. Actualmente se encuentra en ensayos de fase II.	BENEVOLENTAI Reposicionamiento de baricitinib para la COVID-19 La IA basada en grafos de conocimiento identificó el baricitinib como candidato para el tratamiento de la COVID-19 a principios de 2020. A continuación, obtuvo la autorización de emergencia de la FDA. La misma plataforma se aplica ahora a enfermedades raras y desatendidas.
RECURSION PHARMACEUTICALS Cribado de enfermedades raras a escala industrial Utiliza visión artificial y ML para ejecutar millones de experimentos celulares por semana, mapeando perturbaciones genéticas. Ha evaluado más de 1000 programas de enfermedades raras.	MODERNA Secuencias de ARNm diseñadas con IA Utilizó modelos de ML para optimizar el diseño de secuencias de ARNm, mejorando la estabilidad y la respuesta inmunitaria. La vacuna candidata contra la COVID-19 se diseñó en dos días. Ahora este enfoque se aplica a toda su cartera de desarrollo.

Qué sigue siendo un reto complejo

Cualquiera que proponga una transformación con IA sin fricciones en el desarrollo de fármacos está omitiendo detalles importantes. Las dificultades son reales y una evaluación rigurosa de cualquier plataforma debe tenerlas en cuenta.

La calidad de los datos es el punto donde fracasan la mayoría de los proyectos de IA. Los datos farmacéuticos suelen estar dispersos, aislados en silos y anotados de manera desigual a lo largo de décadas en cuadernos de laboratorio, sistemas heredados y registros en papel. Nada de eso se integra con facilidad en un pipeline de ML moderno. En la mayoría de las organizaciones, el trabajo de integración de datos resulta más complejo y costoso que el propio desarrollo de los modelos.

La incertidumbre regulatoria es el otro gran punto de fricción. El nuevo marco de directrices de la FDA supone un avance, pero las evidencias generadas por IA en solicitudes de aprobación de fármacos siguen siendo un terreno en evolución. Si vas a implantar IA en tu programa de descubrimiento, el momento de definir cómo presentarás esas evidencias ante los organismos reguladores es ahora, no cuando la solicitud de nuevo fármaco en investigación (IND) ya esté sobre su mesa.

La degradación del modelo (model drift) es otro aspecto que los equipos de compras suelen subestimar. Un modelo de generación de moléculas entrenado con datos de 2022 no es una herramienta estática: pierde eficacia a medida que surgen nuevos hallazgos biológicos, se acumulan datos sobre ensayos fallidos y cambian los panoramas de dianas terapéuticas. El compromiso con el reentrenamiento y la gobernanza debe ser continuo y conlleva costes.

Qué evaluar al elegir un socio de IA

Las conversaciones con proveedores suelen centrarse en las capacidades de la plataforma. Las preguntas clave tienen que ver con su viabilidad en el día a día:

• ¿El modelo puede explicar su razonamiento? La interpretabilidad es indispensable para las presentaciones regulatorias. Solicita ejemplos documentados de explicabilidad en un contexto clínico o regulatorio, no solo una descripción genérica de la metodología.
• ¿Con qué datos se ha entrenado? El uso de bases de datos públicas frente a datos clínicos propios genera perfiles de rendimiento muy diferentes. Conoce la trazabilidad de los datos de entrenamiento y cualquier sesgo o carencia conocida antes de integrarlo en tu pipeline.
• ¿Cuál es su trayectoria regulatoria? ¿Se ha utilizado la plataforma en un programa que haya alcanzado la presentación de una IND o fases posteriores? La validación académica y la experiencia regulatoria real son cuestiones muy distintas.
• ¿Cómo se integra con tus sistemas actuales? Sustituir el sistema LIMS o ELN supone un proyecto totalmente diferente. Evalúa si la plataforma se integra con la infraestructura existente o si exige un reemplazo tecnológico.
• ¿Cómo se plantea el mantenimiento del modelo a los 18 meses? Pide detalles concretos sobre la frecuencia de reentrenamiento, la monitorización del rendimiento y quién asume la gobernanza del modelo una vez integrado en tu flujo de trabajo.
• ¿A quién pertenece la propiedad de los resultados? La titularidad de la propiedad intelectual de las moléculas candidatas generadas por IA es un debate legal incipiente, similar a las discusiones sobre la propiedad de los datos y la gestión de claves en el entorno cripto. Asegúrate de que el contrato lo especifique con total claridad antes del primer ciclo de descubrimiento.

Las cinco fases del desarrollo de fármacos

Entender dónde encaja la IA requiere conocer primero el pipeline en el que se introduce. El desarrollo de fármacos tradicional avanza a través de cinco fases diferenciadas, cada una de ellas como un filtro caracterizado por altas tasas de fracaso y plazos prolongados.

• Selección de dianas. Los investigadores identifican la vía biológica o proteína de la que depende una enfermedad, analizando datos genómicos y proteómicos para detectar dianas que sean abordables terapéuticamente y relevantes para la patología.
• Validación de dianas. Antes de iniciar el diseño de moléculas, debe demostrarse que la diana incide en el curso de la enfermedad. Solo las dianas con relevancia terapéutica comprobada continúan en el proceso.
• Descubrimiento y optimización de moléculas líderes. Se evalúan miles o millones de compuestos frente a la diana validada. Los aciertos prometedores se perfeccionan en potencia, selectividad y seguridad antes de avanzar.
• Ensayos preclínicos. Los candidatos prometedores se evalúan en modelos de laboratorio y animales para analizar su seguridad, toxicidad y comportamiento biológico antes de cualquier ensayo en humanos.
• Ensayos clínicos y autorización regulatoria. El compuesto se prueba en humanos a lo largo de tres fases de ensayos clínicos y posteriormente se envía a las agencias regulatorias para su aprobación. Es la fase más prolongada y costosa de todo el proceso.

Por qué el desarrollo de fármacos tarda más de 10 años

Los plazos no se deben solo a trabas burocráticas. Cada año de retraso refleja una dificultad fundamental a la hora de predecir qué compuestos funcionarán en humanos. Según el análisis de Scilife sobre los plazos del desarrollo de fármacos, el recorrido medio desde el descubrimiento hasta la aprobación abarca entre 10 y 15 años y cuesta más de 2,5 mil millones de dólares.

Las cifras de desgaste son implacables. Diez mil compuestos inician las pruebas. Quizás de 10 a 20 pasan a desarrollo. Unos pocos llegan a ensayos en humanos. Y de estos, el 90 % fracasa en el desarrollo clínico, sobre todo por falta de eficacia (40–50 %), toxicidad (30 %) o propiedades farmacocinéticas deficientes. Casi el 80 % de los ensayos no cumple los plazos de reclutamiento. Todo el proceso es un embudo muy largo con una salida muy estrecha.

Al llegar a la aprobación, la mayor parte de la vigencia de la patente ya ha transcurrido. Recuperar una década de inversión durante el periodo de exclusividad restante no es solo una exigencia financiera: condiciona cada decisión comercial que toma la empresa a partir de ese momento.

Técnicas de IA en el descubrimiento de fármacos

Una revisión de Springer Nature sobre técnicas de IA en investigación farmacéutica detalla los métodos específicos que se están utilizando a lo largo de la cadena, mucho más variados de lo que la mayoría de los directivos imagina.

Los algoritmos de machine learning gestionan la identificación de dianas farmacológicas y el cribado virtual, filtrando las moléculas candidatas según su comportamiento previsto antes de realizar cualquier síntesis. El deep learning —en particular las redes neuronales convolucionales— impulsa el diseño de fármacos de novo y la predicción de interacciones entre proteínas. El procesamiento del lenguaje natural analiza la bibliografía publicada y las bases de datos clínicas a una escala inalcanzable para un equipo humano, detectando vínculos entre mecanismos patológicos y compuestos ya existentes.

El aprendizaje por refuerzo aporta otro enfoque: optimiza estructuras moleculares mediante ensayo y error simulado, mejorando de forma iterativa la eficacia mientras reduce la toxicidad. Las redes neuronales de grafos modelan conexiones e interacciones atómicas con un nivel de detalle inalcanzable para métodos anteriores. La IA generativa —la misma categoría de los grandes modelos de lenguaje ampliamente conocidos— permite crear moléculas completamente nuevas desde cero, sin limitarse a librerías químicas existentes.

Aplicaciones de la IA en el desarrollo de fármacos

Las aplicaciones reales de la IA en el desarrollo de fármacos abarcan hoy todas las fases del proceso, más allá del diseño molecular que suele acaparar los titulares.

• Identificación de dianas. La IA analiza amplios conjuntos de datos genómicos, proteómicos y de literatura biomédica para detectar dianas terapéuticas a las que los investigadores humanos tardarían años en llegar. Los modelos de deep learning detectan patrones en datos multiómicos que resultan demasiado complejos para identificarse manualmente.
• Diseño y cribado de moléculas. La IA generativa diseña nuevas moléculas candidatas desde cero, mientras que los modelos de ML evalúan millones de compuestos de forma computacional antes de su síntesis en laboratorio. Esto reduce a semanas de computación lo que tradicionalmente requería años de trabajo de laboratorio.
• Simulación preclínica. La IA predice cómo se comportarán los fármacos candidatos en el organismo —absorción, distribución, metabolismo, excreción y toxicidad— antes de iniciar estudios con animales. Una revisión de Springer Nature sobre aplicaciones de IA confirma que esto ya está reduciendo la necesidad de estudios iniciales con animales en determinados programas.
• Reposicionamiento de fármacos. La IA analiza fármacos ya autorizados frente a nuevas dianas patológicas, identificando oportunidades de reposicionamiento con mucha mayor rapidez que la investigación tradicional. La identificación de baricitinib por parte de BenevolentAI como tratamiento contra la COVID-19 en 2020 es el caso más documentado.
• Optimización de ensayos clínicos. La IA conecta a pacientes con ensayos a partir de historiales clínicos reales, registros genéticos y bases de datos de reclamaciones médicas, reduciendo los retrasos en el reclutamiento. Un agente de IA para el sector de la salud también puede automatizar la gestión de consentimientos y la comunicación con los pacientes durante todo el ciclo del ensayo.
• Control de calidad en la fabricación. La IA monitoriza los procesos de producción de forma continua, detectando desviaciones antes de que deriven en lotes defectuosos. El mantenimiento predictivo, la optimización del rendimiento y la detección de contaminaciones son casos de uso activos en la fabricación farmacéutica, de forma similar a cómo la blockchain en la fabricación optimiza la trazabilidad y el aseguramiento de la calidad.

Ventajas de la IA en el desarrollo de fármacos

El interés por integrar la IA no radica solo en la velocidad. El análisis de Scilife sobre las ventajas de la IA en el desarrollo de fármacos identifica una serie de beneficios acumulativos a lo largo de todo el pipeline.

• Reducción de plazos. La IA reduce la fase que va del descubrimiento al candidato preclínico de cuatro o cinco años a entre 13 y 18 meses en casos documentados. El programa de 18 meses de Insilico Medicine es la prueba de referencia, pero se observan reducciones similares en todo el sector allí donde se incorpora IA en la fase de selección de dianas.
• Menores costes. McKinsey proyecta una reducción del 20–40 % en los costes globales de I+D en programas apoyados por IA. Este ahorro proviene de dos vías: plazos más cortos que reducen costes indirectos y una detección temprana de fallos que permite descartar candidatos no viables antes de llegar a las fases más caras.
• Mayor precisión. Los modelos de IA superan a los métodos tradicionales en la predicción de toxicidad, el modelado de interacción fármaco-diana y la estratificación de pacientes. Un menor número de falsos positivos avanzando en el pipeline se traduce en menos fracasos en la fase II por causas técnicas.
• Menos ensayos con animales. La simulación computacional del comportamiento de fármacos en sistemas biológicos ya está reduciendo el volumen de estudios preclínicos con animales necesarios en determinados programas, lo que recorta costes y responde a la creciente presión regulatoria y ética por reducir el uso de animales.
• Mejor diseño de ensayos clínicos. La selección de pacientes impulsada por IA y la optimización de protocolos mejoran el ritmo de reclutamiento, la idoneidad de la población del ensayo y la probabilidad de éxito estadístico, abordando los tres motivos más comunes por los que los ensayos fallan en la ejecución más que en la base científica.

La economía del descubrimiento de fármacos con IA

El panorama financiero es más complejo de lo que sugieren los grandes titulares sobre acuerdos. El análisis de 2025 de Drug Target Review sobre la economía del descubrimiento de fármacos con IA lo deja claro: el valor total de los acuerdos para alianzas en IA superó los 15 mil millones de dólares en cifras anunciadas, pero los pagos iniciales reales apenas alcanzaron de media el 2 % de esa cifra principal.

Los importes totales están condicionados a que múltiples fármacos candidatos alcancen hitos clínicos y comerciales. La proporción de 50:1 entre el valor anunciado del acuerdo y el pago inicial efectivo refleja la cautela del sector —una dinámica que coincide con patrones más amplios de las fintech, como analizamos en nuestro artículo sobre blockchain en pagos—, donde el entusiasmo siempre se adelanta a la infraestructura probada.

Varias empresas de descubrimiento de fármacos con IA bien financiadas redujeron un 20–30 % de su plantilla en 2025. Otras suspendieron programas clínicos o cerraron por completo. El mercado ha cambiado: los inversores exigen ahora validación clínica, no sofisticación algorítmica. Conseguir financiación basándose únicamente en la capacidad de la IA ya no es un modelo de negocio viable.

Apoyo regulatorio a iniciativas de IA para el descubrimiento y desarrollo de fármacos

Los organismos reguladores no se han quedado de brazos cruzados. Los análisis sobre el respaldo normativo señalan que la FDA ya está desarrollando marcos para integrar la IA en entornos cGMP, y que la tendencia apunta con claridad hacia vías formalizadas para la IA en lugar de evaluaciones puntuales caso por caso.

El avance más significativo tuvo lugar el 6 de enero de 2025, cuando la FDA publicó un borrador de directrices sobre el uso de la IA para respaldar la toma de decisiones regulatorias en medicamentos y productos biológicos. El marco establece una evaluación de credibilidad en siete pasos, exige planes de mantenimiento a lo largo del ciclo de vida y obliga a la transparencia sobre las arquitecturas de los modelos y los datos de entrenamiento.

En diciembre de 2025, la FDA cualificó su primera herramienta basada en IA para su uso en ensayos clínicos de desarrollo de fármacos: una plataforma para evaluar biopsias hepáticas en ensayos de EHNA/MASH. Se trata de una herramienta de evaluación de calidad, no de diseño de fármacos. Sin embargo, constituye la primera aceptación regulatoria formal de la IA en el proceso de desarrollo, y eso es clave.

Cabe destacar que la guía excluye deliberadamente la IA en fases tempranas de descubrimiento. Se centra únicamente en aplicaciones que influyen en las decisiones regulatorias. Esta distinción marca la forma en que las empresas más avezadas estructuran su inversión en IA: las herramientas iniciales se someten a un escrutinio muy diferente al de cualquier elemento que acabe en una solicitud formal.

Dosis de realidad clínica

La evaluación más honesta del estado real de la situación procede de revisiones sectoriales que describen el año como una transición de la promesa a la prueba.

El resultado más destacado: un fármaco diseñado íntegramente por IA completó la fase IIa de ensayos clínicos. Los resultados se publicaron en Nature Medicine en junio de 2025. El paso desde la diana terapéutica hasta los candidatos preclínicos llevó 18 meses, frente a los habituales tres o cuatro años. El ensayo mostró una mejoría dosis-dependiente en pacientes con FPI. Se trata de un auténtico hito clínico.

Sin embargo, el ensayo incluyó solo a 71 pacientes y la señal de eficacia debe validarse en cohortes más amplias. Muchos otros fármacos diseñados con IA se despriorizaron, se archivaron tras la fase II o no mostraron signos de eficacia. La IA no ha mejorado de forma demostrable la tasa de fracaso clínico de la industria farmacéutica, cercana al 90 %. La pregunta clave para los próximos dos o tres años no es si la IA puede reducir los plazos preclínicos —algo que claramente puede hacer—, sino si logra mejorar las tasas de éxito clínico.

Retos de infraestructura e integración

Los retos organizativos que implica desplegar IA a escala suelen ser más difíciles que los técnicos. Los análisis de infraestructura recogen una encuesta en la que el 68 % de los directivos de tecnología señala la mala calidad y gobernanza de los datos como la causa principal del fracaso de las iniciativas de IA.

En el sector farmacéutico en concreto, el problema de los datos es crítico. Los cuadernos electrónicos de laboratorio, los sistemas LIMS heredados y los registros históricos en papel no se conectan con fluidez. Una misma molécula puede aparecer representada de forma distinta en tres bases de datos internas. El etiquetado es dispar, el origen poco claro y las restricciones de privacidad limitan lo que se puede compartir entre organizaciones o usar para entrenar modelos compartidos.

Las grandes farmacéuticas respondieron en 2025 invirtiendo en infraestructura de GPU y lanzando plataformas para compartir modelos de IA con socios biotecnológicos. Algunas incorporaron científicos de IA humanoides en laboratorios robóticos. Con todo, integrar las operaciones de laboratorio experimental e informático sigue siendo un gran desafío: los laboratorios autónomos aún no han demostrado capacidad para descubrir por sí solos candidatos a fármacos validados.

Retos y limitaciones actuales

Un análisis de las limitaciones de la IA en el descubrimiento de fármacos señala un grupo de problemas persistentes que van más allá de la calidad de los datos.

La interpretabilidad de los modelos es un problema real, no meramente teórico. La mayoría de los sistemas de IA de alto rendimiento funcionan como cajas negras: ofrecen resultados pero no pueden explicar el porqué. Eso es admisible en tecnología de consumo. En el desarrollo de fármacos, donde la FDA ahora exige expresamente transparencia sobre las arquitecturas de los modelos y los datos de entrenamiento, representa un obstáculo insalvable.

La generalización es más compleja de lo que sugieren las pruebas de rendimiento. Un modelo entrenado en una clase de enfermedad o serie química suele tener dificultades con dianas estructuralmente inusuales, que suelen ser justo las que encierran mayor potencial terapéutico. Un buen rendimiento en conjuntos de datos estándar no siempre resiste el contacto con el descubrimiento de fármacos en el mundo real.

Además, la estandarización de datos en el sector está lejos de resolverse. Crear conjuntos de datos anotados y de calidad resulta costoso. Las normativas de privacidad restringen su intercambio. Las empresas competidoras tienen pocos incentivos para colaborar en infraestructuras que beneficien a todos por igual. El resultado es un campo en el que los mejores modelos solo son tan buenos como los datos que hubo disponibles para entrenarlos.

Dilemas éticos en el uso de la IA

El análisis ético de la IA en el descubrimiento de fármacos plantea cuestiones que el sector apenas empieza a abordar con seriedad.

El sesgo en los datos de entrenamiento es la preocupación más urgente en este momento. Los conjuntos de datos clínicos subrepresentan sistemáticamente a mujeres, ancianos, minorías étnicas y poblaciones con enfermedades raras. Cuando estas personas no figuran en los datos de entrenamiento, los modelos rinden peor con ellas; y en farmacología, un peor rendimiento puede traducirse en un medicamento menos eficaz o con un perfil de seguridad distinto justo para quienes más lo necesitan.

La titularidad de la propiedad intelectual en candidatos generados por IA sigue sin resolverse a nivel legal. ¿De quién es la molécula: de la empresa que creó el modelo, de la que lo ejecutó o de nadie? Los tribunales de diversas jurisdicciones analizan cuestiones afines, pero aún no hay precedentes específicos en el descubrimiento de fármacos. Es un punto que conviene dejar zanjado por contrato antes de la primera prueba de descubrimiento, no después.

La rendición de cuentas es el tercer gran dilema. Si un modelo de IA recomienda un candidato que provoca efectos adversos graves en un ensayo de fase III, ¿quién responde? La cadena de responsabilidad es más difusa que en un programa tradicional. Los marcos de gobernanza son mucho más fáciles de fijar antes de que surja un problema que después.

Líneas futuras y tendencias emergentes

De cara al futuro, el análisis de las tendencias emergentes en IA para el descubrimiento de fármacos apunta a varios avances que transformarán el sector en los próximos cinco años.

La convergencia de la IA y la biología avanza más rápido de lo previsto en la mayoría de las hojas de ruta. La predicción de estructuras de proteínas ya ha trascendido a las proteínas para llegar al ADN, ARN, anticuerpos e interacciones moleculares. La próxima generación de modelos razonará sobre sistemas biológicos completos, no solo sobre componentes aislados. Esa es una capacidad cualitativamente superior.

La IA multimodal está pasando de los artículos de investigación a los procesos reales de desarrollo. Estos sistemas combinan datos genómicos, de imagen, clínicos y de la práctica real a la vez. Correlacionar el perfil genético de un paciente con sus pruebas de imagen y su historial de tratamiento no solo resulta interesante desde el punto de vista analítico: cambia la forma de estratificar a los pacientes en los ensayos clínicos.

El aprendizaje federado es una de las soluciones más prácticas para el problema de los datos. Los modelos se entrenan con conjuntos de datos distribuidos sin que la información salga jamás de cada entidad, lo que sortea la mayoría de los problemas de privacidad y competencia. Varios consorcios farmacéuticos ya lo están pilotando para investigar enfermedades raras, donde ninguna empresa cuenta con datos suficientes para crear modelos útiles por su cuenta.

Los laboratorios robóticos autónomos son la última pieza. Los laboratorios automatizados que cierran el ciclo de diseño, producción, prueba y aprendizaje sin intervención humana aún no son plenamente operativos: no han descubierto de forma autónoma ningún candidato a fármaco validado. Sin embargo, la brecha entre su estado actual y el óptimo se está cerrando mucho más rápido de lo que la mayoría esperaba hace dos años.

Conclusión

Todas las grandes empresas farmacéuticas tienen hoy una estrategia de IA. Lo que diferencia a las que logran resultados de las que siguen en fase piloto suele ser una sola decisión: dejaron de tratar la IA como un proyecto de TI y empezaron a construir una auténtica infraestructura de IA empresarial integrada en su pipeline.

Las compañías que obtienen resultados tangibles incorporaron la IA desde la selección de dianas terapéuticas, antes de gastar en laboratorio o en síntesis. Ahí radica la verdadera ventaja. Apostar por una diana equivocada durante tres años cuesta decenas de millones y un tiempo irrecuperable. Detectar un error de diana por vía computacional en el segundo mes apenas cuesta nada.

La ventaja para los pioneros sigue abierta, pero no por mucho tiempo. Las plataformas que se están validando hoy serán el estándar en cinco años, lo que significa que las organizaciones que desarrollen esta capacidad ahora no tendrán que improvisarla bajo presión más adelante. La cuestión no es si la IA debe formar parte de tu proceso de desarrollo, sino si la incorporas a tu propio ritmo o a remolque de los demás.