IA en investigación: cómo los sistemas inteligentes transforman el descubrimiento, el análisis y la innovación
En octubre de 2024, el Comité Nobel concedió el premio de Química a un científico computacional. Demis Hassabis —cofundador de DeepMind— compartió el galardón con John Jumper y David Baker por un trabajo sobre la predicción de la estructura de proteínas que cambió radicalmente lo que los biólogos creían posible. AlphaFold no se limitó a resolver un problema científico de hace cincuenta años: demostró con claridad que la IA había pasado de ser un actor secundario en la investigación a situarse en el centro del escenario.
Ese es el momento al que siempre volvemos cuando los clientes nos preguntan si la IA está transformando de verdad la investigación o si se trata de otra ola de entusiasmo pasajero. El Comité Nobel no suele conceder premios a modas vacías.
Pero aquí surge una complicación que los titulares casi nunca mencionan: un análisis de 2025 del MIT reveló que casi el 95 % de los proyectos piloto de IA empresarial no consiguieron generar un impacto de negocio cuantificable. Y no porque los modelos no fueran suficientemente buenos, sino porque los sistemas no estaban integrados en los flujos de trabajo reales, las bases de datos no eran sólidas y nadie había definido la propiedad del resultado. Esa tensión entre el auténtico potencial transformador de la IA en investigación y la elevada tasa de fracaso de las soluciones genéricas es precisamente el tema de este artículo.
Hemos desarrollado sistemas de IA para clientes de los sectores farmacéutico, financiero y de I+D empresarial. Lo que hemos aprendido es que las organizaciones que consiguen resultados tangibles no son las que despliegan los modelos más llamativos, sino las que diseñan soluciones a la medida de sus pipelines, sus datos y sus flujos de trabajo específicos, tomándose muy en serio la integración desde el primer día.
Revisión bibliográfica: la tarea que desbordaba a los equipos de investigación
Hay un dato al que apenas se presta atención: las publicaciones científicas crecen en torno a un 4 % anual. En la actualidad circulan más de 200 millones de artículos de investigación. En la mayoría de disciplinas, un investigador en activo no puede abarcar ni una mínima fracción de la literatura directamente relevante para su trabajo. El resultado es predecible: hallazgos duplicados, conexiones que pasan inadvertidas entre distintas áreas y meses dedicados a revisiones sistemáticas que deberían llevar semanas.
Las herramientas de revisión bibliográfica basadas en IA cambian por completo este panorama. Un análisis de 2025 sobre herramientas de revisión con PNL demostró que una revisión sistemática que tradicionalmente requiere de 8 a 12 semanas puede completarse en 3 o 4 semanas con la ayuda de la IA. El mayor ahorro de tiempo procede del cribado automatizado de artículos y de la síntesis a partir de múltiples fuentes: precisamente el trabajo monótono al que los investigadores júnior solían dedicar semanas enteras.
Lo que sucede bajo el capó resulta aún más interesante que el titular sobre el ahorro de tiempo. Los modelos modernos de PNL no se limitan a buscar palabras clave: comprenden las afirmaciones reales de un estudio, extraen detalles metodológicos, señalan la significación estadística y descubren relaciones entre investigaciones que una búsqueda tradicional jamás detectaría. Un investigador que busque ensayos clínicos controlados y aleatorizados con variables de resultado específicas puede formular su consulta en lenguaje natural y obtener resultados relevantes y jerarquizados, en lugar de una lista interminable de 800 artículos para revisar a mano.
El enfoque personalizado marca la diferencia: las herramientas comerciales como Consensus o Elicit son muy útiles para investigadores individuales, pero las organizaciones —farmacéuticas, centros médicos académicos o departamentos de I+D corporativos— suelen necesitar soluciones que se integren con sus bases de datos existentes, respeten los datos confidenciales y generen resultados listos para alimentar los flujos de trabajo internos. Ahí es donde el desarrollo de machine learning a medida pasa de ser una opción a una necesidad.
Descubrimiento de fármacos: de años a meses
El proceso tradicional de descubrimiento de fármacos es extraordinariamente lento. Identificación de dianas terapéuticas, cribado de compuestos líderes, optimización, ensayos preclínicos y, por último, las fases I, II y III: el plazo medio desde el descubrimiento inicial hasta la autorización en el mercado supera los 90 meses. Los costes ascienden a miles de millones. Y la tasa de fracaso en la fase III, tras toda esa inversión, sigue superando el 50 %.
La IA está comprimiendo las fases iniciales de ese pipeline de formas inconcebibles hace cinco años. Se prevé que el mercado del descubrimiento de fármacos basado en IA alcance entre 7 y 8 mil millones de dólares para 2030, con un crecimiento anual superior al 32 %, lo que refleja la rapidez de su adopción. Más concretamente: la IA puede reducir los costes de descubrimiento de fármacos hasta en un 40 % y acortar los plazos desde el intervalo tradicional de cinco años a 12–18 meses en la fase inicial de descubrimiento.
AlphaFold acapara los titulares, pero dista de ser el único caso. Los modelos de IA generativa diseñan hoy estructuras moleculares completamente inéditas con propiedades predeterminadas: compuestos que nunca antes habían existido, creados a medida para una diana en lugar de hallados mediante cribado. En 2025, investigadores del MIT emplearon IA generativa para diseñar antibióticos eficaces contra cepas multirresistentes de gonorrea y Staphylococcus aureus, un ámbito en el que los enfoques tradicionales se habían quedado prácticamente sin alternativas.
Existe un matiz fundamental que rara vez se aborda en la cobertura entusiasta de estos avances: la IA acelera las fases iniciales, pero los ensayos clínicos siguen siendo ensayos clínicos. La biología no avanza más rápido porque una molécula haya sido diseñada por un modelo. Lo que aporta la IA es un punto de partida sustancialmente mejor y muchos menos experimentos fallidos en el camino.
Analítica predictiva en la investigación clínica
Los ensayos clínicos fracasan por múltiples motivos: selección inadecuada de la población de pacientes, variables de evaluación mal definidas, modificaciones del protocolo a mitad del ensayo que retrasan todo el calendario o procesos de reclutamiento que tardan el doble de lo planeado, una situación que afecta a cerca del 80 % de los ensayos, según una revisión exhaustiva de 2025. No se trata solo de demoras: cada mes de retraso en un ensayo en fase avanzada puede suponer más de un millón de dólares.
La analítica predictiva impulsada por IA ayuda a resolver varios de estos puntos críticos. Los modelos de machine learning entrenados con datos de ensayos históricos pueden predecir tasas de abandono, alertar sobre diseños de protocolos con antecedentes de bajo rendimiento para una indicación concreta y simular resultados antes de reclutar al primer paciente. Los datos al respecto son difíciles de rebatir: los modelos de analítica predictiva alcanzan un 85 % de precisión al proyectar los resultados de los ensayos, y las herramientas de selección asistidas por IA han aumentado las tasas de inscripción en un 65 % en estudios controlados.
En el área específica del reclutamiento, la IA se utiliza para cotejar pacientes con los criterios de elegibilidad a una escala y rapidez imposibles de alcanzar manualmente. Las historias clínicas electrónicas, las bases de datos genómicas y los datos del mundo real se analizan para localizar candidatos idóneos que difícilmente habrían visto una convocatoria de ensayo. En ensayos para enfermedades raras, donde la población candidata puede reducirse a unos pocos miles de personas en todo el mundo, esta capacidad no solo resulta útil: marca la diferencia entre poner en marcha un ensayo o no poder ejecutarlo.
Nuestra propuesta consiste en desarrollar agentes de IA capaces de gestionar de forma autónoma pasos concretos del flujo de trabajo del ensayo —como la revisión de modificaciones del protocolo, el cribado de elegibilidad o la detección de efectos adversos— en lugar de limitarse a herramientas analíticas superpuestas que siguen exigiendo una interpretación manual. Se trata de un enfoque muy distinto a la compra de una licencia de software y suele ofrecer resultados claramente superiores.
Cifras clave de la investigación actual:
| Indicador | Cifra |
|---|---|
| Mercado de ensayos clínicos con IA (2025) | 9,17 mil millones de USD |
| Tamaño de mercado previsto para 2030 | 21,79 mil millones de USD (TCAC del 19 %) |
| Reducción de los costes de descubrimiento de fármacos con IA | Hasta un 40 % |
| Mejora de la inscripción en ensayos clínicos gracias a herramientas de captación con IA | +65 % |
| Precisión de los modelos predictivos de IA al pronosticar resultados de ensayos | 85 % |
| Entradas de la base de datos pública de AlphaFold | más de 200 millones de estructuras de proteínas |
| Tiempo de revisión sistemática de la literatura con IA frente a sin IA | 3–4 semanas frente a 8–12 semanas |
Cómo dar sentido a volúmenes masivos de datos
La investigación biológica actual genera datos a una escala que hace veinte años parecía ciencia ficción. Un único estudio genómico produce terabytes de secuencias. Un experimento de proteómica que analiza miles de proteínas en cientos de muestras arroja conjuntos de datos que ningún equipo humano puede interpretar manualmente. La investigación multiómica, al integrar datos genómicos, proteómicos, metabolómicos y clínicos, plantea retos de integración prácticamente inviables sin herramientas computacionales avanzadas.
Aquí es donde el machine learning demuestra uno de sus valores más tangibles en entornos de investigación. Los modelos entrenados con datos multiómicos identifican biomarcadores predictivos de respuesta a tratamientos, localizan subpoblaciones en una misma patología que responden de forma distinta a un fármaco y detectan patrones longitudinales que a un analista le llevaría meses sacar a la luz. Un ejemplo claro: un modelo de deep learning entrenado con imágenes clínicas alcanzó una sensibilidad del 87 % y una especificidad del 92 % al diferenciar la COVID-19 de otras afecciones pulmonares, a una escala y rapidez inalcanzables para cualquier proceso de revisión radiológica tradicional.
El reto para la mayoría de los centros de investigación no reside en acceder al machine learning, sino en integrarlo con los formatos de datos, los sistemas de almacenamiento y los flujos analíticos que ya utilizan. Una farmacéutica con un programa clínico en Medidata Rave necesita herramientas de IA que dialoguen con esa plataforma, no sistemas que exijan duplicar la infraestructura de datos. Este es el obstáculo de integración que frena a la mayoría de los pilotos de IA, y la razón por la que las soluciones a medida superan a las genéricas en este terreno.
Agentes de IA y el ciclo de investigación autónomo
El avance más prometedor de la IA en investigación en los últimos dos años no es un modelo aislado, sino la aparición de agentes autónomos de IA capaces de ejecutar tareas complejas en varios pasos sin requerir intervención humana en cada fase. En la práctica: un agente que recibe una pregunta de investigación, consulta bases bibliográficas, extrae estudios relevantes, sintetiza resultados, detecta vacíos y genera un informe estructurado, todo ello sin que el investigador deba realizar cada paso a mano.
Algunas organizaciones están llevando esto aún más lejos con los llamados laboratorios autónomos (self-driving laboratories). El ciclo funciona así: la IA propone un experimento, los sistemas robóticos lo ejecutan, la IA analiza los resultados y el modelo actualiza su hipótesis para plantear la siguiente prueba, todo en cuestión de horas en lugar de semanas. No es ciencia ficción: ya opera en un reducido grupo de instituciones punteras y marca el rumbo hacia el que avanza todo el sector.
Para la mayoría de las organizaciones, el punto de partida no es un laboratorio totalmente automatizado, sino el despliegue de asistentes de IA que asuman tareas repetitivas y de alto volumen: cribado bibliográfico, formateo de datos, generación de informes o redacción de borradores regulatorios. Se trata de actividades que hoy absorben buena parte del tiempo del equipo sin exigir el criterio especializado que realmente hace avanzar la ciencia. Automatizarlas permite a los investigadores centrarse en las preguntas que de verdad requieren su experiencia.
Nuestro equipo de IA empresarial ha desarrollado proyectos de este tipo: implementando sistemas de agentes que se integran en la infraestructura de investigación existente en lugar de funcionar como herramientas aisladas. La diferencia en la adopción es notable: los agentes que operan dentro de los entornos habituales de trabajo se utilizan a diario; las plataformas independientes suelen quedar en desuso.
La parte realista: limitaciones, reproducibilidad y retos pendientes de la IA
Cualquier análisis sobre la IA en la investigación que omita sus limitaciones no estaría siendo riguroso. Por eso abordamos aquí los aspectos que consideramos cruciales para cualquiera que deba tomar decisiones sobre la adopción de IA en un entorno científico.
La reproducibilidad sigue siendo un desafío real
Los modelos de IA se entrenan con datos. Si esos datos presentan sesgos —como una representación excesiva de ciertas poblaciones, patologías o condiciones experimentales—, el modelo reproducirá esos mismos sesgos en sus predicciones. En el descubrimiento de fármacos, esto puede traducirse en modelos con un rendimiento excelente en proteínas muy estudiadas y deficiente en dianas raras. En el diseño de ensayos clínicos, puede generar previsiones acertadas para los perfiles predominantes en datos históricos y menos fiables para el resto. Conocer estas limitaciones no hace que desaparezcan, pero sí redefine la forma de validar los resultados antes de tomar decisiones.
Las alucinaciones en investigación entrañan un peligro particular
Los modelos de lenguaje generan en ocasiones respuestas con tono de total seguridad que son falsas desde el punto de vista factual. En un chatbot de consumo esto resulta molesto; en un entorno de automatización de la investigación —donde un asistente sintetiza evidencia clínica o extrae datos de publicaciones— representa un riesgo grave. Cada sistema que desarrollamos para aplicaciones de investigación incorpora etapas de verificación y filtros de revisión humana en los puntos donde un error tendría consecuencias críticas. Cualquier proveedor o socio tecnológico que eluda este tema no lo está considerando adecuadamente o no está siendo transparente.
La integración sigue siendo el principal motivo de fracaso
Volviendo al dato del MIT: el 95 % de los pilotos de IA empresarial no logran un impacto cuantificable. Los motivos recurrentes son la falta de conexión con los flujos de trabajo reales, unas bases de datos deficientes y una definición difusa sobre la propiedad del resultado final. No es un problema de tecnología, sino de procesos y sistemas. Por eso, el punto de partida de cualquier proyecto que aborda nuestro equipo de consultoría de IA es comprender a fondo el flujo de trabajo existente, no imponer una funcionalidad de IA preconcebida.
Preguntas frecuentes
Ambas cosas, según la faceta de la investigación de la que hablemos. En el descubrimiento de fármacos, la transformación de las fases iniciales es un hecho indiscutible: predicción de estructuras de proteínas, diseño molecular e identificación de dianas. El Premio Nobel de Química de 2024 otorgado a Demis Hassabis y al equipo de AlphaFold reconoció un trabajo que resolvió un dilema de cincuenta años en biología estructural. Eso dista mucho de ser una moda.
La industria farmacéutica y la biotecnología lideran con claridad el cambio. El descubrimiento de fármacos fue el primer ámbito donde la IA pasó de ser un recurso auxiliar a convertirse en una infraestructura estructural, y la distancia entre las organizaciones que la emplean y las que no empieza a medirse en años de ventaja competitiva.
A continuación, la investigación financiera —en especial el análisis cuantitativo y la inteligencia de mercado— muestra una adopción muy sólida de la IA, gracias a la abundancia de datos estructurados y a ciclos de retroalimentación ágiles. La ciencia de materiales y el sector energético avanzan también a gran velocidad. En el ámbito biomédico académico, la adopción de IA para síntesis bibliográfica y análisis de datos supera las expectativas iniciales. Los sectores que aún se encuentran en fases tempranas suelen ser aquellos con datos fragmentados, privativos o con escasa estructuración, una barrera superable pero que requiere una inversión decidida.
La respuesta sincera es que no hace plenamente ninguna de las dos cosas. La IA no reemplaza el criterio científico que decide qué preguntas merecen investigarse, qué anomalías en los datos resultan reveladoras o qué resultado inesperado exige replantear el rumbo de un experimento. Esas decisiones siguen siendo humanas.
Lo que la IA consigue —cuando funciona como debe— es eliminar las tareas que no requieren ese criterio: revisar y resumir literatura científica, cribar miles de compuestos, ejecutar por vigésima vez el mismo proceso de transformación de datos o detectar patrones en conjuntos de información inabarcables para una persona. Los investigadores que integran bien la IA no investigan menos: dedican más tiempo a la parte de la ciencia que realmente requiere su talento.
El aumento de velocidad se concentra en las fases iniciales. El descubrimiento tradicional de fármacos, desde la identificación de la diana hasta la designación del candidato preclínico, suele requerir entre tres y cinco años. Los flujos de trabajo asistidos por IA están reduciendo ese plazo a 12-18 meses en casos bien documentados. El ISM001-055 de Insilico Medicine, un fármaco con diana y molécula diseñadas por IA, alcanzó la Fase IIa desde la identificación de la diana en 18 meses y publicó resultados positivos en Nature Medicine en 2025. Ese proceso habría requerido de tres a cuatro años con métodos tradicionales.
El mecanismo no tiene misterio. La IA puede cribar muchos más candidatos moleculares que cualquier equipo humano, predice cómo interactuará una molécula con una diana sin necesidad de realizar físicamente cada experimento y aprende de cada candidato fallido para mejorar la siguiente generación de diseños. Novartis estimó que la IA redujo sus costes de descubrimiento de fármacos hasta en un 40 %. Investigadores del MIT utilizaron IA generativa para diseñar nuevos antibióticos contra bacterias resistentes a los medicamentos en 2025, un campo en el que los métodos tradicionales se habían quedado sin ideas.
En nuestra experiencia surgen tres aspectos de forma recurrente. El primero es el sesgo en los datos. Los modelos de IA aprenden de los datos con los que se entrenan. Si esos datos sobrerrepresentan ciertas poblaciones, ciertos tipos de enfermedades o condiciones experimentales específicas, el modelo reproduce esos sesgos en sus resultados. En el descubrimiento de fármacos, esto se traduce en modelos con un rendimiento excelente en dianas muy estudiadas y deficiente en proteínas de enfermedades raras. En la predicción clínica, implica cifras de precisión que no se sostienen en poblaciones de pacientes que no estuvieron bien representadas en los ensayos históricos.
El segundo es el problema de integración. Las herramientas genéricas de IA que no están conectadas a la infraestructura de datos, el instrumental y los flujos de trabajo específicos de una organización de investigación suelen quedar sin uso o relegarse a tareas secundarias. La tasa de fracaso del 95 % en proyectos piloto se debe a esto mucho más que a la capacidad del modelo.
El tercero son las alucinaciones en contextos críticos. Que un modelo lingüístico de propósito general afirme con seguridad una propiedad molecular incorrecta o invente una cita bibliográfica verosímil pero ficticia no solo es inútil: supone un riesgo. Cualquier sistema de IA implementado en investigación necesita puntos de verificación donde los errores tendrían consecuencias graves.
Depende casi por completo del estado de los datos y de la complejidad de la integración. Una herramienta especializada —por ejemplo, un sistema de filtrado bibliográfico basado en IA conectado a bases de datos específicas e integrado en un flujo de trabajo existente— suele requerir de 8 a 12 semanas desde la especificación hasta el despliegue. Un sistema más amplio con entrenamiento de modelos a medida sobre datos propietarios, integración con múltiples plataformas internas y un pipeline de monitorización continuo requiere un proyecto de mayor envergadura.
La primera conversación es siempre una sesión de definición del alcance. No facilitamos estimaciones de plazos antes de comprender el estado de los datos, ya que este es el factor que determina el calendario. Si te encuentras en este punto, una conversación de consultoría de IA es el mejor punto de partida.
La investigación avanza a la velocidad de sus herramientas
La ventaja competitiva en investigación —ya seas una farmacéutica, una institución académica o un departamento de I+D corporativo— depende cada vez más de la rapidez con la que avances en el ciclo de descubrimiento. Esto implica leer más rápido, cribar a mayor velocidad, diseñar mejores experimentos e interpretar resultados con menos puntos ciegos.
La IA no sustituirá a los investigadores. Sin embargo, los investigadores que utilizan IA superarán con el tiempo y de forma sustancial a quienes no lo hacen. La cuestión no es si adoptar la IA en investigación, sino si desarrollar esta capacidad de forma adecuada —integrada con tus datos, herramientas y flujos de trabajo— o parchear herramientas genéricas y preguntarte por qué los resultados no se corresponden con los casos de éxito. Desarrollamos sistemas de IA a medida para organizaciones con una intensa actividad investigadora: farmacéuticas, biotecnología, análisis financiero e I+D corporativo. Cada proyecto comienza con la misma pregunta: ¿en qué tareas pierde más tiempo tu equipo que no requieran su especialización? La respuesta a esa pregunta suele ser el mejor punto de partida para invertir en IA.
