Como a IA reduz os prazos no desenvolvimento de fármacos — e o impacto no seu pipeline

Em 2020, o AlphaFold da DeepMind resolveu um problema que desafiava a biologia estrutural há 50 anos: prever a forma como as proteínas se dobram a partir das suas sequências de aminoácidos. O que exigia anos de cristalografia e computação às equipas de investigação passou a demorar segundos. Este avanço é um sinal inequívoco de que o desenvolvimento de IA atingiu um patamar onde consegue realizar tarefas nas ciências da vida que os humanos simplesmente não conseguem executar com a rapidez e a escala exigidas pelo setor.

Não se tratou de uma prova de conceito. Foi um marco. Em múltiplos setores, a IA está a transformar o mercado de trabalho a um ritmo sem precedentes — e o desenvolvimento de fármacos é uma das áreas mais críticas onde essa transição se está a concretizar.

O desenvolvimento de fármacos sempre foi lento e dispendioso. Todos no setor conhecem o valor de referência: 2,6 mil milhões de dólares. O que raramente se debate é o motivo: o processo de descoberta continua assente, em grande parte, na intuição e na sorte estatística. A IA não resolve o problema por completo, mas está a eliminar as maiores ineficiências, etapa a etapa.

Onde a IA é efetivamente aplicada hoje

Comecemos pela identificação do alvo terapêutico. É aqui que se perde a maior parte do tempo. A proteína ou via biológica com a qual o fármaco deve interagir tem de ser identificada através de anos de validação de hipóteses e experimentação biológica. Os sistemas de IA treinados com dados genómicos e proteómicos reduzem drasticamente este processo — revelando em meses alvos que os investigadores poderiam demorar anos a identificar.

Segue-se o rastreio molecular. A triagem tradicional de alto rendimento testa milhares de compostos. Os modelos de IA generativa testam milhões — computacionalmente, antes de qualquer ensaio laboratorial. A Insilico Medicine passou da identificação do alvo ao candidato pré-clínico em 18 meses. Este processo demora normalmente de quatro a cinco anos.

O reposicionamento de fármacos é frequentemente subestimado. A BenevolentAI identificou que o baricitinib — um medicamento para a artrite já disponível no mercado — poderia ser eficaz contra a COVID-19. Isto aconteceu no início de 2020, antes da existência de vacinas, obtendo autorização de emergência da FDA. Esta mesma capacidade de análise está agora a ser orientada para as doenças raras, onde o investimento no desenvolvimento de um novo fármaco de raiz raramente se justifica a nível financeiro.

A toxicologia preditiva merece maior destaque. Uma percentagem expressiva dos insucessos em fases avançadas decorre de compostos aparentemente promissores que se revelam tóxicos em humanos. Os modelos de IA treinados com dados históricos de ensaios falhados detetam estes alertas muito mais cedo — antes das etapas mais dispendiosas, quando ainda é viável corrigir o rumo.

O desenho de ensaios clínicos é, provavelmente, a aplicação com maior impacto comercial de que pouco se fala. Integrar os doentes errados num ensaio — ou não recrutar voluntários suficientes em tempo útil — inviabiliza a relevância estatística dos resultados. O recrutamento de doentes suportado por IA resolve ambos os obstáculos. Um ensaio que recruta com maior rapidez e seleciona o perfil clínico adequado não falha por pormenores técnicos.

O que demonstram os dados

ETAPA	TRADICIONAL	COM SUPORTE DE IA
Identificação de alvos	2–4 anos, dependente da literatura	Meses; reconhecimento de padrões multiómicos à escala
Geração de moléculas-líder	Milhares de compostos testados em laboratório	Milhões de candidatos avaliados previamente por via computacional
Da fase pré-clínica ao candidato	4–5 anos em média	18 meses em casos documentados liderados por IA
Previsão de toxicidade	Descoberta tardia, correção dispendiosa	Identificada computacionalmente antes da síntese laboratorial
Seleção de doentes para ensaios	Manual, recrutamento lento, alterações ao protocolo	Cruzamento automatizado de critérios, recrutamento mais célere
Custo global de I&D	2,6 mil milhões $ em média por fármaco aprovado	A McKinsey estima um potencial de redução de 20–40%

A McKinsey estima uma redução global de custos entre 20% e 40% em programas otimizados por IA, com uma redução de vários anos nos prazos ao longo do pipeline, da descoberta à fase clínica. Não são projeções assentes em cenários hipotéticos, mas sim estimativas baseadas em programas já em curso.

Quatro empresas que já operam à escala

INSILICO MEDICINE Do alvo ao candidato em 18 meses Recorreu à IA generativa para identificar um novo alvo e conceber um fármaco candidato para a FPI. O processo demorou 18 meses e custou 2,6 M$ — uma fração dos padrões da indústria. Encontra-se atualmente em ensaios de Fase II.	BENEVOLENTAI Reposicionamento do baricitinib para a COVID-19 A IA baseada em grafos de conhecimento identificou o baricitinib como candidato para o tratamento da COVID-19 no início de 2020, seguindo-se a autorização de emergência da FDA. A mesma plataforma foca-se agora em doenças raras e negligenciadas.
RECURSION PHARMACEUTICALS Rastreio de doenças raras à escala industrial Utiliza visão computacional e ML para executar milhões de experiências celulares por semana, mapeando perturbações genéticas. Efetuou o rastreio de mais de 1000 programas de doenças raras.	MODERNA Sequências de mRNA desenhadas por IA Utilizou modelos de ML para otimizar o desenho de sequências de mRNA, melhorando a estabilidade e a resposta imunitária. O candidato a vacina contra a COVID-19 foi desenhado em dois dias. O método é agora aplicado a todo o pipeline.

Os verdadeiros desafios que ainda persistem

Qualquer proposta que prometa uma transição para a IA simples e linear no desenvolvimento de fármacos está a ocultar a realidade. As complexidades são reais, e uma avaliação séria de qualquer plataforma deve tê-las em conta.

A qualidade dos dados é o ponto crítico onde a maioria dos projetos de IA falha. Os dados farmacêuticos apresentam-se frequentemente desorganizados, isolados em silos e anotados de forma inconsistente ao longo de décadas em cadernos laboratoriais, sistemas legados e registos em papel. Nada disto se integra de forma imediata num pipeline moderno de ML. Na maioria das organizações, a integração de dados revela-se mais exigente e onerosa do que a própria criação dos modelos.

A incerteza regulatória constitui outro grande obstáculo. O novo quadro de orientações da FDA representa um avanço importante, mas a validação de evidências geradas por IA em candidaturas de novos fármacos continua a evoluir. Se está a implementar IA no seu programa de descoberta, o momento para definir a apresentação dessas evidências às entidades reguladoras é agora — e não quando o pedido de IND já estiver sob avaliação.

O desvio de modelos (model drift) é outro fator frequentemente subestimado pelas equipas de contratação. Um modelo de geração molecular treinado com dados de 2022 não é uma ferramenta estática — o seu desempenho degrada-se à medida que surgem novas descobertas biológicas, se acumulam dados de insucesso e o panorama dos alvos evolui. O compromisso com o retreino e a governação contínua é indispensável e acarreta custos.

O que deve realmente avaliar ao escolher um parceiro de IA

O diálogo com os fornecedores foca-se frequentemente no potencial da plataforma. Contudo, as questões decisivas prendem-se com o impacto prático da sua utilização no dia a dia:

• O modelo consegue explicar o seu raciocínio? A interpretabilidade é imprescindível para submissões regulatórias. Exija exemplos comprovados de explicabilidade em contexto clínico ou regulatório, e não apenas uma abordagem teórica genérica.
• Com que dados foi treinado? O recurso a bases de dados públicas por oposição a dados clínicos proprietários traduz-se em perfis de desempenho substancialmente diferentes. Compreenda a proveniência dos dados de treino e eventuais lacunas ou enviesamentos antes de integrar a solução no seu fluxo de trabalho.
• Qual é o histórico de conformidade regulatória? A plataforma já foi utilizada num programa que tenha alcançado a submissão de IND ou fases posteriores? A validação académica difere substancialmente da experiência prática em ambiente regulatório.
• Como se articula com os seus sistemas existentes? Substituir o seu LIMS ou ELN implica um projeto totalmente diferente. Avalie se a plataforma se integra com as soluções existentes ou se exige a substituição de infraestruturas.
• Como se processa a manutenção do modelo aos 18 meses? Exija detalhes sobre a regularidade do retreino, a monitorização de desempenho e a responsabilidade pela governação do modelo após a sua integração nos seus processos.
• A quem pertence a propriedade intelectual dos resultados? A titularidade de direitos sobre moléculas candidatas desenhadas por IA é uma questão jurídica em afirmação — em paralelo com os debates sobre propriedade de dados e gestão de chaves no setor cripto. Garanta cláusulas contratuais claras antes de iniciar a primeira iteração de descoberta.

As cinco etapas do desenvolvimento de fármacos

Compreender o papel da IA exige conhecer o percurso onde ela se insere. O desenvolvimento de fármacos tradicional passa por cinco etapas distintas, funcionando cada uma como um filtro com taxas de insucesso elevadas e prazos alargados.

• Seleção de alvos. Os investigadores identificam a via biológica ou a proteína da qual a doença depende — analisando dados genómicos e proteómicos para identificar alvos farmacologicamente viáveis e clinicamente relevantes.
• Validação de alvos. Antes de iniciar o desenho molecular, é necessário comprovar que o alvo influencia o curso da doença. Apenas os alvos com relevância terapêutica confirmada avançam no processo.
• Descoberta e otimização de moléculas-líder. Milhares ou milhões de compostos são testados contra o alvo validado. Os compostos promissores são aperfeiçoados ao nível da potência, seletividade e segurança antes da progressão.
• Ensaios pré-clínicos. Os candidatos promissores são avaliados em ambiente laboratorial e em modelos animais para aferir segurança, toxicidade e comportamento biológico antes de qualquer ensaio em humanos.
• Ensaios clínicos e aprovação regulatória. O composto é testado em humanos ao longo de três fases clínicas, sendo posteriormente submetido à avaliação das agências reguladoras. Trata-se da fase mais longa e onerosa de todo o ciclo de vida.

Porque demora o desenvolvimento de fármacos mais de 10 anos

A extensão dos prazos não resulta apenas de constrangimentos burocráticos. Cada ano de espera traduz a dificuldade inerente em prever que compostos demonstrarão eficácia em humanos. De acordo com a análise da Scilife sobre prazos no desenvolvimento de fármacos, o ciclo médio da descoberta à aprovação varia entre 10 e 15 anos e ultrapassa os 2,5 mil milhões de dólares.

As taxas de abandono são expressivas. Cerca de dez mil compostos iniciam os ensaios. Apenas 10 a 20 chegam à fase de desenvolvimento e um número reduzido atinge os ensaios clínicos. Desses, 90% falham no desenvolvimento clínico — sobretudo devido à falta de eficácia (40–50%), toxicidade (30%) ou propriedades farmacocinéticas desfavoráveis. Quase 80% dos ensaios não cumprem os prazos previstos de recrutamento. Todo o percurso é um funil estreito com um índice de aprovação muito reduzido.

No momento da aprovação, a maior parte do período de proteção da patente já decorreu. Recuperar uma década de investimento na janela de exclusividade remanescente não constitui apenas uma exigência financeira — orienta todas as decisões comerciais da empresa a partir desse ponto.

Técnicas de IA na descoberta de fármacos

Um estudo da Springer Nature sobre técnicas de IA na investigação farmacêutica sistematiza os métodos específicos implementados ao longo do pipeline — cuja amplitude supera a perceção da maioria dos decisores.

Os algoritmos de machine learning asseguram a identificação da interação fármaco–alvo e o rastreio virtual, selecionando moléculas candidatas pelo comportamento previsto antes de qualquer síntese laboratorial. O deep learning — em particular as redes neuronais convolucionais — suporta a conceção de fármacos de novo e a previsão de interações entre proteínas. O processamento de linguagem natural explora literatura científica e bases de dados clínicas a uma escala inalcançável para equipas humanas, identificando correlações entre mecanismos patológicos e compostos conhecidos.

A aprendizagem por reforço segue uma abordagem distinta — otimiza estruturas moleculares através de simulações de tentativa e erro, aumentando gradualmente a eficácia e reduzindo a toxicidade. As redes neuronais baseadas em grafos modelam ligações e interações atómicas com um rigor inacessível aos métodos anteriores. Por sua vez, a IA generativa — a mesma tipologia associada aos modelos de linguagem de grande escala amplamente conhecidos — permite criar moléculas inteiramente novas de raiz, ultrapassando os limites das bibliotecas químicas existentes.

Aplicações da IA no desenvolvimento de fármacos

As aplicações reais da IA no desenvolvimento de fármacos abrangem atualmente todas as fases do pipeline, indo muito além do mediático desenho molecular.

• Identificação de alvos. A IA analisa extensas bases de dados genómicas, proteómicas e de literatura biomédica para revelar alvos terapêuticos que a investigação humana poderia demorar anos a identificar. Os modelos de deep learning detetam padrões em dados multiómicos demasiado complexos para análise manual.
• Desenho e rastreio de moléculas. A IA generativa concebe novas moléculas candidatas de raiz, enquanto modelos de ML avaliam milhões de compostos computacionalmente antes da síntese em laboratório. Este processo reduz a semanas de computação o trabalho que tradicionalmente exigia anos de bancada.
• Simulação pré-clínica. A IA antecipa o comportamento dos fármacos candidatos no organismo — absorção, distribuição, metabolismo, excreção e toxicidade — antes do início dos ensaios em animais. Uma revisão de aplicações de IA da Springer Nature confirma que esta abordagem já está a reduzir a necessidade de estudos preliminares com animais em determinados programas.
• Reposicionamento de fármacos. A IA avalia medicamentos aprovados contra novos alvos de doenças, identificando oportunidades de reaproveitamento com muito maior rapidez do que a investigação convencional. A identificação do baricitinib pela BenevolentAI como tratamento para a COVID-19 em 2020 é o caso mais amplamente documentado.
• Otimização de ensaios clínicos. A IA seleciona e cruza perfis de doentes para ensaios recorrendo a registos clínicos reais, bases de dados genéticas e plataformas de saúde — diminuindo atrasos no recrutamento. Um agente de IA para a saúde pode também automatizar a gestão de consentimentos e a comunicação com os doentes ao longo do ensaio.
• Controlo de qualidade no fabrico. A IA monitoriza os processos produtivos em permanência, alertando para desvios antes que resultem em perdas de lotes. A manutenção preditiva, a otimização de rendimento e a deteção de contaminações são casos de uso consolidados na produção farmacêutica — à semelhança do papel da blockchain na indústria transformadora para reforçar a rastreabilidade e a garantia de qualidade.

Vantagens da IA no desenvolvimento de fármacos

Os argumentos a favor da integração da IA vão muito além da rapidez. A análise da Scilife sobre as vantagens da IA no desenvolvimento de fármacos identifica um conjunto alargado de benefícios com impacto cumulativo ao longo de todo o pipeline.

• Redução de prazos. A IA reduz o período entre a descoberta e o candidato pré-clínico de quatro a cinco anos para 13 a 18 meses em casos comprovados. O programa de 18 meses da Insilico Medicine é um caso paradigmático, observando-se reduções semelhantes no setor sempre que a IA é incorporada logo na fase de seleção do alvo.
• Custos inferiores. A McKinsey prevê uma diminuição de 20–40% nos custos globais de I&D em programas potenciados por IA. A poupança decorre de dois fatores: prazos mais curtos reduzem os custos operacionais e a deteção precoce de falhas permite descartar candidatos inviáveis antes das fases mais dispendiosas.
• Maior precisão. Os modelos de IA superam os métodos tradicionais na previsão de toxicidade, na modelação de interações fármaco–alvo e na estratificação de doentes. Menos falsos positivos a avançar no pipeline traduzem-se em menos insucessos na Fase II por motivos técnicos.
• Menor recurso a ensaios em animais. A simulação computacional do comportamento de fármacos em sistemas biológicos já está a diminuir o volume de estudos pré-clínicos com animais exigidos em determinados programas — reduzindo custos e respondendo à crescente exigência ética e regulatória para a diminuição do uso de animais.
• Melhor desenho de ensaios clínicos. O recrutamento suportado por IA e a otimização de protocolos aumentam a rapidez de admissão, a qualidade da amostra e a probabilidade de sucesso estatístico — respondendo às três causas mais frequentes de falha na execução de ensaios clínicos.

O impacto económico da IA na descoberta de fármacos

O cenário financeiro revela-se mais complexo do que o mediatismo dos acordos sugere. A análise de 2025 da Drug Target Review sobre a economia da descoberta de fármacos com IA demonstra claramente este ponto: o valor global dos acordos de parcerias de IA superou os 15 mil milhões de dólares em valores anunciados, mas os pagamentos iniciais efetivos representaram em média apenas 2% desse montante total.

Os montantes totais estão dependentes de múltiplos candidatos a fármacos atingirem metas clínicas e comerciais. A relação de 50:1 entre o valor anunciado do negócio e o pagamento inicial reflete a cautela da indústria — uma dinâmica que espelha padrões mais amplos das fintechs, conforme analisado no nosso artigo sobre blockchain nos pagamentos — onde o entusiasmo supera consistentemente a infraestrutura comprovada.

Várias empresas bem financiadas de descoberta de fármacos com IA reduziram 20–30% do seu pessoal em 2025. Outras suspenderam programas clínicos ou encerraram por completo. O mercado mudou — os investidores procuram agora validação clínica, e não sofisticação algorítmica. Obter financiamento apenas com base no potencial da IA já não é um modelo de negócio viável.

Apoio regulatório a iniciativas de IA para descoberta e desenvolvimento de fármacos

As agências reguladoras não estão paradas. As análises ao apoio regulatório indicam que a FDA já se encontra a desenvolver enquadramentos para integrar a IA em ambientes cGMP, e a orientação é claramente no sentido de vias formalizadas de IA, em vez de avaliações pontuais caso a caso.

O avanço mais significativo ocorreu a 6 de janeiro de 2025, quando a FDA publicou diretrizes preliminares sobre a utilização de IA no apoio à tomada de decisões regulatórias para medicamentos e produtos biológicos. O enquadramento estabelece uma avaliação de credibilidade em sete etapas, exige planos de manutenção do ciclo de vida e impõe transparência sobre arquiteturas de modelos e dados de treino.

Em dezembro de 2025, a FDA qualificou a sua primeira ferramenta baseada em IA para utilização em ensaios clínicos de desenvolvimento de fármacos — uma plataforma para avaliação de biópsias hepáticas em ensaios de NASH/MASH. Trata-se de uma ferramenta de avaliação de qualidade, não de conceção de fármacos. No entanto, constitui a primeira aceitação regulatória formal da IA no processo de desenvolvimento, o que é relevante.

Importa salientar: a orientação exclui deliberadamente a IA na fase inicial de descoberta. Concentra-se unicamente nas aplicações que influenciam decisões regulatórias. Esta distinção molda a forma como as empresas estruturam o seu investimento em IA — ferramentas de fase inicial enfrentam um escrutínio diferente de tudo o que integra uma submissão.

O teste da realidade clínica

A avaliação mais realista sobre o ponto de situação atual provém de relatórios do setor, que descrevem o ano como uma transição da promessa para a comprovação.

O resultado principal: um fármaco totalmente concebido por IA concluiu os ensaios de Fase IIa. Os resultados foram publicados na Nature Medicine em junho de 2025. A transição do alvo para os candidatos pré-clínicos demorou 18 meses — em comparação com os habituais três a quatro anos. O ensaio revelou melhorias dependentes da dose em doentes com FPI. Trata-se de um verdadeiro marco clínico.

Contudo, o ensaio incluiu apenas 71 doentes e o sinal de eficácia necessita de validação em coortes mais amplas. Múltiplos outros fármacos desenhados por IA foram despriorizados, suspensos após a Fase II ou não revelaram sinal de eficácia. A IA não melhorou comprovadamente a taxa de insucesso clínico de ~90% da indústria farmacêutica. A questão fulcral para os próximos dois a três anos não é se a IA consegue comprimir os prazos pré-clínicos — isso está demonstrado —, mas sim se consegue aumentar as taxas de sucesso clínico.

Desafios de infraestrutura e integração

Os desafios organizacionais associados à implementação de IA à escala superam frequentemente os técnicos. Análises de infraestrutura revelam um inquérito no qual 68% dos líderes tecnológicos identificam a fraca qualidade e governação de dados como a razão primordial para o insucesso de iniciativas de IA.

Na indústria farmacêutica em particular, o problema dos dados é crítico. Cadernos laboratoriais eletrónicos, sistemas LIMS legados e registos históricos em papel não comunicam de forma integrada. A mesma molécula pode estar representada de modo distinto em três bases de dados internas. As anotações são inconsistentes, a proveniência é difusa e as restrições de privacidade limitam a partilha entre organizações ou a utilização para treinar modelos partilhados.

As principais farmacêuticas responderam em 2025 com investimentos em infraestrutura de GPU e lançamento de plataformas para partilha de modelos de IA com parceiros de biotecnologia. Algumas implementaram cientistas humanoides de IA em laboratórios robóticos. Todavia, integrar operações laboratoriais práticas e computacionais continua a ser um desafio substancial — laboratórios autónomos ainda não demonstraram capacidade para descobrir autonomamente candidatos a fármacos validados.

Desafios e limitações atuais

Uma análise às limitações da IA na descoberta de fármacos identifica um conjunto de problemas persistentes que vão muito além da qualidade dos dados.

A interpretabilidade dos modelos é um problema real, e não apenas teórico. A maioria dos sistemas de IA de elevado desempenho funciona como caixas negras — geram resultados sem explicar o porquê. Isso é admissível na tecnologia de consumo. No desenvolvimento de fármacos, onde a FDA exige agora explicitamente transparência quanto a arquiteturas de modelos e dados de treino, constitui um impedimento.

A capacidade de generalização é mais complexa do que as pontuações de referência aparentam. Um modelo treinado numa classe de doença ou série química específica enfrenta amiúde dificuldades com alvos de estrutura invulgar — que tendem a ser precisamente os de maior potencial terapêutico. O bom desempenho em conjuntos de dados padronizados nem sempre resiste ao confronto com a descoberta prática de fármacos.

E a padronização de dados na indústria continua longe de estar resolvida. Criar conjuntos de dados anotados e de elevada qualidade é dispendioso. As normas de privacidade restringem a partilha. Empresas concorrentes têm poucos incentivos para cooperar em infraestruturas de benefício mútuo. O resultado é um setor onde os melhores modelos dependem diretamente dos dados disponíveis para o seu treino.

Desafios éticos da utilização da IA

A análise da ética da IA na descoberta de fármacos levanta questões que a indústria está apenas a começar a abordar com a devida seriedade.

O enviesamento dos dados de treino é a preocupação mais urgente no presente. Os conjuntos de dados clínicos sub-representam sistematicamente mulheres, doentes idosos, grupos étnicos não caucasianos e populações com doenças raras. Quando estes grupos estão ausentes dos dados de treino, os modelos apresentam menor eficácia para os mesmos — e na descoberta de fármacos, um pior desempenho pode traduzir-se num medicamento menos eficaz ou com perfil de segurança divergente exatamente para quem mais dele necessitava.

A titularidade da propriedade intelectual de candidatos gerados por IA permanece por resolver a nível jurídico. Quem detém a molécula — a empresa que concebeu o modelo, quem o executou ou nenhuma das partes? Tribunais de várias jurisdições analisam questões congéneres. Ainda não existem precedentes específicos para a descoberta de fármacos. É crucial clarificar estes aspetos contratualmente antes do primeiro ciclo de descoberta, e não à posteriori.

A responsabilidade é a terceira questão. Se um modelo de IA recomendar um candidato que provoque reações adversas graves num ensaio de Fase III, de quem é a responsabilidade? A cadeia de responsabilização é mais ambígua do que num programa convencional. É incomparavelmente mais simples definir estruturas de governação preventivamente do que tentar fazê-lo após a ocorrência de problemas.

Direções futuras e tendências emergentes

Olhando em frente, a análise das tendências emergentes de IA na descoberta de fármacos aponta para vários desenvolvimentos que redefinirão o setor nos próximos cinco anos.

A convergência entre IA e biologia está a avançar mais depressa do que a maioria dos planos previa. A previsão da estrutura de proteínas já se expandiu além das proteínas — alcançando ADN, ARN, anticorpos e interações moleculares. A próxima geração de modelos terá capacidade de raciocinar sobre sistemas biológicos completos, e não apenas componentes isolados. Trata-se de uma capacidade qualitativamente superior.

A IA multimodal está a transitar dos artigos científicos para os pipelines práticos. Estes sistemas integram dados genómicos, imagiológicos, clínicos e de contexto real em simultâneo. Conseguir correlacionar o perfil genético de um doente com exames de imagem e o seu historial terapêutico transcende o interesse analítico — altera profundamente a estratificação de doentes em ensaios clínicos.

A aprendizagem federada constitui uma das abordagens mais práticas para o problema dos dados. Os modelos são treinados através de conjuntos de dados distribuídos sem que a informação saia de cada instituição — contornando a maioria dos obstáculos de privacidade e concorrência. Diversos consórcios farmacêuticos estão já a testar este modelo para a investigação de doenças raras, onde nenhuma empresa dispõe isoladamente de dados suficientes para gerar modelos robustos.

Os laboratórios robóticos autónomos completam o ecossistema. Laboratórios autónomos que fecham o ciclo desenhar–produzir–testar–aprender sem intervenção humana ainda não operam em pleno — não descobriram autonomamente um candidato a fármaco validado. Contudo, a distância face ao patamar pretendido está a diminuir muito mais depressa do que a generalidade do setor previa há dois anos.

Conclusão

Todas as grandes farmacêuticas dispõem hoje de uma estratégia de IA. O elemento diferenciador entre as que obtêm resultados e as que continuam em fases piloto resume-se habitualmente a isto: deixaram de encarar a IA como um mero projeto de IT e passaram a implementar uma infraestrutura sólida de IA empresarial como decisão estratégica de pipeline.

As empresas com resultados práticos integraram a IA logo na seleção de alvos — antes de qualquer investimento laboratorial ou síntese química. É aí que reside a verdadeira vantagem. Um alvo inadequado investigado durante três anos custa dezenas de milhões e tempo irrecuperável. Um alvo incorreto detetado computacionalmente no segundo mês tem um custo residual.

A janela de oportunidade para os pioneiros permanece aberta, mas por pouco tempo. As plataformas validadas hoje serão a norma dentro de cinco anos — pelo que as organizações que consolidarem esta capacidade agora não terão de a desenvolver sob pressão mais tarde. A questão não é se a IA pertence ao seu processo de desenvolvimento. É se o está a fazer ao seu próprio ritmo ou apenas a reagir aos demais concorrentes.