¿Puede la inteligencia artificial crear el próximo gran fármaco?
La respuesta corta es que, pese a las promesas deslumbrantes, la IA todavía no ha demostrado que pueda revolucionar la fabricación de medicamentos. Los datos son contundentes: más de 40.000 millones de dólares inversiones y muy pocos fármacos que sobrevivan a la fase 2 de los ensayos clínicos.
¿Por qué invertir tanto dinero y obtener tan pocos resultados?
Porque convertir predicciones algorítmicas en tratamientos eficaces sigue siendo extraordinariamente difícil. Una molécula prometedora en un laboratorio no necesariamente funciona en el organismo humano, y la propia tecnología tiene limitaciones que el mercado aún no ha sabido absorber.
¿Es solo un problema de datos o algo más profundo?
Es algo más profundo. La complejidad de la biología humana, las diferencias entre pacientes y la calidad irregular de los datos dificultan que las predicciones informáticas se conviertan en resultados médicos reales. Tecnología hay de sobra; lo que falta es un ecosistema que la sostenga.
La IA revoluciona todo menos la fabricación de fármacos: el abismo entre promesa y realidad clínica
Si hay un sector donde la inteligencia artificial ha prometido reinventar el futuro y aún no cumple, ese es el de la fabricación de fármacos. Un estudio revisado por pares y publicado en la revista científica Nature Reviews Drug Discovery advierte con crudeza de que el impacto clínico de esta tecnología continúa siendo «decepcionantemente limitado». Yo mismo, siguiendo este sector durante años, he visto cómo algoritmos que parecían mágicos en una presentación de PowerPoint se desmoronaban al primer ensayo clínico real. Los inversionistas están entusiasmados, pero la realidad clínica no acaba de seguir el ritmo.
Según datos de PitchBook recogidos en el análisis, las empresas biofarmacéuticas que utilizan inteligencia artificial han captado más de 40.000 millones de dólares de capital riesgo durante esta década. Es una cifra que invita a pensar que estamos ante una revolución inminente. Sin embargo, pese a semejante inversión, son pocos los medicamentos desarrollados con ayuda de esta tecnología que han conseguido superar la fase 2 de los ensayos clínicos. Yo lo comparo con quien compra el mejor motor del mundo y luego descubre que el chasis no aguanta la velocidad: la potencia está ahí, pero la resistencia no.
El problema de la fase 2: donde la IA tropieza con la realidad biológica
El desarrollo de un medicamento atraviesa diferentes etapas antes de llegar al mercado. Tras los estudios preclínicos, la fase 1 examina principalmente la seguridad y las dosis, mientras que la fase 2 busca obtener pruebas iniciales de eficacia en pacientes. Es aquí donde la mayoría de los candidatos impulsados por IA tropiezan. La IA puede acelerar la búsqueda de moléculas, pero no elimina la necesidad de demostrar que son seguras y eficaces. Y cuando un algoritmo señala una molécula prometedora, el salto de laboratorio a persona está lleno de incertidumbres. La complejidad de la biología humana, las diferencias entre pacientes y la calidad irregular de los datos dificultan que las predicciones informáticas se conviertan en resultados médicos consistentes.
El periodista especializado en biotecnología Derek Lowe, al comentar este estudio, reconoce las dificultades que tiene para organizar estos conjuntos de datos y determinar hasta qué punto pueden utilizarse como material fiable para el aprendizaje automático. Yo he conversado con profesionales del sector que coinciden en que los datasets biológicos están fragmentados, desactualizados o sesgados, y eso hace que los modelos de IA aprendan de patrones incompletos. Si alimentas a un algoritmo con datos defectuosos, la predicción será imperfecta sin importar cuán sofisticado sea el modelo.
¿Más datos, más regulación o más tecnología? El debate que no se cierra
Los modelos necesitan información biológica abundante, consistente y representativa para mejorar sus predicciones, y ahí es donde los expertos comienzan a disentir del optimismo tecnológico. Robert Nelsen, socio de Arch Venture, considera imprescindible disponer de más datos celulares y poblacionales. También reclama avances regulatorios y apunta a que futuras capacidades informáticas podrían contribuir a transformar el sector. En mi experiencia siguiendo estas reuniones, lo que Nelsen plantea es el dilema clásico: la tecnología avanza más rápido de lo que permiten los marcos regulatorios, y la fabricación de fármacos es precisamente uno de los campos más regulados que existen.
Bijan Salehizadeh, de NaviMed Capital, identifica otro obstáculo que yo considero crucial: los elevados costes de las fases 2 y 3. A su juicio, existe el riesgo de que las aplicaciones de inteligencia artificial se concentren en tareas relativamente sencillas, como la bioestadística, la gestión de datos o la redacción de documentación para las autoridades sanitarias. Mientras tanto, seguirían pendientes problemas mucho más costosos, como organizar ensayos internacionales, coordinar cientos de centros, reclutar pacientes y supervisar los resultados. Yo comparto esa lectura: la IA puede hacer que el trabajo de oficina sea más eficiente, pero no puede reducir unilateralmente la complejidad logística de un ensayo clínico multilateral.
Lo que la IA sí puede hacer hoy: aplicaciones prometedoras que ya existen
El estudio no implica que esta tecnología carezca de utilidad médica. Una de las aplicaciones destacadas aparece en la investigación oncológica de Moderna y Merck. Su ensayo de fase 3 utiliza inteligencia artificial para seleccionar dianas tumorales y personalizar un tratamiento combinado con Keytruda, un medicamento ya existente. Se trata de una aplicación centrada en adaptar las decisiones terapéuticas a cada paciente, más que en fabricar masivamente medicamentos completamente nuevos. Yo considero que este enfoque pragmático es donde la IA tiene su futuro más inmediato: no tanto inventando moléculas de la nada como refinando estrategias terapéuticas basadas en evidencia real.
Tabla comparativa: Lo que la IA promete vs. lo que la fabricación de fármacos exige
| Dimensión | Lo que la IA promete | Lo que la fabricación de fármacos exige |
|---|---|---|
| Identificación de compuestos | Predicciones aceleradas en días | Validación en modelos biológicos y ensayos clínicos de años |
| Fase 2 de ensayos | Atajos en el descubrimiento | Pruebas de eficacia real en pacientes, sin atajos posibles |
| Costes operativos | Reducción de tareas administrativas y de bioestadística | Coordinación internacional, reclutamiento y supervisión costosa |
| Calidad de datos | Necesita datos limpios y representativos | Datos biológicos fragmentados, sesgados o desactualizados |
| Personalización terapéutica | Adaptación de tratamientos a cada paciente (Moderna/Merck) | Requiere ensayos de fase 3 robustos para validar personalización |
Dónde está el verdadero problema: la brecha entre predicción y prueba
Los investigadores recuerdan que numerosos defensores de la inteligencia artificial habían anunciado reducciones importantes en los plazos de desarrollo. Por ahora, esas expectativas no se han traducido en una transformación generalizada de los resultados clínicos. Yo lo veo como una lección de humildad para toda la industria tecnológica: acelerar la identificación de candidatos es valioso, pero el 90% del trabajo pesado —demostrar que funcionan en humanos— sigue siendo análogo. Los modelos de IA pueden reducir el tiempo de búsqueda, pero no pueden comprimir la biología ni acelerar la maduración de un ensayo clínico.
El factor humano que ninguna IA puede sustituir
Los ensayos clínicos no son solo ejercicios de datos; son ejercicios de empatidad, coordinación y gestión del riesgo sobre personas reales. Coordinar cientos de centros hospitalarios, reclutar pacientes de diferentes perfiles genéticos y geográficos, supervisar reacciones adversas y mantener el cumplimiento normativo son tareas que ninguna inteligencia artificial puede automatizar por completo. Los expertos como Bijan Salehizadeh advierten que el peligro es que la industria se conforme con automatizar las tareas administrativas mientras ignora los problemas estructurales más profundos de la fabricación de fármacos.
El camino forward: ¿qué se necesita para que la IA sí revolucione la industria?
Las aplicaciones prometedoras de inteligencia artificial ya existen, pero necesitan un marco más amplio para escalar. Robert Nelsen habla de necesitar más datos celulares y poblacionales, y yo añadiría que también necesitamos una cultura de transparencia en los datos. Si las empresas biofarmacéuticas no comparten sus datasets de forma abierta y estandarizada, los algoritmos seguirán trabajando en la oscuridad. La interoperabilidad de datos no es un lujo técnico; es una necesidad fundamental para que la IA pase de ser una herramienta de optimización a ser una verdadera revolución en la fabricación de fármacos.
Además, los avances regulatorios que Nelsen menciona son indispensables. Las agencias como la FDA o la EMA necesitan marcos adaptativos que permitan evaluar medicamentos diseñados con IA sin exigir los mismos protocolos que con fármacos tradicionales. No se trata de reducir el rigor, sino de modernizar la evaluación. La propia tecnología puede ayudar a generar el tipo de evidencia que los reguladores necesitan, pero eso requiere colaboración entre los sectores público y privado que actualmente no existe a la escala necesaria.
Oncología: el campo donde la IA ya ha encontrado terreno fértil
La colaboración entre Moderna y Merck demuestra que hay caminos viables. Utilizar inteligencia artificial para seleccionar dianas tumorales y personalizar un tratamiento combinado con Keytruda no es fabricar un fármaco nuevo desde cero, pero es un paso enorme en personalización terapéutica. En mi análisis, este enfoque híbrido —IA para el diseño de estrategia, ciencia tradicional para la validación— es el modelo más realista a corto plazo. La fabricación de fármacos no necesita ser reinventada desde cero; necesita que las herramientas nuevas se integren con respeto a los procesos que el tiempo ha validado.
FAQ: Las preguntas que todo el mundo se hace sobre la IA en farmacología
¿Puede la IA fabricar un medicamento completamente nuevo sin intervención humana?
No todavía. La IA puede proponer candidatos moleculares con mayor velocidad, pero la transformación de una predicción algorítmica en un tratamiento seguro y eficaz requiere años de ensayos clínicos, validación biológica y supervisión regulatoria. Cada etapa necesita la intervención de científicos, clínicos y reguladores humanos.
¿Por qué la fase 2 sigue siendo el gran obstáculo para los fármacos de IA?
Porque la fase 2 exige demostrar eficacia real en pacientes, no solo predicciones teóricas. La complejidad de la biología humana, las diferencias individuales y la calidad irregular de los datos hacen que los modelos que funcionan en laboratorio rindan de manera imprevisible cuando se aplican a personas reales.
¿Es solo un problema económico el que impide que la IA transforme la farmacología?
No. Aunque los costes elevados de las fases 2 y 3 son un factor importante, el problema es multidimensional: la calidad y disponibilidad de datos, las limitaciones regulatorias, la fragmentación de la investigación y la propia complejidad biológica crean un ecosistema donde el dinero solo no resuelve el desafío.
¿Qué papel juegan los datos en el fracaso o éxito de la IA farmacéutica?
Los datos son el combustible de cualquier modelo de IA. Sin conjuntos de datos biológicos abundantes, consistentes y representativos, los algoritmos no pueden generar predicciones fiables. Expertos como Derek Lowe señalan que la organización de estos datos y su utilización como material de aprendizaje automático sigue siendo uno de los mayores retos pendientes.
¿La inteligencia artificial solo sirve para tareas administrativas en la industria farmacéutica?
No exclusivamente, aunque existe el riesgo de que se concentre en esas tareas. Casos como el de Moderna y Merck demuestran que la IA puede aplicarse a decisiones terapéuticas complejas, como la personalización de tratamientos contra el cáncer. Sin embargo, estas aplicaciones avanzadas siguen siendo la excepción, no la regla.
¿Cuándo veremos el primer gran fármaco diseñado íntegramente por IA?
No hay una fecha fija. Los expertos coinciden en que se necesitan avances en datos, regulatorios y capacidad computacional antes de que un fármaco diseñado completamente por IA pueda alcanzar el mercado. Mientras tanto, los enfoques híbridos —donde la IA asista al proceso en lugar de sustituirlo— son la ruta más realista y cercana.
¿Es la IA una moda pasajera en la fabricación de fármacos?
Lejos de ser una moda, es una herramienta en construcción. Las lecciones de los últimos años muestran que el optimismo desmedido debe ceder paso a la integración prudente. La IA no revolucionará la fabricación de fármacos mañana, pero tampoco desaparecerá; el reto es usarla con honestidad sobre sus límites actuales.
¿Puede la IA reducir el tiempo total de desarrollo de un medicamento?
Puede comprimir las primeras etapas, pero las fases 2 y 3 seguirán exigiendo sus tiempos biológicos y regulatorios. La eficiencia inicial que aporta la IA no se traduce automáticamente en atajos en la validación clínica, que es donde reside la mayor parte del coste y el riesgo del proceso.
Más análisis financiero:
