Foundries vs Navigators: cómo la IA abarata la biotecnología

Foundries y Navigators: dos formas de usar IA en biotech

Desarrollar un fármaco solía ser una apuesta de una década y alrededor de mil millones de dólares por programa, con cerca del 90% de los candidatos cayendo antes de llegar a aprobación, según un análisis de 24/7 Wall St publicado en junio de 2026. Esa cifra, repetida durante años, es la que justifica el surgimiento de una nueva camada de startups biotech que prometen comprimir el calendario usando modelos de IA.

En un artículo invitado en Latent Space del 24 de septiembre de 2026, Adrian Sanborn, CEO y cofundador de Endura Therapeutics, propone una taxonomía útil para entender qué está pasando realmente en "AI x Science". La industria biotech, dice, se está adaptando a la IA en dos direcciones distintas: las foundries y los navigators.

No es una distinción de marketing. Define qué tipo de empresa puede construir cada fundador, cuánto capital necesita y cuánto tarda en producir resultados.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

¿Qué es un foundry en biotech?

Una foundry industrializa la medición. Su propuesta es generar datos experimentales "un orden de magnitud más rápido" que antes, apoyándose en nueva instrumentación: secuenciación de nueva generación y multiplexación en el caso de Xaira, NewLimit, Octant, Tahoe y la propia Endura; microscopía de alta capacidad en Insitro, Eikon y Noetik; automatización física en Lila Sciences y Periodic Labs, según enumera Sanborn.

La IA hace que esos datos sean legibles y predictivos, pero el activo diferenciador no es el modelo, sino la cantidad de datos experimentales propios que la empresa puede producir. Construir un foundry implica un compromiso estratégico serio: capital elevado, años de desarrollo y una apuesta a una tecnología concreta.

El mercado que respalda este movimiento es enorme. El reporte "AI in Drug Discovery - Global Strategic Business Report" de Research and Markets, difundido en septiembre de 2026 vía Yahoo Finance, estima el mercado global en US$2.400 millones en 2025 y proyecta US$14.300 millones para 2032, con una tasa de crecimiento anual compuesta del 28,8%. Solo el segmento de software, según el mismo reporte, alcanzaría US$9.500 millones en 2032.

A esa escala, los foundries dejan de ser un experimento: son la nueva capa de infraestructura del sector.

¿Qué es un navigator y por qué pasa más desapercibido?

Un navigator, en la taxonomía de Sanborn, no genera nuevos datos: gasta el excedente de capacidad de razonamiento que la IA ha liberado. Los modelos se sientan en la maquinaria ordinaria de la empresa —análisis de datos, priorización de programas, gestión de operaciones— y cambian cómo se decide qué vale la pena experimentar.

La diferencia clave es que no se necesita un modelo propio ni un dataset masivo para navegar. Basta con evolucionar la forma en que la compañía trabaja. Por eso, dice Sanborn, los navigators son invisibles: nadie emite un comunicado de prensa sobre un camino que decidió no tomar.

Los foundries son fáciles de ver: la tecnología captura la imaginación, la conexión con la IA es inmediata y siempre hay un modelo o dataset nuevo que anunciar. Los navigators, en cambio, ganan terreno de forma silenciosa en toda la industria.

Cómo se ve un navigator por dentro (el caso Endura)

Endura Therapeutics está desarrollando lo que describe como "CRISPR en una pastilla": un fármaco oral, tomado en casa, que forma una cicatriz química sobre un mensaje genético específico y apaga la producción de una proteína causante de una enfermedad. Para encontrar esos fármacos, la empresa desarrolló un nuevo método de secuenciación de ADN que lee esas cicatrices en todos los genes a la vez, de modo que un solo experimento devuelve candidatos a fármacos contra cientos de enfermedades.

Esa capacidad rompió el problema clásico de la biotech: tener que elegir de antemano en qué cinco enfermedades trabajar. Endura se vio obligada a hacer triage sobre todo el mapa de enfermedades. La solución fue desplegar una flota de agentes de investigación basados en LLM en dos pasadas:

Primera pasada: cubrió alrededor de 500 dianas de enfermedad, generando el equivalente a un informe de tres páginas por cada una, con preguntas fundacionales (prevalencia, soluciones existentes, relevancia del mecanismo).
Segunda pasada: sobre las aproximadamente 100 dianas restantes, produjo el equivalente a 30 páginas por enfermedad, analizando biología y panorama competitivo.

El punto crítico del diseño: los prompts de la segunda pasada estaban escritos para comportarse como un experto escéptico, no como un resumidor —nombrar los programas que fallaron, por qué fallaron y qué tendría que ser cierto para que Endura tuviera éxito donde otros no lo tuvieron.

Al ritmo anterior, la primera etapa habría requerido alrededor de un año-persona de lectura, y la segunda casi un siglo de tiempo experto, según Sanborn. La segunda pasada aún se contrasta con fuentes primarias y los programas seleccionados reciben la diligencia humana completa de siempre. Pero una búsqueda así de amplia, a esa profundidad, simplemente no era posible hace un año.

El fenómeno general es lo que Sanborn llama la paradoja de Jevons aplicada al software: cada caída en el coste de escribir código ha ido seguida, hasta ahora, de más software, no de menos ingenieros.

Por qué los founders deberían mirar primero al navigator

El patrón navigator es especialmente potente en startups en etapa temprana, que no cargan con contratos de software legacy, procesos estandarizados, estructuras organizacionales calcificadas ni regímenes de cumplimiento. Cuando aparece una forma mejor de trabajar, se convierte en la nueva línea base.

Tres efectos operativos que Sanborn documenta desde Endura:

El código ahora sigue el ritmo de la ciencia: el protocolo de un nuevo experimento puede evolucionar una docena de veces en su primer año. Antes, cada cambio disparaba un proyecto de re-análisis. Ahora, adaptar el pipeline es trabajo de una tarde.
El software ahora expresa la opinión del equipo: un portal de datos interno se construye en un día y se diseña exactamente para las particularidades de los datos del laboratorio, en lugar de aceptar el mínimo común denominador del software comercial.
La profundidad experta ahora escala: elegir qué enfermedad perseguir es la decisión más importante de una farmacéutica, y normalmente se delibera durante un mes entre expertos. Endura convirtió ese proceso de un año-persona a horas, manteniendo la verificación humana en los programas finales.

La métrica que más importa, dice Sanborn, es que "ser rechazado a tiempo es enormemente valioso en investigación". Los errores caros en research son los que nadie sabe que existen hasta que el experimento vuelve negativo semanas después.

¿Qué significa esto para tu startup?

La taxonomía foundry/navigator no se queda en biotech. Funciona como espejo para cualquier founder que esté incorporando IA a su operación:

Primero, gasta el excedente de razonamiento antes de construir infraestructura nueva. Antes de invertir en generar datos propios o entrenar un modelo, revisa qué decisiones de tu negocio están esperando horas-persona que un LLM ya podría devolver. El caso Endura demuestra que triplicar la velocidad de decisión no requirió tecnología nueva, solo procesos rediseñados.
Diseña prompts que argumenten en contra. El salto de calidad de Endura vino de escribir la segunda pasada de triage para que el modelo "se comportara como un experto escéptico": enumerar programas fallidos, explicar por qué fallaron y exigir condiciones para tener éxito. Un agente de IA que solo resume es un secretario caro; uno que contraargumenta es un asesor.
Construye tus propias herramientas internas aunque la regla diga "no construyas lo que puedas comprar". El portal de datos de Endura tardó un día en implementarse y semanas en diseñarse, y el diseño (qué comparaciones caben en una pantalla) terminó siendo más valioso que la ingeniería. En software, la pregunta ya no es construir vs. comprar, sino si tus herramientas moldean cómo piensas.

La apuesta de fondo, según Sanborn, es que la IA más aceleradora en ciencia hoy no es un modelo entrenado con datos científicos. Es la que ayuda a un científico o a un directivo a decidir cada lunes qué vale la pena hacer. Esa es una conclusión que cualquier founder puede llevarse a su lunes por la mañana.