IA ya cubre toda la cadena farmacéutica: US$5.090M en 2026

IA en la industria farmacéutica: de las dianas terapéuticas a la farmacia

El mercado de IA aplicada al descubrimiento de fármacos pasará de US$5.090 millones en 2026 a US$17.560 millones en 2031, con una tasa de crecimiento anual compuesta del 28,1%, según la proyección de MarketsandMarkets difundida por Yahoo Finance. Para un founder que construye en este espacio, la cifra importa menos que el lugar donde ocurre la adopción: ya no se concentra en la investigación temprana, sino que se reparte a lo largo de toda la cadena de valor del medicamento.

Eso es justamente lo que documenta una revisión publicada en Recent Advances in Drug Delivery and Formulation, firmada por Sukanta Satapathy, Ganesh Patro y Santanu Shaw. El trabajo repasa los usos actuales de la IA en la industria farmacéutica y, sobre todo, las barreras regulatorias y culturales que condicionan su implantación. La tecnología, sostienen los autores, dejó de ser un piloto de laboratorio y entró en procesos críticos.

Los eslabones que la revisión identifica son amplios:

• Investigación y desarrollo: identificación de dianas terapéuticas, detección de compuestos prometedores y optimización de candidatos, además del diseño de formulaciones. La revisión es explícita en un punto que conviene no maquillar: estas herramientas orientan la investigación, pero no eliminan la necesidad de validación experimental.
• Ensayos clínicos: diseño de estudios y modelos predictivos para planificar y anticipar resultados, con la calidad de los datos y la fiabilidad de las predicciones en condiciones reales como límite principal.
• Práctica clínica: diagnóstico, análisis de imágenes médicas, detección temprana de enfermedades, medicina personalizada y farmacovigilancia.
• Farmacia comunitaria y hospitalaria: revisión de planes de tratamiento y detección de interacciones entre medicamentos, siempre como apoyo al profesional sanitario y con supervisión explícita.
• Fabricación, suministro y comercialización: optimización de procesos, gestión de calidad, cadena de suministro, previsión de ventas, análisis de tendencias de mercado y seguimiento del cumplimiento normativo.

Cuánto cuesta desarrollar un fármaco y qué puede recortar la IA

El contexto económico explica por qué esta adopción se acelera. Según el informe de ResearchAndMarkets sobre descubrimiento computacional de fármacos difundido por Yahoo Finance UK, el costo de I+D por fármaco superó los US$2.600 millones en 2024, mientras que las tasas de éxito de los ensayos de Fase II en oncología se mantuvieron cerca del 8%. Costo alto y probabilidad baja: el cóctel que empuja a la industria a buscar candidatos mejores antes, no más.

El mismo informe aporta dos referencias útiles para dimensionar el impacto operativo. Los flujos de descubrimiento virtual pueden reducir el tiempo desde la diana hasta el candidato de aproximadamente seis años a menos de dos, y los centros de investigación por contrato (CRO) exigen cada vez más predicciones de ADME/Tox antes de entrar al laboratorio húmedo, lo que puede recortar la deserción preclínica hasta un tercio y ahorrar entre US$1 y US$3 millones por programa. El acuerdo de Eli Lilly con Insilico Medicine, valorado en US$2.750 millones, es el ejemplo comercial que cita el informe: su compuesto Rentosertib avanzó a Fase IIa en 30 meses.

Hay una señal de financiamiento que interesa especialmente a quien busca capital. El informe señala que el venture funding para Series A de biotecnología tradicional cayó 40% en 2025, y que los inversores miran con más interés modelos asset-light de descubrimiento con IA, que escalan sin infraestructura de laboratorio pesada.

El ecosistema español ya tiene casos concretos. En un reportaje de El Español, Lluís Florido, CIO de Leti Pharma, afirmaba que con IA logran "acelerar hasta cuatro veces el tiempo que se precisa para realizar un estudio clínico" y que, con gemelos digitales y datos sintéticos, es posible reducir el número de pacientes necesarios. Del mismo modo, Jorge Peiró, director sénior de Química del centro de I+D de Lilly en España, describió el acuerdo de la compañía con Nvidia para construir su propio supercomputador y la existencia de "laboratorios agénticos" donde los agentes de IA participan en el diseño de experimentos y se retroalimentan con los resultados.

El cuello de botella ya no es el modelo: son los datos

Un informe de Bernstein citado por Investing.com aporta la perspectiva de la oferta. Según el análisis, la demanda de conjuntos de datos para entrenar IA dejó de ser patrimonio de las biotech respaldadas por venture capital y hoy los grandes grupos farmacéuticos representan la mayor parte del negocio de generación de datos de proveedores especializados. En algunos casos, esa demanda se multiplicó por diez o incluso por cien, aunque la caída del costo por dato podría compensar el mayor volumen.

El mismo informe apunta a instrumentos de laboratorio capaces de producir datos complejos y de alto valor a escala —menciona la plataforma de imagen de alto contenido Opera Phenix de Revvity y las tecnologías de 10x Genomics— y advierte que Illumina podría beneficiarse de mayores volúmenes de secuenciación pese a la presión a la baja sobre los precios. Un dato contraintuitivo: la IA tiende a incrementar el consumo de reactivos de laboratorio en lugar de reducirlo, porque cada molécula diseñada por modelos sigue necesitando validación física. Y el valor de largo plazo, según Bernstein, vendrá de mejorar las tasas de éxito en ensayos clínicos, no de generar más candidatos.

La capacidad técnica ya no es la barrera. El informe de ResearchAndMarkets cita herramientas como DrugCLIP, capaz de cribar diez billones de pares proteína-molécula al día, o IsoDDE de Isomorphic Labs, con una precisión reportada 2,3 veces superior a AlphaFold3 en antígenos de anticuerpos. También menciona que los clusters de GPU H100 acortaron los periodos de entrenamiento de modelos de Genesis Therapeutics de 18 a 6 meses. La pregunta competitiva se trasladó al acceso a datos propietarios y a la validación.

Cómo se gobierna la IA en un sector tan regulado

La EFPIA (Federación Europea de Industrias y Asociaciones Farmacéuticas) publicó en noviembre de 2025 un informe, reseñado por Interempresas, con un diagnóstico claro: no hace falta crear marcos regulatorios completamente nuevos para la IA aplicada al medicamento, sino adaptar los existentes. El sector no opera con sistemas autónomos, y sus resultados influyen en decisiones científicas y operativas con impacto indirecto sobre la seguridad del paciente.

El documento propone un modelo de gobernanza en cinco fases —planificación y diseño, tratamiento de datos, desarrollo y validación de modelos, despliegue operativo y monitorización continua— con algo revelador para quien vende software a farmacéuticas: la distancia del sistema respecto del paciente es el criterio que gradúa las exigencias de control. A mayor alejamiento de la decisión clínica, menor carga regulatoria.

Entre los casos analizados hay tres especialmente replicables: análisis retrospectivo de imágenes histológicas en ensayos clínicos, con validación por patólogos y sin influencia en decisiones terapéuticas; generación de datos sintéticos para estudios con problemas de reclutamiento; y cribado automático de literatura científica en farmacovigilancia, que reduce de forma significativa la carga manual. El informe pide además clarificar el alcance de las exenciones de la normativa europea de IA en actividades de I+D no intervencionista y reforzar la interacción temprana entre industria y reguladores.

¿Qué significa esto para tu startup?

La lectura para un founder es que el dinero no está solo en quien descubre la molécula, sino en quien resuelve los cuellos de botella que la adopción genera. Tres implicancias concretas:

• Empaqueta la gobernanza como producto. La EFPIA describe exactamente lo que un regulador va a auditar: trazabilidad de datos, validación independiente, control de versiones, criterios de aceptación documentados y monitorización de desviaciones. Si tu herramienta entrega eso de fábrica, dejas de competir por precisión de modelo y empiezas a competir por riesgo regulatorio, que es donde las farmacéuticas pagan.
• Elige eslabones con menor riesgo clínico para entrar. Farmacovigilancia, control de calidad, planificación de ensayos, previsión de demanda y logística son aplicaciones donde el sistema está lejos de la decisión sobre el paciente y, por lo tanto, la carga de validación es menor. Es el wedge más rápido para una startup pequeña que quiere un primer contrato con una farmacéutica o un hospital.
• Resuelve la propiedad de los datos antes de firmar. Si tu activo son datasets o pesos de modelo, define por contrato quién es dueño de qué. Los formatos de financiamiento del sector están prestando cada vez más atención a los activos intangibles de las compañías nativas de IA, y en una negociación con una farmacéutica ese punto se define al principio o no se define.

Y una advertencia que conviene tomar literal de la fuente: la revisión publicada en Recent Advances in Drug Delivery and Formulation no demuestra que todas las aplicaciones descritas mejoren los resultados clínicos o la eficiencia industrial. Vender IA en este sector exige resistir la tentación de prometer desenlaces clínicos que ningún estudio propio respalda todavía; el incumplimiento y las barreras culturales dentro de las organizaciones son, según los propios autores, parte de los obstáculos.

Conclusión: el espacio está en los habilitadores, no en el modelo

La IA farmacéutica dejó de ser una categoría emergente y se convirtió en una capa transversal que atraviesa investigación, ensayos, clínica, fabricación y comercialización. Eso abre una ventana concreta para startups hispanohablantes: el mercado proyectado por MarketsandMarkets para descubrimiento de fármacos con IA es grande, pero el gasto real que se está desbloqueando hoy está en datos de entrenamiento, instrumentación, validación y cumplimiento. Son negocios menos glamorosos que un modelo fundacional propio y muchísimo más fáciles de vender a un departamento de calidad.

La ventaja competitiva no será tener el mejor algoritmo, sino tener el sistema que un regulador acepte auditar y un jefe de calidad firme sin fricción.

Fuentes

• La inteligencia artificial gana terreno en toda la cadena de valor de la industria farmacéutica (fuente original)
• AI in Drug Discovery Market Size to Worth USD 17.56 Billion by 2031 - MarketsandMarkets
• Computational Drug Discovery Market Size, Share, Trends and Growth Forecasts 2026-2031 - ResearchAndMarkets
• La inteligencia artificial se extiende por el ciclo del medicamento integrada en marcos de control existentes - Interempresas
• Inteligencia artificial, supercomputación y datos revolucionan la salud y el descubrimiento de fármacos - El Español
• ¿Cómo está cambiando la IA la investigación preclínica en la industria farmacéutica? - Investing.com