IA en ciencia: Nobel 2024, AlphaFold y BASF

De AlphaFold al Nobel 2024: cómo la IA conquistó la ciencia

En 2024, la Real Academia Sueca reconoció formalmente lo que los laboratorios ya venían aplicando: la inteligencia artificial se convirtió en protagonista de la ciencia. John Hopfield y Geoffrey Hinton recibieron el Nobel de Física por proyectos basados en IA; David Baker, Demis Hassabis y John Jumper se llevaron el de Química por AlphaFold, un sistema capaz de predecir en minutos la forma tridimensional de las proteínas, un problema que la biología llevaba cincuenta años intentando resolver.

AlphaFold no se quedó en la academia. Según Scientific American, la base de datos pública del programa acumula más de 200 millones de predicciones de estructuras proteicas y ha sido usada por investigadores de 190 países, según The Next Web. En 2024, Google DeepMind lanzó AlphaFold 3, que extendió las predicciones a interacciones entre proteínas y otras moléculas como ADN, ARN y fármacos candidatos, según Scientific American. De ese trabajo nació Isomorphic Labs, la spinoff de Alphabet dedicada a llevar esos modelos a la industria farmacéutica, según Scientific American y Engadget.

La dimensión del impacto quedó clara con un dato: predecir experimentalmente la estructura de una sola proteína podía tomar años y cientos de miles de dólares; AlphaFold lo hace en minutos, según Scientific American. Para founders que construyen biotech, eso significa que el coste y el tiempo de I+D en discovery temprano se desplomó.

🤖 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

2,2 millones de materiales en minutos: el nuevo laboratorio

El avance no se limita a la biología. Un estudio publicado en la revista Nature, citado por la fuente original, mostró que un modelo de IA predijo la organización atómica de 2,2 millones de nuevos materiales, el equivalente a casi 800 años de conocimiento acumulado según los autores del trabajo. Cientos de esos materiales ya fueron fabricados y confirmado en laboratorios de todo el mundo, lo que confirma que la predicción no se quedó en el papel.

La diferencia con los métodos tradicionales es estructural: los enfoques clásicos de química computacional podían evaluar miles de combinaciones, pero dependían de hipótesis humanas sobre qué probar. Un modelo generativo entrenado en estructuras cristalinas conocidas puede proponer candidatos nunca imaginados por la intuición humana, evaluarlos a escala y entregar al químico los más prometedores. Para founders de materiales, energía o química, esto cambia la ecuación de I+D: la frontera ya no es cuántos experimentos puedes correr, sino cuántos buenos candidatos puedes generar antes de gastar reactivos.

ZoomLab y D'lite: cuando la IA entra a la industria química

BASF, el gigante químico alemán que reportó ventas por aproximadamente 60.000 millones de euros en 2025 según datos de la propia compañía incluidos en la fuente original, está aplicando IA en dos frentes que vale la pena desglosar.

Por un lado, ZoomLab funciona como un asistente virtual para científicos farmacéuticos: analiza miles de combinaciones químicas antes de las pruebas de laboratorio, predice si una mezcla funcionará bien y permite elegir ingredientes correctos desde el inicio. En Chile, la herramienta ya se usó para capacitar a alumnos y profesores del Magíster en Ciencias Farmacéuticas de la Facultad de Ciencias Químicas y Farmacéuticas de la Universidad de Chile, según la fuente original. BASF adelantó que prepara nuevas jornadas de exposición y capacitación con esa casa de estudios.

Por el otro, D'lite cruza datos científicos internos con información de mercado en tiempo real: analiza tendencias en redes sociales y sitios de reseñas sobre más de 3,8 millones de productos de consumo y 4.000 marcas, apoyándose en una base de más de 4.500 formulaciones ya desarrolladas por la propia BASF, según los datos de la compañía incluidos en la fuente original. El objetivo: decidir qué producto lanzar incluso antes de llegar al laboratorio.

McKinsey estima que la IA podría generar entre USD 60.000 y USD 110.000 millones anuales en valor económico para la industria farmacéutica, según la fuente original, gracias a mejoras en investigación, desarrollo y producción. No son ahorros marginales: es una reconfiguración del coste total del pipeline.

¿Qué significa esto para tu startup?

Que la IA haya resuelto problemas científicos frontera no es un dato de laboratorio: es una palanca para founders que construyen sobre ciencia, datos o química. Lo que hace un par de años requería un doctorado y años de cómputo, ahora se resuelve con una API y un notebook.

Acciones concretas que puedes tomar hoy:

Si trabajas en biotech o pharma: integra AlphaFold 3 o APIs de modelos equivalentes en tu flujo de discovery. El tiempo a hipótesis pasa de meses a horas; úsalo para iterar más rápido en due diligence técnico y recortar el burn de tu fase semilla.
Si trabajas en materiales, energía o química: existen modelos open source de predicción de propiedades y generadores de estructuras cristalinas disponibles en GitHub y en repos académicos públicos. Combina generación de candidatos con bases de datos abiertos para reducir el coste de tu pipeline experimental.
Si construyes herramientas B2B para industria química o farma: ZoomLab y D'lite marcan el techo funcional que un buyer va a esperar. Si tu SaaS no ayuda a reducir tiempo de discovery o cruza ciencia con inteligencia de mercado, va a parecer pre-IA en la próxima demo.

El movimiento de fondo es claro: la frontera competitiva ya no es solo ejecutar más experimentos, sino generar mejores hipótesis antes de gastar reactivos. Eso aplica a la química, la biotecnología, la ciencia de materiales y, cada vez más, a cualquier startup que dependa de I+D.