IMDEA Nutrición e IBM recortan 93% la gestión de ensayos

Un piloto que recorta 93% el trabajo administrativo

IMDEA Nutrición e IBM han integrado agentes de inteligencia artificial en GENYAL, la plataforma de ensayos clínicos en nutrición de precisión del instituto madrileño. El resultado del piloto: el tiempo que los investigadores dedican a procesar tres formularios por voluntario cayó un 93%, de 71 minutos a menos de cinco.

Para quien construye software para laboratorios, hospitales o empresas de alimentación, ese número es la parte interesante. No viene de un modelo que "entiende" ciencia, sino de agentes que ejecutan una tarea operativa concreta, repetitiva y muy manual: revisar formularios, detectar incoherencias y clasificar alimentos dentro de registros dietéticos.

¿Cómo funcionan los agentes de IA en GENYAL?

Los agentes intervienen en cuatro frentes del tratamiento de la información, según la descripción del proyecto:

Leíste lo que hace la IA. ¿Y en tu negocio?

En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.

👥 Probar 7 días

Validan los datos introducidos por los participantes.
Detectan posibles incoherencias en las respuestas.
Resuelven dudas a partir de documentación aprobada por los propios investigadores.
Automatizan la identificación de los alimentos incluidos en los registros dietéticos.

El despliegue se apoya en watsonx.orchestrate para crear los agentes especializados y en IBM Bob para acelerar su desarrollo, de modo que los investigadores puedan ampliar capacidades sin depender de un equipo técnico externo en cada iteración.

Hay un detalle de arquitectura que vale la pena copiar: la tecnología se integra en el flujo de trabajo del estudio en lugar de funcionar como una aplicación aparte a la que después hay que trasladar los datos. Esa decisión —integrar en el proceso en vez de exportar— es la diferencia entre un piloto que sobrevive y una demo que se apaga.

La plataforma permite además monitorizar en tiempo real la cumplimentación de formularios, los retrasos y las revisiones pendientes. El objetivo declarado es reducir errores y tareas manuales y mejorar la homogeneidad de los datos.

¿Por qué el ahorro es mayor para el investigador que para el voluntario?

El piloto mide dos ahorros muy distintos, y la diferencia es reveladora. El participante pasó de 65 a 55 minutos de dedicación: diez minutos menos. El equipo investigador, en cambio, eliminó más de una hora de gestión por cada conjunto de tres formularios.

La asimetría dice dónde está el valor hoy. El cuello de botella de un ensayo nutricional no es la persona que responde el cuestionario, sino el equipo que después tiene que ordenar variables antropométricas, bioquímicas y ómicas junto con datos de alimentación, estilo de vida y genética. Son fuentes heterogéneas que obligan a revisar incidencias y mantener criterios homogéneos antes de que la información sirva para el análisis científico.

Ahí es donde la automatización rinde. Y hay una advertencia honesta en el propio planteamiento del proyecto: el indicador cuantificado hasta ahora se concentra en la eficiencia del proceso, no en un resultado clínico o científico derivado de las intervenciones. Es decir, el 93% mide tiempo administrativo recuperado, no mejores diagnósticos. Para vender este tipo de solución a un cliente regulado, esa distinción importa.

¿Qué significa esto para tu startup?

1. Busca el cuello de botella administrativo, no el caso de uso de IA. El proyecto no automatizó el descubrimiento científico: automatizó la gestión de formularios. Si tu producto apunta a salud, investigación o cualquier sector con datos regulados, el punto de entrada más vendible suele ser la tarea repetitiva que consume horas de personal cualificado. Ese es el ahorro que un director de operaciones puede aprobar sin comité de ética.

2. Mide la línea base antes de implementar. El 93% solo existe porque alguien cronometró los 71 minutos previos. Antes de desplegar agentes en un cliente, documenta el tiempo actual de la tarea, el volumen de formularios y las incidencias por lote. Sin línea base no hay caso de negocio, y sin caso de negocio no hay renovación.

3. Ancla los agentes a documentación validada. Los agentes resuelven dudas a partir de documentación aprobada por los investigadores, no de conocimiento general del modelo. En entornos donde una respuesta incorrecta tiene consecuencias, ese patrón —respuestas restringidas a un corpus que el cliente controla y firma— es lo que hace viable la adopción.

4. Mantén al humano en la supervisión. El proyecto conserva la supervisión del equipo científico y se limita a operaciones delimitadas. Esa contención no es una limitación técnica: es la condición que permitió que el piloto entrara en estudios reales con personas.

El contexto: agentes que pasan de la demo a producción

IBM enmarca esta colaboración en un concepto más amplio que su director ejecutivo del Sector Público en España, Javier González, resume así: «hemos desarrollado el concepto de “Lab of the Future”, con la idea de utilizar tecnología a lo largo de todo el ciclo científico, desde la hipótesis hasta el descubrimiento. La idea es acortar los ciclos, pasando de meses a días, y liberando al investigador de tareas que pueden ser fácilmente automatizadas».

El proyecto se presentó el 7 de octubre de 2026 en una jornada en la sede de IMDEA Nutrición, en el Campus de Cantoblanco, clausurada por la viceconsejera de Universidades, Investigación y Ciencia de la Comunidad de Madrid, Mirina Cortés, según el anuncio publicado por IBM. La directora del instituto, Ana Ramírez de Molina, lo describió como un cambio en la organización del trabajo científico: «no solo se trata de contar con investigadores que utilizan herramientas digitales, más bien los casos de uso que estamos desarrollando muestran procesos en los que personas, datos, algoritmos y agentes inteligentes trabajan de forma coordinada».

El movimiento encaja en una tendencia más amplia de madurez del ecosistema de agentes. En septiembre de 2026, Dun & Bradstreet anunció que su Commercial Graph quedaba disponible en el catálogo de agentes de watsonx Orchestrate mediante un servidor MCP, con el argumento de que los agentes empresariales necesitan contexto verificado para pasar de prototipo a producción. La misma compañía reportó, citando su encuesta AI Momentum, que solo el 6% de las empresas considera que sus datos empresariales están completamente listos para soportar IA a escala.

Ese 6% es el verdadero mercado direccionable de la próxima ola. No compite quien tiene el mejor modelo, sino quien resuelve la capa de datos y de proceso que hace que el agente sea confiable dentro de una operación real.

IMDEA Nutrición no está trabajando esto en aislamiento. La Fundación de Investigación HM Hospitales (FiHM) y el instituto firmaron un marco de colaboración para impulsar la nutrición de precisión y la medicina personalizada en Madrid, con proyectos conjuntos de I+D+i, estudios y ensayos clínicos, según reportó Redacción Médica. La plataforma GENYAL, por su parte, se describe en el sitio de IMDEA como una herramienta genómica de alto rendimiento orientada a estudiar cómo interactúan los genomas individuales con los componentes de la dieta, con dos líneas de actividad: estudios de intervención nutricional y reclutamiento permanente de voluntarios.

Conclusión

El caso de IMDEA Nutrición e IBM es un recordatorio útil de que los mejores casos de agentes de IA en 2026 no son los más ambiciosos, sino los más acotados. Automatizar la gestión de tres formularios no suena revolucionario, pero libera más de una hora de trabajo científico por voluntario y se puede medir.

Para un founder, la lección operativa es directa: elige una tarea delimitada, intensiva en datos y con línea base conocida; intégrala en el flujo de trabajo del cliente en lugar de construir una aplicación paralela; restringe las respuestas del agente a documentación validada; y conserva la supervisión humana. Ese paquete es lo que convierte un piloto en un contrato.

Fuentes

Leíste lo que hace la IA. ¿Y en tu negocio?

En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.

👥 Probar 7 días