Vertex probó 50 empresas de IA: ningún fármaco viable

Vertex Pharmaceuticals entregó a unas 50 compañías de inteligencia artificial una base de datos con cerca de 10.000 compuestos farmacológicos y les pidió que encontraran candidatos viables. Ninguna lo logró. El experimento, relatado por el presidente de la farmacéutica, Jeff Leiden, desarma la promesa que más repiten los laboratorios de IA y deja una lección concreta para quien vende tecnología al sector salud: la oportunidad está en acelerar la investigación, no en prometer curas.

¿Qué probó Vertex con 50 empresas de IA?

El ejercicio fue directo: poner el mismo problema delante de medio centenar de proveedores de IA y medir resultados reales, no demostraciones. Sobre una base de aproximadamente 10.000 compuestos farmacológicos, ningún modelo desarrolló un medicamento viable.

Leiden no concluye que la tecnología sirva de poco. Concluye algo más útil y más difícil de vender: hoy la IA puede actuar como un copiloto de los investigadores, y no como su reemplazo. Puede ayudar, pero no sustituye al equipo que diseña los experimentos y decide qué vale la pena sintetizar.

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

¿Por qué la IA todavía no puede descubrir un fármaco sola?

Encontrar una molécula capaz de interactuar con una proteína concreta es apenas el primer escalón. El organismo humano involucra miles de procesos biológicos con dependencias profundas entre ellos, y anticipar cómo se comportará un compuesto al entrar en contacto con un cuerpo real sigue siendo el problema abierto.

Los modelos son buenos identificando patrones, proponiendo dianas terapéuticas, prediciendo estructuras de proteínas y sugiriendo moléculas prometedoras. Ninguno ha demostrado anticipar con precisión suficiente los efectos secundarios ni las interacciones peligrosas con otros procesos biológicos.

Y después aparece el muro que ninguna predicción derriba: los ensayos preclínicos y las fases de investigación clínica, que pueden prolongarse durante varios años. Acelerar el descubrimiento de candidatos no implica automáticamente que más fármacos lleguen al mercado.

El dato que dimensiona el problema lo puso por escrito la biotech Reflector Bio al salir de stealth: cerca del 92% de los candidatos falla en ensayos clínicos, y llevar un solo fármaco al mercado cuesta más de US$2.000 millones en promedio cuando se cuentan los fracasos. El mismo comunicado señala que desde 1950 ese costo se ha duplicado aproximadamente cada nueve años.

La brecha entre el discurso de los laboratorios de IA y la farmacéutica real

Dario Amodei, consejero delegado de Anthropic, escribió el 13 de septiembre que la IA podría curar la mayoría de las grandes enfermedades en los próximos cinco a diez años. Demis Hassabis, de Google DeepMind, sostuvo en abril de 2025 que es posible curar todas las enfermedades con ayuda de la IA. Sam Altman, de OpenAI, también habló de curar el cáncer y el Alzheimer.

Ninguna de esas afirmaciones viene acompañada de un fármaco aprobado. La industria que sí pone moléculas en la clínica opera con expectativas mucho más conservadoras: usa IA para priorizar, cribar y descartar antes de gastar, no para descubrir sola.

Ahí está el punto que un founder debería subrayar en su propio pitch. La promesa grande ya está instalada y ya generó escepticismo. Lo que falta es evidencia operativa.

¿Qué está funcionando de verdad en el descubrimiento de fármacos con IA?

Donde el enfoque empieza a dar resultados medibles es en la infraestructura de datos. Según TechTimes, cinco farmacéuticas —AbbVie, Astex Pharmaceuticals, Bristol Myers Squibb, Johnson & Johnson y Takeda— entrenaron un modelo conjunto, AISB-1-Fed, sobre más de 20.000 estructuras proteína-ligando propietarias, sin que ninguna empresa viera los datos de otra. Solo AbbVie aportó más de 9.000 estructuras.

El modelo alcanzó 52,1% de predicciones de interfaz de alta calidad frente al 35,6% de su baseline público, y elevó la precisión de acoplamiento del ligando de 28,9% a 46,8%. En septiembre de 2026 el consorcio lanzó AISB Bind, una iniciativa para predecir con qué fuerza se une una molécula a su diana, con AbbVie, AstraZeneca, Bristol Myers Squibb y Johnson & Johnson.

El límite que el propio consorcio reconoce es honesto y vale como advertencia: la federación resuelve datos repartidos entre empresas, pero no puede inventar datos que simplemente no existen a escala industrial, como la farmacocinética in vivo o la eficacia clínica.

¿Cuánto dinero se está moviendo en este mercado?

El mercado de IA aplicada al descubrimiento de fármacos se valoró en US$2.290 millones en 2025 y se proyecta en US$2.850 millones en 2026, camino a US$16.770 millones en 2034, con una tasa de crecimiento anual compuesta de 24,78% entre 2026 y 2034, según Polaris Market Research. La oncología concentró el 29% del mercado en 2025 y Norteamérica el 38%.

Los acuerdos siguen firmándose. La misma firma de investigación consigna que Eli Lilly extendió en marzo de 2026 su colaboración con Insilico Medicine por hasta US$2.750 millones, y que en 2026 se anunciaron alianzas de Sanofi con Owkin y de GSK con Relation Therapeutics.

El dinero no está esperando a que la IA cure el Alzheimer. Está comprando velocidad en las etapas donde el error todavía es barato.

¿Qué significa esto para tu startup?

Vende el copiloto, no la cura. Si tu producto va a farmacéuticas o biotechs, el argumento que compra hoy el sector es reducción de ciclos de síntesis y descarte temprano de candidatos. Prometer un fármaco nuevo activa justo el escepticismo que Leiden documentó tras evaluar unas 50 empresas.

Define tu métrica en validación experimental, no en benchmark. Un porcentaje bonito en un dataset público importa poco si al pasar a validación in vitro el resultado se cae. Reflector Bio lo planteó al revés: cribó 1,9 millones de compuestos por vía virtual, envió cinco a validación en laboratorio y cuatro mostraron efectos, un 80% de aciertos. La métrica que convence a un cliente farmacéutico es esa, la del experimento que sí se hizo.

Construye foso con datos propietarios, y evalúa la federación. Si tus datos son escasos y sensibles, el modelo del consorcio AISB muestra una vía: entrenar un modelo compartido sin ceder la propiedad intelectual. Para una startup hispanohablante con acceso a datos clínicos locales, esa posición puede valer más que la capacidad de cómputo.

Ajusta tu narrativa de fundraising. El inversor que sigue healthtech ya escuchó la promesa de curar enfermedades y leyó este tipo de resultados. Un pitch con expectativas conservadoras, hitos de validación medibles y un cliente piloto firmado compite mejor que otro que promete la década milagrosa.

Conclusión

El experimento de Vertex no dice que la IA no sirva para descubrir fármacos. Dice que todavía no los descubre sola, y que la distancia entre lo que prometen los laboratorios de IA y lo que entrega la industria farmacéutica es hoy la variable más importante para cualquiera que quiera construir en ese espacio.

El mercado crece a doble dígito y sigue firmando acuerdos millonarios. La diferencia entre una startup que captura esa ola y otra que se queda fuera no será el tamaño del modelo, sino la honestidad de sus promesas y la calidad de la validación que pueda mostrar.