Los medicamentos diseñados con IA entran en ensayos clínicos, y 2026 es el año en que sabremos si realmente funcionan

Los medicamentos diseñados con IA ya están en ensayos en humanos, y la industria está a punto de descubrir si un descubrimiento más rápido se traduce en una mejor medicina. Son dos afirmaciones separadas, y 2026 es el año en que finalmente se pondrán a prueba por separado.

La primera afirmación — que la IA acelera el descubrimiento de fármacos — está establecida. Los modelos de Machine Learning ahora identifican objetivos prometedores, generan moléculas candidatas y predicen el comportamiento de unión en una fracción del tiempo que requería el cribado húmedo tradicional. La segunda afirmación — que los fármacos descubiertos por IA funcionan mejor una vez que llegan a los pacientes — no está establecida en absoluto. Nunca se ha probado a escala, porque hasta este año, pocos candidatos diseñados por IA habían avanzado lo suficiente en el desarrollo clínico como para producir datos reales de eficacia y seguridad. En 2026, una ola de ellos llega simultáneamente a los ensayos de Fase 2 y Fase 3, lo que significa que la industria obtiene su primera respuesta real.

Qué cambió realmente en los modelos subyacentes

El cambio técnico detrás de esta ola comenzó con AlphaFold 3, lanzado por Google DeepMind en 2024. Las versiones anteriores de AlphaFold predecían la estructura plegada de una sola proteína a partir de su secuencia de aminoácidos — útil, pero limitado a una molécula en aislamiento. AlphaFold 3 extendió la predicción a cómo las proteínas interactúan con otras proteínas, con ADN y ARN, y con ligandos de moléculas pequeñas — el evento físico real que un fármaco necesita desencadenar para funcionar. Eso importa porque la mayoría de las enfermedades no son causadas por una proteína mal plegada que está sola; implican que una molécula se une, bloquea o desencadena a otra.

Sin embargo, la predicción de estructura por sí sola no diseña un fármaco — describe lo que ya existe. El siguiente paso es el diseño generativo: construir una molécula completamente nueva destinada a unirse a un objetivo específico. NVIDIA presentó Proteina-Complexa en GTC 2026 como parte de su plataforma BioNeMo, un modelo generativo construido específicamente para diseñar nuevos ligandos proteicos en lugar de predecir la forma de los conocidos. Novo Nordisk, Viva Biotech y Manifold Bio lo están utilizando para generar candidatos ligando para objetivos terapéuticos, luego reducen miles de opciones generadas computacionalmente a un puñado que vale la pena sintetizar y probar.

También se está abordando una limitación separada: la mayoría de las predicciones estructurales producen una instantánea estática, pero las proteínas no son estáticas — se flexionan, cambian y modifican su forma a medida que un fármaco se acerca y se une. Una plataforma llamada YuelDesign, junto con herramientas relacionadas YuelPocket y YuelBond, modela ese proceso de unión dinámica en lugar de una única conformación congelada, con el objetivo de producir predicciones más precisas de cómo se comportará realmente una molécula candidata dentro de una célula. La predicción estática de estructura puede pasar por alto fallos de unión que solo aparecen cuando la proteína diana se mueve.

Lo que pasa de la pantalla del ordenador al ensayo en humanos

En el primer trimestre de 2026, artículos revisados por pares informaron de la validación experimental de moléculas y herramientas biológicas diseñadas por IA en entornos preclínicos — lo que significa que los diseños se mantuvieron en pruebas de laboratorio, no solo en simulación. Ese paso de validación es por lo que un grupo de candidatos está avanzando ahora hacia la evaluación en humanos. Las modalidades que entran en ensayos son terapias peptídicas, anticuerpos y candidatos basados en mRNA — tres clases de fármacos muy diferentes con diferentes líneas de fabricación, diferentes modos de fallo y diferentes historiales regulatorios, lo cual es útil en sí mismo: si los fármacos diseñados por IA tienen éxito en una modalidad pero no en otra, eso dice a los investigadores dónde residen realmente las fortalezas de la tecnología.

Las cifras de adopción que todos citan, y lo que no miden

Las encuestas de la industria informan que aproximadamente la mitad de las empresas de biotecnología que utilizan IA en el desarrollo de fármacos ven un tiempo más rápido hasta el objetivo, y el 42% reporta una mejora en la precisión o las tasas de acierto en sus modelos computacionales. Estas cifras se citan constantemente como evidencia de que el descubrimiento de fármacos con IA funciona. Son reales, pero miden algo más limitado que "funciona". El tiempo hasta el objetivo y la tasa de acierto describen con qué eficiencia una empresa pasa de una pregunta de investigación a una molécula candidata que vale la pena probar. No dicen nada sobre si esa molécula es segura, si supera un ensayo de Fase 2, o si supera a un fármaco descubierto de manera convencional una vez que está dentro de un cuerpo humano. Una empresa puede reducir a la mitad su tiempo de descubrimiento y aún así ver fracasar la molécula resultante en la clínica — ese resultado sería completamente consistente con las cifras del 50%/42%, porque esas cifras nunca estaban midiendo el éxito clínico en primer lugar.

Por qué la velocidad no garantiza el éxito

La tasa de fracaso basal de la biotecnología es la razón por la que esta distinción importa. Los candidatos a fármacos que entran en ensayos clínicos fracasan la mayoría de las veces, independientemente de cómo se descubrieron — la Fase 2 en particular ha sido históricamente donde mueren las moléculas prometedoras, a menudo porque la eficacia en humanos no coincide con lo que predijeron los modelos preclínicos. El descubrimiento impulsado por IA aún no ha cambiado esa dinámica, porque hasta 2026 no había suficiente volumen clínico diseñado por IA para saber si lo haría. Un modelo que es muy bueno prediciendo si una molécula se unirá a su diana no dice nada sobre si la unión a esa diana tratará realmente la enfermedad, si la molécula es tóxica en una dosis efectiva, o si se comporta de manera predecible en una población de pacientes genéticamente diversa. Esas son las preguntas que los ensayos de Fase 2 y Fase 3 existen para responder, y ninguna cantidad de sofisticación computacional aguas arriba sustituye a esos datos.

Qué observar en 2026

Para inversores, profesionales de la biotecnología y cualquier persona que siga este espacio, la señal útil no es otro anuncio de velocidad de descubrimiento — son los datos de los ensayos. Específicamente: observe si las lecturas de Fase 2 y Fase 3 para candidatos diseñados por IA muestran tasas de fracaso significativamente diferentes de las líneas de base históricas de la industria, en cualquier dirección. Observe qué modalidad reporta resultados primero — los péptidos típicamente se mueven a través de los ensayos más rápido que los anticuerpos o los candidatos de mRNA, por lo que las lecturas tempranas de péptidos pueden llegar antes de que la imagen esté completa para los otros dos. Observe si las empresas que utilizan modelos de unión dinámica como YuelDesign reportan un rendimiento clínico diferente de aquellas que se basan principalmente en la predicción estática de estructura, ya que sería una evidencia temprana de que el enfoque dinámico produce candidatos más trasladables clínicamente. Y observe cómo Novo Nordisk, Viva Biotech y Manifold Bio hablan sobre sus candidatos derivados de BioNeMo una vez que existan datos de ensayos — la disposición de una empresa a publicar resultados negativos, no solo positivos, es un proxy razonable de si las afirmaciones subyacentes se mantienen bajo escrutinio.