Por qué el descubrimiento de fármacos con IA entra en su fase de evidencia

El descubrimiento de fármacos con IA pasó varios años atrapado entre la promesa y la prueba. La propuesta era poderosa: usar grandes volúmenes de datos biológicos para identificar mejores objetivos, diseñar moléculas en meses y reducir parte del enorme coste de desarrollar un medicamento. Lo que faltaba no era ambición, sino evidencia. Por eso 2026 importa tanto. La conversación está pasando de “la IA podría transformar la farmacéutica” a una pregunta mucho más dura: ¿dónde está la señal clínica?

Por qué cambió el tono

La gran diferencia es que el sector ya tiene suficiente progreso real como para juzgar estas plataformas por algo más que la velocidad con la que llegan a un candidato preclínico. Durante la primera ola, muchas compañías fueron medidas por rapidez. Eso importaba, pero nunca respondió a la cuestión central: si los compuestos realmente resisten el proceso clínico.

Por eso programas como rentosertib, de Insilico Medicine, han atraído tanta atención. No porque un solo candidato valide todo el campo, sino porque empieza a conectar el descubrimiento asistido por IA con resultados en personas, no solo con eficiencia de laboratorio.

Ya no es solo una historia de software

Descubrir un medicamento no se parece a lanzar una app. No se puede publicar una beta, corregir errores rápidamente y declarar victoria porque el uso creció. La biología es ruidosa, las enfermedades son complejas y la mayoría de los candidatos fracasan. El reto real para la IA no es encontrar patrones bonitos, sino ayudar a los científicos a tomar mejores decisiones biológicas.

Eso explica por qué los actores más serios han moderado sus promesas. La narrativa ya no es que la IA sustituya a la química medicinal, sino que mejore la priorización de objetivos, reduzca el espacio de búsqueda, ordene candidatos, encuentre relaciones ocultas en datos ómicos y haga más inteligente el diseño de ensayos. La IA se está convirtiendo en parte del stack científico, no en magia.

La señal regulatoria también cuenta

Los reguladores tampoco lo tratan ya como una nota al pie futurista. La FDA y otros organismos están definiendo marcos más claros para la credibilidad de modelos, el riesgo y el uso de herramientas algorítmicas en expedientes regulatorios. Eso es sano para el sector. Si los compuestos descubiertos con IA van a tomarse en serio, los métodos deben poder auditarse y reproducirse.

Algo parecido ocurre con herramientas como AlphaFold. Cambiaron lo que parecía posible en biología computacional, pero también recordaron que el valor real aparece cuando esas herramientas encajan en flujos científicos completos. Predecir estructuras importa. Convertir eso en un fármaco aprobado sigue exigiendo biología experimental, química, toxicología, fabricación y ejecución clínica.

Lo que aprendieron los inversores

Durante un tiempo, el mercado trató este espacio casi como si fuera SaaS acelerado con una historia biotech encima. Eso incentivó a premiar velocidad, amplitud de plataforma y narrativa, más que la prueba posterior. Pero la biotecnología tiene memoria larga. Si una empresa no muestra datos traslacionales y clínicos creíbles, la valoración termina chocando con las mismas preguntas de siempre.

En 2026 el interés inversor sigue ahí, pero el filtro es mucho más exigente. Quieren saber si la plataforma genera activos diferenciados, si esos activos muestran efectos clínicos relevantes, si existe una ventaja en datos propios y si la IA crea una defensa real o solo una fachada elegante.

Dónde la IA sí aporta hoy

La tesis más sólida no es que la IA elimine la incertidumbre, sino que ayuda a gastar mejor esa incertidumbre. Puede aportar en priorización de dianas, análisis estructural, diseño molecular, predicción ADMET, biomarcadores, selección de pacientes e incluso relectura de programas descartados. En un campo donde el fracaso es normal, eliminar malas opciones pronto tiene mucho valor.

Además, su impacto puede ser igual de importante en áreas menos vistosas, como el reclutamiento para ensayos, la optimización de protocolos o la detección de señales en datos clínicos desordenados. Si la primera generación se obsesionó con diseñar moléculas, la segunda será evaluada por mejorar toda la cadena de decisión.

La prueba de verdad aún viene

Aun así, sería un error declarar victoria demasiado pronto. Uno o dos programas prometedores no demuestran que el modelo funcione en todos los contextos. Algunas áreas de enfermedad serán mejores candidatas que otras, y algunos conjuntos de datos seguirán siendo demasiado fragmentados o sesgados. El trabajo serio ahora es definir dónde la IA mejora de forma consistente las probabilidades.

Eso es precisamente lo interesante de este momento. El sector está saliendo de la era del pitch deck y entrando en una etapa en la que investigadores, reguladores e inversores preguntan si las moléculas sobreviven al desarrollo clínico real. Ese es un estándar mucho más duro, pero también el único que realmente importa.