Los expertos en IA dicen que en 5 a 10 años se podrán curar la mayoría de las enfermedades, pero Bernstein dice que esperen. El 26 de agosto, Bernstein publicó un informe sobre la industria biofarmacéutica estadounidense, que analizó sistemáticamente los avances reales de la IA en el desarrollo de fármacos: aproximadamente 70 proyectos derivados de IA ya han ingresado al canal clínico, pero la mayoría aún se encuentra en etapas tempranas; la verdadera prueba llegará en los próximos 3 a 5 años.
El CEO de DeepMind, Demis Hassabis, dijo: “Quizás en 10 años la IA pueda curar todas las enfermedades”, mientras que el CEO de Anthropic, Dario Amodei, fue más audaz: “5 a 10 años para curar la mayoría de las enfermedades humanas”. Bernstein considera que estos comentarios son más bien una defensa del valor social de la IA, sin basarse en la realidad del desarrollo de fármacos. Desde el descubrimiento de objetivos hasta los ensayos clínicos, y hasta la capacidad del sistema médico para absorberlos, cada capa es un cuello de botella. La IA puede acelerar ciertos pasos, pero la biología finalmente debe validarse en el cuerpo humano, un ritmo que no puede ser comprimido por algoritmos.
Aumentar la tasa de éxito tiene más valor que acelerar la velocidad
Bernstein calcula que el retorno de la inversión generado por un aumento del 20% en la tasa de éxito supera ampliamente los ahorros equivalentes en tiempo y costo. Los costos del fracaso se concentran en las etapas finales; evitar el fracaso vale más que acelerar el proceso.
La influencia de la IA en la tasa de éxito depende del problema que resuelva. Si la IA se utiliza principalmente para la optimización de moléculas con blancos conocidos, la tasa de éxito podría aumentar, pero el valor de estos "problemas fáciles" es limitado. Si la IA se emplea para abordar enfermedades difíciles de tratar cuya comprensión biológica aún es insuficiente, incluso si la tasa de éxito general es baja, el valor creado puede ser mucho mayor.
Bernstein señala una conclusión contraintuitiva: cuanto más se use la IA, más experimentos húmedos podrían ser necesarios. Los problemas más difíciles enfrentan la escasez de datos de entrenamiento, y generar nuevos datos requiere una gran inversión experimental. La IA y los experimentos húmedos son complementarios. El costo de realizar un experimento húmedo adicional es mucho menor que el de un proyecto que falla en etapas avanzadas.
Distribución de IA en empresas farmacéuticas: Eli Lilly la más amplia, Amgen la más profunda, Roche la que más potencia de cómputo emplea
Bernstein contó 183 colaboraciones en descubrimiento de fármacos con IA de 15 grandes empresas farmacéuticas. Las estrategias varían significativamente entre ellas.
Eli Lilly tiene la red de colaboraciones externas más amplia, con un total de 25 transacciones desde 2019, con pagos iniciales públicos de aproximadamente 353 millones de dólares estadounidenses. Los socios incluyen Insilico Medicine, Profluent, Verge Genomics y Genesis Therapeutics. Eli Lilly también cuenta con el NVIDIA Co-Innovation AI Lab, logrando el equilibrio más adecuado entre amplitud externa y capacidad computacional interna.
Roche ocupa el segundo lugar con 20 colaboraciones, enfocándose claramente en oncología (8) y neurociencia (4). La fábrica híbrida de IA de Genentech ha sido llamada por Bernstein "la implementación local de GPU más grande anunciada hasta la fecha en la industria". La colaboración de Recursion de 1.200 millones de dólares es la transacción individual más grande.
Amgen tiene la menor cantidad de colaboraciones externas (5), y su estrategia interna en IA y capacidad de cómputo es la más diferenciada. La adquisición de deCODE Genetics en 2012 proporciona un motor líder en genómica poblacional, capaz de identificar y validar variantes genéticas relacionadas con enfermedades para priorizar objetivos. Amgen entrenó cinco modelos de lenguaje de anticuerpos propietarios en un DGX SuperPOD local, con una ventaja de datos claramente definida.
AstraZeneca tiene 19 acuerdos de transacción, con una alta concentración económica en tres acuerdos con CSPC Pharmaceutical Group, que representan la mayor parte de los pagos iniciales públicos.
Novo Nordisk tiene sus 10 colaboraciones todas concentradas después de 2022, con 7 enfocadas en enfermedades cardiovasculares, metabólicas y renales, siendo la farmacéutica más enfocada en este área terapéutica.
Pfizer tiene la mayor cantidad de colaboraciones de plataforma (9 en todo el portafolio), y la relación con modelos base de IA se remonta a 2016 con IBM Watson; no se identificaron colaboraciones en capacidad de cómputo dedicada.
Bernstein enfatizó que todos estos son juicios desde una perspectiva externa, y que integrar realmente la calidad y la transformación cultural interna es difícil de cuantificar.
IA y biotecnología: los activos clínicos son la verdadera piedra de toque
Aproximadamente 70 proyectos de fuentes de IA se centran principalmente en empresas cotizadas, con definiciones muy variadas, que van desde la reutilización de fármacos con IA hasta la descubrimiento de blancos de IA más el diseño molecular con IA, abarcando un amplio espectro.
Rentosertib de Insilico es un ejemplo representativo de la farmacéutica de IA de extremo a extremo. La plataforma de IA PandaOmics identificó a TNIK como diana para la fibrosis pulmonar idiopática; Chemistry42, IA generativa, diseñó la molécula, logrando pasar de la hipótesis de la diana al candidato preclínico en aproximadamente 18 meses. El fármaco ya ha ingresado a la fase III, con resultados principales esperados para octubre de 2029, uno de los puntos de datos más importantes de la industria de la farmacéutica de IA.
Recursion colabora con Roche, Bayer y Sanofi mediante la descubrimiento de blancos impulsado por imagen celular y multi-ómica.
Generate Biomedicines diseña fármacos proteicos; GB-0895 (anticuerpo TSLP) ha ingresado a la fase III para validar si las proteínas diseñadas por IA pueden convertirse en regímenes de administración diferenciados.
Relay Therapeutics diseña fármacos mediante modelado del movimiento proteico; zoogalalisib (inhibidor de PI3Kα) ha avanzado a la fase III para evaluar si la selección conformacional puede mejorar la ventana terapéutica.
Schrödinger adopta una estrategia de cálculo físico priorizado, y el Zasocitinib (inhibidor de TYK2) ha presentado una solicitud de comercialización. Este objetivo ya tiene validación clínica con el deucravacitinib de BMS, y debe considerarse más bien un ejemplo exitoso de optimización asistida por cálculo; la ruptura de la IA en el descubrimiento de nuevos objetivos aún no se refleja aquí. El proceso desde la selección del objetivo hasta las pruebas clínicas tardó 8 a 10 años, sin acortar la línea de tiempo estándar de la industria.
Los datos de aprobación de la FDA aún no reflejan el impacto de la IA
La FDA aprobó un promedio anual de 48.5 nuevos medicamentos en los últimos cinco años, un 43% más que el promedio anual de 33.8 entre 1985 y 2025. Bernstein considera que esto refleja principalmente la modernización regulatoria, el auge de los medicamentos biológicos y los efectos acumulativos de inversiones pasadas en I+D, y que la IA aún no ha tenido un impacto visible en los datos de aprobación. Dado que los pipelines basados en IA siguen siendo pequeños y requieren tiempo para validación clínica, esta situación no cambiará a corto plazo.
Las conclusiones de Bernstein son pragmáticas. La IA ya ha desempeñado un papel en el diseño de moléculas, la criba virtual y el descubrimiento de blancos, con algunos proyectos tempranos avanzando a fases clínicas tardías. "Curar todas las enfermedades" requiere superar múltiples cuellos de botella en la comprensión biológica, ensayos clínicos, aprobación regulatoria y capacidad del sistema de salud; este no es un problema que pueda resolverse con iteraciones de algoritmos. El valor de la IA en la farmacéutica podría residir en ayudar a la industria a tomar mejores decisiones, no en acelerar los procesos. La respuesta verdadera aún espera 3 a 5 años.
Disclaimer
Este artículo es una recopilación e interpretación de la investigación de terceros realizada por Chaoxiang Research sobre un informe de analistas de una casa de valores (Bernstein, 26 de agosto de 2026), complementada con información pública del mercado. Las calificaciones, precios objetivos, pronósticos de ganancias y juicios relacionados citados en este documento son opiniones de los analistas de dicha casa de valores y representan únicamente la postura de su institución respectiva, no la de Chaoxiang Research, ni constituyen ninguna recomendación de inversión.
El mercado conlleva riesgos; las decisiones deben tomarse de forma independiente. Este artículo no debe utilizarse como base para comprar o vender ningún valor.
Escrito por: Rita