El desarrollo de medicamentos se ha vuelto más caro y más lento con cada década, y la industria farmacéutica busca en la inteligencia artificial una salida a esa trampa de costos. Llevar un nuevo fármaco al mercado tarda hoy entre 10 y 15 años y cuesta, según cálculos citados por la firma de tecnología para ciencias de la vida Cytiva, entre 1.000 y 2.500 millones de dólares. La promesa de la IA es acortar esos plazos conectando de forma continua los datos de laboratorio con los modelos que guían los experimentos.

El problema de fondo tiene nombre propio. Desde los años cincuenta, el costo de desarrollar nuevos fármacos se ha duplicado aproximadamente cada nueve años, una tendencia bautizada como ley de Eroom. El nombre es la ley de Moore escrita al revés, un guiño irónico: mientras la potencia de cómputo se abarata sin pausa, la productividad de la investigación biofarmacéutica hace exactamente lo contrario.

Qué significa cerrar el círculo de datos

La idea central que se abre paso en el sector es lo que en inglés se llama closing the data loop, cerrar el bucle de datos. En un laboratorio tradicional, la información viaja en una sola dirección: se diseña un experimento, se ejecuta, se anotan los resultados y recién después alguien los interpreta. Buena parte de esos datos queda dispersa en hojas de cálculo, instrumentos aislados y formatos incompatibles.

El enfoque con IA propone que ese flujo sea circular y automático. Los resultados de cada tanda de experimentos alimentan a los modelos, que a su vez proponen la siguiente hipótesis a probar, en un ciclo que se retroalimenta sin cortes manuales. Cuanto más rápido gira ese bucle, antes se descartan los caminos sin salida y se identifican los compuestos prometedores.

Para que funcione hace falta algo poco glamoroso pero decisivo: datos limpios, estandarizados y comparables entre sí. Un modelo entrenado con registros desordenados o mal etiquetados devuelve conclusiones poco confiables, un riesgo especialmente serio cuando lo que está en juego es la seguridad de un futuro medicamento.

Presión de mercado y límites reales

El incentivo económico es fuerte. El mercado farmacéutico premia cada vez más al que llega primero, y el gasto en investigación y desarrollo del sector figura entre los más altos de toda la industria. Recortar aunque sea una fracción de esos 10 a 15 años de desarrollo puede definir qué compañía captura un tratamiento antes que su competencia.

Empresas de instrumental y bioprocesos como Cytiva están posicionando sus plataformas de investigación de proteínas alrededor de esta lógica de descubrimiento acelerado. La apuesta es integrar equipos de laboratorio, software y análisis en sistemas que generen datos ya listos para entrenar modelos.

Conviene, sin embargo, moderar las expectativas. La IA puede sugerir candidatos y priorizar experimentos, pero no reemplaza los ensayos clínicos ni las validaciones regulatorias, que siguen consumiendo la mayor parte del tiempo y el dinero. Un fármaco propuesto por un algoritmo todavía debe demostrar en personas que es seguro y eficaz, un proceso que ninguna optimización de datos elimina.

Esta línea de trabajo se suma a otras aplicaciones de la IA en la medicina, desde el diagnóstico por imágenes hasta el diseño de proteínas. Si la ley de Eroom llega a doblarse, no será por un único modelo brillante, sino por la infraestructura menos visible que ordena y hace circular los datos.