Los anuncios de las empresas de IA suelen centrar la atención en las cifras de rendimiento de los nuevos modelos. Pero este anuncio de Anthropic no contiene ningún modelo nuevo. Lo que surgió fueron dos cosas: un banco de trabajo para científicos y un programa interno para buscar candidatos a fármacos. La empresa no compite por la inteligencia en bruto, sino por cómo se emplea esa inteligencia. Esta decisión organizativa es lo que vale la pena leer.

01Qué ocurrió — Lanzamiento simultáneo de un banco de trabajo y un programa de descubrimiento de fármacos

El 1 de julio de 2026, Anthropic lanzó oficialmente "Claude Science" para investigadores y la industria farmacéutica. TechCrunch calificó esto como una estrategia de diferenciarse en el ámbito del flujo de trabajo (= el flujo de las tareas) en lugar de en un nuevo modelo. Al mismo tiempo, CNBC, Reuters y Endpoints News informaron del inicio de un programa interno de descubrimiento de fármacos en el campo de la biofarmacia. Luego, el 4 de julio, se informó de que Anthropic está considerando entrar en el negocio del desarrollo de fármacos (The Verge). En pocos días aparecieron dos movimientos a la vez: proporcionar herramientas y la posibilidad de entrar como participante directo. Su competidor OpenAI anunció "GeneBench-Pro", un banco de pruebas de evaluación para el ámbito de la biología y la ciencia (= una vara de medir las capacidades biológicas de una IA), en el mismo período, y la ciencia se está convirtiendo en el próximo gran campo de batalla.

02Los antecedentes — El camino trazado por Insilico y Moderna

Este movimiento no surgió de la nada. El descubrimiento de fármacos con IA ya cuenta con un historial acumulado. Rentosertib, de Insilico Medicine (nombre de empresa derivado de "in silico" (en un ordenador)), es un tratamiento para la fibrosis pulmonar idiopática (FPI = una enfermedad intratable en la que los pulmones se endurecen gradualmente) en el que la IA se encargó de todo, desde la búsqueda de la diana (= la molécula del cuerpo sobre la que actúa el fármaco) hasta el diseño de las moléculas candidatas. Superó la fase IIa (= el ensayo clínico de etapa intermedia que confirma por primera vez la eficacia en pacientes) a principios de 2026. Se considera uno de los primeros ejemplos de una molécula en la que la IA participó desde la búsqueda hasta el diseño para llegar a esta etapa. Ahora entra en la preparación de la fase III (= el ensayo a gran escala previo a la aprobación). Moderna, por su parte, es socia de OpenAI en toda la empresa desde 2024 y es conocida como uno de los primeros casos de despliegue de la IA en todas las operaciones internas. La IA que se ocupa de la búsqueda de dianas y un uso que disuelve la IA en toda la operación corporativa: estas dos corrientes forman la base de la fase actual.

03Lo que muestran las cifras sobre dónde estamos y cómo interpretarlas

El descubrimiento de fármacos con IA ya no es un intento excepcional. Se dice que más de 173 candidatos derivados de IA están en ensayos clínicos (aunque conviene señalar que la definición de «derivado de IA» —en qué etapa del proceso participó la IA— no es uniforme). Se informa de que la tasa de éxito en la Fase I temprana (= el primer ensayo en el que un fármaco se administra a humanos por primera vez) alcanza el 80–90 %, superando el aproximadamente 52 % convencional. Aun así, estas cifras deben leerse con cuidado. La muestra utilizada para el recuento es pequeña, y el panorama cambia según qué fases se comparen. Además, la verdadera puerta de entrada en el descubrimiento de fármacos no está en la Fase I, que examina la seguridad, sino en la Fase II, que pone a prueba la eficacia. Es razonable considerar que el historial de moléculas diseñadas por IA que superan claramente a las convencionales en la Fase II sigue siendo limitado. La alta tasa de éxito está confundida no solo por la capacidad de diseño de la IA, sino también por una elección conservadora de dianas que facilita seleccionar las ya validadas. Es necesario separar de ello la contribución específica de la IA. La base técnica sin duda se ha ampliado. AlphaFold3 (una IA de predicción de estructuras de proteínas desarrollada por Google DeepMind e Isomorphic Labs) aceleró enormemente la predicción de la unión entre un fármaco y su diana. Las formas en que se conectan las empresas también varían. Existen alianzas entre empresas como Bayer × Cradle (una empresa de IA) y Eli Lilly × NVIDIA, y también hay movimientos de naturaleza distinta a la alianza, como la incorporación por parte de Pfizer de Boltz, un modelo de predicción de estructuras descrito como de código abierto. En 2025, Recursion adquirió Exscientia. Pero esta consolidación se lee menos como prueba de impulso que como reestructuración y rescate de la industria ante fracasos clínicos y dificultades de financiación. También puede interpretarse como una señal de la dificultad de hacer viable el descubrimiento de fármacos con IA como negocio independiente.

04Por qué ahora — La presión estructural y la jugada del consejo

La industria farmacéutica está bajo una fuerte presión. El costo de desarrollar un solo medicamento nuevo se ha disparado en 20 años de 1.000 millones de dólares a entre 2.000 y 3.000 millones de dólares. Además, 2025–2030 coincide con el precipicio de patentes (= el período en que vencen en masa las patentes de los principales medicamentos y las ventas caen bruscamente). Los costos suben y se pierden los productos que sostienen el negocio. Dicho esto, lo que la IA puede acortar son principalmente las etapas de búsqueda y preclínicas. Lo que representa la mayor parte de los costos de desarrollo son los ensayos clínicos a gran escala, y la IA no actúa directamente sobre ellos. Su efecto inmediato sobre los costos totales de desarrollo debe considerarse limitado. También hay un desajuste en el eje temporal. Un candidato hallado hoy con IA llegará a su aprobación, como pronto, en la segunda mitad de la próxima década o más tarde, y no rescata directamente el inminente precipicio de 2025–2030. La sustancia de la expectativa reside en reforzar el pipeline de próxima generación (= el conjunto de medicamentos en desarrollo). Aquí se solapa el propio movimiento de Anthropic. En abril de 2026, Vas Narasimhan, CEO de Novartis (médico de formación, involucrado en el desarrollo de más de 35 nuevos medicamentos), pasó a ser miembro del consejo de Anthropic. El órgano que lo nombró fue el Long-Term Benefit Trust (LTBT = el órgano de supervisión propio de Anthropic que prioriza el beneficio a largo plazo para la humanidad sobre los intereses de los accionistas). Este Trust tiene la facultad de nominar a los miembros del consejo y, con este nombramiento, el lado nominado por el Trust superó la mayoría del consejo. La cobertura detallada se deja a un informe anterior (/journal/novartis-anthropic-board.html), pero la importancia de incorporar a un participante del descubrimiento de fármacos en el núcleo de la estructura de gobernanza no es pequeña.

05Cómo interpretar la estrategia de Anthropic

A partir de aquí es interpretación. Primero, Anthropic parece dispuesta a diferenciarse no por el rendimiento de un nuevo modelo, sino por el flujo de trabajo. Que Claude Science llegara sin un nuevo modelo probablemente responde a la decisión de ganar por lo bien que encaja en el entorno de investigación y no por el valor absoluto de la inteligencia. Los modelos de propósito general tienden a quedar a la par de la competencia, pero un banco de trabajo estrechamente ligado a la labor de investigación genera costes de cambio y fideliza. Segundo, el inicio del programa interno de descubrimiento de fármacos puede leerse como un paso de proveedor de herramientas a participante en el descubrimiento de fármacos. Si solo vende herramientas, los resultados pertenecen al cliente y el grado de contribución de la IA es difícil de ver. Al producir candidatos por sí misma, puede mostrar hasta dónde llega la IA como logro propio. Sin embargo, del negocio de desarrollo de fármacos en sí solo se informa que está «en consideración». Esto también puede leerse como señal de que la propia Anthropic está midiendo la distancia a la que podría competir con sus clientes farmacéuticos. Tercero, la nominación de Narasimhan por parte del LTBT puede verse como un trabajo de base que respalda esta dirección desde el lado del gobierno corporativo. Que un fideicomiso que defiende el beneficio a largo plazo por encima de los intereses de los accionistas coloque en la junta a alguien con experiencia en descubrimiento de fármacos es una estructura que facilita sostener el desarrollo de nuevos fármacos como un beneficio para la humanidad y no como ventas a corto plazo. Para la filosofía de diseño de toda la línea de productos, véase también el informe anterior (/journal/claude-science-pharma-future.html).

06Implicaciones para la industria farmacéutica y la primera línea

De cara al futuro, es probable que la frontera entre quienes poseen la IA y quienes poseen los fármacos se disuelva aún más. Si avanza el paso de la colaboración a la participación directa, para las compañías farmacéuticas una empresa de IA pasa a ser a la vez vendedora de herramientas y posible competidora. En esta fase, lo primero para lo que se prepara el lado farmacéutico son, creo, varias cuestiones prácticas. Una es la titularidad de la PI (= propiedad intelectual). Quién posee los derechos sobre las moléculas generadas por IA y qué ocurre con la soberanía sobre los datos usados para el entrenamiento son ámbitos en los que los contratos y las instituciones siguen sin desarrollarse. La segunda es la postura de los reguladores. Cómo evaluarán la FDA (Administración de Alimentos y Medicamentos de EE. UU.) y la PMDA (Agencia de Productos Farmacéuticos y Dispositivos Médicos de Japón) el desarrollo basado en IA aún no está definido. La tercera es el enfriamiento del intercambio de datos que surge cuando las empresas de IA se convierten en competidoras. Las cifras detalladas se recogen en un informe previo (/journal/ai-drug-discovery-2026.html). Estos cambios llegan también al trabajo de primera línea. En la revisión de materiales (= la tarea de confirmar que los materiales promocionales cumplen con la normativa), se requieren nuevos criterios sobre cómo verificar los datos de evidencia y el proceso de diseño en los que intervino la IA, y hasta qué punto pueden documentarse. En el área médica (= el departamento responsable de proporcionar información médica), la responsabilidad de transmitir con exactitud a los profesionales sanitarios el mecanismo de acción y los resultados de los ensayos de los fármacos candidatos derivados de la IA se vuelve más pesada. En el ámbito de la seguridad (= la vigilancia de los efectos secundarios), se requerirá aún más una mirada atenta para detectar si un fármaco diseñado por IA se comporta de maneras inesperadas. Cuanto más inteligente se vuelve la herramienta, más pesa la responsabilidad de verificación de los humanos que la manejan; no se aligera. Más bien se vuelve más pesada. Creo que este es el núcleo de cómo la primera línea debe asumir el descubrimiento de fármacos con IA en la nueva era.