Un fármaco que fracasa en ensayos de Fase III ha consumido entre 500 M$ y 1000 M$. La IA identifica el mismo fracaso en la fase de hipótesis, cuando el gasto total es inferior a 100 000 $. Cerca del 40% de los directivos sitúa hoy el I+D como la función que más se beneficia de la inversión en IA.
This article was translated from the English original. Translations are machine-assisted and reviewed on a rolling basis.
La economía del I+D tradicional se estructura en torno a una asimetría dolorosa: cuanto más tarde ocurre un fallo en el proceso, más cuesta. Una hipótesis que falla en el laboratorio cuesta días y miles de dólares. El mismo fallo identificado en ensayos clínicos de Fase III ha consumido años y cientos de millones. Toda la disciplina del I+D por etapas se diseñó para gestionar esta asimetría: matar las malas ideas lo antes posible.
La IA no cambia el objetivo. Cambia la velocidad y la precisión con las que se matan las malas ideas, y la amplitud con la que se encuentran las buenas.
De la búsqueda estrecha al espacio de opciones ampliado
Lo primero que la IA cambia en I+D es la escala de la búsqueda. Los investigadores humanos, por expertos que sean, están limitados por lo que pueden leer, sintetizar y probar en una vida laboral. Los sistemas de IA no lo están.
Merck KGaA despliega IA para cribar virtualmente dianas químicas en toda su quimioteca. El sistema puede cribar más de 60 000 millones de dianas químicas en minutos, identificando listas cortas que los químicos humanos evalúan después. Lo que antes exigía años de trabajo experimental se comprime en un paso de precribado. La velocidad es la ganancia menor; la mayor es un espacio de búsqueda fundamentalmente más grande. Merck KGaA declara un ahorro del 70% en tiempo y coste con este enfoque.
La plataforma de investigación agéntica de Insilico Medicine va más lejos: diseño de fármacos impulsado por IA de extremo a extremo, desde la identificación de la diana hasta el candidato preclínico. El tiempo medio de la compañía hasta el candidato preclínico es ahora de 13 meses, un plazo que se habría considerado inverosímil en el I+D farmacéutico tradicional hace cinco años.
Fallar pronto o fallar caro
La estructura de costes del I+D tradicional es una cascada. Cada etapa consume más capital que la anterior. Un candidato a fármaco que llega a Fase III y falla ha absorbido la mayor parte de la inversión sin ningún retorno. La IA desplaza el modelo de costes al mover la detección del fallo a la etapa más temprana posible.
El despliegue de IA de Lundbeck en su programa de I+D en neurociencia ilustra en la práctica el principio de fallar pronto. La compañía construyó un grafo de conocimiento que integra 54 millones de historiales médicos, permitiendo a la IA identificar dianas farmacológicas y contraindicaciones con una identificación de dianas un 80% más rápida que la revisión bibliográfica convencional. Las dianas que habrían avanzado a un trabajo de laboratorio costoso se filtran en la etapa de síntesis del conocimiento.
Ignota Labs demuestra el principio en el otro extremo del calendario: candidatos a fármaco abandonados que habían fallado en ensayos fueron rediseñados con IA, devolviéndolos a programas clínicos en menos de dos años y por menos de 1 millón de dólares. El rediseño convencional habría exigido siete u ocho años y 10 millones de dólares o más. La IA no hizo la ciencia más fácil. Acortó el ciclo de iteración.
De los prototipos físicos a la validación virtual
En todas las industrias de producto, no solo la farmacéutica, el informe WEF/Accenture 2026 constata que la IA desplaza las pruebas de fase temprana de lo físico a lo virtual. La lógica es coherente: los gemelos digitales y la simulación pueden validar la mayor parte de aquello para lo que se usan los prototipos físicos, a una fracción del coste y en una fracción del tiempo. Las pruebas físicas quedan entonces reservadas al pequeño número de candidatos de alta confianza que ya han superado el escrutinio computacional.
Landing Med usa sistemas de manipulación de líquidos con IA para automatizar el procesamiento de cultivos celulares, aumentando el rendimiento de cribado de 12 a 60 muestras por hora (una mejora de productividad de 5×) mientras ejecuta más de 13 millones de cribados. El volumen de trabajo de validación hoy accesible computacionalmente sencillamente no era alcanzable con un rendimiento operado por humanos.
El despliegue de IA de Google en el I+D de software sigue la misma lógica estructural: los LLM generan interacciones de prueba sintéticas, automatizan las pruebas de seguridad y se ha demostrado que resuelven aproximadamente el 12% de las incidencias duplicadas en los flujos de prueba. El principio es idéntico en todos los dominios: usar la IA para ampliar la superficie de prueba antes de comprometer una revisión humana costosa.
Ciclos cortos de aprendizaje como modelo operativo
El cambio más profundo que la IA introduce en el I+D es el colapso del intervalo entre hipótesis, prueba y aprendizaje. Los ciclos de aprendizaje del I+D tradicional se miden en meses o años. Los ciclos de aprendizaje del I+D habilitado por IA se miden en días o semanas. Esto cambia el modelo operativo de una organización de investigación.
SandboxAQ ha construido un coinvestigador agéntico jerárquico que funciona como asistente de investigación continuo en lugar de como herramienta puntual. El sistema ejecuta investigaciones en paralelo, sintetiza resultados entre la literatura y los datos internos, y eleva los hallazgos a los investigadores humanos para su evaluación. SandboxAQ declara un rendimiento de proyectos 4× mayor y una reducción del 50% en el tiempo de competición como resultado directo.
La habilitación de IA de extremo a extremo de JLL para sus equipos de ingeniería y tecnología demuestra el mismo efecto acumulativo en un contexto ajeno a la ciencia. Los equipos de desarrollo frontend declaran un ahorro de tiempo del 75–85% en tareas rutinarias, con una reducción de recursos del 30% en todo el programa. El mecanismo es idéntico: la IA comprime el ciclo probar-construir-validar, y la capacidad humana migra a las decisiones que la exigen.
Las organizaciones de I+D que se están adelantando hacen más que ejecutar herramientas de IA: están rediseñando la gobernanza de su cartera, redefiniendo qué constituye un fallo aceptable en fase temprana y reestructurando las puertas de decisión en torno a las salidas de la IA en lugar de a los ciclos de revisión humana. La tecnología comprime el calendario. La arquitectura organizativa determina si esa compresión se traduce en ventaja competitiva.
Frequently asked questions
How is AI accelerating drug discovery?+
AI enables organizations to screen billions of molecular candidates computationally before committing to lab work. Merck KGaA can virtually screen over 60 billion chemical targets in minutes, narrowing to a shortlist for human review — compressing what previously took years into weeks.
What is virtual-first validation in R&D?+
It means shifting most early testing from physical prototypes to simulations and digital twins, reserving physical testing only for high-confidence candidates. This lowers the cost and cycle time of early R&D, allowing more programmes to run simultaneously.
How much can AI reduce R&D cycle times?+
The WEF/Accenture 2026 report cites 20–80% acceleration in R&D cycle times across product industries, up to 50% reduction in time-to-market, and 70% increase in R&D success rates.
Free download
2026 AI Transformation Executive Brief
The WEF data, distilled. Key findings, adoption stages, and the five structural decisions — in one PDF. Or read it now: The 15% Gap (PDF).