Recreando el "momento semiconductor": la versión de IA farmacéutica de la "bottleneck trading" está tomando forma, ¿quién será el próximo "vendedor de palas"?

La inteligencia artificial está remodelando la lógica fundamental del descubrimiento de fármacos, y una oportunidad de inversión similar a la "operación cuello de botella" de la industria de los semiconductores está formándose silenciosamente en la cadena de suministro farmacéutica.

El 4 de octubre, Freda Duan, socia del fondo de capital dólar de alto nivel Altimeter Capital, señaló recientemente que la "operación cuello de botella" en el ámbito del desarrollo farmacéutico impulsado por IA (AIDD) está tomando forma, con una estructura muy similar al patrón encadenado que en semiconductores fue de las GPU extendiéndose a HBM, redes y energía eléctrica.

El ingreso colectivo de laboratorios avanzados de IA es la señal más destacada. Anthropic formó un equipo de investigación propio para ciencias de la vida y estableció un laboratorio húmedo; OpenAI desarrolló la familia de modelos GPT-Rosalind diseñada para biología y descubrimiento de fármacos; Anew Labs, bajo la administración independiente de ByteDance, ya cuenta con una biblioteca interna para investigación y desarrollo de medicamentos; Isomorphic Labs ha declarado explícitamente que llevará los fármacos diseñados por IA a ensayos clínicos en humanos.

Al mismo tiempo, las señales en el lado de la cadena de suministro también son claras. Twist Bioscience (TWST), proveedor de síntesis de ADN, estima que los pedidos relacionados con el descubrimiento de medicamentos mediante IA crecerán a tasas de tres dígitos porcentuales en los periodos fiscales 2026 y 2027. El negocio de descubrimiento de medicamentos por IA de GenScript duplicó sus ingresos en la primera mitad del ejercicio 2026, y estudios de canal muestran que su capacidad validada llega a aproximadamente 8.000 diseños diarios, con posibilidades de alcanzar 16.000 para fin de 2026.

Esta lógica es altamente similar a la ruta de transmisión de cuellos de botella en la industria de los semiconductores. La escasez de GPU impulsó la explosión sucesiva en la demanda de HBM, equipos de red, energía eléctrica y sistemas de enfriamiento.

En el campo farmacéutico impulsado por IA, los cuellos de botella también se transfieren hacia abajo en la cadena industrial: del diseño generado por el modelo de IA → síntesis de ADN → producción de proteínas → verificación experimental → pruebas preclínicas, y cada eslabón puede convertirse en el siguiente nodo beneficiado.

(Los datos de la cadena de suministro muestran que los eslabones ascendentes del descubrimiento y la I+D preclínica temprana ya están comenzando a sentir el impacto del aumento en el volumen experimental)

Freda Duan describe en su artículo el panorama actual del desarrollo farmacéutico por IA como un verdadero "cambio de régimen".

Anthropic ya ha elevado la investigación en ciencias de la vida al nivel estratégico; su primer proyecto importante en laboratorio húmedo fue el uso de Claude para identificar un sistema enzimático relacionado con repeticiones tipo CRISPR en ADN, anteriormente no caracterizado.

La familia de modelos GPT-Rosalind de OpenAI abarca química farmacéutica, ingeniería de proteínas, genómica y flujos de trabajo experimentales.

El antiguo departamento de descubrimiento de medicamentos por IA de ByteDance ahora opera de forma independiente bajo el nombre de Anew Labs, integrando modelos base, verificación en laboratorio húmedo y una cartera propia de medicamentos, con ByteDance aún manteniendo la mayoría accionaria.

Isomorphic Labs ha anunciado explícitamente que su objetivo es llevar medicamentos diseñados por IA a la fase de ensayos clínicos en humanos.

Es importante notar que los caminos comerciales de las distintas instituciones presentan diferencias claras.

• Anthropic está más orientada a investigación y plataforma, y ha declarado que no pretende convertirse en una empresa biotecnológica tradicional enfocada en la etapa clínica.
• Anew Labs de ByteDance se ajusta más al modelo de plataforma biotecnológica con cartera propia de fármacos.
• Isomorphic Labs se sitúa en un punto intermedio y promete llevar por sí misma los medicamentos a la clínica.

Esto significa que el camino de comercialización del descubrimiento de medicamentos por IA se está bifurcando: licenciamiento a grandes empresas farmacéuticas, hitos de colaboración y regalías de patentes, o la incubación directa de compañías independientes. Para la cadena de suministro downstream, sea cual fuere la ruta, el crecimiento de la demanda experimental será real.

Si la IA aumenta la eficiencia, ¿por qué crece el volumen experimental en laboratorios húmedos? La respuesta es que la IA cambia fundamentalmente la economía de la generación de hipótesis.

Primero, la generación de hipótesis tiende a costo cero, y la validación experimental se convierte en el nuevo cuello de botella. En el descubrimiento tradicional de medicamentos, el filtrado experto de candidatos es costoso, y sólo los de mayor confianza entran en procesos de validación costosos.

La IA permite diseñar moléculas candidatas sin prácticamente costo marginal, lo que aumenta enormemente las oportunidades de "salir al campo", y traslada el cuello de botella del diseño a la validación biológica.

Segundo, los experimentos fallidos también importan; los ejemplos negativos enriquecen el entrenamiento. Anthropic da un caso típico: Claude diseñó 1.320 enlazadores proteicos, Adaptyv transformó estas secuencias numéricas en ADN, expresó las proteínas y testeó la unión; solo 354 tuvieron éxito.

Pero los otros 966 fracasos no se desperdiciaron: saber qué no expresa, qué no une o qué tiene baja afinidad produce etiquetas negativas valiosas que ayudan a entrenar la siguiente ronda de modelos. El descubrimiento tradicional sólo pregunta "¿sirve el candidato X?", el descubrimiento por IA pregunta también "¿qué puede aprender el modelo de este experimento?"

Tercero, el laboratorio húmedo está mutando de fabricar medicamentos a fabricar datos de entrenamiento. TWST ha declarado que su negocio está virando a generar desde las secuencias diseñadas por IA resultados experimentales estructurados, listos para alimentar modelos. El flujo de datos de secuencia a unión de GenScript puede devolver resultados en 4 a 7 días.

En algunos flujos de trabajo, el cliente ya no busca la proteína física en sí, sino retornar el resultado estructurado al modelo. TWST y GenScript se parecen así cada vez más a "fundidoras de datos biológicos".

El artículo indica que, más allá de la lógica teórica, ya existen señales cuantificables y rastreables en la cadena de suministro.

TWST prevé un crecimiento de pedidos para descubrimiento de fármacos por IA del 100% anual en FY26 y el mismo ritmo en FY27. GenScript duplicó su negocio de descubrimiento por IA en el primer semestre de FY26, y promueve una capacidad validada de más de 4.000 diseños diarios con flujo de trabajo completo de secuencia a datos.

La investigación de canal muestra un avance aún mayor: la capacidad real ronda hoy los 8.000 diseños diarios y podría llegar a los 16.000 para fines de 2026.

Desde la perspectiva de la cadena de suministro, los beneficios se reparten sucesivamente: modelos de IA → diseño de secuencias → síntesis de ADN (TWST, etc.) → producción de proteínas (GenScript, etc.) → validación experimental → secuenciación (ILMN, TXG, etc.) → equipos automatizados → pruebas preclínicas (CRO).

En cuanto a mercado, si la IA es solo una herramienta más eficiente de I+D, el gasto relacionado ronda los 300.000 a 400.000 millones de dólares anuales en I+D farmacéutica global. Si la IA aumenta realmente el número de proyectos farmacéuticos viables, la oportunidad será aún mayor, ya que impulsará adicionalmente la demanda de síntesis de ADN, producción de proteínas, validación experimental y trabajos preclínicos.

Además, puede hacerse una estimación partiendo del gasto propio de las empresas de IA. Si Anthropic logra unos ingresos anualizados de 80.000 millones USD en 2026 y destina solo el 1% al descubrimiento de medicamentos por IA, eso ya equivale a cerca de 800 millones USD de inversión anual.

Freda Duan advierte que los inversores familiarizados con el tema recordarán instintivamente el boom y colapso en AIDD entre 2020 y 2021.

La molécula DSP-1181 de Exscientia pasó en menos de un año del descubrimiento a la Fase I clínica, pero el estudio fue discontinuado al no alcanzar los criterios de evaluación clínica. El fracaso en ese entonces tuvo dos razones claras: un entorno macroeconómico que se endureció drásticamente, y la constatación de que "descubrir más rápido no significa mejor biología clínica".

Sin embargo, Freda Duan cree que el contexto de 2026 es fundamentalmente distinto, ya que esa ola ocurrió antes de la aparición de GPT.

La lógica central en 2020/21 era: usar computación para reducir los tests de bajo valor en laboratorio húmedo, la IA era una herramienta de eficiencia de búsqueda cuyo objetivo era disminuir los experimentos físicos, logrando mejores candidatos con menos síntesis y menos pruebas.

La lógica de 2026 es completamente diferente: usar la IA para expandir masivamente el espacio de hipótesis, y luego generar los datos de validación reales en laboratorio húmedo. El ciclo es: IA→experimento→datos→mejor IA→más experimentos. La enorme cantidad de experimentos posibles creados por la IA convierte a la biología física en sí en un cuello de botella.

Según datos actuales, un estudio de 2024 muestra que la tasa de éxito de Fase I para fármacos descubiertos por IA va del 80% al 90%, por encima del promedio histórico; la de Fase II ronda el 40%, similar a la histórica, aunque la muestra aún es limitada.

Freda Duan enfatiza que la síntesis de ADN y la producción de proteínas son hoy los cuellos de botella más directos.

A medida que más candidatos acceden a la etapa preclínica, los experimentos en animales podrían ser el próximo cuello de botella. Los precios de primates no humanos están cerca de máximos históricos, la capacidad de las CRO sigue siendo ajustada, y la llegada de más candidatos desde el descubrimiento por IA sólo agravará esa presión.

Los analistas creen que este ciclo de inversión podría durar hasta la publicación de resultados clínicos fase I/II en y después de 2028, sin un desenlace lógico definitivo a corto plazo. Hitos clave:

• Finales de 2026 a 2027: los primeros fármacos diseñados por IA de Isomorphic ingresan a ensayos clínicos en humanos; otros proyectos nativos de IA avanzan a la etapa preparatoria IND;
• 2028 a 2030: los resultados clínicos empiezan a revelar si los medicamentos diseñados por IA superan efectivamente a los tradicionales.

A corto plazo, si el presupuesto experimental deja de crecer, los diseños generados por IA no pueden traducirse en resultados efectivos en laboratorio húmedo o la capacidad aumenta más rápidamente que la demanda, la oportunidad de inversión upstream ("pico y pala") sufrirá presión.

A largo plazo, si los medicamentos descubiertos por IA muestran buen desempeño en la etapa inicial y Fase I, pero caen con tasas de fracaso habituales en Fases II/III, la lógica global de inversión afrontará un reto estructural; por eso los resultados de Fase II son tan cruciales.

El profesor Quanquan Gu de UCLA ofrece un excelente resumen de este razonamiento:

La biología puede convertirse en la próxima frontera de mejora recursiva autoalimentada por IA: diseñada en computadoras, puesta a prueba en el laboratorio, los resultados experimentales se integran como datos semisintéticos de entrenamiento, se mejora el modelo, y el ciclo continúa.