En una pantalla, una molécula puede parecer ideal. Encaja con su diana, presenta un perfil alentador y merece, según el algoritmo, ser fabricada. En el organismo de un paciente, la historia se complica: absorción insuficiente, efectos adversos, una enfermedad más heterogénea de lo previsto. La verdadera prueba de los medicamentos surgidos de la inteligencia artificial comienza donde termina la demostración informática. Las trayectorias de Insilico Medicine y Recursion ilustran esa distancia entre la velocidad del descubrimiento y la evidencia médica. Con septiembre de 2026 en el horizonte, los resultados ya publicados dan motivos para la esperanza, pero desde luego no permiten sacar conclusiones definitivas.
Un descubrimiento acelerado no equivale a una curación acelerada
Diseñar un medicamento supone varias apuestas sucesivas. Hay que identificar un mecanismo biológico pertinente, encontrar una sustancia capaz de modificarlo, comprobar que llega al tejido adecuado y determinar una dosis tolerable. Después hay que demostrar que esa intervención mejora realmente la salud. La IA puede intervenir en cada etapa, pero las evidencias obtenidas no son intercambiables.
Un modelo eficaz para predecir la unión de una molécula a una proteína no sabe necesariamente predecir una hospitalización evitada. Un experimento exitoso con células no reproduce ni el envejecimiento, ni los tratamientos concomitantes, ni toda la complejidad inmunitaria de un enfermo. Acelerar la selección de un candidato acorta un plazo de investigación; no valida automáticamente la hipótesis terapéutica.
El vocabulario a veces alimenta la confusión. «Medicamento diseñado con IA» puede referirse a una estructura química generada por un modelo, una diana identificada en datos biológicos o una molécula existente destinada a una nueva indicación. Estos enfoques ofrecen ventajas diferentes. Reunirlos bajo una misma etiqueta facilita la comunicación, pero no tanto la evaluación científica.
Insilico: un candidato emblemático frente a la fibrosis pulmonar
Insilico Medicine ilustra el enfoque que combina el descubrimiento de dianas y la generación de moléculas. Su candidato rentosertib, anteriormente conocido como INS018_055, actúa sobre TNIK, una cinasa implicada en mecanismos relacionados con la fibrosis. La empresa lo ha desarrollado contra la fibrosis pulmonar idiopática, una enfermedad progresiva en la que el tejido pulmonar se deteriora y la respiración se vuelve difícil.
El programa recibe especial atención porque materializa una promesa durante mucho tiempo abstracta: llevar una propuesta algorítmica del laboratorio al ser humano. La IA contribuyó a seleccionar la diana y después a diseñar el candidato. Esto constituye un éxito de desarrollo, sin demostrar por sí solo que el tratamiento vaya a cambiar de forma duradera la evolución de la enfermedad.
Los resultados de fase IIa publicados en 2025 en Nature Medicine aportaron una primera señal clínica alentadora. Este estudio, de tamaño limitado y corta duración, examinaba principalmente la seguridad y la tolerabilidad, al tiempo que exploraba, entre otros aspectos, la función respiratoria. Las observaciones justifican continuar las investigaciones; no sustituyen una demostración confirmatoria en una población más amplia.
En esta enfermedad, una variación favorable de la capacidad vital forzada —el volumen de aire espirado durante una maniobra respiratoria— merece atención. Pero hay que saber si el efecto persiste, si resiste un análisis estadístico sólido y cómo se articula con los tratamientos disponibles. La calidad de vida, los empeoramientos y la tolerabilidad a largo plazo también cuentan. Un estudio pequeño no puede responder con solidez a todas estas preguntas.
Recursion: cartografiar la biología en lugar de limitarse a diseñar moléculas
Recursion sigue una vía diferente, aunque los enfoques convergen. La empresa combina experimentación automatizada, imágenes celulares y aprendizaje automático. Su ambición: observar cómo reaccionan las células a perturbaciones genéticas o químicas y, después, identificar relaciones que puedan abrir una vía terapéutica. El algoritmo sirve aquí para leer un inmenso mapa experimental de los sistemas vivos.
La integración con Exscientia, completada en 2024, combinó este enfoque con capacidades de diseño molecular asistido por IA. El objetivo industrial es comprensible: vincular más estrechamente el descubrimiento biológico, la química y el desarrollo clínico. Pero reunir plataformas todavía no demuestra que los medicamentos que surjan de ellas vayan a tener más éxito en sus ensayos.
El caso de REC-994 también recuerda por qué hay que examinar cada programa por separado. Esta molécula, evaluada contra las malformaciones cavernosas cerebrales, no es una creación completamente nueva de una IA generativa. Recursion anunció en 2024 que su estudio de fase II había alcanzado su objetivo principal de seguridad y tolerabilidad, con observaciones exploratorias procedentes, entre otras fuentes, de las pruebas de imagen. Alcanzar un objetivo de seguridad no equivale a demostrar eficacia clínica.
Para los pacientes afectados, la cuestión decisiva sigue siendo la de las consecuencias de estas lesiones: síntomas, discapacidad o acontecimientos neurológicos. Un cambio radiológico puede orientar las investigaciones sin constituir, por sí solo, una prueba suficiente de beneficio. Por tanto, los avances posteriores de estos programas deben juzgarse por sus resultados publicados, y no deducirse del rendimiento anunciado de la plataforma.
Por qué los ensayos siguen siendo un paso obligado
Un ensayo clínico bien diseñado establece una comparación que las impresiones individuales no permiten. La aleatorización limita las diferencias iniciales entre grupos. El enmascaramiento reduce ciertas influencias sobre la evaluación. Un criterio principal definido de antemano impide elegir a posteriori el resultado más favorable entre decenas de mediciones.
Tres preguntas permiten descifrar los anuncios:
- ¿Qué debía demostrar el estudio? La tolerabilidad, una dosis adecuada o un beneficio terapéutico no constituyen el mismo objetivo.
- ¿Qué solidez tiene el resultado? El tamaño de la muestra, el grupo comparador, la duración y la incertidumbre estadística determinan su alcance.
- ¿Qué cambia para el paciente? Un biomarcador alentador no siempre equivale a una mejora perceptible o duradera.
La IA puede ayudar a reclutar participantes, identificar determinados perfiles de pacientes o aprovechar datos complejos. También puede introducir sesgos si sus recomendaciones se basan en poblaciones poco representativas. Estas herramientas deben validarse para el uso previsto. No eximen de un protocolo riguroso ni de una vigilancia atenta de los efectos adversos.
El verdadero balance se medirá en varios programas
Una primera autorización sería un hito importante, no una prueba universal de la superioridad de la IA. A la inversa, el fracaso de un candidato no condenaría todos los métodos. Para evaluar su aportación, habrá que comparar conjuntos de proyectos: tiempo ahorrado, gastos realizados, calidad de los candidatos y probabilidad de superar las etapas clínicas.
Este balance deberá incluir las vías sin salida. Una plataforma puede generar valor si abandona antes una vía equivocada, antes de un ensayo costoso. Pero también es necesario hacer visibles esos abandonos. El tiempo de descubrimiento, que suele destacarse, cuenta una parte de la historia; el coste total de un medicamento eficaz cuenta la otra.
¿Y ahora qué? La perspectiva más creíble para septiembre de 2026 y los años posteriores no es la de unos ensayos que hayan dejado de ser necesarios, sino la de candidatos mejor seleccionados y estudios mejor preparados. Insilico y Recursion deberán convertir sus ventajas tecnológicas en beneficios reproducibles para los enfermos. La IA habrá cambiado realmente la industria farmacéutica cuando ayude a producir, con mayor eficiencia, tratamientos cuya utilidad resista la comparación clínica.