La inteligencia artificial (IA) se está consolidando como una herramienta indispensable en múltiples sectores, y la industria del descubrimiento de medicamentos no es la excepción. Para 2025, el uso de la IA en esta área ha evolucionado significativamente, incorporándose de manera más pragmática y estructurada. El proceso de desarrollo de fármacos, tradicionalmente largo y costoso, está siendo optimizado gracias a la capacidad de la IA para analizar grandes volúmenes de datos, automatizar tareas complejas y ofrecer nueva perspectiva en la identificación de compuestos prometedores. Durante los últimos años, la adopción de tecnologías basadas en IA en la investigación farmacéutica ha transitado desde una etapa inicial de escepticismo y altas expectativas poco realistas, hacia una realidad más moderada y tangible. En eventos clave como la conferencia Bio-IT World 2025, expertos del sector han destacado un cambio en el discurso hacia aplicaciones concretas que facilitan el trabajo diario de científicos y desarrolladores.
Una de las tendencias más significativas observadas es la democratización en el uso y creación de modelos de IA. Esto significa que cada vez más investigadores tienen acceso a herramientas de aprendizaje automático que anteriormente requerían de altos conocimientos técnicos o recursos computacionales excepcionales. Plataformas que integran editores químicos universales, sistemas para el registro y comparación de compuestos y flujos de trabajo colaborativos están facilitando que pequeños y medianos laboratorios puedan incorporar IA en su praxis. El desarrollo de sistemas que conectan hipótesis científicas con la selección de compuestos y capacidades computacionales ha permitido acelerar fases críticas del diseño y optimización molecular. Un buen ejemplo de esto es cómo se emplean modelos generativos para proponer nuevas moléculas con propiedades deseables o para predecir perfiles de toxicidad, aspectos que tradicionalmente requerían ensayos experimentales prolongados.
No obstante, la incorporación de la IA no está exenta de retos. Entre los principales desafíos figura el problema conocido como "alucinaciones" de los modelos. Esto sucede cuando las herramientas de IA generan resultados o predicciones que parecen plausibles, pero carecen de fundamento real en los datos científicos. La tendencia a la confirmación de sesgos es otro aspecto crítico que puede llevar a conclusiones erróneas si no se implementan controles adecuados. Por ello, la industria ha empezado a crear guardarraíles corporativos centrales para reglamentar el uso de IA en entornos críticos.
Estos mecanismos incluyen restricciones sobre el tipo de datos que se pueden ingresar a los sistemas, validaciones específicas para tareas de alto riesgo y la implementación de perfiles de riesgo que determinan el grado de autonomía que pueden tener los algoritmos en la toma de decisiones. La privacidad de los datos y la protección contra accesos inapropiados también son cuestiones prioritarias, dado el manejo frecuente de información sensible. La transparencia y la explicabilidad de los modelos de IA son también pilares fundamentales. Científicos y desarrolladores requieren tener trazabilidad sobre cómo se llegó a una determinada predicción o recomendación. Esto incluye la capacidad de enlazar resultados con documentos científicos, bases de datos confiables o ejemplos moleculares similares en los conjuntos de entrenamiento.
La confianza en la IA se fortalece cuando las decisiones pueden ser auditadas y verificadas, evitando el "caja negra" en el que a menudo se tildaba a estos modelos. Un área que ha experimentado un auge notable es la incorporación de agentes de IA generativa, especialmente en la interacción cotidiana con científicos. Herramientas basadas en modelos de lenguaje de gran escala ayudan a producir documentos, facilitar la creación de aplicaciones de prueba de concepto y, especialmente, simplificar la búsqueda y consulta de datos en repositorios complejos. La técnica de Recuperación Aumentada por Generación (RAG) ha demostrado ser crucial para mejorar la precisión de estas búsquedas y obtener respuestas más coherentes y contextualizadas. Entidades como Certara y Novartis han sido pioneras en mostrar cómo la inteligencia artificial puede cerrar el ciclo de datos en el ciclo de diseño, fabricación, prueba y análisis (DMTA).
Certara se ha enfocado en la integración de sistemas que permiten visualizar y consultar información de manera transparente, mientras que Novartis ha explotado un vasto archivo interno de reportes científicos a través de IA para rescatar conocimiento disperso y valioso que antes resultaba inaccesible o poco práctico de consultar. El paralelo entre la adopción masiva de la IA y la nube es ilustrativo de la transformación digital que está viviendo el sector. Ambas tecnologías parecían lejanas durante años, pero en un corto periodo se integraron en los flujos de trabajo diarios. Igualmente, se destaca que la IA no viene a reemplazar a los científicos, sino a potenciar su trabajo, al proporcionar herramientas que amplían su capacidad operativa y analítica. Las perspectivas futuras apuntan a que la tendencia por mejorar la colaboración entre humanos y máquinas continuará fortaleciéndose.
