IA conquista la ciencia: del Nobel 2024 a AlphaFold, la revolución de founders en biotech

En octubre de 2024, la Real Academia Sueca hizo oficial lo que los laboratorios científicos ya sabían: la inteligencia artificial había dejado de ser una herramienta experimental para convertirse en el motor de la investigación moderna. Ese año, el Premio Nobel de Física reconoció a John Hopfield y Geoffrey Hinton por sus contribuciones fundamentales a sistemas de aprendizaje automático. Pero fue el Nobel de Química el que capturó la magnitud del cambio: David Baker, Demis Hassabis y John Jumper lo recibieron por AlphaFold, un sistema que resolvió uno de los problemas más antiguos de la biología molecular. Durante cincuenta años, los científicos habían intentado predecir cómo se pliegan las proteínas en el espacio tridimensional, un proceso que requería años de trabajo experimental y cientos de miles de dólares por proteína. AlphaFold lo hace en minutos.

El alcance de AlphaFold trasciende los muros de la academia. Su base de datos pública contiene más de 200 millones de predicciones de estructuras proteicas y ha sido consultada por investigadores en 190 países. En 2024, Google DeepMind lanzó AlphaFold 3, una versión ampliada que no solo predice proteínas individuales sino también cómo interactúan con otras moléculas: ADN, ARN y candidatos farmacéuticos. De esa investigación surgió Isomorphic Labs, una empresa derivada de Alphabet diseñada específicamente para llevar estos modelos al mercado farmacéutico real. Para los fundadores de startups de biotecnología, el cambio es radical. Lo que antes consumía años y presupuestos enormes ahora se resuelve en horas. Eso significa que el costo y el tiempo de investigación y desarrollo en las fases tempranas de descubrimiento se han desplomado.

El impacto de la IA en la ciencia no se limita a las proteínas. Un estudio publicado en la revista Nature demostró que un modelo de inteligencia artificial predijo la estructura atómica de 2,2 millones de nuevos materiales, un volumen equivalente a casi 800 años de conocimiento científico acumulado según los autores. Lo notable no es solo el número, sino que cientos de esos materiales predichos fueron posteriormente sintetizados y validados en laboratorios de todo el mundo, confirmando que las predicciones no eran especulación teórica sino realidad comprobable. La diferencia con los métodos tradicionales es fundamental. Los enfoques clásicos de química computacional podían evaluar miles de combinaciones, pero dependían de la intuición humana sobre qué probar. Un modelo generativo entrenado en estructuras cristalinas conocidas puede proponer candidatos que ningún químico habría imaginado, evaluarlos a escala masiva y entregar a los investigadores los más prometedores. Para fundadores en materiales, energía o química, esto redefine la ecuación de investigación: la limitación ya no es cuántos experimentos puedes ejecutar, sino cuántos candidatos prometedores puedes generar antes de gastar recursos en síntesis.

En la industria química real, BASF, el gigante alemán con ventas cercanas a 60.000 millones de euros en 2025, está implementando esta transformación en dos frentes concretos. ZoomLab funciona como un asistente virtual para científicos farmacéuticos, analizando miles de combinaciones químicas antes de que lleguen al laboratorio, prediciendo si una mezcla será efectiva y permitiendo seleccionar ingredientes correctos desde el inicio. La herramienta ya se ha usado para capacitar a estudiantes y profesores del Magíster en Ciencias Farmacéuticas de la Universidad de Chile, y BASF ha anunciado nuevas sesiones de entrenamiento con esa institución. D'lite, la segunda herramienta, cruza datos científicos internos con información de mercado en tiempo real, analizando tendencias en redes sociales y sitios de reseñas sobre más de 3,8 millones de productos de consumo y 4.000 marcas, apoyándose en una base de 4.500 formulaciones ya desarrolladas por BASF. El objetivo es decidir qué producto lanzar incluso antes de que el equipo entre al laboratorio.

Los números que McKinsey proyecta para el impacto económico subrayan la escala de esta transformación. La consultora estima que la IA podría generar entre 60.000 y 110.000 millones de dólares anuales en valor económico para la industria farmacéutica, gracias a mejoras en investigación, desarrollo y producción. No son ahorros marginales en márgenes ya ajustados: es una reconfiguración completa del costo total del pipeline de desarrollo.

Para los fundadores de startups, el mensaje es claro. Lo que hace dos años requería un doctorado y años de computación intensiva ahora se resuelve con una API y un notebook. Si trabajas en biotecnología o farmacéutica, integrar AlphaFold 3 o APIs equivalentes en tu flujo de descubrimiento reduce el tiempo a hipótesis de meses a horas, permitiendo iterar más rápido en validación técnica y reducir el gasto en fases tempranas. Si trabajas en materiales, energía o química, existen modelos de código abierto para predicción de propiedades y generadores de estructuras cristalinas disponibles en repositorios públicos; combinarlos con bases de datos abiertas reduce drásticamente el costo de tu pipeline experimental. Si construyes herramientas B2B para la industria química o farmacéutica, ZoomLab y D'lite marcan el estándar funcional que los compradores esperarán. Una herramienta que no reduzca tiempo de descubrimiento o que no cruce ciencia con inteligencia de mercado parecerá obsoleta en la próxima demostración.

La frontera competitiva ha cambiado de forma fundamental. Ya no se trata solo de ejecutar más experimentos, sino de generar mejores hipótesis antes de gastar reactivos. Ese cambio aplica a la química, la biotecnología, la ciencia de materiales y, cada vez más, a cualquier startup que dependa de investigación y desarrollo.