Bristol Myers Squibb invirtió una cifra multimillonaria en un sistema de IA de Nvidia para investigación de fármacos, pero los resultados distaron mucho de lo esperado. El error principal fue asumir que la IA reemplazaría el juicio experto en lugar de complementarlo. Según McKinsey, solo el 30% de las implementaciones de IA en I+D farmacéutica han cumplido sus objetivos iniciales, y el problema suele estar en la estrategia, no en la tecnología.
Déjame contarte cómo funciona esto cuando el dinero no es problema y contratas a consultores de peineta, presentaciones en PowerPoint y una factura que da calambre. He visto proyectos que empezaron con efervescencia y café de máquina cara, y terminaron con un archivo PDF de 200 páginas que nadie leyó. Pero bueno, vayamos al grano.
El espejismo de la Inteligencia Artificial todopoderosa
Mira, cuando una compañía como Bristol Myers Squibb decide comprar un sistema de Nvidia para descubrir fármacos, hay una expectativa casi mística. Se imaginan moléculas nuevas brotando como setas después de la lluvia. Se imaginan el Nobel al año siguiente. Pero la IA no es un oráculo griego, es una máquina de probabilidades que necesita datos limpios, preguntas bien formuladas y gente que sepa interpretar sus salidas.
Te cuento lo que pasa: metes millones en hardware y software, contratas a tres doctores en machine learning, y asumes que el resto vendrá solo. Error. La IA no sabe de biología, no sabe de química orgánica, no sabe de las décadas de experiencia clínica que tiene el equipo humano. Lo que hace es encontrar patrones en los datos que le das. Si los datos son incompletos, sesgados o simplemente hay pocos, te va a devolver basura estadística.
En mi experiencia, el verdadero problema no es la tecnología, es la estrategia. He visto pymes comprar un sistema de chatbot pensando que iba a resolver todas las quejas de clientes, y luego se encuentran con un bot que responde “lo siento, no entiendo tu consulta” a todo. Lo mismo pasa en farmacia: si no defines bien qué problema quieres resolver, la IA se convierte en un juguete de 500.000 euros.
Según Gartner, el 70% de las iniciativas de IA en empresas no logran superar la fase de prototipo debido a una mala definición del problema y expectativas poco realistas.
La alternativa no es renunciar a la IA, sino ser humilde con ella. Pregúntate primero: ¿qué problema específico quiero resolver? ¿Dónde tengo los datos? ¿Quién sabe interpretar los resultados? Porque si no tienes eso claro, más te vale gastar ese dinero en un buen investigador humano.
El silencio del departamento de I+D
Ojo con esto: el error menos obvio es no involucrar a los que realmente saben del tema. La investigación farmacéutica no es un videojuego donde instalas un software y empiezas a descubrir curas. Es un campo donde la bioquímica, la farmacología, la medicina y la estadística se mezclan como un cóctel explosivo. Y cada uno de esos expertos tiene un conocimiento tácito que ningún modelo de lenguaje puede capturar.
Lo que pasa a menudo es que el departamento de TI compra la herramienta sin hablar con el de I+D. O el de innovación lee un artículo sobre DeepMind, se emociona, y encarga un sistema sin preguntar al equipo de investigación si realmente necesitan eso. Y luego tienes a químicos orgánicos de 50 años mirando una pantalla con gráficos de redes neuronales preguntándose qué narices están viendo.
Yo mismo lo he hecho, te la confieso: monté un sistema de análisis de documentos para un laboratorio pequeño, y asumí que el equipo sabría cómo integrarlo en su flujo de trabajo. Error. No pregunté cómo buscaban la información, no entendí que necesitaban filtros por fecha de patente y por tipo de compuesto, y terminé con una herramienta que usaban dos personas de manera irregular. Tuve que sentarme con ellos, pedir perdón, y rediseñar todo desde cero.
La adopción de IA no es un problema tecnológico, es un problema de personas. Si no entiendes cómo trabajan, cómo piensan y qué necesitan, tu sistema será un bonito monumento a la inutilidad.
La alternativa es tan simple como incómoda: reuniones largas, preguntas tontas, y escuchar más de lo que hablas. El experto en la materia te dirá “necesito priorizar las moléculas que tienen más probabilidad de superar la fase II de ensayos clínicos”. Tú tienes que traducir eso a un problema de machine learning de clasificación multiclase con clases desbalanceadas. Y eso solo se consigue sudando juntos.
El pecado capital de los datos sucios
Aquí va otro que duele: la IA come datos, pero no come cualquier cosa. Come datos limpios, estructurados, etiquetados y relevantes. Y en investigación farmacéutica, eso es como pedirle a un adolescente que tenga la habitación ordenada: rarísimo.
Muchas empresas tienen 20 años de datos en Excel, PDFs escaneados, bases de datos SQL que nadie entiende, y emails con archivos adjuntos que se perdieron en 2015. Y luego esperan que la IA, con sus algoritmos mágicos, descubra una cura para el Alzheimer. No funciona así.
Te cuento un caso real: una compañía pequeña de biotech contrató a una consultora para implementar un sistema de IA que predijera interacciones moleculares. Tenían los datos, sí. Pero resultó que el 40% de las entradas estaban mal etiquetadas porque un becario había hecho el trabajo hace años. El modelo aprendió patrones falsos, y cuando lo validaron contra ensayos reales, los resultados daban risa. Perdieron seis meses y mucho dinero.
Un estudio de IBM (2023) estima que las empresas pierden entre 400.000 y 1,2 millones de euros al año por problemas de calidad de datos en proyectos de IA.
La lección es simple: dedica al menos el 60% del tiempo del proyecto a limpiar, estructurar y validar los datos. Si no, estás construyendo sobre arena. Y aquí no hay un algoritmo que arregle la suciedad humana.
El baile del presupuesto con la consultora
Mira, otro error clásico: contratar a una consultora grande que te promete el oro y el moro, te cobra un pastón, y te deja con un sistema que solo ellos saben mantener. He visto a empresas gastar 200.000 euros en una implementación de IA, y luego descubrir que necesitaban otros 50.000 al año en licencias y mantenimiento, y que el modelo de IA no se podía actualizar sin volver a contratar a la misma consultora.
En el caso de Bristol Myers Squibb, el problema es similar: confiaron en que Nvidia les daría una solución llave en mano, y luego se encontraron con que necesitaban reentrenar el modelo cada trimestre, con datos nuevos que no tenían claros. El coste oculto no está en la compra, está en la operación continua.
En Script Finance hemos visto pymes que nos llamaban desesperadas porque el chatbot de su web costaba 300 euros al mes en hosting y nadie lo mantenía. La solución era más simple de lo que pensaban, pero la estructura de costes no se la habían explicado.
La alternativa: negocia contratos claros, con plazos de mantenimiento incluidos, y exige que el código y la documentación sean tuyos. No te cases con una tecnología que no puedas mantener o migrar.
El mito del tiempo real
Otro que me hace reír: la gente piensa que la IA descubre fármacos en días. “Gracias a la IA, todo será instantáneo”. Pues no. Un estudio de McKinsey dice que la IA puede acelerar la fase de descubrimiento en un 30-50%, pero no acelera los ensayos clínicos de 10 años. Sigue siendo un proceso lento, caro y regulado.
He conocido a un emprendedor que contaba que su startup de IA farmacéutica prometía resultados “en semanas”. Les creyeron inversores que no entendían el proceso. Dos años después, seguían experimentando con datos sintéticos y no tenían ni un candidato clínico. La IA es un acelerador, no un teletransportador.
La verdad es que la IA tiene un potencial enorme en investigación farmacéutica. Pero el camino está lleno de baches, errores tontos y expectativas infladas. Si estás pensando en meterte en esto, hazme caso: empieza pequeño, con un problema concreto, con datos limpios, y con un equipo que sepa de verdad lo que hace. Olvida las presentaciones de las consultoras. Escucha a los que llevan años en el laboratorio. Ellos te dirán dónde duele.
Y si te equivocas, como yo lo he hecho varias veces, asúmelo, corrige, y sigue. Porque al final, de lo que se trata es de curar enfermedades, no de tener la mejor factura de tecnología. Si necesitas ayuda para implementar soluciones de IA en tu empresa, no dudes en contactarnos.
