Desarrollar un nuevo fármaco cuesta de media 2.600 millones de dólares y tarda doce años. El 90% de los candidatos fracasa antes de llegar al mercado. En 2025, un fármaco diseñado íntegramente por inteligencia artificial —desde la identificación del objetivo biológico hasta la molécula final— completó un ensayo de Fase IIa con resultados clínicamente significativos, fue publicado en Nature Medicine y costó aproximadamente seis millones de dólares en su fase de descubrimiento y diseño. El programa completo tardó treinta meses desde cero. No es una simulación ni un paper teórico: es un fármaco real, en pacientes reales, con datos publicados.
La fibrosis pulmonar idiopática (FPI) mata a unas 40.000 personas al año solo en Estados Unidos y dispone de opciones terapéuticas muy limitadas. La investigación farmacéutica tradicional llevaba décadas buscando dianas terapéuticas viables sin éxito relevante. La plataforma de IA de Insilico Medicine, Pharma.AI, identificó una diana biológica completamente nueva —la proteína TNIK— que los investigadores humanos habían descartado, y diseñó después la molécula que se convertiría en Rentosertib (ISM001-055). Ambos pasos, los que consumen más tiempo y capital en la industria farmacéutica tradicional, fueron automatizados por completo.
Insilico Medicine no es una startup especulativa de IA. La compañía trabaja actualmente con 13 de las 20 mayores empresas farmacéuticas del mundo. Sus ingresos por software crecieron un 23,8% interanual en 2025, con una base de clientes de suscripción que aumentó un 18,3%. Su pipeline interno incluye 31 programas activos, cinco de ellos ya en fase clínica, todos iniciados y diseñados mediante IA. Los resultados de Rentosertib no son una excepción: son la demostración de que el modelo funciona a escala industrial.
El Problema de los 2.600 Millones Que Tiene Paralizada la Innovación Farmacéutica
La aritmética del descubrimiento de fármacos tradicional es estructuralmente inviable. Para llevar un solo medicamento al mercado, una empresa farmacéutica debe financiar docenas de programas a lo largo del descubrimiento, la fase preclínica, la Fase I, la Fase II y la Fase III, con una tasa de fracaso industrial superior al 90% en cada etapa. El resultado: 2.600 millones de dólares en I+D por fármaco aprobado (DiMasi et al., Tufts CSDD), la mayor parte invertida en programas que nunca llegan a ningún paciente.
El cuello de botella no es la falta de esfuerzo ni de recursos. Es la capacidad de procesamiento de información. Identificar la diana biológica correcta requiere integrar simultáneamente datos genómicos, proteómicos, transcriptómicos y clínicos de miles de variantes de la enfermedad. Diseñar la molécula terapéutica óptima implica explorar un espacio químico de aproximadamente 1060 compuestos posibles. Ningún equipo humano puede hacer esto a velocidad ni a escala. Es exactamente el problema computacional para el que fueron diseñados los modelos de lenguaje de gran escala y la IA generativa, y es lo que Insilico Medicine ha convertido en una plataforma end-to-end.
Las empresas que adoptaron el descubrimiento basado en IA entre 2021 y 2023 están presentando ahora datos de Fase II. Las que no lo hicieron siguen gestionando los mismos programas de 150 millones de dólares con horizontes de ocho años. La brecha de rendimiento es hoy medible, documentada y se amplía cada trimestre.
Cómo Funciona Pharma.AI: Tres Motores, Un Bucle Cerrado
Pharma.AI integra tres motores de IA especializados en un flujo de trabajo de descubrimiento continuo. Cada motor elimina un cuello de botella específico del pipeline tradicional.
PandaOmics es el motor de identificación de dianas terapéuticas. Ingiere datos multi-ómicos —genómicos, transcriptómicos, proteómicos y clínicos— y aplica aprendizaje automático para identificar dianas biológicas que el análisis convencional pasa por alto. Para el programa de Rentosertib, PandaOmics analizó patrones en cientos de muestras de tejido humano y cohortes de FPI, e identificó TNIK (proteína quinasa de interacción con TRAF2 y NCK) como una diana novedosa de alta confianza. Los investigadores humanos habían descartado TNIK; la IA detectó una señal de nivel de red invisible en los conjuntos de datos analizados por separado. Este es el paso que cuesta a los equipos tradicionales años de revisión bibliográfica y formulación de hipótesis.
Chemistry42 es el motor de diseño molecular generativo. Una vez validada la diana, Chemistry42 emplea un modelo generativo entrenado con millones de estructuras moleculares conocidas para diseñar candidatos novedosos optimizados simultáneamente en potencia, selectividad, biodisponibilidad y perfil de seguridad. Para ISM001-055, Chemistry42 generó, cribó y clasificó candidatos con aproximadamente 60-200 moléculas sintetizadas y evaluadas en todo el programa, frente a los miles que requieren las campañas de química medicinal convencional de 2-3 años de duración.
LabClaw (desplegado en 2026) cierra el bucle de retroalimentación entre la predicción computacional y la validación experimental en el laboratorio físico. El sistema despacha automáticamente tareas experimentales hacia los equipos del laboratorio —cultivo celular, cribado de alto rendimiento, secuenciación de nueva generación— creando un ciclo de mejora continua en el que los resultados experimentales alimentan directamente la siguiente iteración de predicción de la IA. Este es el paso arquitectónico que transforma Pharma.AI de una herramienta de análisis en un sistema de descubrimiento autónomo capaz de aprender de sus propios experimentos.
Rentosertib: El Fármaco Que Demostró el Modelo Ante el Mundo
Rentosertib entró en ensayos clínicos en 2023 y completó un ensayo de Fase IIa aleatorizado, doble ciego y controlado con placebo en 21 centros de China, con 71 pacientes con FPI confirmada. Los resultados se presentaron en el Congreso Internacional de la Sociedad Torácica Americana (ATS) 2025 y se publicaron simultáneamente en Nature Medicine en junio de 2025, una de las revistas médicas de mayor impacto del mundo.
El objetivo primario —seguridad y tolerabilidad en todos los niveles de dosis— se alcanzó. El análisis secundario de eficacia mostró que los pacientes que recibieron 60 mg una vez al día experimentaron una mejora media de +98,4 mL en la capacidad vital forzada (CVF) a las 12 semanas, frente a un descenso medio de −20,3 mL en el grupo placebo. La CVF es la principal medida funcional pulmonar en la FPI, una enfermedad en la que la capacidad pulmonar disminuye de forma implacable. Los análisis exploratorios de biomarcadores validaron de manera independiente TNIK como diana mecanicista, confirmando que la identificación original de la IA era biológicamente correcta.
Lo que esto significa es claro: una diana terapéutica completamente nueva, identificada por IA en un área donde los investigadores humanos habían trabajado durante décadas sin encontrar un mecanismo de alta confianza, validada por un ensayo clínico publicado en Nature Medicine. El fármaco avanza ahora hacia la Fase IIb/III.
Los Datos Que Están Cambiando las Decisiones de Inversión en Farma en 2026
Rentosertib es la demostración más documentada, pero los datos a nivel de industria cuentan una historia estructural más amplia. Según el análisis de Axis Intelligence 2026, más de 173 programas de fármacos con origen en IA se encuentran actualmente en desarrollo clínico, frente a aproximadamente 24 programas a finales de 2023. El mercado de IA para el descubrimiento de fármacos está valorado en 5.000 millones de dólares en 2026 y se proyecta que alcance los 12.560 millones en 2034 con una tasa de crecimiento anual compuesta del 12,2% (Grand View Research).
Eli Lilly formalizó su apuesta con una alianza estratégica de 2.750 millones de dólares con Insilico Medicine, uno de los acuerdos de IA-farma más grandes de la historia, señalando que el descubrimiento nativo en IA ya no es una iniciativa experimental sino infraestructura estratégica para los pipelines farmacéuticos más valiosos del mundo. Novo Nordisk, Pfizer y Sanofi han realizado compromisos comparables con otras plataformas de IA. El 81% de las empresas farmacéuticas que ya despliegan IA no están ejecutando pruebas de concepto: están financiando programas con objetivos clínicos, estrategias regulatorias y proyecciones comerciales.
La lógica financiera es estructural. La IA reduce los costes de desarrollo preclínico entre un 30% y un 70% eliminando los ciclos de síntesis fallidos que históricamente han consumido la mayor parte de los presupuestos de I+D en etapas tempranas. Para una organización con 20 programas activos, el efecto acumulado supone cientos de millones en capital recuperado, reinvertible en más pipeline. Las empresas que adoptaron esta infraestructura entre 2022 y 2023 llevan hoy dos ciclos de Fase de ventaja sobre las que no lo hicieron.
El Stack Tecnológico Detrás del Avance
La plataforma completa de Insilico funciona sobre suscripciones de software empresarial. No se requiere hardware propietario más allá de la infraestructura computacional estándar.
| Herramienta | Rol en Este Flujo de Trabajo | ¿Tier Gratuito? | De Pago Desde |
|---|---|---|---|
| Insilico PandaOmics | Identificación de dianas multi-ómicas y descubrimiento de biomarcadores | No | Suscripción enterprise |
| Insilico Chemistry42 | Diseño molecular generativo de novo y optimización de candidatos | No | Suscripción enterprise |
| Insilico Nach01 | Modelo fundacional de biología; potencia el razonamiento avanzado de dianas y compuestos | No | Suscripción enterprise |
| LabClaw | Orquestación autónoma del laboratorio: conecta predicciones de IA con experimentos físicos | No | Enterprise (lanzamiento 2026) |
| Microsoft Discovery | Entorno de investigación empresarial seguro que hospeda Nach01 para equipos farmacéuticos | No | Azure enterprise |
Pharma.AI se accede actualmente mediante asociación y suscripción enterprise. Insilico trabaja con 13 de las 20 mayores empresas farmacéuticas del mundo como clientes de software. El acceso para entidades académicas y biotechs más pequeñas está disponible a través de programas de colaboración externa. [REQUIERE VERIFICACIÓN: condiciones actuales de licencia académica — consultar insilico.com/enterprise]
Quién Debería Estar Prestando Atención Ahora Mismo
El público principal de este caso de uso son directores de descubrimiento de fármacos, responsables de biología computacional, directores de estrategia de I+D y liderazgo tecnológico de empresas farmacéuticas y biotecnológicas con pipelines preclínicos activos. Si tu organización financia actualmente programas que tardarán más de ocho años en generar datos de Fase II, el modelo de Insilico representa una amenaza competitiva directa de cualquier competidor o socio que adopte primero el descubrimiento nativo en IA.
Este caso es igualmente relevante para inversores de biotech y capital institucional: los marcos de valoración para empresas de descubrimiento de fármacos nativas en IA difieren fundamentalmente de la farma tradicional, porque el coste por programa y el tiempo hasta la señal clínica han cambiado estructuralmente. Una biotech nativa en IA puede generar evidencia de Fase II en 30 meses, el mismo período que un competidor tradicional dedica a la optimización de leads.
Este caso de uso no es directamente aplicable a fabricantes de dispositivos médicos, ORC sin activos de descubrimiento propios, o empresas sin programas activos de moléculas pequeñas o biológicos.
Explora Más Casos Reales de IA en Sityos AI
Cada semana, Sityos AI publica un análisis en profundidad de despliegues reales de IA —desde farma y logística hasta banca y construcción. Síguenos para acceder a resultados verificados y detalle de implementación de los proyectos que realmente están funcionando en producción.
Preguntas Frecuentes
- ¿Es Rentosertib el único fármaco descubierto por IA con resultados de Fase II publicados?
- No. Rentosertib es el más prominente porque todo el ciclo de descubrimiento —identificación del objetivo por IA + diseño de molécula por IA + Fase IIa positiva— está documentado en publicaciones revisadas por pares. Pero más de 173 programas de origen en IA están en desarrollo clínico en 2026. Recursion Pharmaceuticals, Exscientia y Absci tienen programas en Fase I/II. El caso de Insilico destaca porque cada paso fue impulsado por IA de extremo a extremo, y los tres han sido validados de forma independiente en la literatura científica.
- ¿La IA reemplaza a los químicos medicinales y los biólogos en este modelo?
- No. El modelo Pharma.AI aumenta los equipos científicos en lugar de reemplazarlos. Los químicos medicinales validan los candidatos generados por IA y diseñan rutas de síntesis. Los biólogos diseñan y ejecutan los ensayos cuyos resultados realimentan el sistema. Los clínicos diseñan y dirigen los ensayos. LabClaw automatiza el despacho físico de tareas experimentales, pero el diseño experimental y la interpretación científica siguen siendo responsabilidad humana. La ganancia de eficiencia proviene de eliminar los ciclos iterativos diseñar–sintetizar–probar–fallar–repetir que históricamente han consumido años de trabajo de los químicos en andamiajes moleculares improductivos.
- ¿Cuánto tarda una empresa farmacéutica en implementar Pharma.AI?
- La incorporación enterprise implica habitualmente la integración con los sistemas de datos existentes —bases de datos genómicas, librerías de compuestos propias, datos de historia clínica electrónica— seguida de un sprint de descubrimiento supervisado en un programa inicial. El tiempo hasta el primer listado de dianas generado por IA se mide en semanas o pocos meses, dependiendo de la disponibilidad y calidad de los datos. El despliegue completo de la plataforma, incluida la integración wet-lab de LabClaw, es una implementación de varios trimestres. [DATO A VERIFICAR — fuente: insilico.com/enterprise]
La trayectoria es inequívoca: el descubrimiento de fármacos nativo en IA está comprimiendo décadas de I+D farmacéutico en meses. Las organizaciones que construyen sobre esta infraestructura hoy no están ejecutando pilotos: están presentando solicitudes de IND, generando datos de Fase II y firmando acuerdos de partnership de miles de millones de dólares. Las herramientas están probadas. Los resultados de Fase IIa están publicados. La única variable que queda es el tiempo, y en farma, el tiempo se mide en ventaja competitiva.