Silicon Valley promete que la IA curará enfermedades. Los directores ejecutivos farmacéuticos no se lo creen

Las afirmaciones de Silicon Valley de que la IA curará la mayoría de las enfermedades en una década se encuentran con un fuerte escepticismo entre quienes conocen el desarrollo de fármacos. Los comentaristas señalan que, aunque la IA ya ayuda en tareas como la selección de objetivos, la predicción de estructuras proteicas y el diseño de ensayos, los verdaderos cuellos de botella son la biología complicada, los ensayos clínicos lentos y costosos, y unos incentivos regulatorios y financieros que no recompensan las curas directas. Muchos ven un potencial real para que la IA mejore la eficiencia y la toma de decisiones en la industria farmacéutica, pero consideran que las promesas de avances médicos amplios y a corto plazo son más hype que pronósticos fundamentados.

El papel de la IA en el descubrimiento de fármacos hoy

  • Los comentaristas señalan que la industria farmacéutica ya usa la IA/ML como un “copiloto”: selección de objetivos, diseño de candidatos, estratificación de pacientes y análisis de datos complejos.
  • Muchos sostienen que esto es valioso, pero está muy lejos de que la “IA cure enfermedades por sí sola”.
  • Varios subrayan que la IA no necesita curar enfermedades para tener impacto; incluso mejoras modestas en la calidad de los candidatos, el diseño de ensayos o la burocracia podrían importar.

Cuellos de botella: ensayos, biología y complejidad

  • Punto reiterado: el descubrimiento de fármacos no es el principal cuello de botella; lo son las pruebas clínicas (6–10 años) y las altas tasas de fracaso (a menudo citadas en ~80–90%).
  • La biología se describe como desordenada, no determinista y multiescala; no tenemos modelos que puedan predecir de forma fiable efectos en un organismo completo o en una población a partir de moléculas.
  • La seguridad a largo plazo y la variabilidad entre seres humanos no pueden omitirse, incluso con simulaciones perfectas.

Hype, plazos y afirmaciones mal caracterizadas

  • Varios critican las afirmaciones de que la IA curará “la mayoría de las enfermedades humanas en 5–10 años” por ser enormemente ambiciosas o engañosas.
  • Algunos distinguen entre afirmaciones más suaves (la IA “podría acelerar” la medicina) y otras más fuertes (“curar la mayoría de las enfermedades”), argumentando que los medios las mezclan.
  • Otros comparan esto con el entusiasmo exagerado por tecnologías pasadas (crypto, NFTs), viendo otra promesa inflada.

Datos, simulación y problemas “con forma de IA”

  • La falta de datos clínicos de ensayos completos y etiquetados (éxito y fracaso) se considera una limitación central.
  • Algunos ven plausible la predicción mediante IA de los resultados de ensayos o mejores reglas de interrupción, incluso con mejoras pequeñas.
  • Otros sostienen que los mapeos entrada–salida en la biología humana son demasiado complejos para encajar fácilmente con el ML actual, a diferencia de las matemáticas o el código.

Ética, incentivos y burocracia

  • Hay desacuerdo sobre si la burocracia principalmente protege la seguridad o simplemente frena innecesariamente el progreso; algunos invocan la idea de que el “propósito” de los sistemas es lo que hacen.
  • Escepticismo sobre los incentivos farmacéuticos: afirmaciones de que las empresas prefieren el manejo crónico a las curas, y de que la regulación y el lucro moldean qué “soluciones” son aceptables.
  • Algunos esperan que la IA pueda sacar a la luz estrategias biomédicas tabú o políticamente incómodas (por ejemplo, intervenciones en la línea germinal), mientras que otros advierten que la propia IA está moldeada por la política, el sesgo y la centralización.

Automatización, laboratorios húmedos y riesgo

  • Hay interés en sistemas de circuito cerrado donde la IA diseña experimentos y laboratorios automatizados los ejecutan; esto se ve como prometedor y potencialmente peligroso (por ejemplo, riesgo biológico acelerado).
  • Varios comentaristas subrayan que ningún “laboratorio totalmente automatizado” concebible puede eliminar la necesidad de ensayos en humanos y de observación a largo plazo.