Anthropic presentó sus propios programas de descubrimiento de drogas para enfermedades desatendidas, en un giro que la aleja del rol tradicional de proveedor de modelos. El anuncio se dio durante el evento de lanzamiento de Claude Science, la herramienta de la compañía orientada a investigación científica.

La empresa planea investigar tratamientos para enfermedades que la industria farmacéutica tradicional y las biotech consideran poco rentables, con foco en desarrollo temprano en fase preclínica. Anthropic dice que la decisión se alinea con su misión sin fines de lucro y que le ayudará a construir mejores modelos y herramientas para la industria al hacerlo con experiencia de primera mano.

¿Qué tan rápido puede la IA acortar el desarrollo de una droga?

Durante el mismo evento, el CEO de Novartis, Vas Narasimhan, entregó cifras concretas sobre lo que la IA puede achicar en un pipeline farmacéutico. Un candidato terminado tarda hoy alrededor de doce años en llegar desde desarrollo hasta aprobación regulatoria. Narasimhan descompuso el atraso en tres categorías: latencia de información, latencia operacional y latencia biológica.

Las nuevas herramientas y modelos pueden reducir bruscamente las primeras dos, que representan cerca del 40% del tiempo total de desarrollo. La latencia biológica (testeo animal, modelos celulares, ensayos clínicos en humanos) no se acorta mucho. Con eso, los timelines podrían bajar a siete u ocho años.

Narasimhan también ve espacio para duplicar la tasa de éxito de 8% a 16%. Mejores predicciones de seguridad y propiedades moleculares optimizadas ayudarían, aunque el efecto de una mejor selección de pacientes sigue siendo poco claro. El mayor desafío sigue siendo determinar si un target biológico es realmente el correcto para una enfermedad dada.

El impacto a escala industrial

Según Narasimhan, incluso ganancias aparentemente modestas serían enormes al escalar sobre toda la industria. Las grandes farmacéuticas gastan en conjunto entre 150.000 y 200.000 millones de dólares al año en I+D y solo han producido entre 800 y 1.000 drogas en 120 años. Más enfermedades podrían tratarse, y targets antes considerados inalcanzables pasarían a ser viables.

¿Qué mostró Anthropic sobre Claude Science?

El evento también incluyó ejemplos tempranos de aceleración con IA. Un investigador de UCSF usó Claude Science para detectar en minutos una contaminación viral que su equipo había pasado por alto durante un año entero, según Anthropic. La compañía también dice que Claude analizó 100 enfermedades genéticas raras en menos de una hora y marcó 32 candidatos para screening computacional.

Toda la industria de la IA corre por el mismo mercado

Otras compañías empujan en la misma dirección. Demis Hassabis, CEO de DeepMind, cofundó Isomorphic Labs con Alphabet para aplicar IA directamente a drug discovery. AlphaFold, la herramienta de Google DeepMind para predicción de estructura de proteínas, sigue siendo uno de los ejemplos más citados de IA en biología. Su codesarrollador John Jumper dejó DeepMind y se sumó a Anthropic.

En la punta clínica, Google DeepMind presentó en 2026 un AI Co-Clinician construido alrededor de un modelo triádico: agentes IA acompañan al paciente durante el tratamiento mientras el médico retiene autoridad clínica. OpenAI también avanzó con ChatGPT Health a comienzos de 2026, una sección dedicada dentro de ChatGPT que permite conectar historia clínica, datos de Apple Health y apps de bienestar.

Expertos independientes siguen pidiendo cautela, especialmente cuando la IA se usa en contextos clínicos para diagnósticos, planes de tratamiento y atención directa al paciente.

Catherine Pope, de la Universidad de Oxford, definió los resultados actuales como "una pieza retirada del mundo desordenado, complejo y humano de la atención sanitaria cotidiana".

Contexto para LatAm

Para el ecosistema chileno y latinoamericano, la promesa importa por dos razones concretas. Primero, muchas enfermedades desatendidas por la industria son endémicas de la región (Chagas, dengue, leishmaniasis) y una farmacéutica alternativa dispuesta a trabajar en el segmento no rentable podría abrir pipelines que hoy no existen. Segundo, un candidato de siete años en vez de doce podría acortar la ventana entre publicación científica local y disponibilidad clínica en la región, hoy medida en décadas.