El CEO de Google DeepMind, Demis Hassabis, lanzó una afirmación audaz en el keynote de Google I/O 2026 de este año. No tan rápido.

Cerca del final del keynote de I/O 2026, Demis Hassabis declaró con expresión completamente impasible que la compañía espera "reimaginar el proceso de descubrimiento de fármacos con el objetivo de algún día curar todas las enfermedades".

Es el tipo de declaración para la que se inventó la frase "grande, si fuera cierto".

Lo que Hassabis realmente describía era Gemini for Science, una colección de herramientas experimentales de IA pensadas para que investigadores exploren y hagan nuevos hallazgos.

¿Qué dijo Hassabis exactamente en el keynote?

Soy crítica frecuente de la IA aplicada a salud en Optimizer, pero esta declaración de Hassabis merece mucha más contextualización. La buena comunicación científica, esa que es digerible para el lector general y que no promueve desinformación involuntariamente, se ha vuelto cada vez más difícil. Es probable que los investigadores en la audiencia de I/O entendieran el reclamo en su sentido correcto: los avances en IA han reducido dramáticamente el tiempo que toma hacer nuevos descubrimientos médicos. Pero para la persona promedio (y posiblemente incluso para muchos comunicadores científicos) sonó más bien a "Gemini va a curar todas las enfermedades porque ese es el poder de la IA". No es así como funcionan los avances médicos en el mundo real.

Durante décadas, la IA ha sido parte integral de la investigación y el descubrimiento médico. Los algoritmos que usan los wearables son IA. Los hallazgos en detección no invasiva mediante dispositivos vestibles son machine learning. La IA generativa es un entrante relativamente más nuevo en esta área, pero promete un impacto enorme. Como parte de mi trabajo hablo frecuentemente con investigadores clínicos, y muchos de los avances en tecnología de salud para consumidores se deben en parte a la IA. Por ejemplo, esta meta-revisión encontró que la IA jugó un rol clave en reducir el plazo de desarrollo de las vacunas contra covid-19. Algo que benefició al mundo entero. La misma revisión, sin embargo, también señaló que persisten desafíos éticos, logísticos y regulatorios significativos respecto al sesgo algorítmico, la privacidad de datos y el acceso global equitativo.

El verdadero rol de AlphaFold y AlphaGenome

En el keynote, Hassabis apuntó a los proyectos AlphaFold y AlphaGenome de Google. El primero ayuda a los investigadores a entender mejor las estructuras de las proteínas. Esto es importante porque las proteínas cumplen una miríada de roles en innumerables procesos biológicos. Entender mejor las proteínas, o incluso diseñar proteínas sintéticas nuevas, podría ser la llave para desbloquear tratamientos contra el cáncer. Recientemente, científicos encontraron 1.700 nuevas proteínas que podrían hacer exactamente eso. Tradicionalmente, descubrir nuevas proteínas, entender su función y mapear cómo interactúan con otras moléculas tomaba años. Una herramienta como AlphaFold reduce drásticamente ese plazo. En casos reales, investigadores han usado este modelo para ayudar a desarrollar vacunas contra la malaria, descubrir una proteína clave detrás del LDL (el "colesterol malo"), y entender otra proteína asociada al Parkinson de inicio temprano.

Por su parte, AlphaGenome es otro modelo que ayuda a investigadores a predecir mutaciones en secuencias de ADN humano. Su potencial es ayudar a entender por qué ocurren ciertas enfermedades, aunque en un estudio publicado en Nature, Google reconoció limitaciones importantes. Por ejemplo, el modelo no ha sido validado ni diseñado para predicción de genomas individuales, y le cuesta capturar patrones específicos de células y tejidos. Son matices importantes para los investigadores, pero algo que típicamente pasa por encima del lector general.

¿Cuánto realmente tarda una revolución médica?

En muchos sentidos, lo que Hassabis decía sobre el escenario no estaba dirigido a ti ni a mí. Y otro contexto importante: estos modelos de IA y las herramientas de Gemini for Science no van a erradicar mágicamente el cáncer ni "todas las enfermedades antes incurables" en los próximos tres, cinco, ni siquiera 10 años. Algo así tomaría probablemente al menos 20 años, y seguramente más. Puede sonar largo, sobre todo si pensamos en un familiar enfermo o en nuestra propia expectativa de vida. Pero para los estándares de la investigación científica rigurosa, esa es ya una estimación ambiciosa y agresiva.

Sucede que esto no es algo que tengas tiempo de explicar en un keynote donde anuncias otras cuarenta mil agentes y features de IA. El problema es que estas frases viajan lejos y tienen un impacto amplio. Para la mayoría de nosotros, la IA en salud ha sido hasta ahora una experiencia pésima de resúmenes regurgitados de métricas, alucinaciones y tediosa supervisión manual. No deberíamos necesariamente confundir herramientas de IA para investigadores con features de IA en salud para consumidores, pero es extremadamente humano hacerlo.

Mi reacción visceral al comentario de Hassabis fue recordar una declaración reciente del secretario de Salud RFK Jr. En una audiencia del Congreso, Kennedy dijo que la IA podría hacer "irrelevante" a la FDA. Su lógica es que la IA podría ayudar a desarrollar y aprobar nuevos medicamentos. Comparado con el comentario de Hassabis (un contexto completamente distinto), uno puede ver cómo la reacción del lector general podría saltar a asociaciones engañosas. Por ejemplo, asumir que Google está respaldando o dando credibilidad al análisis de Kennedy.

El contexto que se pierde en el soundbite

No por nada, The Verge ya reportó previamente sobre por qué la lectura de Kennedy de la IA en salud es defectuosa. Como repaso: en una entrevista con Tucker Carlson el año pasado, Kennedy afirmó que la IA podía acelerar rápidamente el proceso de aprobación de fármacos. Es una declaración amplia que no es del todo falsa. Sí, herramientas de IA llevan tiempo usándose en el espacio. Sí, modelos nuevos y más potentes podrían facilitar mucho los procesos para investigadores y farmacéuticas. Pero eso no elimina la necesidad de ensayos clínicos aprobados por la FDA, pruebas animales, ni los diversos procesos vigentes desde hace décadas. La IA es, en última instancia, una herramienta que requiere insumo experto y colaboración, y por enésima vez: el rigor científico no es un paso que se pueda saltar a la ligera.

El contexto es rey, y suele ser lo primero que se pierde en los soundbites llamativos. Por eso, cuando esbocé el manual del gurú del wellness, dije que el paso uno suele ser yuxtaponer un hecho amplio junto a una afirmación engañosa. Para ser claros: no estoy diciendo que Hassabis haya cometido un crimen colosal con su frase del keynote. Google (y Apple) hace bastante investigación clínica y se esfuerza en comunicar ese trabajo en sus blogs. Pero como en el juego del teléfono descompuesto, mucho se pierde en esta era de videos cortos, atención reducida y alfabetización mediática en caída. No tengo solución, salvo intentar inyectar más contexto donde se pueda y esperar que encuentre a la audiencia apropiada.

Hay una razón por la que el sciencewashing es tan prevalente hoy. Unas pocas buzzwords o afirmaciones audaces le dan un aire de legitimidad high-tech que borra el matiz. En Silicon Valley se ve en los tech bros que asisten a fiestas de péptidos o se suscriben a la marca de biohacking longevista de Bryan Johnson. No es un gran salto de "la IA puede curar todas las enfermedades" a "monitorea tus biomarcadores, optimiza con estos suplementos y vence a la muerte".

Quizás la IA sí eventualmente, algún día, ayude a curar todas las enfermedades. Pero si lo hace, el camino no será claro ni simple. Mucho puede pasar en los próximos 20 años, especialmente en el clima político, social y cultural que también impactará la capacidad de investigación clínica. Así que perdón si, por ahora, no soy tan optimista como Hassabis.