En ciencias de la vida, la IA en producción casi nunca es un chatbot. Hansa y Cradle muestran la alternativa

Pregunte a un directivo farmacéutico dónde está ya la IA en producción y la primera respuesta suele ser un asistente para empleados: resumir documentos, redactar correos, buscar procedimientos. Útil, pero rara vez es ahí donde están el dinero o el riesgo. La IA más valiosa en ciencias de la vida suele estar en un lugar menos visible: dentro del propio flujo científico, proponiendo qué fabricar y ensayar a continuación.

El anuncio de Hansa Biopharma con Cradle del 1 de octubre es un ejemplo limpio de ese segundo tipo.

Qué se anunció

Hansa, biofarmacéutica sueca con sede en Lund, está desplegando la plataforma de diseño e ingeniería de proteínas con IA de Cradle en todo su pipeline de descubrimiento, para diseñar y optimizar candidatos a nuevas terapias inmunomoduladoras en enfermedades autoinmunes. Según Cradle, su plataforma combina generación de candidatos, optimización y aprendizaje continuo a partir de datos experimentales en un único flujo, del diseño al candidato.

El contexto cuenta. Hansa no es una startup con su primer piloto de IA. Su producto principal, la imlifidasa, comercializada como IDEFIRIX, es una enzima que escinde la IgG, ya disponible comercialmente en Europa y, según el anuncio, en revisión por la FDA con fecha de decisión en diciembre de 2026 para pacientes de trasplante renal hipersensibilizados. Una molécula de nueva generación está en desarrollo para el síndrome de Guillain-Barré. La responsable de investigación y desarrollo temprano de Hansa afirmó que la plataforma permite a sus científicos diseñar mejores candidatos, más rápido y con mayor probabilidad de éxito. Es la expectativa de la empresa, no un resultado medido todavía.

Tan importante como lo que dice el anuncio es lo que no dice. La IA no valida terapias, no sustituye experimentos de laboratorio ni produce conclusiones clínicas. Propone diseños; los científicos y los experimentos deciden.

1. Los científicos fijan el perfil objetivo
2. El modelo propone candidatos
3. El laboratorio los fabrica y ensaya
4. Los resultados actualizan el modelo
5. Los científicos seleccionan candidatos

Paso de IAPaso humano y de laboratorio

Por qué es el patrón que conviene seguir

El modelo aprende de los experimentos de la propia empresa. El aprendizaje continuo a partir de datos experimentales significa que cada resultado de ensayo mejora la siguiente ronda de diseños para las dianas de esa organización. Es un activo que se acumula, y eso plantea la primera pregunta empresarial: ¿de quién es el modelo mejorado, y los pesos o parámetros derivados de sus datos? Los contratos con plataformas de diseño por IA deben responderlo con precisión, incluido qué ocurre al terminar la relación.

La trazabilidad se vuelve higiene científica. Cuando un candidato llega a desarrollo, alguien preguntará por qué se eligió esa secuencia. La respuesta tiene que poder reconstruirse: qué versión del modelo lo propuso, con qué datos, bajo qué restricciones y qué experimentos lo confirmaron. La misma disciplina que hace auditable un sistema de TI hace defendible una decisión de descubrimiento.

La integración es donde se va el tiempo. La plataforma tiene que intercambiar datos con los cuadernos electrónicos de laboratorio, el LIMS y los sistemas de ensayo. Los formatos, los identificadores y la calidad de los datos deciden la velocidad del ciclo mucho más que el modelo.

Mandan los expertos. El encargo de diseño, la elección de qué sintetizar y la interpretación de los resultados siguen siendo juicio científico. Es el mismo principio que describimos en nuestro análisis del sistema de cuentas a pagar de Snowflake: la IA propone dentro de un proceso cuyas decisiones quedan en manos de personas responsables y comprobaciones fiables.

Dónde empieza a pesar la regulación

En Europa, la referencia es el documento de reflexión de la Agencia Europea de Medicamentos sobre el uso de la IA en el ciclo de vida del medicamento, adoptado en 2024. Su lógica es útil para cualquier equipo de descubrimiento: el uso de IA en esa fase se considera de bajo riesgo regulatorio mientras sus resultados no formen parte de la evidencia que se presenta para una autorización; cuando sí la forman, se aplican los mismos principios que al resto de los datos no clínicos y clínicos. Para una compañía española, eso significa que la AEMPS y la EMA no miran el modelo de diseño en sí, sino lo que acaba en el expediente.

Eso deja margen para moverse. También crea una trampa: los registros que nadie guardó durante el descubrimiento son difíciles de recrear cuando el programa llega a la fase en que importan. Mantener el linaje desde el principio cuesta poco. La gobernanza del acceso también cuenta; como vimos en nuestro artículo sobre el programa de verificación de Anthropic para ciencias de la vida, el acceso a modelos en este sector se está convirtiendo en un activo gobernado por derecho propio.

Qué pueden llevarse los equipos de ciencias de la vida

1. Separe las dos carteras de IA. Las herramientas de productividad para empleados y la IA en el flujo científico tienen responsables, riesgos y valor distintos. Gobiérnelas y financie cada una por separado.
2. Negocie primero los derechos sobre datos y modelos. Datos experimentales, modelos derivados y mejoras: de quién es cada cosa, durante y después del contrato.
3. Registre el linaje del diseño desde el primer día: versión del modelo, entradas, restricciones, candidatos elegidos y experimentos que los confirmaron.
4. Presupueste la integración: ELN, LIMS y canalizaciones de datos de ensayo son el verdadero proyecto.
5. Mantenga las promesas honestas. Hable de mayor probabilidad de éxito solo cuando sus propios datos lo muestren.

En resumen

La IA con más peso en ciencias de la vida no es un chatbot que habla de ciencia. Es un modelo integrado en el ciclo de diseño, experimento y aprendizaje, dirigido por científicos y alimentado con los datos de la propia empresa. Hansa y Cradle son un caso. Las preguntas de arquitectura, derechos sobre los datos, linaje, integración y juicio humano, valen para cualquier organización que quiera poner la IA a trabajar en el laboratorio.