Anthropic quiere fabricar fármacos: lo que el anuncio dice y lo que calla

Anthropic ya no es solo infraestructura

El 1 de julio de 2026, Anthropic presentó Claude Science durante su evento The Briefing: AI for Science. La descripción oficial lo define como un "banco de trabajo de IA para científicos" que unifica herramientas y datos fragmentados en un solo entorno, con capacidad para generar figuras y visualizaciones. Hasta aquí, un producto más.

Lo que cambió el tono de la sala fue lo que dijo justo después Eric Kauderer-Abrams, director de ciencias de la vida: Anthropic va a desarrollar sus propios fármacos. No para terceros. No como plataforma. Suyos.

El objetivo declarado son las enfermedades desatendidas, las que las farmacéuticas ignoran porque el mercado es demasiado pequeño o demasiado pobre para generar retornos decentes. Eso, sobre el papel, suena bien. El problema es que el anuncio tiene más huecos que datos concretos, y esos huecos importan bastante cuando hablamos de uno de los procesos más regulados, caros y lentos que existen en la industria.

Qué han construido de verdad (y qué falta)

Antes de juzgar el anuncio por lo que dice, hay que mirar lo que Anthropic ha hecho en silencio durante el último año. Según The Verge, llevan meses contratando biólogos y construyendo laboratorios húmedos, wet labs, los de verdad, con tubos de ensayo y pipetas, no solo servidores, propios. Namshik Han, profesor en Cambridge y cofundador de CardiaTec, confirma que Anthropic ha "reclutado activamente" y ha conseguido atraer candidatos de grandes farmacéuticas e instituciones académicas de prestigio.

Eso no es humo. Montar un wet lab competente requiere dinero, tiempo y talento escaso. Si lo han hecho, hay intención operativa detrás.

Pero Anthropic no respondió a las preguntas de The Verge sobre qué enfermedades concretas priorizará, con qué socios trabajará para los ensayos animales o clínicos, cómo planea manejar la fabricación a escala ni cuándo espera tener un candidato listo para entrar en un ensayo de fase I. No hay cifras de inversión públicas, ni cronograma, ni hoja de ruta regulatoria visible.

Lo que se sabe: tienen los cimientos. Lo que falta: todo lo que convierte esos cimientos en un medicamento.

Por qué la IA en drug discovery es más complicado de lo que parece en un keynote

El discurso de "la IA va a revolucionar el descubrimiento de fármacos" lleva años circulando y tiene base real, pero también un nivel de exageración estratosférico. Conviene separar los dos.

La parte real: la IA ya toca todas las etapas del descubrimiento de fármacos, desde identificar compuestos candidatos hasta optimizar propiedades moleculares y analizar datos de ensayos, según Namshik Han. El mercado global de descubrimiento de fármacos impulsado por IA se valoró en aproximadamente 3.100 millones de dólares en 2025, con previsión de llegar a 4.000 millones en 2026, según Global Market Insights. El 81% de las organizaciones farmacéuticas ya usan IA en al menos un programa de desarrollo, según una encuesta de Norstella. No es el futuro; es el presente.

La parte que el keynote omite: ni un solo fármaco diseñado con IA ha completado todos los ensayos clínicos y recibido aprobación de la FDA para llegar al mercado. Eso, con todo el dinero y talento que se ha volcado en el sector, dice mucho sobre dónde está la dificultad real.

Frank von Delft, de Oxford, lo resume sin rodeos: los modelos de IA "aún no se acercan a hacer innecesarios los experimentos". Los candidatos moleculares que genera un modelo tienen que probarse en el mundo real para eficacia, toxicidad y propiedades prácticas. Eso requiere años, personal cualificado y dinero, especialmente en la fase clínica con humanos.

"Aún estamos muy lejos de que un fármaco diseñado por IA sea aprobado por reguladores." Matthew Todd, University College London

El desarrollo de un fármaco desde cero puede llevar la mayor parte de una década. La IA puede comprimir algunas fases, el ciclo de diseño-prueba-aprendizaje en el laboratorio, la identificación de candidatos, pero no elimina la necesidad de demostrar seguridad y eficacia en ensayos reales con seres vivos.

El contexto que Anthropic no menciona: ya hay otros jugando esta partida

Anthropic no es la primera empresa de IA de vanguardia en intentar entrar en el descubrimiento de fármacos. Isomorphic Labs, el spinout de Google DeepMind, firmó acuerdos con Eli Lilly y Novartis por un valor combinado de casi 3.000 millones de dólares. No es una alianza de investigación básica: es dinero real de dos de las farmacéuticas más grandes del mundo apostando por que la IA puede encontrar moléculas que ellas solas no encontrarían.

El 17 de junio de 2026, MSD (Merck) cerró un acuerdo con Protillion Biosciences por más de 510 millones de dólares, basado en lo que la startup llama la plataforma lab-in-the-loop: la IA diseña candidatos, el laboratorio húmedo los prueba, y los resultados experimentales vuelven al modelo para mejorar la siguiente iteración. Es exactamente el tipo de ciclo que los expertos señalan como el más prometedor: no IA en lugar del experimento, sino IA acelerando el ciclo de diseño-prueba-aprendizaje.

Las principales biotecnológicas del sector, Isomorphic Labs, Insitro, Insilico Medicine y Recursion, llevan años refinando este modelo de negocio. Anthropic llega tarde a una carrera que ya tiene corredores posicionados. Eso no la descalifica, pero cambia el encuadre: no es un pionero, es un nuevo competidor en un mercado que ya tiene reglas establecidas.

Lo que diferencia a Anthropic es que parece apostar por hacer el proceso completo internamente, desde el diseño computacional hasta (potencialmente) los ensayos, en lugar de licenciar tecnología a farmacéuticas. Eso es mucho más ambicioso y mucho más arriesgado.

Cómo funciona el ciclo que hace posible esto (y cuándo se rompe)

Para entender dónde puede ganar y perder Anthropic, ayuda entender cómo funciona el ciclo de descubrimiento moderno con IA.

El cuello de botella histórico no era solo el diseño computacional: era la velocidad a la que podías probar físicamente lo que el modelo sugería. Si diseñar un candidato molecular tardaba una semana y sintetizarlo y probarlo tardaba seis meses, la iteración era lentísima y el modelo aprendía despacio.

Plataformas de expresión de alto rendimiento como la de Sino Biological ya permiten producir más de 10.000 anticuerpos al mes y pasar de secuencia génica a anticuerpo en 10 días. La síntesis de proteínas sin células (CFPS, cell-free protein synthesis) lleva eso más lejos: Sino Biological completa la expresión de anticuerpos en solo 3 horas, lo que permite pasar de diseño in silico a anticuerpos funcionales en días, con casos de éxito de más de 2.000 secuencias procesadas en paralelo. Eso es lo que hace que el ciclo lab-in-the-loop de Protillion, el mismo que MSD compró por 510 millones, sea viable.

La ruptura llega cuando sales de la bioquímica de laboratorio y entras en la fisiología real. Un anticuerpo que funciona en un cultivo celular puede ser tóxico en un ratón. Un candidato que cura ratones puede ser ineficaz o peligroso en humanos. Cada salto requiere años de datos y supervisión regulatoria que ningún modelo puede saltarse. Roche, con unos 7.900 trabajadores solo en su centro de Penzberg y 100.000 empleados formados en IA durante el último año, tiene décadas de infraestructura para navegar esas fases. Anthropic, no.

El riesgo que sí nombraron y que nadie está discutiendo

Kauderer-Abrams mencionó algo que merece más atención de la que ha recibido: un modelo entrenado para diseñar moléculas terapéuticas también puede, en teoría, generar moléculas dañinas. Hablan de clasificadores de intención y controles de acceso como solución.

Eso no está probado a escala. Y la tensión es estructural: para que el modelo sea útil en drug discovery, necesita entender profundamente la bioquímica de cómo las moléculas afectan sistemas biológicos. Ese mismo conocimiento es el que haría peligrosa una versión mal controlada. Es el mismo dilema de doble uso que rodea a los modelos de lenguaje con información sensible, pero aplicado a biología molecular.

Anthropic lleva tiempo construyendo su reputación sobre la seguridad de sus modelos. Entrar en un dominio donde el mal uso potencial es síntesis de agentes dañinos eleva el listón de lo que significa "control responsable" a un nivel que sus documentos de política actuales no contemplan explícitamente. Eso, más que los plazos o la inversión, es la pregunta que deberían estar respondiendo en público.

Si te interesa cómo Anthropic maneja la presión regulatoria en su modelo de negocio, la historia de sus controles de exportación es una lectura que encaja aquí.

Lo que cambia si esto sale bien (y lo que implica si sale mal)

Anthropic es, hasta ahora, una empresa de infraestructura de IA: construye modelos, vende acceso a esos modelos y cobra por el uso. Su posición en el mercado depende de que las empresas la elijan para construir sobre ella.

Si desarrolla fármacos propios que llegan al mercado, deja de ser solo proveedor de herramientas. Pasa a ser un actor con propiedad intelectual farmacéutica, con exposición regulatoria ante la FDA, con potencialmente sus propios candidatos compitiendo en el mercado contra los clientes que hoy le pagan por Claude. Eso no es un cambio incremental; es una redefinición de qué tipo de empresa es Anthropic.

El upside es obvio: si funciona, demuestran que un lab de IA puede comprimir un ciclo de I+D farmacéutico de una forma que las farmacéuticas tradicionales no pueden igualar. Eso valdría mucho más que cualquier contrato de API.

El downside es igualmente obvio: el desarrollo de fármacos destruye capital a una velocidad impresionante y el fracaso es la norma estadística, no la excepción. La mayoría de los candidatos que entran en ensayos clínicos no llegan al mercado. Si Anthropic quema años y credibilidad en esto sin resultado, habrá apostado parte de su identidad en un terreno donde incluso los jugadores con décadas de experiencia fallan más de lo que aciertan.

El sector lleva años esperando el primer fármaco diseñado por IA que complete el ciclo completo. Anthropic acaba de poner su nombre en la lista de los que van a intentarlo. Lo notable no es que lo vayan a conseguir, eso está por ver. Lo notable es que una empresa cuyo negocio era hacer modelos de lenguaje haya decidido que ese negocio ya no le es suficiente.