BMS duplica su apuesta por IA con el clúster más potente de ciencias biológicas

Bristol Myers Squibb (BMS) acaba de dar un paso que redefine lo que significa escalar inteligencia artificial en una farmacéutica. La compañía anunció la adquisición de un clúster DGX SuperPOD basado en la arquitectura Vera Rubin de Nvidia, que convierte a BMS en el primer laboratorio de ciencias biológicas en operar esta tecnología. El sistema, compuesto por ocho módulos DGX Vera Rubin NVL72, ofrece hasta diez veces más rendimiento por megavatio que la infraestructura que reemplaza. No se trata de una actualización incremental: es un salto de capacidad que responde a una saturación real de cómputo.

La decisión de BMS no es una apuesta de laboratorio. Erin Davis, vicepresidenta de investigación, insights y tecnología, lo dijo sin rodeos en una entrevista reciente: “Estamos saturados”. Con un SuperPOD anterior que ya opera desde hace tres años, la compañía ha visto cómo la demanda de cómputo explotó al pasar de experimentos aislados a la producción de modelos fundacionales propios y predicciones a gran escala sobre moléculas complejas. El nuevo clúster, al que internamente llaman “SuperDuperPOD”, no se limitará a un grupo selecto de científicos: estará disponible para todos los investigadores de BMS en cualquier sede del mundo, sin restricciones de cuota ni esperas.

El caso de BMS ilustra una lección clave para cualquier organización que apueste por IA en sectores intensivos en datos: la infraestructura deja de ser un soporte técnico y se convierte en un habilitador estratégico. Greg Meyers, chief digital and technology officer de BMS, lo expresó como una apuesta deliberada que ya comienza a dar frutos en el pipeline de medicamentos. La compañía ha integrado IA en todas las etapas del descubrimiento: desde la identificación de blancos terapéuticos —donde agentes de IA ahorran semanas de trabajo manual— hasta el diseño de moléculas con un enfoque que llaman “Predict First”, donde las predicciones informan los experimentos antes de que un químico toque un matraz.

El componente más disruptivo de esta expansión no es solo el hardware, sino la arquitectura de software que lo acompaña. BMS desplegará el NVIDIA BioNeMo Agent Toolkit, una plataforma que permite a los científicos interactuar con modelos de IA en lenguaje natural. En lugar de escribir scripts o depender de un equipo de data scientists, cualquier investigador podrá pedirle al sistema que ejecute predicciones complejas sobre cómo se comportará una molécula en el cuerpo humano. Esto transforma la dinámica de trabajo: el científico deja de ser un gestor de recursos de cómputo y se convierte en un director de orquesta de agentes de IA que operan en paralelo.

Davis lo describió como un cambio de juego para la colaboración global. Los conjuntos de datos de un programa en Lawrenceville, Nueva Jersey, alimentan modelos que un equipo en San Diego puede aprovechar al instante. El conocimiento acumulado en cada experimento y cada lectura clínica se consolida en un sistema de aprendizaje que no existía hace una década. Payal Sheth, senior vicepresidenta de ciencias de descubrimiento terapéutico en BMS, señaló que antes cada proyecto se trataba de forma aislada. Ahora, con la infraestructura unificada, el aprendizaje se vuelve acumulativo y se aplica en contexto a cualquier programa.

Para los ejecutivos de negocios en América Latina, este movimiento deja varias señales. La primera es que la inversión en infraestructura de IA no es solo para gigantes tecnológicos: sectores como la salud, la logística o la manufactura están alcanzando puntos de inflexión donde la demanda de cómputo supera la capacidad disponible. La segunda es que la eficiencia energética se ha convertido en un criterio de selección de hardware tan importante como el rendimiento bruto. La arquitectura Vera Rubin entrega diez veces más rendimiento por megavatio, un factor crítico cuando los costos de energía y los compromisos de sostenibilidad pesan en la ecuación.

La tercera señal, quizás la más relevante, es que la barrera de entrada no es solo comprar GPUs, sino saber integrarlos en un flujo de trabajo que democratice el acceso. BMS no compró poder de cómputo para un grupo de élite: lo compró para todos sus científicos. Esto implica repensar desde la gestión de permisos hasta las interfaces de usuario. En América Latina, donde muchas empresas aún operan silos de datos y equipos de IA reducidos, el modelo de BMS ofrece una hoja de ruta clara: primero, asegurar que la infraestructura sea compartida; segundo, invertir en capas de software que permitan a los científicos (no solo a los ingenieros) usarla; tercero, medir el retorno no en horas de GPU, sino en ciclos de hipótesis validados.

El enfoque de BMS también pone sobre la mesa una discusión sobre el riesgo de no escalar. Cuando Davis afirma que el nuevo sistema ya tiene una asignación detallada a través de todas las modalidades de descubrimiento —desde moléculas pequeñas hasta grandes y gemelos digitales—, está diciendo que la demanda ya existe. La pregunta para cualquier empresa en sectores intensivos en I+D es: ¿cuánto tiempo puede operar su organización con infraestructura al límite de capacidad sin perder ventaja competitiva?