Players Vijay Pande deja a16z para fundar VZVC y aplicar IA a datos biológicos
Los modelos de IA prometen transformar la medicina, pero los datos biológicos no se raspan de internet: cada empresa construye silos. El futuro depende de sistemas coordinados, no oráculos monolíticos.
La promesa de una medicina que se puede "ingenierizar"
Vijay Pande gestionó cerca de US$4.000 millones en el fondo de biotecnología de a16z antes de dejarlo todo para fundar VZVC, un vehículo mucho más pequeño con apuestas concentradas: "No estamos haciendo 30 apuestas por año", dice en su entrevista con TechCrunch. Su tesis es que la biología está dejando de ser una "ciencia de descubrimiento" para convertirse en un campo que se puede diseñar con IA. Los modelos ya ayudan a identificar blancos terapéuticos, diseñar fármacos y estructurar ensayos clínicos.
Pero hay una advertencia clave: el costo de los ensayos sigue siendo brutal. "Podría costar cientos de millones de dólares ejecutar un ensayo", señala Pande, y la probabilidad de que un fármaco pase del primer al tercer ensayo es solo del 20%. Si 8 de cada 10 fracasan, el costo amortizado se dispara. Y la razón del fracaso no suele ser un error del biólogo: los modelos animales no predicen bien el comportamiento humano. La IA no será perfecta, dice, "pero será mucho mejor que cualquier modelo animal".
La paradoja de los datos que no se pueden raspar
Aquí aparece la tensión estructural que define a la IA en medicina. "La biología es uno de los pocos lugares donde la IA no puede simplemente raspar datos de internet", explica Pande. Los textos y las imágenes se extraen de la web en masa; los datos biológicos, no. La consecuencia: cada empresa construye su propio conjunto de datos aislado, y no se puede destilar conocimiento de un modelo a otro. Para la medicina de precisión —comparar los resultados de cada paciente contra su propia línea base y no contra promedios poblacionales— ese aislamiento limita lo que los modelos pueden aprender.
Especialistas coordinados, no un oráculo monolítico
La revisión en Nature Biomedical Engineering confirma esta lectura desde la imagen médica. Los modelos fundacionales proponen pasar de sistemas específicos por tarea a modelos unificados que integren imagen, patología, registros clínicos y genómica. Pero la medicina moderna avanza en la dirección opuesta: hacia una subespecialización cada vez más fina. Esa tensión, más la escasez de datos y la baja interpretabilidad, explica la brecha entre los buenos resultados en benchmarks y el valor clínico real.
Los autores proponen un marco de evaluación llamado REAL-FM que separa el hype de la realidad. Sus hallazgos son sobrios: los modelos fundacionales sobresalen en reconocimiento de patrones, pero fallan en razonamiento causal, robustez de dominio y seguridad. La traducción clínica choca con datos de entrenamiento poco representativos, generalización no verificada y falta de validación prospectiva con resultados reales. La conclusión: el futuro no es un "oráculo médico monolítico", sino sistemas de IA subespecialistas coordinados, transparentes y con supervisión humana indispensable.
Pande traza ese mismo horizonte desde el consultorio. Un paciente oncológico que necesita también endocrinología rara vez recibe una opinión integrada: "Esos dos médicos realmente no se sincronizan bien". La IA, en principio, "puede ser especialista en todo" y ver "cosas que ningún ser humano individual podría". Pero esa visión requiere datos compartidos, y ahí el sistema actual falla.
Lo que significa para América Latina
Para los ejecutivos y sistemas de salud de la región, la lectura es doble. Por un lado, la medicina de precisión asistida por IA podría reducir brechas de acceso, al permitir diagnósticos más tempranos y tratamientos personalizados sin depender de infraestructura hospitalaria de primer nivel.
Por otro lado, el riesgo de quedar afuera es concreto. Si los datos biológicos funcionan como el nuevo insumo crítico de la medicina basada en IA, y cada empresa construye su propio silo entrenado con poblaciones de países desarrollados, los sistemas latinoamericanos —con infraestructura de datos fragmentada y presupuestos acotados— podrían quedar excluidos de los modelos más avanzados o, peor, recibir modelos entrenados con poblaciones que no reflejan las suyas. La oportunidad está en construir marcos regionales de intercambio de datos que permitan entrenar y validar modelos sobre poblaciones locales, antes de que los estándares globales se fijen sin participación de la región.
La pregunta que queda flotando no es si la IA puede transformar la medicina: las fuentes sugieren que sí, pero como herramienta de aumento, no de reemplazo. La pregunta estratégica es quién tendrá acceso a los datos que hacen funcionar esa transformación. Para América Latina, esa puede ser la decisión más importante de la próxima década.
