Anthropic ha publicado los primeros resultados de seis colaboraciones en desarrollo de medicamentos donde Claude participa en tareas que van desde diseñar proteínas hasta revisar documentación de fabricación. Hay cifras llamativas: un componente para terapias CAR-T un 70 % más corto, unos 35.000 diseños de anticuerpos propuestos en un mes, más de mil variantes fabricadas en un laboratorio automatizado y una revisión documental reducida de más de 25 horas a menos de tres.
La noticia, fechada el 27 de octubre de 2026, merece atención porque no presenta un único modelo que “descubre un fármaco” pulsando un botón. Describe varios flujos donde científicos, datos, instrumentos, controles y un asistente de inteligencia artificial trabajan juntos. También exige una lectura prudente: la mayor parte de los resultados sigue en fase preclínica, algunos proceden de informes de las propias empresas y ninguno demuestra todavía que un medicamento nuevo sea seguro y eficaz en pacientes.
La pregunta útil no es si Claude ha curado una enfermedad. No lo ha demostrado. La pregunta es qué partes lentas del desarrollo farmacéutico pueden acelerarse, qué resultados se han medido realmente y qué controles hacen falta antes de trasladar una mejora de laboratorio a una decisión clínica.
Qué ha anunciado Anthropic exactamente
La publicación oficial de Anthropic reúne trabajos con BigHat Biosciences, Bristol Myers Squibb, Divergence Labs, Enveda, Generate Biomedicines y The Column Group. La empresa afirma que el objetivo es implicar a Claude en tareas distribuidas por todo el proceso: identificar dianas, diseñar moléculas, optimizar candidatos, preparar fabricación, revisar documentación y planificar ensayos.
Ese planteamiento evita una simplificación habitual. El desarrollo de un medicamento no consiste únicamente en encontrar una molécula prometedora. Después hay que comprobar propiedades, reproducir la fabricación, estudiar toxicidad, justificar cada decisión, solicitar autorización para investigar en humanos y superar ensayos clínicos. Un avance en una etapa puede ahorrar tiempo sin eliminar las demás.
Anthropic también comunica que ha iniciado programas propios para formas infantiles raras de distrofia muscular. Uno de ellos procede de la adquisición de Mithril Medicine y habría pasado de una idea a resultados prometedores en ratones en menos de 18 meses. La compañía plantea finales de 2028 como fecha posible para iniciar ensayos en humanos si los candidatos continúan funcionando. Es una previsión condicionada, no un calendario clínico confirmado.
Generate Biomedicines: comprimir una pieza de las terapias CAR-T
Generate Biomedicines trabajó en el dominio intracelular de los receptores quiméricos de antígeno, una parte de las instrucciones que permite a una célula T reconocer una diana y activar su respuesta. Reducir el tamaño de esa pieza podría dejar espacio para incorporar otras funciones dentro de la misma construcción genética.
Seis científicos emplearon Claude Code para proponer y refinar diseños. El informe técnico de Generate Biomedicines describe un dominio de 45 aminoácidos, menos de un tercio de la longitud de la referencia clínica utilizada. En experimentos celulares aumentó la expresión del receptor, mantuvo durante más tiempo la capacidad de eliminar células diana y permitió expresar cuatro receptores con una dosis compartida de ARN mensajero.
El resultado es experimental. Las pruebas presentadas se realizaron en sistemas celulares y modelos preclínicos; no prueban que la construcción produzca una terapia más segura o eficaz en personas. Su valor actual consiste en mostrar que la combinación de agentes, revisión científica y ciclos de laboratorio encontró diseños compactos que merecen más investigación.
Divergence Labs: 35.000 anticuerpos para una hipótesis sobre alergias
Divergence Labs investiga una estrategia contra las alergias alimentarias. En vez de neutralizar solamente la inmunoglobulina E que circula por la sangre, pretende separar de las células inmunitarias la que ya está unida a su superficie. El diseño requiere dos brazos: uno que se adhiera a la inmunoglobulina y otro que ayude a desprenderla.
Según Anthropic y el informe técnico de Divergence Labs, Claude convirtió el objetivo en un plan y generó alrededor de 35.000 propuestas en aproximadamente un mes. Las primeras pruebas encontraron tres diseños capaces de unirse a la diana y veinte que mostraron actividad para desprenderla; tres superaron al medicamento de referencia en ese ensayo concreto.
Un “hit” de laboratorio es un punto de partida, no un fármaco. Falta combinar los dos brazos, optimizar la molécula, comprobar selectividad, estabilidad y toxicidad, y decidir si el perfil justifica avanzar. Presentar 35.000 diseños como 35.000 posibles medicamentos sería incorrecto: la mayoría se descarta mucho antes de una prueba clínica.
BigHat: inteligencia artificial conectada a un laboratorio automatizado
BigHat Biosciences integró Claude con Reccy, su sistema para controlar datos y experimentos. El objetivo era mejorar dos fragmentos de anticuerpo: uno relacionado con células tumorales y otro pensado para prolongar la permanencia de un medicamento en el organismo.
Durante siete rondas se fabricaron y probaron unas 1.010 variantes en alrededor de diez semanas. El resumen oficial de BigHat informa de candidatos que se unieron a sus dianas hasta nueve veces con más fuerza, soportaron temperaturas hasta 18 grados superiores y se agregaron mucho más lentamente que las moléculas iniciales.
La parte más interesante no es solo el volumen. Cuando los indicadores habituales de estabilidad parecían engañosos, Claude y el investigador reanalizaron datos brutos, propusieron otras métricas y diseñaron un cambio de protocolo. Los científicos revisaron y ejecutaron la prueba. Es un ejemplo de bucle cerrado: proponer, fabricar, medir, cuestionar el indicador y volver a probar.
Ese bucle también muestra por qué el modelo no trabaja solo. Necesita datos bien etiquetados, instrumentos calibrados, permisos para actuar, criterios de parada y personas capaces de detectar si una métrica optimizada representa de verdad la propiedad biológica que importa.
Enveda: menos tiempo revisando documentos de fabricación
El desarrollo farmacéutico también se atasca en documentación. Enveda conectó documentos de fabricación a Claude para señalar posibles incoherencias en registros de lotes ejecutados. En una evaluación sobre 1.061 páginas, el sistema localizó los once problemas que ya habían señalado revisores humanos y añadió siete incidencias que estos no habían detectado.
El informe de Enveda sobre su procesador documental indica que el tiempo humano de revisión bajó un 89 %, desde más de 25 horas hasta menos de tres. Claude también produjo borradores de dos documentos regulatorios: uno se preparó en cuatro horas frente a los aproximadamente tres meses del proceso manual citado por la empresa.
Reducir tiempo no convierte el borrador en expediente aprobado. La revisión humana sigue siendo necesaria para verificar datos, trazabilidad, versiones, firmas y correspondencia entre el documento y lo ocurrido en la fabricación. En un entorno regulado, una omisión silenciosa puede ser más peligrosa que un texto incompleto evidente.
Ensayos clínicos y creación de empresas: las promesas más difíciles de medir
Bristol Myers Squibb utiliza Claude para analizar datos internos, preparar planes iniciales de estudio y estimar probabilidades de éxito en desarrollo temprano. The Column Group, por su parte, está creando Pleiades, una empresa que pretende operar más programas farmacológicos con un equipo pequeño y flujos asistidos por Claude.
Son líneas relevantes, pero los indicadores divulgados son todavía limitados. Un análisis producido en horas puede ayudar a comparar opciones; no demuestra que la estimación sea calibrada ni que un ensayo tenga más posibilidades de éxito. Para comprobarlo harían falta evaluaciones prospectivas: registrar la predicción antes de conocer el resultado, comparar con métodos humanos y medir errores por tipo de enfermedad y fase.
Por qué “preclínico” cambia el significado de la noticia
La FDA divide el desarrollo de medicamentos en descubrimiento, investigación preclínica, investigación clínica, revisión regulatoria y vigilancia posterior. Las pruebas preclínicas responden preguntas iniciales en laboratorio y animales; los ensayos clínicos estudian seguridad y eficacia en personas.
La mayoría de los resultados descritos por Anthropic pertenece a las primeras etapas. Una molécula puede unirse muy bien a una diana y fracasar porque se degrada, se distribuye mal, provoca toxicidad o no mejora la enfermedad. La velocidad para proponer candidatos es útil si viene acompañada de mejores filtros. Si únicamente aumenta la cantidad de diseños, puede trasladar el cuello de botella a los ensayos y a la revisión.
En Europa, la Agencia Europea de Medicamentos pide gestionar riesgos como sesgos, opacidad, integridad de datos y cambios del modelo durante todo el ciclo de vida. La supervisión depende del uso: no exige el mismo nivel de evidencia un asistente para ordenar literatura que un sistema cuyos resultados apoyan una decisión clínica o regulatoria.
La diferencia entre proponer, decidir y demostrar
- Proponer: el modelo genera hipótesis, secuencias, planes o borradores que después se filtran.
- Decidir: una persona o un equipo elige qué experimento ejecutar, qué riesgo aceptar y cuándo detener un programa.
- Demostrar: datos reproducibles confirman que una intervención cumple criterios establecidos de seguridad, calidad y eficacia.
Claude ha participado sobre todo en la primera capa y, en algunos casos, en análisis que apoyan la segunda. La tercera depende de experimentos, validación independiente y procedimientos regulatorios. Confundir las capas convierte un resultado interesante en una promesa médica que la evidencia todavía no sostiene.
Esta distinción enlaza con nuestro análisis de OpenAI y Orchestra Bio en el desarrollo de fármacos, donde también separamos automatización operativa de validación terapéutica. El trabajo sobre modelos fundacionales para el cribado de tuberculosis aporta otra lección: detectar o priorizar no equivale a diagnosticar, del mismo modo que diseñar una molécula no equivale a demostrar que cura.
Qué controles necesita un agente dentro de un laboratorio
- Objetivos medibles: definir qué propiedad se optimiza y qué compromisos no pueden deteriorarse.
- Datos trazables: conservar origen, versión, condiciones experimentales y resultados negativos.
- Permisos mínimos: limitar qué instrumentos, archivos y acciones puede utilizar el agente.
- Revisión antes de ejecutar: exigir autorización humana para experimentos costosos, peligrosos o irreversibles.
- Controles independientes: repetir los mejores resultados y comparar con referencias y métodos alternativos.
- Registro de decisiones: distinguir propuestas del modelo, cambios del científico y datos observados.
- Protección de información: separar secretos industriales, datos clínicos e identidades, con acceso por función.
- Plan de fallo: detener el flujo si cambian los datos, aparece una incoherencia o el modelo pierde contexto.
La lección también sirve fuera de un laboratorio: un resultado generado necesita un proceso de revisión. El Taller IA Content para organizar imágenes y vídeos y la formación IA Autor para estructurar y revisar un ebook son recursos comerciales independientes que aplican esa idea a tareas creativas de menor riesgo. En medicina, el mismo principio debe convertirse en controles mucho más estrictos y personal cualificado.
Hechos, inferencias y previsiones
Hechos confirmados: Anthropic publicó seis colaboraciones el 27 de octubre de 2026. Los socios comunican experimentos con proteínas, anticuerpos, documentación y planificación. Existen resultados medidos en laboratorio y reducciones de tiempo en tareas concretas. La mayor parte del trabajo es preclínica y no demuestra eficacia terapéutica en humanos.
Inferencia razonable: conectar un modelo a datos e instrumentos puede acortar ciclos de diseño y análisis cuando la métrica representa bien el objetivo y el equipo revisa cada cambio. El beneficio será menor en procesos con datos escasos, resultados tardíos o criterios ambiguos.
Previsión: los laboratorios incorporarán más agentes especializados para literatura, diseño, análisis y documentación. La ventaja competitiva no dependerá únicamente del modelo, sino de la calidad del sistema experimental, los datos acumulados y la capacidad de demostrar que cada aceleración mantiene la seguridad y la trazabilidad.
Preguntas frecuentes
¿Claude ha creado ya un medicamento aprobado?
No. Los resultados comunicados son principalmente preclínicos o mejoras operativas. Ninguno de los casos demuestra por sí solo un medicamento nuevo aprobado y eficaz en pacientes.
¿Qué significa generar 35.000 anticuerpos?
Significa producir 35.000 propuestas computacionales para filtrar y probar. Solo una pequeña parte mostró actividad inicial y todavía debe superar muchas etapas antes de convertirse en candidata clínica.
¿Puede la inteligencia artificial sustituir a los científicos?
Los casos publicados muestran colaboración: el modelo propone y analiza; los científicos fijan objetivos, revisan diseños, cambian protocolos, ejecutan experimentos e interpretan resultados.
¿Por qué es importante la documentación?
Porque un medicamento debe fabricarse de forma reproducible y demostrar qué ocurrió en cada lote. La automatización puede localizar incoherencias, pero la responsabilidad y la validación no desaparecen.
Conclusión: acelerar el ciclo no elimina la prueba
Los resultados de Anthropic y sus socios muestran algo más concreto que una promesa general sobre inteligencia artificial en medicina. Claude ha participado en diseños que después se fabricaron, en análisis que cambiaron un protocolo y en revisiones documentales comparadas con trabajo humano. Eso permite medir beneficios y también localizar fallos.
La prudencia no consiste en ignorar esos avances, sino en nombrarlos correctamente. Son resultados tempranos, mayoritariamente preclínicos y obtenidos en colaboraciones seleccionadas. Si los agentes reducen semanas de iteración sin degradar la calidad, pueden cambiar la economía de la investigación. Para hablar de nuevos tratamientos harán falta reproducibilidad, toxicología, ensayos clínicos y evaluación regulatoria. La inteligencia artificial puede acelerar el camino; no puede saltarse la evidencia.
Fuentes oficiales consultadas el 28 de octubre de 2026. Este contenido es informativo y no constituye consejo médico, farmacéutico ni de inversión.