El descubrimiento de nuevos fármacos es un proceso conocido por su gran ineficiencia y elevado coste. Los proyectos farmacéuticos suelen prolongarse durante años y requieren múltiples equipos especializados que, al operar de forma desconectada, provocan pérdidas de conocimiento en cada fase.
Las cifras son alarmantes: entre un 90% y un 95% de los proyectos de descubrimiento de medicamentos fracasan, una de las tasas más altas en cualquier sector industrial. Además, el desarrollo exitoso de un fármaco puede tardar más de una década y su coste llega a superar los 1.000 millones de dólares desde el hallazgo inicial hasta que llega al paciente, según informes publicados.
Frente a este panorama, la inteligencia artificial generativa ha comenzado a aportar soluciones para algunos de estos retos. Sin embargo, un equipo liderado por James Zou, profesor asociado de Ciencia de Datos Biomédicos en la Universidad de Stanford, ha avanzado aún más mediante el uso de inteligencia artificial agentiva. 
Zou y su equipo han implementado miles de agentes AI autónomos, concebidos como «científicos» virtuales, que trabajan en un ecosistema de biotecnología simulado donde se reproduce todo el ciclo de vida del desarrollo farmacológico. Estos agentes gestionan desde la fase de descubrimiento inicial hasta las pruebas de seguridad y el diseño de ensayos clínicos, manteniendo la continuidad que actualmente falta en los procesos tradicionales, explica Zou.
El sistema funciona mediante un marco jerárquico de orquestación en el que un agente equivalente a un director científico coordina y asigna tareas a diversos grupos especializados. Por ejemplo, un equipo se centra en la fase de descubrimiento, otro en la seguridad y otros en tareas analíticas específicas. Dado que estos agentes operan dentro de un ecosistema unificado, pueden retener todo el contexto del proyecto, garantizando continuidad desde la identificación de la primera molécula hasta el resultado clínico final.
El «cerebro» del sistema se sustenta en un enorme volumen de datos primarios. Los agentes acceden a fuentes que incluyen datos genómicos, información química de la FDA y bases de datos de ensayos clínicos mediante un protocolo de contexto de modelo que facilita la integración fluida.
El equipo ha dedicado importantes esfuerzos a desarrollar datos nativos y amigables para agentes de IA, lo que permite sintetizar información compleja con mayor eficacia. Para ello, el sistema combina varios modelos de inteligencia artificial: Claude suele utilizarse para la programación y el análisis de datos, pero también se emplean otros modelos ajustados para casos de uso específicos.
Impulsado por esta investigación, James Zou está en fase de captación de fondos para su startup Human Intelligence, valorada en aproximadamente 1.000 millones de dólares.
El 15 de julio, durante su ponencia en VB Transform 2026 titulada «Cómo 10.000 científicos agentivos en el laboratorio de Stanford están destinados a revolucionar la investigación médica y el descubrimiento», Zou compartirá detalles clave. Entre ellos se incluyen estrategias para gestionar el contexto y flujos de trabajo complejos y prolongados en sistemas multiagente, el proceso de transformación e indexación de datos empresariales en formatos nativos para agentes y el uso de auditorías humanas junto con señales de recompensa experimentales para verificar las acciones de los agentes.
En el mismo evento, una sesión centrada en el valor del contexto agentivo abordará «Construyendo una base de IA agentiva confiable: Cómo Zillow aceleró su ingeniería un 40%», con la participación de Toby Roberts, vicepresidente senior de ingeniería y tecnología de Zillow, y Arvind Jain, CEO de Glean.
