Antecedentes

BMS anunció recientemente una inversión a gran escala en AI. El rápido aumento en el volumen de datos ha dificultado mantener el ritmo utilizando únicamente los procesos tradicionales de I+D. Los competidores también están acelerando la adopción de AI, lo que crea la necesidad de una respuesta proactiva. En consecuencia, la empresa decidió implementar una plataforma de AI para toda la organización.

Introducción a Claude

Claude, desarrollado por Anthropic, es una herramienta de AI basada en un modelo de lenguaje extenso (LLM). LLMs se entrenan con corpus de texto masivos, lo que permite una comprensión y generación de lenguaje similar a la humana. BMS planea posicionar a Claude como una "plataforma de inteligencia compartida", permitiendo que los investigadores reciban respuestas inmediatas a sus consultas. Se espera que esto reduzca sustancialmente el tiempo requerido para el diseño de experimentos complejos y las búsquedas bibliográficas.

Mejora de la eficiencia en I+D

Al automatizar la limpieza de datos, el análisis y la generación de hipótesis, AI puede acelerar la identificación de candidatos a fármacos. BMS tiene como objetivo utilizar esta capacidad para avanzar en el punto de entrada al desarrollo clínico y reducir los costes asociados. El objetivo final es acortar el tiempo que tardan las nuevas terapias en llegar a los pacientes.

Tendencias de la industria y diferenciación

Grandes empresas farmacéuticas como Pfizer y Novartis también están expandiendo sus asociaciones de AI. Sin embargo, BMS se diferencia al desplegar Claude como una plataforma "compartida" a nivel empresarial para integrar el flujo de conocimiento entre departamentos. Este enfoque también puede contribuir a mejoras en la cultura organizacional y la gobernanza de datos.

Riesgos y desafíos potenciales

En las etapas iniciales de la adopción de AI, la seguridad de los datos, las preocupaciones sobre la privacidad y la necesidad de validación del modelo se vuelven prominentes. Además, no se pueden ignorar los cambios en los hábitos de uso de los investigadores y el coste de la formación. El impacto real dependerá de cómo se aborden estos desafíos.