La Estrategia de Novartis para Pasar la IA de Piloto a Producción

En el ciclo de exageración de la IA, la brecha entre una demostración impresionante y un sistema de producción confiable es a menudo un abismo. Novartis intenta cerrar esta brecha no con nuevos modelos llamativos, sino con un trabajo de datos fundamental y poco glamoroso. Christian Diehl, el director de datos y digital de la compañía para investigación biomédica, describió recientemente cómo años de inversión en plataformas finalmente están arrojando retornos tangibles en la investigación biomédica.

El núcleo de la estrategia de Novartis gira en torno a tres áreas de aplicación específicas: predicción de seguridad impulsada por IA, química generativa y traducción clínica más rápida. Diehl enfatiza que el valor no proviene de los modelos de IA en sí, sino de la calidad y accesibilidad de los datos subyacentes. Al estandarizar y centralizar conjuntos de datos dispares, Novartis ha creado un sustrato que permite a los agentes y herramientas de IA operar con mayor precisión y consistencia.

Para el ecosistema de IA, este caso de estudio ofrece una lección crítica: la infraestructura es el foso. Muchas startups se centran en la construcción de arquitecturas novedosas, pero el enfoque de Novartis sugiere que la verdadera ventaja competitiva reside en la higiene de los datos. Cuando los datos son limpios, estructurados y accesibles, incluso los modelos de IA estándar pueden superar a los sistemas complejos alimentados por datos sucios. Esto es particularmente evidente en sus modelos de predicción de seguridad, donde la reducción de falsos positivos es una cuestión de calidad de datos, no solo de complejidad del modelo.

Además, el enfoque en la química generativa resalta un cambio de la IA exploratoria a la IA utilitaria. En lugar de generar estructuras moleculares aleatorias por el simple hecho de la novedad, Novartis utiliza la IA para proponer compuestos que sean sintéticamente factibles y se alineen con objetivos terapéuticos específicos. Esta restricción práctica garantiza que la salida de la IA sea inmediatamente procesable por los químicos, en lugar de requerir un post-procesamiento manual significativo.

Para las organizaciones que buscan escalar la IA más allá de la fase piloto, la conclusión es clara: no se salten la fase de ingeniería de datos. Invertir en plataformas de datos robustas puede ralentizar la creación de prototipos iniciales, pero acelera el viaje a la producción. La experiencia de Novartis sugiere que el ROI más significativo en IA no proviene del algoritmo, sino de la integración disciplinada de la IA en los flujos de trabajo existentes, respaldada por bases de datos de alta calidad. Este es un enfoque pragmático y directo que prioriza la confiabilidad operativa sobre el espectáculo tecnológico.

Foto: National Cancer Institute / Unsplash (https://unsplash.com/@nci)