En este artículo
Seguro que ha aparecido una sonrisa en ambos. Es algo que ocurre de vez en cuando en cualquier conversación sobre tecnología, normalmente cuando alguien menciona un caso de IA que no termina en decepción y funciona.
Porque, seamos francos, en los últimos años hemos acumulado bastante escepticismo: promesas de transformación digital que se quedan en un piloto bonito, modelos predictivos que funcionan en el PowerPoint pero no en la realidad, y un ecosistema de proveedores que a veces recuerda más a los vendedores de aceite de serpiente del siglo XIX que a ingenieros serios. Y si lo has experimentado dentro de tu organización o compartido con colegas, todos conocemos casos de uso de la IA que han fracasado.
Pero hay excepciones. Y cuando aparecen, conviene estudiarlas con calma. Porque entender por qué algo ha funcionado puede ser más valioso que lamentarse de lo que no. Y sobre todo, qué impacto puede suponer a nuestra sociedad.
¿Cuándo un caso de uso de la IA es realmente un éxito?
La pregunta parece sencilla, pero no lo es. Un modelo que clasifica bien en papel no es un éxito. Un prototipo que impresiona en una demo, tampoco. Para que un caso de uso de IA merezca ese nombre, necesita algo más: impacto medible en un problema real, adopción sostenida por quienes deben usarlo, escalabilidad más allá del primer piloto, confianza de los stakeholders y una gobernanza que no sea un parche posterior.
Dicho de otra forma: el éxito no está en el modelo. Está en el sistema. Una vez más.
Y, sin embargo, la mayoría fracasa. Las cifras son duras, pero para no caer en sesgos debemos acudir a ellas.
¿Por qué? Las razones se repiten con una monotonía que ya debería preocuparnos: problemas mal formulados (soluciones buscando problema), datos inadecuados, falta de alineación con procesos reales, expectativas infladas, deuda técnica heredada y una gobernanza que llega tarde o nunca llega.
Y hablando desde mi propia experiencia: un equipo brillante puede construir un modelo que funciona en el sandbox, te lo presentan con entusiasmo, y seis meses después nadie lo usa. No porque el modelo sea malo, sino porque nadie diseñó el sistema alrededor: la integración, los incentivos, la confianza del usuario final, el mantenimiento.
Y aunque parezca mentira, cómo se diseña el servicio o el producto digital alrededor del problema suele ser una de las principales razones del fracaso, junto a la disponibilidad de datos.
La IA muere en el piloto cuando se trata como tecnología. Sobrevive cuando se trata como un producto.
Pero vayamos al que, para mí, es uno de los casos de éxito más importantes en cuanto a aplicación de la IA y al impacto generado a nivel de contribución a la humanidad.
El caso AlphaFold: de problema imposible a infraestructura global
Y aquí es donde la historia se pone interesante. Imagina un collar de cuentas muy largo, digamos unas 300 piezas, cada una de un color distinto. Ahora imagina que ese collar, en cuanto lo sueltas, se pliega sobre sí mismo en milisegundos hasta adoptar una forma tridimensional única y precisa. Esa forma determina para qué sirve: si funcionará como una enzima que acelera reacciones, como un receptor que reconoce un virus, o como un transportador que mueve moléculas dentro de una célula.
Eso es, simplificando mucho (y desde el punto de vista de alguien no científico en el campo de la biología), una proteína. Y predecir cómo se pliega (cómo pasa de collar a forma funcional) ha sido uno de los grandes problemas abiertos de la biología durante más de cincuenta años. Si intentaras todas las configuraciones posibles al azar, tardarías más que la edad del universo. La famosa paradoja de Levinthal.
Antes de AlphaFold, determinar la estructura de una sola proteína podía costar meses o años de trabajo experimental: cristalografía de rayos X, resonancia magnética nuclear, criomicroscopía electrónica. Técnicas potentes, pero lentas, caras y no siempre viables. Y mientras las secuencias de proteínas crecían exponencialmente gracias a la genómica, las estructuras resueltas avanzaban a paso de tortuga.
El enfoque de DeepMind: de estadística a visión, y de visión a geometría
Lo que hizo DeepMind no fue simplemente «aplicar deep learning a la biología». Fue reformular el problema dos veces. Y ahí estuvo la clave.
Durante décadas, los métodos computacionales intentaban predecir la estructura de una proteína a partir de correlaciones estadísticas: se extraían patrones de coevolución entre aminoácidos (si dos posiciones mutan juntas en especies distintas, probablemente están cerca en el espacio) y con esos datos se intentaba reconstruir la forma tridimensional. Era ingenioso, pero tenía un techo claro de precisión.
La primera versión de AlphaFold (2018, CASP13) dio un giro radical: replanteó el problema como si fuera visión por computación. En lugar de trabajar solo con estadísticas resumidas, utilizó redes neuronales residuales (ResNets, las mismas que habían revolucionado el reconocimiento de imágenes) para tratar la matriz de distancias entre aminoácidos como una imagen 2D. Esa imagen, llamada distograma, es como una foto de las relaciones espaciales de la proteína. Ya entonces, el salto fue enorme.
Pero AlphaFold2 (2020, CASP14) fue un paso más allá. Abandonó tanto el enfoque estadístico como el de visión por computación, y los sustituyó por mecanismos de atención (Transformers) capaces de razonar directamente sobre geometría espacial. Ya no hacía falta un paso intermedio: el modelo tomaba las secuencias evolutivas en bruto y producía la estructura 3D end-to-end. Dos pistas internas, una evolutiva y otra espacial, se comunicaban entre sí, afinando las hipótesis de forma iterativa. El resultado fue una precisión cercana a la experimental en la mayoría de casos.
Y todo esto, sometido a examen a ciegas. DeepMind aprovechó décadas de datos abiertos de alta calidad (Protein Data Bank, UniProt) y se presentó a CASP, la evaluación ciega periódica donde los equipos predicen estructuras que aún no son públicas. CASP fue el auditor externo que hizo posible este salto: sin él, cualquier afirmación habría sido sospechosa. Con él, el resultado fue verificable, reproducible y, para la comunidad científica, imposible de ignorar.
Sin embargo, el verdadero golpe de genio no fue el modelo. Fue convertirlo en producto científico. Algo que millones de investigadores pudieran utilizar sin ser expertos en deep learning para acelerar el proceso de investigación.
De modelo a infraestructura: la base de datos que lo cambió todo
DeepMind y el EMBL-EBI crearon la AlphaFold Protein Structure Database (AFDB), el acceso abierto a cientos de millones de predicciones estructurales, con APIs, integración en herramientas de bioinformática y métricas de confianza para cada predicción. No es un paper detrás de un paywall. Es infraestructura pública y de libre acceso.
Los números hablan solos: más de 4,5 millones de usuarios y más de 18.000 descargas de proteomas completos en 2026. Y en octubre de 2024, el comité del Nobel de Química reconoció a Demis Hassabis y John Jumper (junto a David Baker, por diseño de proteínas) por haber permitido predecir la estructura de «prácticamente todas las proteínas conocidas».
Esto no es hype. Esto es impacto real.
Impacto real: aceleración, no magia
Ahora bien, conviene ser precisos. AlphaFold no cura enfermedades. Lo que hace es reducir drásticamente el tiempo para formular y priorizar hipótesis. Y eso, en ciencia, es enorme.
El proceso de descubrimiento de una estructura de proteína puede ser variable. Se estima que algo que podía llevar meses o años ahora se puede hacer en minutos. En fases de descubrimiento preclínico, procesos que podrían durar 5-7 años ahora se pueden realizar en 12 o 30 meses. Algo muy significativo en la investigación de nuevos fármacos.
Algunos ejemplos concretos: en malaria, la estructura del candidato a la vacuna Pfs48/45 ha permitido mapear epítopos clave para anticuerpos bloqueadores de transmisión. En cáncer, un equipo reportó un pipeline que integró AlphaFold con química generativa para identificar hits contra CDK20 en unos 30 días. En Parkinson, el modelado con AlphaFold ha ayudado a identificar un sitio de interacción en LRRK2 que conecta con mecanismos de señalización relevantes para la enfermedad.
En cristalografía, un estudio de 2025 demostró que el reemplazo molecular guiado por AlphaFold resolvió el 93% de 372 casos de prueba: más estructuras resueltas con menos ciclos experimentales. Y en agricultura, la predicción de la estructura de la vitelogenina de abeja melífera ha abierto vías para comprender procesos moleculares críticos en polinizadores.
Todo esto es real. Pero también es importante decir lo que todavía no se ha traducido en resultados clínicos directos. Los ensayos siguen siendo largos. Una estructura predicha sigue siendo una hipótesis que necesita validación. Y las interacciones proteína-ligando, donde AF3 amplía el alcance, requieren estándares de evidencia mucho más altos.
La pregunta incómoda: ¿es AlphaFold el mayor éxito social de la IA?
Depende de cómo se mida.
Si el criterio es impacto directo e inmediato sobre personas, hay casos que compiten fuerte. La predicción meteorológica con IA ya es una realidad: el ECMWF ha integrado su AI Forecasting System en producción, y modelos como GraphCast (también de DeepMind) han demostrado competir con sistemas tradicionales. Millones de personas se benefician cada día de estas predicciones. En salud, el NHS en Reino Unido ha desplegado herramientas de IA para triaje de ictus en más de 70 hospitales, acelerando decisiones clínicas que salvan vidas. Y en cribado de retinopatía diabética, sistemas autónomos están cerrando brechas de atención allí donde faltan especialistas.
Si el criterio es transformación estructural de la ciencia, AlphaFold probablemente no tiene rival. Ha reconfigurado un campo entero, ha sido validado por evaluación ciega, institucionalizado como base de datos abierta y reconocido con un Nobel. Y si añadimos su capacidad para catalizar múltiples sectores (salud, biotecnología, medioambiente, agricultura) en horizontes de 5 a 20 años, estamos ante lo que la teoría económica llamaría una tecnología general de propósito dentro de las ciencias de la vida.
AlphaFold es, con alta probabilidad, el caso más convincente de IA como infraestructura científica global.
Lo que podemos llevarnos: condiciones replicables
Cuando desmenuzamos el éxito de AlphaFold, emerge un patrón que va mucho más allá de la biología.
Primero, un problema real y verificable. No una solución buscando problema. DeepMind eligió un cuello de botella científico con décadas de historia y un sistema de evaluación externo (CASP) que hacía imposible el autoengaño.
Segundo, los datos como infraestructura, no como subproducto. La Protein Data Bank y UniProt llevaban décadas acumulando datos abiertos de alta calidad. DeepMind no inventó los datos: aprovechó un ecosistema científico bien diseñado para darles un propósito.
Tercero, orientación a producto, no a un prototipo. La AFDB no es un repositorio académico olvidado. Es una plataforma con APIs, métricas de confianza, integraciones y 4,5 millones de usuarios.
Cuarto, interdisciplinariedad real. Machine learning, biología estructural, ingeniería de datos, alianzas institucionales. No un equipo de data scientists trabajando en silo. La colaboración interfuncional fue lo que permitió el éxito.
Y quinto, paciencia. DeepMind lleva trabajando en este problema desde 2016. El Nobel llegó en 2024. Ocho años. No es el timeline de un trimestre presupuestario.
En España, decidimos reconocer este trabajo con el Premio Princesa de Asturias de Investigación Científica y Técnica en 2022.
Cinco preguntas antes de aprobar tu próximo proyecto de IA
- ¿Cuál es el problema real?
- ¿Dónde están los datos y qué calidad tienen?
- ¿Cómo se medirá el éxito de forma independiente?
- ¿Quién lo va a usar y cómo se integra?
- ¿Estamos dispuestos a invertir el tiempo y el esfuerzo que necesita?
Si las respuestas no son claras, probablemente tengas otro piloto más. Un caso de uso fallido. Si las respuestas son sólidas, quizá tengas el principio de algo que importe.
Por si te apetece indagar más
- Gartner, Inc. (2025). «Lack of AI-Ready Data Puts AI Projects at Risk.» Gartner Newsroom, 26 de febrero de 2025.
- The New York Times (2026). «Researchers Are Using A.I. to Decode the Human Genome.» The New York Times, 28 de enero de 2026.
- Bertoni, D., Tsenkov, M., Magana, P. et al. (2026). «AlphaFold Protein Structure Database 2025: a redesigned interface and updated structural coverage.» Nucleic Acids Research, 54(D1), D358–D362.
- Jumper, J., Evans, R., Pritzel, A. et al. (2021). «Highly accurate protein structure prediction with AlphaFold.» Nature, 596(7873), 583–589.
- The Royal Swedish Academy of Sciences (2024). «They have revealed proteins’ secrets through computing and artificial intelligence.» Popular Science Background, Nobel Prize in Chemistry 2024.
- Palmer, C. (2025). «AlphaFold Wins Nobel Prize, Gains Functionality, Drops Open Access.» Engineering, 45(2), 7–9.
