La startup Chai Discovery acaba de conseguir un nuevo impulso financiero que la coloca en el centro de una tendencia cada vez más visible: aplicar inteligencia artificial para acortar el camino entre una hipótesis científica y un candidato a fármaco. Según informó TechCrunch, la compañía ha levantado 130 millones de dólares en una Serie B con una valoración de 1.300 millones, en una operación liderada por General Catalyst y Oak HC/FT, con participación de firmas como Menlo Ventures, Thrive Capital y la propia OpenAI, entre otros inversores.
En números redondos, el mensaje del mercado es claro: cuando la promesa es “diseñar moléculas con ordenador” y el equipo afirma mejoras medibles frente a métodos previos, los cheques aparecen con rapidez. En este caso, la financiación acumulada de Chai ya supera los 225 millones de dólares, una cifra notable para una empresa fundada en 2024.
Qué busca Chai: un “CAD” para la química
Chai define su ambición como construir una especie de “suite de diseño asistido por ordenador” para moléculas. La comparación tiene sentido si pensamos en cómo trabajan arquitectos o diseñadores industriales: antes de fabricar un objeto, lo modelan, lo prueban en simulaciones, ajustan medidas y repiten hasta que encaja. Trasladado a biología, la idea sería predecir cómo se comportarán proteínas, anticuerpos u otras moléculas cuando interactúan, y proponer diseños que tengan propiedades cercanas a las de un futuro medicamento.
En el laboratorio, avanzar suele implicar ciclos costosos de prueba y error. La propuesta de herramientas basadas en modelos fundacionales es convertir parte de ese ensayo en un proceso más parecido a “probar recetas en una cocina virtual” antes de encender el fuego real: reduces intentos fallidos, priorizas lo más prometedor y llegas al banco de trabajo con opciones mejor seleccionadas.
De Chai 1 a Chai 2: foco en el diseño de anticuerpos de novo
La empresa anunció el modelo Chai 1 el año pasado y ahora ofrece Chai 2, su versión más reciente. El punto donde pone el acento es especialmente relevante en biomedicina: el diseño de anticuerpos de novo, es decir, crear anticuerpos desde cero en lugar de retocar uno existente.
Aquí conviene aterrizar el concepto con una imagen cotidiana. Modificar un anticuerpo conocido se parece a arreglar una chaqueta: ajustas mangas, cambias botones y mejoras el corte, pero partes de una prenda que ya existe. Diseñar de novo sería aprender cómo debería ser la chaqueta ideal para una persona concreta y confeccionarla desde el patrón, sin depender de un modelo anterior. Eso abre posibilidades interesantes, porque ciertos “objetivos” biológicos son difíciles de abordar con anticuerpos clásicos o con aproximaciones que solo optimizan lo ya conocido.
Chai sostiene que Chai 2 logra mejoras “significativas” en tasas de éxito frente a otros métodos para ese diseño desde cero. En términos prácticos, la promesa es aumentar la probabilidad de que un diseño computacional se traduzca en una molécula que, al pasar al laboratorio, conserve la forma, estabilidad y capacidad de unión necesarias para ser útil.
El contexto: por qué la industria corre hacia la IA para descubrimiento de fármacos
El interés por esta categoría viene de un cuello de botella bien conocido: desarrollar medicamentos es lento, caro y con alta tasa de fracaso. Entre la primera idea y un fármaco aprobado hay años de trabajo, pruebas preclínicas, ensayos clínicos y requisitos regulatorios. La IA no elimina esas etapas, pero sí puede mejorar el “embudo” inicial, ayudando a decidir qué candidatos merecen inversión de tiempo y recursos.
Por eso vemos un ecosistema creciente de startups que entrenan modelos para predecir interacciones bioquímicas, generar estructuras plausibles o explorar espacios químicos inmensos. En la Serie A de Chai, Menlo Ventures ya había enmarcado el enfoque como el desarrollo de modelos fundacionales ajustados para descubrimiento de fármacos, con capacidad para anticipar cómo se relacionan moléculas y cómo podrían “reprogramarse” para fines terapéuticos. Esa tesis encaja con la lógica de la automatización: si puedes simular y priorizar con más precisión, reduces el coste de equivocarte pronto.
Qué implica que OpenAI esté en la mesa de inversores
La participación de OpenAI tiene una lectura estratégica: el salto de los modelos generalistas a dominios altamente especializados. Cuando una empresa del entorno de la IA apoya una biotech que construye modelos para biología molecular, está apostando por la idea de que el “motor” de aprendizaje puede adaptarse a problemas con reglas distintas, datos complejos y una necesidad real de validación física.
Al mismo tiempo, conviene mantener la perspectiva. En biotecnología, un buen modelo es una ventaja competitiva, no un atajo mágico. Las predicciones deben enfrentarse a experimentos, y los experimentos a procesos regulatorios. La promesa de acelerar etapas tempranas es atractiva, pero el éxito final se mide en moléculas que funcionen en entornos biológicos reales y, con el tiempo, en resultados clínicos reproducibles.
Quién está detrás: Josh Meier y un perfil de machine learning
TechCrunch destaca también el perfil del cofundador y CEO, Josh Meier, con trayectoria en machine learning y experiencia previa en Facebook, además de un paso por OpenAI, según su perfil de LinkedIn. No es un detalle menor: muchas de las startups punteras en bio-IA nacen cuando perfiles de IA avanzada se cruzan con necesidades concretas del laboratorio. Ese cruce es delicado, porque exige hablar dos idiomas a la vez: el de la estadística y el software, y el de la biología experimental.
Cuando esa traducción se hace bien, el resultado no es solo un modelo que “predice”, sino un flujo de trabajo completo: qué datos se generan, cómo se controlan sesgos, cómo se evalúa la incertidumbre, qué métricas importan para un equipo de química medicinal o inmunología. La frase de Meier citada por la compañía apunta a esa ambición: diseñar moléculas con propiedades deseables para fármacos y abordar objetivos difíciles que hasta ahora quedaban fuera de alcance.
Oportunidades y límites: lo que aún hay que demostrar
Si Chai 2 realmente mejora tasas de éxito en diseño de anticuerpos, podría traducirse en ciclos más cortos para identificar candidatos viables, con impacto directo en costes y tiempos. También abre la puerta a explorar dianas biológicas “incómodas”, como proteínas con superficies difíciles de atacar o interacciones que requieren una geometría muy precisa.
El punto crítico está en el tipo de evidencia que la industria considera convincente. No basta con buenos resultados en simulación; hacen falta validaciones experimentales sólidas, reproducibles, en distintos laboratorios y con indicadores que importen a clínicos: estabilidad, inmunogenicidad, especificidad, perfil farmacocinético. Las empresas que ganen en este terreno serán las que integren bien el triángulo de datos, modelo y laboratorio, sin caer en el riesgo de sobreajustar a benchmarks bonitos pero poco representativos.
La financiación sugiere que, al menos para los inversores, Chai tiene narrativa, equipo y señales tempranas suficientes como para escalar. El reto ahora será convertir esa confianza en resultados verificables y, sobre todo, en productos que resistan el examen del mundo real.