La alianza lleva modelos biológicos, agentes de IA y experimentación de laboratorio hacia una plataforma común para reducir los ciclos de descubrimiento. Novo Nordisk utilizará infraestructura y servicios de AWS, incluidos Amazon Bio Discovery y Amazon Bedrock AgentCore, para conectar modelamiento biológico, agentes de IA, datos y experimentación física. La colaboración incluye además un centro de coinnovación en Londres que reunirá científicos e ingenieros para reducir las demoras entre una predicción computacional y su validación experimental.

Aspectos clave

• AWS pasa a ser el proveedor cloud preferente de Novo Nordisk y socio estratégico para iniciativas de inteligencia artificial, según el comunicado remitido a IT/USERS® Magazine.
• Un centro de coinnovación en King’s Cross, Londres, reunirá equipos científicos de Novo Nordisk con ingenieros y especialistas de AWS.
• Amazon Bio Discovery conecta más de 40 modelos biológicos de IA con asistentes agénticos y laboratorios asociados para flujos lab-in-the-loop.
• El servicio está actualmente diseñado principalmente para descubrimiento y optimización de anticuerpos, una precisión importante frente a una interpretación demasiado amplia de “drug discovery”.
• Amazon Bedrock AgentCore aporta infraestructura para construir, conectar, ejecutar, observar y optimizar agentes en producción.
• Novo Nordisk ya utiliza Amazon Bedrock: más de 25.000 empleados han creado chatbots para más de 2.500 casos de uso en procesos no regulados.
• La farmacéutica empleaba aproximadamente 66.700 personas en 80 países al cierre del segundo trimestre de 2026.
• La alianza con AWS no debe entenderse como una relación exclusiva de IA: Novo Nordisk mantiene también una colaboración estratégica con OpenAI.

La IA entra en el ciclo experimental del descubrimiento farmacológico

Lima, Perú, 14 de agosto de 2026.— El descubrimiento de medicamentos combina disciplinas que históricamente han evolucionado mediante herramientas y ritmos diferentes. Un equipo puede estudiar la biología de una enfermedad, otro construir modelos computacionales, un tercero diseñar moléculas o proteínas y posteriormente un laboratorio físico debe comprobar si las predicciones realmente funcionan. El problema aparece entre esos pasos. Un modelo puede producir miles de candidatos en poco tiempo, pero ese avance pierde parte de su valor cuando:

• los resultados deben trasladarse manualmente;
• científicos e ingenieros utilizan sistemas separados;
• los datos experimentales regresan semanas después;
• la información se almacena en silos;
• cada nuevo experimento exige reconstruir parte del pipeline.

La alianza entre Novo Nordisk y AWS busca reducir precisamente esa distancia.

Científicos e ingenieros trabajando en la misma habitación

El acuerdo contempla un centro de coinnovación en las instalaciones de Novo Nordisk en King’s Cross, Londres, donde investigadores de la farmacéutica trabajarán con especialistas en IA, ingenieros y científicos aplicados de AWS. La elección tiene además un contexto tecnológico: Novo Nordisk ya mantiene un centro de IA para investigación y desarrollo en King’s Cross, dentro del ecosistema londinense de ciencias de la vida. AWS, por su parte, lanzó en junio de 2026 su organización Forward Deployed Engineering, respaldada por una inversión anunciada de US$1.000 millones para colocar ingenieros directamente junto a clientes y desarrollar sistemas agénticos en producción. La filosofía es diferente al modelo tradicional de consultoría. En lugar de: científico → requerimiento → ingeniero → desarrollo → devolución → corrección se intenta llegar a: científico + ingeniero + IA + experimento → iteración continua. La disminución de los traspasos puede resultar particularmente importante en investigación, donde una observación experimental puede cambiar inmediatamente la siguiente hipótesis.

El objetivo: acortar la distancia hasta la primera dosis en humanos

Según el comunicado, uno de los objetivos del centro será reducir el recorrido que separa una diana terapéutica de la primera administración del candidato en humanos. Conviene interpretar esta aspiración correctamente. La inteligencia artificial puede acelerar actividades como:

• generación de hipótesis;
• exploración de candidatos;
• predicción de propiedades;
• priorización;
• análisis de información;
• diseño experimental.

Pero no elimina la necesidad de validación biológica, estudios preclínicos, evaluación de seguridad, manufactura, requisitos regulatorios ni ensayos clínicos.

Acelerar el descubrimiento no equivale a saltarse la ciencia experimental.

De hecho, Amazon Bio Discovery está construido alrededor del principio contrario: hacer que la predicción computacional llegue antes al laboratorio para comprobar si es correcta.

Amazon Bio Discovery cierra el ciclo entre IA y laboratorio

Amazon Bio Discovery es una de las piezas tecnológicas más interesantes del acuerdo. AWS lo define como una aplicación de IA creada específicamente para diseño y optimización de anticuerpos, con acceso a más de 40 modelos biológicos, herramientas de benchmarking y asistentes agénticos que ayudan a configurar experimentos. El workflow puede seguir una secuencia como: objetivo biológico → selección del modelo → generación de candidatos → evaluación computacional → selección → laboratorio físico → resultados → nueva iteración. El concepto recibe el nombre de lab-in-the-loop. Su importancia está en que el resultado experimental no funciona únicamente como conclusión del proceso. Regresa al sistema y puede utilizarse para mejorar la siguiente ronda.

La IA propone, pero el laboratorio sigue teniendo la última palabra

Un modelo biológico puede predecir que determinado anticuerpo tendrá buenas propiedades de unión, estabilidad o desarrollabilidad. Pero una predicción sigue siendo una predicción. Amazon Bio Discovery conecta directamente con organizaciones de investigación contractual —CRO— que pueden sintetizar y ensayar los candidatos seleccionados. AWS identifica actualmente entre sus socios integrados a Ginkgo Bioworks y Twist Bioscience, además de otras incorporaciones a su red. Cuando termina el ensayo, los resultados vuelven a la aplicación. Ese ciclo crea una especie de conversación permanente: IA: “estos son mis mejores candidatos”. Laboratorio: “estos funcionaron realmente”. IA: “con esa evidencia, ajustemos la siguiente generación”. En investigación biomédica, esa retroalimentación es más importante que producir cantidades masivas de moléculas sintéticas.

Un ejemplo: de cientos de miles de diseños al laboratorio en semanas

AWS ya ha documentado una utilización de Amazon Bio Discovery con Memorial Sloan Kettering Cancer Center. En ese trabajo, el sistema generó cerca de 300.000 diseños nuevos de anticuerpos y seleccionó aproximadamente 100.000 para pruebas de laboratorio. AWS señala que el recorrido desde diseño hasta envío de candidatos para validación tomó semanas, frente a procesos que tradicionalmente podían requerir hasta un año. Ese resultado no debe trasladarse automáticamente a Novo Nordisk ni a cualquier programa farmacológico. La complejidad depende del objetivo, modalidad, datos disponibles y etapa del desarrollo. Pero sí permite comprender qué intenta conseguir AWS con el enfoque lab-in-the-loop: reducir el tiempo perdido entre computación y experimento.

AgentCore lleva los agentes desde el prototipo hacia producción

La segunda pieza del acuerdo es Amazon Bedrock AgentCore. Un agente de IA no es simplemente un modelo generando texto. Para trabajar dentro de una organización necesita:

• acceder a herramientas;
• autenticarse;
• mantener contexto;
• consultar datos;
• ejecutar acciones;
• conservar estado;
• registrar lo ocurrido;
• operar bajo permisos;
• ser monitoreado.

AgentCore proporciona esa infraestructura administrada alrededor del agente. AWS lo describe como una plataforma para construir, conectar y optimizar agentes, con servicios de ejecución, identidad, gateway, observabilidad y evaluación. Para una empresa farmacéutica global, esa capa resulta especialmente relevante porque pasar de una demostración experimental a miles de usuarios introduce problemas que el propio modelo no resuelve.

Un agente científico necesita herramientas, no solo conocimientos

Un agente utilizado en descubrimiento farmacológico podría necesitar combinar múltiples recursos: consultar documentación científica, recuperar datos internos, ejecutar modelos especializados, llamar un pipeline bioinformático, interpretar resultados y preparar el siguiente experimento. AgentCore Gateway permite convertir APIs y funciones existentes en herramientas que los agentes pueden utilizar mediante protocolos como MCP, manteniendo controles de identidad y acceso. Esta arquitectura representa una evolución respecto de la IA generativa inicial. Antes la secuencia era: persona → pregunta → modelo → respuesta. Ahora: persona u objetivo → agente → planificación → herramientas → datos → acción → resultado. En un entorno científico, el valor aparece cuando esas herramientas corresponden a sistemas reales de investigación.

Novo Nordisk no comienza desde cero con Amazon Bedrock

La nueva alianza amplía una relación tecnológica que ya produjo resultados cuantificables. AWS documenta que Novo Nordisk creó una plataforma interna de IA generativa basada en Amazon Bedrock para que sus empleados pudieran construir aplicaciones dentro de procesos no regulados. Los resultados acumulados son relevantes:

• más de 25.000 empleados utilizan la plataforma;
• se han creado más de 2.500 casos de uso/chatbots;
• algunas tareas que podían requerir un día se redujeron a aproximadamente 30 minutos;
• AWS estima alrededor de US$10 mensuales de costo promedio de infraestructura por chatbot en esa implementación serverless.

Los usos incluyen búsqueda de información, preparación de documentos, asistencia sobre conocimiento interno y compañeros virtuales. Pero hay una distinción fundamental. Esos resultados corresponden principalmente a procesos no regulados y productividad empresarial. La nueva etapa intenta llevar la IA mucho más cerca del núcleo científico.

De IA generativa empresarial a IA agéntica científica

El cambio puede resumirse así:

• Primera etapa: ayudar a empleados a escribir, buscar y resumir.
• Segunda etapa: construir asistentes especializados.
• Tercera etapa: integrar agentes con workflows científicos y sistemas empresariales.
• Cuarta etapa: conectar predicción computacional con experimentación física.

La colaboración AWS–Novo Nordisk apunta hacia esas últimas dos etapas.

Dan Sheeran, vicepresidente y gerente general de Healthcare & Life Sciences de AWS, lo expresa en el comunicado:

La colaboración de Novo Nordisk con AWS muestra lo que se puede lograr al combinar la IA con una profunda experiencia en ciencias de la vida: eliminar los cuellos de botella en el descubrimiento de fármacos, no solo estudiarlos”.

Y añade:

Juntos, estamos creando aplicaciones de IA autónoma que aceleran la investigación, el desarrollo clínico, la fabricación y las operaciones de TI para ayudar a Novo Nordisk a avanzar más rápido de principio a fin”.

“Autónoma” no debería significar “sin supervisión humana”

La expresión merece una precisión particularmente importante en ciencias de la vida. Una aplicación agéntica puede actuar automáticamente dentro de un workflow técnico sin que eso signifique que deba tomar de manera independiente decisiones médicas, clínicas o regulatorias. AWS diseña AgentCore precisamente con mecanismos de:

• identidad;
• políticas;
• aislamiento;
• observabilidad;
• evaluación;
• controles de herramientas.

La autonomía útil es acotada. Un agente podría ejecutar una secuencia de análisis previamente autorizada. Otra cuestión completamente distinta sería permitir que decidiera sin supervisión qué compuesto debe llegar a pacientes.

La experiencia científica continúa siendo el filtro fundamental

Thilde Hummel Bøgebjerg, vicepresidenta ejecutiva de Enterprise IT & Quality de Novo Nordisk, sitúa precisamente el papel humano en el centro:

La IA tiene el potencial de transformar la forma en que descubrimos, desarrollamos y suministramos medicamentos, pero el impacto real proviene de combinar la tecnología avanzada con una profunda experiencia científica y un claro enfoque en los pacientes”.

La ejecutiva continúa:

Al ampliar nuestra colaboración con AWS, estamos creando un entorno en el que nuestros científicos, ingenieros y equipos tecnológicos pueden innovar conjuntamente, escalar de forma responsable y acelerar el camino desde el conocimiento científico hasta resultados significativos para las personas que padecen enfermedades crónicas graves”.

El cargo actual de Bøgebjerg como Executive Vice President, Enterprise IT & Quality está confirmado por Novo Nordisk.

Novo Nordisk mantiene una estrategia multialianza en IA

Existe otro aspecto que conviene aclarar para nuestros lectores. En abril de 2026, Novo Nordisk anunció también una alianza estratégica con OpenAI para utilizar capacidades avanzadas de IA desde descubrimiento farmacológico hasta operaciones comerciales. La propia compañía señaló entonces que sus iniciativas de IA incluyen colaboración con múltiples proveedores tecnológicos y organizaciones de investigación. Por ello, la designación de AWS como “strategic AI partner” debe interpretarse dentro del alcance del acuerdo presentado: nube, servicios AWS, infraestructura, ingeniería conjunta y aplicaciones específicas. No implica que Novo Nordisk haya elegido un único proveedor para toda su estrategia de inteligencia artificial. Esta arquitectura multimodelo y multiproveedor es cada vez más relevante en grandes corporaciones.

AWS aporta algo que un modelo por sí solo no puede ofrecer

Un modelo fundacional puede ser extraordinariamente competente, pero una farmacéutica necesita mucho más. Necesita almacenar grandes volúmenes de datos, ejecutar cargas científicas, gestionar identidades, conectar APIs, auditar procesos, desplegar aplicaciones globales y mantener separación entre diferentes niveles de sensibilidad. Por eso el valor estratégico de AWS en este acuerdo no reside únicamente en “tener IA”. Está en proporcionar una capa operativa alrededor de la IA. Esa diferencia explica por qué Novo Nordisk puede trabajar simultáneamente con compañías que desarrollan modelos y con un hyperscaler que proporciona infraestructura y servicios administrados.

Amazon Bio Discovery democratiza herramientas antes reservadas a especialistas computacionales

Uno de los objetivos declarados por AWS con Bio Discovery es permitir que científicos experimentales utilicen modelos biológicos sin tener que convertirse primero en ingenieros de machine learning. La aplicación proporciona una interfaz donde agentes ayudan a:

• seleccionar modelos;
• configurar objetivos;
• evaluar candidatos;
• comparar resultados;
• enviar diseños a laboratorios.

Por otro lado, los biólogos computacionales pueden crear pipelines reutilizables para que otros investigadores los ejecuten posteriormente. La experiencia técnica queda entonces encapsulada dentro del workflow. Esto puede reducir uno de los cuellos de botella habituales de la investigación moderna: disponer de herramientas potentes que solo unas pocas personas dentro de la organización saben utilizar.

Un matiz importante: hoy Bio Discovery está enfocado en anticuerpos

El comunicado utiliza una formulación amplia al hablar de “posibles candidatos a fármacos”. Sin embargo, la descripción oficial actual de Amazon Bio Discovery es mucho más específica: diseño de terapias basadas en anticuerpos mediante modelos biológicos de IA y validación experimental integrada. Por tanto, en esta etapa no se puede afirmar que Bio Discovery puede hoy diseñar indistintamente:

• pequeñas moléculas;
• terapias celulares;
• RNA;
• péptidos;
• cualquier otra modalidad.

La plataforma podría evolucionar en esa dirección, pero sus capacidades públicas actuales deben presentarse conforme están documentadas.

La nube tampoco sustituye el gobierno científico

La velocidad introduce un riesgo sencillo de comprender: nsi un modelo puede generar 100.000 hipótesis en minutos, la organización puede terminar produciendo más resultados de los que es capaz de validar adecuadamente. Por eso, acelerar no consiste simplemente en aumentar volumen. La verdadera ganancia aparece cuando se puede mejorar este proceso: selección → trazabilidad → experimentación → aprendizaje. La IA debería ayudar a reducir el espacio de búsqueda hasta candidatos que merezcan inversión experimental, no reemplazar la validación.

Un puente digital hacia el laboratorio físico

Este punto conecta además con otro fenómeno que venimos observando en nuestra sección IT/Medical & Biosciences. La inteligencia artificial está dejando de operar únicamente sobre información digital y comienza a controlar workflows que terminan produciendo resultados físicos. En Amazon Bio Discovery, un modelo genera una propuesta computacional. Esa propuesta puede convertirse después en una proteína físicamente sintetizada por un laboratorio. El laboratorio produce mediciones. Las mediciones regresan al modelo. Es una forma de IA agéntica aplicada a la ciencia experimental. No muy diferente conceptualmente de Physical AI, aunque aquí el mundo físico no sea una carretera o robot, sino una bancada de laboratorio.

El impacto regional: AgentCore ya está disponible en Sudamérica

La alianza anunciada por Novo Nordisk es global y el comunicado no vincula específicamente sus cargas con la región AWS São Paulo. Sin embargo, para nuestra audiencia latinoamericana existe un dato relevante: Amazon Bedrock AgentCore está disponible desde mayo de 2026 en la región South America (São Paulo). AWS señala que allí ofrece Runtime, Identity, Gateway, Policy, Observability y otras capacidades para agentes. nEsto amplía las opciones técnicas para organizaciones latinoamericanas que necesitan ejecutar aplicaciones agénticas más cerca de sus usuarios o evaluar requisitos de residencia de datos. No implica que Novo Nordisk vaya a utilizar esa región para este acuerdo. Es contexto regional sobre la disponibilidad tecnológica de AWS.

Datos citables

• Novo Nordisk empleaba aproximadamente 66.700 personas en 80 países al cierre de Q2 2026.
• Más de 25.000 empleados de Novo Nordisk utilizan su plataforma generativa construida sobre Amazon Bedrock.
• La plataforma ha generado más de 2.500 casos de uso/chatbots internos.
• AWS reporta un costo promedio aproximado de US$10 mensuales por chatbot para esa implementación serverless.
• Amazon Bio Discovery ofrece acceso a más de 40 modelos biológicos de IA.
• La plataforma conecta experimentación computacional con CRO para validación de laboratorio.
• En una colaboración con Memorial Sloan Kettering, se diseñaron casi 300.000 candidatos de anticuerpos y 100.000 fueron enviados a pruebas.
• Bedrock AgentCore ofrece infraestructura para ejecutar y gobernar agentes a escala empresarial.

Preguntas y respuestas para comprender la IA farmacológica

¿Qué es el descubrimiento de fármacos mediante IA?

Es el uso de modelos computacionales para analizar información biológica, generar hipótesis, predecir propiedades y priorizar candidatos antes de invertir en experimentación física.

¿Qué es Amazon Bio Discovery?

Una aplicación de AWS enfocada actualmente en descubrimiento de anticuerpos que proporciona modelos biológicos, agentes de IA, benchmarking y conexión con laboratorios para validar candidatos.

¿Qué significa lab-in-the-loop?

Es un workflow iterativo donde las predicciones de IA se prueban experimentalmente y los resultados físicos regresan al sistema para mejorar rondas posteriores.

¿Amazon Bedrock AgentCore es un modelo de IA?

No. Es infraestructura para construir, conectar, desplegar, controlar y optimizar agentes que pueden utilizar diferentes modelos y herramientas.

¿Puede la IA determinar por sí sola que un medicamento es seguro?

No. Puede ayudar a priorizar candidatos y analizar evidencia, pero la seguridad debe demostrarse mediante procesos experimentales, preclínicos, clínicos y regulatorios.

¿Por qué científicos e ingenieros necesitan trabajar juntos?

Porque los modelos necesitan conocimiento biológico para plantear el problema correcto, mientras los científicos necesitan herramientas computacionales capaces de convertir sus hipótesis en experimentos reproducibles.

Knowledge Layer | Glosario

• Drug Discovery —descubrimiento de fármacos—: etapa de investigación dedicada a identificar y optimizar posibles intervenciones terapéuticas antes del desarrollo clínico.
• Diana terapéutica —Drug Target—: estructura biológica, como una proteína, cuya modificación puede producir un efecto terapéutico.
• Anticuerpo: proteína del sistema inmunitario capaz de reconocer específicamente determinadas estructuras moleculares; también puede desarrollarse como medicamento.
• Modelo biológico de IA: modelo entrenado con información sobre proteínas, secuencias, estructuras u otros datos biológicos para realizar predicciones o generar diseños.
• Lab-in-the-loop: ciclo que conecta diseño computacional, experimento físico, resultados y nuevo aprendizaje.
• CRO —Contract Research Organization—: organización externa que realiza actividades experimentales, analíticas o clínicas para compañías farmacéuticas y biotecnológicas.
• Amazon Bedrock: servicio administrado de AWS que proporciona acceso a modelos fundacionales y herramientas para desarrollar aplicaciones de IA generativa.
• AgentCore: infraestructura de AWS para construir, conectar, ejecutar, observar y gobernar agentes de inteligencia artificial.
• In silico: experimento o análisis realizado mediante herramientas computacionales.
• Wet Lab: laboratorio físico donde se realizan experimentos con materiales biológicos o químicos.

¿Por qué es importante?

Descubrir un medicamento exige convertir una hipótesis digital en evidencia biológica. La IA puede generar candidatos mucho más rápido que antes, pero el verdadero avance surge cuando computación y laboratorio dejan de funcionar como mundos separados. La alianza entre Novo Nordisk y AWS busca precisamente acelerar ese ciclo sin eliminar la validación científica.

Visión Estratégica

La próxima gran transformación de la industria farmacéutica no será simplemente “usar IA para encontrar moléculas”. Será convertir investigación, modelamiento y laboratorio en un sistema conectado que aprenda después de cada experimento. Amazon Bio Discovery aporta el ciclo lab-in-the-loop; AgentCore puede aportar la orquestación agéntica; Novo Nordisk incorpora décadas de conocimiento terapéutico y experimental. Pero el elemento decisivo seguirá siendo humano: saber qué pregunta científica merece formularse y qué evidencia es suficiente para avanzar. En medicina, la velocidad adquiere valor únicamente cuando conserva rigor, trazabilidad y seguridad.

Tu Opinión nos Importa ツ

La IA ya puede generar cientos de miles de candidatos biológicos antes de que una persona pudiera evaluarlos individualmente. Pero el laboratorio sigue siendo el lugar donde una predicción debe demostrar que corresponde a la realidad.

¿Consideras que conectar directamente modelos de IA con laboratorios físicos será el verdadero punto de inflexión para acelerar el descubrimiento de medicamentos?

¿Hasta qué nivel permitirías que un agente de IA diseñe y ejecute automáticamente experimentos antes de requerir la aprobación de un científico?

Comparte tu perspectiva con la comunidad de IT/USERS® Magazine:

#ItusersAwards2026 #superfan.

Apoya al Periodismo Independiente

¿Te sirvió en algo este contenido?, ayúdanos a combatir la Desinformación, dona desde S/ 1.00 a nuestro PLIN 943-438-457