Anticuerpos por algoritmo: Chai Discovery alcanza los 3.800 millones de dólares mientras sus fármacos diseñados por IA llegan a Lilly, Pfizer y Novartis

Una startup de dos años acaba de triplicar su precio

El 14 de julio de 2026, Chai Discovery anunció que había levantado una ronda Serie C de 400 millones de dólares con una valoración de 3.800 millones. La cifra impresiona por sí sola, pero la verdadera historia es la trayectoria: según la información publicada, la empresa cerró una Serie B de 130 millones de dólares con una valoración de 1.300 millones en diciembre de 2025. Eso significa que Chai prácticamente triplicó su valoración en unos siete meses, y hasta ahora ha levantado del orden de 630 millones de dólares en total desde su fundación en 2024.

La ronda estuvo liderada por Index Ventures, con un sindicato que se lee como un listado de la industria del capital riesgo —Kleiner Perkins, Sequoia Capital, Dimension, Thrive Capital, Menlo Ventures, General Catalyst y, notablemente, OpenAI entre los inversores existentes—, al que se sumaron nuevos inversores como Bain Capital Ventures, Battery Ventures, Baillie Gifford, Sapphire Ventures y BDT & MSD. La presencia de OpenAI en la tabla de capitalización de una empresa de diseño de fármacos es una pequeña señal en sí misma: el mundo de los modelos de frontera y el de la biología están cada vez más financiados por los mismos bolsillos.

Chai está dirigida por su CEO Joshua Meier, anteriormente en Meta AI Research y en la firma de anticuerpos con IA Absci, junto a cofundadores procedentes de Absci y de la startup francesa de fármacos con IA Aqemia. Dicho de otro modo, esto no es un experimento de laboratorio que tropezó con un negocio, sino un equipo que lleva años construyendo modelos de proteínas de forma profesional.

Qué construye realmente Chai

Chai fabrica modelos fundacionales para moléculas, enfocados de lleno en los anticuerpos. Los anticuerpos se encuentran entre los productos más valiosos y más difíciles de la biología: son proteínas grandes y flexibles, y diseñar uno que se adhiera con fuerza y especificidad a una diana concreta de una enfermedad ha implicado tradicionalmente cribar enormes bibliotecas físicas y confiar en que algo se pegue.

La propuesta de Chai es que, en su lugar, se pueden generar candidatos de forma computacional. Su modelo de 2025, Chai-2, añadió una capa generativa —descrita en la cobertura como una arquitectura de difusión de todos los átomos (full-atom diffusion)— capaz de diseñar secuencias y estructuras completas de anticuerpos desde cero, condicionada únicamente a una proteína diana y a un sitio de unión especificado. La generación actual, Chai-3, se presenta como un salto respecto a aquella: la empresa afirma que reduce sustancialmente la tasa de fracaso de los anticuerpos diseñados y mejora la afinidad de unión y la ingeniería multiespecífica.

El planteamiento que importa aquí es el "de novo": diseñar un ligando desde cero en lugar de optimizar uno ya existente. Si eso funciona de forma fiable, comprime la fase más temprana y más propensa al fracaso del descubrimiento de fármacos, pasando de meses de cribado en laboratorio húmedo a una ejecución de cómputo.

Las afirmaciones sobre los benchmarks, leídas con cuidado

Aquí es donde un editor tiene que ir más despacio, porque las cifras son la parte que sostiene todo el entusiasmo. Según el relato de AllSci, Chai-2 alcanzó "tasas de acierto experimentales del 16–20 % en diseño de anticuerpos totalmente de novo", frente a tasas "por debajo del 1 % para los métodos computacionales previos". El artículo de SiliconANGLE enmarca el modelo más reciente de forma diferente, describiendo a Chai-3 como algo que aproximadamente duplica las tasas de éxito y citando tasas de acierto en el rango del 35–40 % para dianas moleculares.

Esos dos planteamientos no encajan del todo —uno se refiere a la tasa de acierto de novo de Chai-2 y el otro a la mejora de Chai-3—, y ninguno de ellos es algo que WelclAI pueda verificar de forma independiente. Trátalos como cifras reportadas por la empresa y repetidas en la prensa especializada, no como resultados revisados por pares. Lo que es justo afirmar es la dirección: las tasas de acierto reportadas están uno o dos órdenes de magnitud por encima de la base de referencia inferior al 1 % atribuida a los enfoques computacionales más antiguos. Incluso descontando generosamente por optimismo, esa es la clase de brecha que cambiaría cómo los equipos de descubrimiento reparten su tiempo de laboratorio.

Por qué la gran farmacéutica está firmando

La evidencia más convincente no es el benchmark, sino la lista de clientes. Tres de los mayores nombres de la industria se han sumado en rápida sucesión, y el calendario es lo bastante apretado como para parecer impulso más que coincidencia:

• Eli Lilly, en enero de 2026, en un acuerdo para acelerar el descubrimiento de biológicos.
• Pfizer, en junio de 2026, descrito como una licencia de Chai-3 más un modelo entrenado con los datos propietarios de Pfizer.
• Novartis, con fecha del 13 de julio de 2026 —el día antes de que se anunciara la ronda—, como una colaboración de descubrimiento de anticuerpos.

Vale la pena detenerse en esa secuencia. Anunciar un acuerdo con Novartis un día y una ronda de 400 millones de dólares al siguiente es una forma de manual de convertir la validación comercial en valoración. Pero los acuerdos son también la sustancia: las grandes farmacéuticas son compradoras conservadoras, con profundos equipos internos de IA propios, y conseguir que tres de ellas licencien modelos externos —en algunos casos entrenados con sus propios datos confidenciales— es un respaldo más fuerte que cualquier tabla de clasificación. El resumen del CEO Joshua Meier, tal como se cita en la cobertura, es que "el descubrimiento de fármacos con IA ha pasado de la promesa al despliegue".

La parte que todavía no está probada

Despliegue no es lo mismo que un fármaco. El contrapeso sobrio, reconocido en la propia información, es que aún no se ha aprobado en ningún lugar ningún fármaco descubierto por IA. Se dice que la industria ha volcado del orden de 20.000 millones de dólares en IA generativa para el descubrimiento de fármacos, y que hay más de 173 programas originados por IA en desarrollo clínico, pero "en desarrollo clínico" es un corredor largo y costoso, con una alta tasa de fracaso en cada puerta.

Diseñar una molécula que se una a su diana en una placa de laboratorio es el comienzo de la historia, no el final. Un candidato todavía tiene que sobrevivir a los estudios en animales, luego a la seguridad de la Fase 1, y después a los ensayos de eficacia de las Fases 2 y 3, que llevan años y de forma rutinaria acaban con programas que sobre el papel parecían perfectos. La IA puede afinar el primer paso; no exime a nadie del resto. Un anticuerpo diseñado que alcanza su diana a la perfección puede aun así ser tóxico, inestable, inmunogénico o simplemente ineficaz en un organismo vivo.

Así que la lectura honesta de la valoración de Chai es que incorpora un futuro que la clínica todavía no ha confirmado. Los 3.800 millones de dólares son una apuesta a que la generación más rápida y barata de candidatos con aspecto viable acabará traduciéndose en más medicamentos aprobados: una tesis plausible, pero no probada.

El bombo frente a la realidad

Si desnudas la ronda, dos cosas son ciertas a la vez. El bombo es real en el sentido de que el dinero y los clientes de renombre se están moviendo con decisión: una empresa de dos años con tres acuerdos con grandes farmacéuticas y una base de inversores de primer nivel no es vaporware. Y la cautela es real en el sentido de que el producto último —una terapia aprobada que deba su existencia a estos modelos— todavía no existe, y las cifras de benchmark que circulan esta semana son afirmaciones de la empresa, no resultados validados de forma independiente.

Lo que convierte a Chai en un hito significativo no es que haya "resuelto" el descubrimiento de fármacos. Es que el centro de gravedad se ha desplazado de forma visible de las demos a los contratos. Cuando Lilly, Pfizer y Novartis están pagando por el acceso a modelos —y una de ellas está dejando que una startup entrene con sus datos propietarios—, la pregunta ha cambiado en silencio de "¿funciona la biología generativa?" a "¿quién es dueño de los modelos que las incumbentes alquilan?".

En resumen

La ronda de 400 millones de dólares de Chai Discovery se entiende mejor no como un único evento de financiación, sino como una actualización del estado de todo un campo. Las cifras de tasa de acierto reportadas deben mantenerse a distancia hasta que aparezcan datos independientes, y la ausencia de cualquier fármaco diseñado por IA aprobado sigue siendo el asterisco honesto de la industria. Pero la señal comercial es difícil de descartar: tres de los mayores fabricantes de fármacos del mundo han elegido comprar en lugar de construir, y los inversores acaban de triplicar la valoración de una startup en siete meses sobre la base de esa elección. El laboratorio húmedo tendrá la última palabra —como siempre—, pero por ahora el diseño de anticuerpos con IA ha pasado de la columna de "investigación interesante" a la de "la farmacéutica está firmando cheques". Eso, más que cualquier benchmark, es lo que en realidad valoran esos 3.800 millones de dólares.