Replica do "momento dos semicondutores": O comércio de gargalo na indústria farmacêutica de IA está se formando, quem será o próximo "vendedor de pás"?

A IA está remodelando a lógica fundamental da descoberta de medicamentos, e uma oportunidade de investimento semelhante à “transação de gargalo” no setor de semicondutores está silenciosamente se formando na cadeia de suprimentos farmacêutica.

No dia 4 de outubro, Freda Duan, sócia do fundo de alto padrão Altimeter Capital, destacou em um artigo recente que a “transação de gargalo” no setor de IA para descoberta de medicamentos (AIDD) está tomando forma, com uma estrutura altamente semelhante ao ciclo encadeado observado anteriormente na área de semicondutores, que se estendeu de GPUs para HBM, redes e energia.

A entrada coletiva dos laboratórios de IA de ponta é o sinal mais notável. A Anthropic montou uma equipe dedicada de ciências da vida e estabeleceu um laboratório úmido, a OpenAI criou a família de modelos GPT-Rosalind, projetada para biologia e descoberta de medicamentos, a Anew Labs, subsidiária da ByteDance que opera de forma independente, já possui uma biblioteca própria de P&D de medicamentos, e o Isomorphic Labs anunciou explicitamente que avançará os medicamentos projetados por IA para testes clínicos em humanos.

Paralelamente, o sinal do lado da cadeia de suprimentos também é claro. A Twist Bioscience (TWST), empresa de síntese de DNA, espera que os pedidos de descoberta de medicamentos por IA cresçam a taxas percentuais de três dígitos consecutivamente nos anos fiscais de 2026 e 2027. Os negócios de descoberta de medicamentos por IA da GenScript dobraram no primeiro semestre do ano fiscal de 2026 em relação ao ano anterior, e pesquisas de canal indicam que sua capacidade validada já atingiu cerca de 8.000 designs por dia, com previsão de alcançar 16.000 até o final de 2026.

Essa lógica é altamente semelhante à trajetória de propagação de gargalo no setor de semicondutores. A escassez de GPUs impulsionou explosões sucessivas de demanda por memória HBM, equipamentos de rede, energia e sistemas de refrigeração.

No setor de IA para medicamentos, o gargalo também é transmitido ao longo da cadeia: geração de design por IA → síntese de DNA → produção de proteína → validação experimental → testes pré-clínicos, e cada etapa pode se tornar o próximo elo beneficiado.

(Os dados da cadeia de suprimentos mostram que os estágios iniciais de descoberta e P&D pré-clínica já sentem o impacto do aumento do volume de experimentos)

Freda Duan descreveu, no artigo, o panorama atual da IA para descoberta de medicamentos como uma verdadeira “mudança de regime”.

A Anthropic elevou a pesquisa em ciências da vida ao nível estratégico, tendo como principal projeto no laboratório úmido a identificação, pelo agente Claude, de um sistema enzimático relacionado a sequências de DNA do tipo CRISPR, e até então não caracterizado.

A família de modelos GPT-Rosalind lançada pela OpenAI cobre química medicinal, engenharia de proteínas, genômica e fluxos de trabalho experimentais.

O antigo departamento de descoberta de medicamentos por IA da ByteDance opera agora de forma independente sob o nome de Anew Labs, integrando modelos básicos, validação em laboratório úmido e pipeline próprio de medicamentos, sendo que a ByteDance mantém a maioria das ações.

O Isomorphic Labs anunciou explicitamente seu objetivo de avançar medicamentos projetados por IA para a fase de testes clínicos em humanos.

Vale ressaltar que os caminhos de comercialização das instituições são claramente diferentes.

• Anthropic está atualmente mais próxima de pesquisa e plataforma, deixando claro que não pretende se tornar uma empresa tradicional de biotecnologia em fases clínicas;
• Anew Labs da ByteDance já se aproxima de um modelo de plataforma de biotecnologia com pipeline próprio de medicamentos;
• Isomorphic Labs está entre as duas, assumindo o compromisso de avançar os medicamentos de IA até a clínica.

Isso significa que o caminho de comercialização da descoberta de medicamentos por IA está se ramificando: licenciamento para grandes farmacêuticas, marcos de colaboração + royalties de patentes, ou incubação direta de empresas independentes. Para a cadeia de suprimentos downstream, em qualquer um desses caminhos, o aumento real da demanda por experimentos acontecerá.

Se a IA aumenta a eficiência, por que também elevou o volume de experimentos em laboratórios úmidos? A resposta está no fato de que a IA muda fundamentalmente a economia da geração de hipóteses.

Primeiro, a geração de hipóteses se aproxima do custo zero, tornando a validação experimental o novo gargalo. Na descoberta tradicional de medicamentos, o custo de filtragem de candidatos por especialistas é altíssimo, e apenas os de maior confiança entram nos caros processos de validação.

A IA permite gerar moléculas candidatas quase sem custo marginal, aumentando significativamente as oportunidades e transferindo o gargalo do design para a validação biológica.

Segundo, experimentos fracassados também têm valor; amostras negativas viram dados de treinamento. A Anthropic fornece um caso clássico: o Claude desenhou 1.320 ligantes de proteínas, a Adaptyv transformou essas sequências em DNA, expressou as proteínas e testou a ligação, com apenas 354 obtendo ligação bem-sucedida.

No entanto, os 966 casos fracassados não foram desperdiçados — saber o que não expressa, o que não liga e o que tem baixa afinidade são labels negativos valiosos para treinar novos ciclos de modelos. A descoberta tradicional só pergunta “O candidato X é eficaz?”, enquanto a IA em medicamentos ainda adiciona: “O que este experimento ensina ao modelo?”

Terceiro, o laboratório úmido está se transformando de fábrica de medicamentos para fábrica de dados de treinamento. A TWST deixou claro que está migrando para negócios que geram dados estruturados diretamente dos designs de IA para alimentar os modelos. O fluxo de trabalho da GenScript permite resultados da sequência ao dado de ligação em 4 a 7 dias.

Em alguns fluxos, o cliente pode não se importar mais em obter a proteína física, mas sim retroalimentar dados estruturados para o modelo de IA. TWST e GenScript, assim, se aproximam do papel de “fundições de dados biológicos”.

O artigo destaca que, além da lógica teórica, já há sinais quantitativos rastreáveis na cadeia de suprimentos.

A TWST prevê crescimento percentual de três dígitos em pedidos de descoberta de medicamentos por IA no FY26 e expansão similar no FY27. Os negócios da GenScript dobraram em comparação ao mesmo período do ano anterior no primeiro semestre do FY26, com capacidade de validação industrial anunciada de mais de 4.000 designs por dia e workflow completo do dado da sequência.

Pesquisas de canal mostram progresso ainda mais rápido. A capacidade real atual é de cerca de 8.000 designs por dia, podendo chegar a 16.000 até o final de 2026.

Pela trajetória da cadeia de suprimentos, os elos beneficiados são: modelos de IA → design de sequência → síntese de DNA (TWST, etc) → produção de proteína (GenScript, etc) → validação experimental → sequenciamento (ILMN, TXG, etc) → equipamentos automatizados → testes pré-clínicos (CRO).

No mercado total, se a IA for apenas uma ferramenta mais eficiente de P&D, o pool de gastos relacionado gira em torno de US$ 300-400 bilhões ao ano em P&D farmacêutica global. Se a IA ampliar de fato o número de projetos de medicamentos viáveis, a oportunidade será ainda maior, pois também impulsionará a demanda incremental por síntese de DNA, produção de proteínas, experimentação e trabalhos pré-clínicos.

Além disso, pode-se estimar pela perspectiva de gastos das próprias empresas de IA. Se a Anthropic atingir US$ 80 bilhões em receita anualizada em 2026, e investir apenas 1% disso em descoberta de medicamentos por IA, já representariam cerca de US$ 800 milhões por ano nesse segmento.

Freda Duan alerta que investidores familiarizados com o tema associarão instintivamente ao boom da descoberta de medicamentos por IA em 2020-2021 e ao colapso que veio depois.

A molécula DSP-1181 da Exscientia foi do descobrimento à Fase I clínica em menos de um ano, mas foi interrompida ao não atingir padrões de avaliação do alvo nessa fase. Duas razões claras para o fracasso da época: ambiente macro abafado e a confirmação brutal de que “descoberta mais rápida não significa melhor biologia clínica”.

Mas, segundo Freda Duan, o contexto de 2026 é fundamentalmente diferente de 2020/21, pois aquele ciclo ocorreu antes da aparição do GPT.

Lógica central de 2020/21: usar computação para reduzir triagens de laboratório úmido de baixo valor; a IA atuava como ferramenta de eficiência de busca, buscando menos experimentos físicos para encontrar mais rapidamente candidatos a medicamentos.

Lógica central de 2026 é oposta: ampliar drasticamente o espaço de hipóteses com IA e usar laboratórios úmidos para gerar dados de validação reais. O loop implícito: IA → experimento → dado → IA melhorada → mais experimentos. O volume de experimentos viáveis criados por IA é tão grande que a própria biologia experimental vira gargalo.

Segundo dados atuais, estudo de 2024 mostra que a taxa de sucesso de medicamentos descobertos por IA na Fase I é de cerca de 80-90%, superior à média histórica da indústria; na Fase II, o sucesso fica em cerca de 40%, próximo da média, mas com amostragem ainda limitada.

Freda Duan enfatiza que atualmente a síntese de DNA e a produção de proteínas são os gargalos mais evidentes.

Com mais candidatos avançando para pré-clínica, os ensaios em animais podem ser o próximo elo restritivo. O preço de primatas está próximo dos maiores históricos, capacidade das CROs segue apertada e a chegada de mais candidatos da IA à pré-clínica só aumentará essa pressão.

A análise aponta para uma possível duração prolongada desta operação — até a divulgação dos resultados de Fase I/II a partir de 2028, dificilmente veremos uma reversão lógica fundamental. Marcos-chave:

• De 2026 até o final de 2027, os primeiros medicamentos projetados por IA do Isomorphic entram em ensaios clínicos em humanos, e mais projetos “nativos” de IA avançam para a fase IND;
• De 2028 a 2030, os resultados clínicos começam a mostrar se medicamentos projetados por IA realmente superam os tradicionais.

No curto prazo, se o orçamento para experimentos parar de crescer, se os desenhos gerados por IA não resultarem em resultados eficazes de laboratório úmido, ou se a capacidade alcançar rapidamente a demanda, a “mineração da cadeia” upstream sofrerá pressão.

No longo prazo, se medicamentos de IA se destacarem na descoberta e Fase I, mas falharem na Fase II/III em taxas normais, a lógica de investimento enfrentará um desafio fundamental, o que torna os resultados da Fase II tão cruciais.

O professor Quanquan Gu, da Universidade da Califórnia em Los Angeles, faz um grande resumo desta lógica:

A biologia pode se tornar a próxima fronteira de autoaperfeiçoamento recursivo da IA — projetar no computador, testar no laboratório, transformar feedback experimental em dados semi-sintéticos de treinamento, melhorar o modelo e repetir o ciclo.