Replicando o "momento dos semicondutores": o negócio de "transações de gargalo" na indústria farmacêutica de IA está tomando forma, quem será o próximo "vendedor de pás"?

A IA está a remodelar a lógica subjacente da descoberta de fármacos, e uma oportunidade de investimento semelhante ao "negócio do gargalo" da indústria de semicondutores está a surgir silenciosamente na cadeia de fornecimento farmacêutica.

No dia 4 de outubro, Freda Duan, sócia do fundo de dólar de topo Altimeter Capital, referiu recentemente num artigo que o "negócio do gargalo" da área de IA para descoberta de medicamentos (AIDD) está a tomar forma, apresentando uma estrutura altamente semelhante à cadeia de eventos no setor de semicondutores, onde o movimento começou em GPUs e se estendeu para HBM, rede e energia elétrica.

A entrada coletiva dos laboratórios de IA avançados é o sinal mais notório. A Anthropic formou uma equipa exclusiva de pesquisa em ciências da vida e estabeleceu um laboratório experimental molhado; a OpenAI criou a família de modelos GPT-Rosalind, projetada para biologia e descoberta de medicamentos; o Anew Labs, operado de forma independente sob o grupo ByteDance, já possui uma biblioteca interna de desenvolvimento de fármacos; e o Isomorphic Labs declarou explicitamente que vai conduzir medicamentos desenhados por IA até à fase de ensaios clínicos em humanos.

Entretanto, os sinais na cadeia de fornecimento também são claros. A Twist Bioscience (TWST), fabricante de síntese de DNA, prevê que as encomendas ligadas à descoberta de medicamentos por IA vão registar crescimentos de três dígitos (em percentagem) nos anos fiscais de 2026 e 2027. O negócio de descoberta de medicamentos por IA da GenScript duplicou no primeiro semestre do ano fiscal de 2026, segundo pesquisas de canais, sendo que a sua capacidade confirmada já chega a cerca de 8.000 desenhos por dia, com perspetiva de atingir 16.000 até ao final de 2026.

Esta lógica é altamente semelhante à propagação de gargalos na indústria de semicondutores. A escassez de GPUs impulsionou explosões sucessivas de procura por memórias HBM, dispositivos de rede, energia e sistemas de refrigeração.

No setor de IA para fármacos, o gargalo também se transmite ao longo da cadeia: geração de desenhos por IA → síntese de DNA → produção de proteínas → validação experimental → testes pré-clínicos, sendo possível que cada etapa se torne o próximo ponto beneficiado.

(Os dados da cadeia de fornecimento mostram que os elos a montante, como descoberta e P&D pré-clínica inicial, já estão a sentir o impacto do aumento do volume de experimentos)

No artigo, Freda Duan descreve o atual cenário da área de IA para descoberta de fármacos como uma verdadeira "mudança de regime".

A Anthropic elevou a investigação em ciências da vida ao nível estratégico; o primeiro grande projeto do seu laboratório molhado foi identificar, usando o agente Claude, um sistema enzimático relacionado com sequências de repetição CRISPR que ainda não tinha sido caracterizado.

A família de modelos GPT-Rosalind da OpenAI cobre química farmacêutica, engenharia de proteínas, genómica e fluxos de trabalho experimentais.

O departamento de IA para descoberta de fármacos da ByteDance foi agora autonomizado sob o nome Anew Labs, integrando modelos fundacionais, validação em laboratório molhado e uma linha própria de desenvolvimento de medicamentos, com maioria acionista ainda da ByteDance.

O Isomorphic Labs, por sua vez, anunciou inequivocamente que tem como objetivo conduzir medicamentos desenhados por IA até à fase de ensaios clínicos em humanos.

Importa sublinhar que as rotas de comercialização de cada instituição divergem claramente.

• Anthropic assume atualmente uma posição mais próxima de uma plataforma de pesquisa, deixando claro que não pretende tornar-se uma empresa tradicional de biotecnologia na fase clínica comercial;
• Anew Labs da ByteDance está mais próximo do modelo de plataforma biotecnológica com pipeline próprio de medicamentos;
• Isomorphic Labs posiciona-se entre as duas, comprometendo-se publicamente a avançar autonomamente medicamentos até à clínica.

Isto significa que as rotas de comercialização para descoberta de medicamentos por IA estão a ramificar: licença para farmacêuticas grandes, parcerias com marcos e royalties, ou incubação de empresas independentes. Para a cadeia de fornecimento a jusante, qualquer caminho resultará em aumento real da procura experimental.

A IA aumentou a eficiência, então por que razão intensificou o volume de experimentos de laboratório molhado? A resposta reside na alteração radical da economia de geração de hipóteses pela IA.

Primeiro, a geração de hipóteses aproxima-se do custo zero, tornando a validação experimental o novo gargalo. Na descoberta tradicional, o custo de seleção de moléculas candidatas por especialistas é elevadíssimo, só as opções de maior confiança passam para validação experimental dispendiosa.

A IA permite desenhar candidatos moleculares quase sem custo marginal, aumentando exponencialmente o "número de hipóteses testadas", deslocando o gargalo do design para a validação biológica.

Segundo, experimentos falhados também têm valor: exemplos negativos tornam-se dados de treino. Um caso paradigmático da Anthropic: o Claude desenhou 1.320 ligantes de proteína, a Adaptyv converteu as sequências numéricas em DNA, expressou as proteínas e testou a ligação — apenas 354 resultaram em ligação bem-sucedida.

No entanto, os 966 casos falhados não foram desperdiçados — saber o que não é expresso, o que não liga ou tem baixa afinidade são rótulos negativos de valor, úteis para treinar a próxima iteração do modelo. A descoberta tradicional pergunta apenas "X funciona?", enquanto a descoberta por IA também pergunta: "O que é que esta experiência pode ensinar ao modelo?".

Terceiro, laboratórios molhados estão a transitar de manufatura de medicamentos para manufatura de dados de treino. A TWST afirma explicitamente que o negócio está a migrar para gerar, a partir dos designs por IA, dados estruturados de resultados experimentais diretamente utilizáveis pelo modelo. O fluxo de trabalho de sequências para dados de ligação da GenScript pode dar resultados em 4 a 7 dias.

Em certos fluxos, os clientes talvez já não se importem em obter a própria proteína física, mas sim em devolver ao modelo os resultados experimentais estruturados. TWST e GenScript assumem, assim, funções cada vez mais próximas de "fundições de dados biológicos".

O artigo aponta que, para além da lógica teórica, já existem sinais quantitativos rastreáveis na cadeia de fornecimento.

A previsão da TWST é de um crescimento de três dígitos nas encomendas de descoberta de medicamentos por IA no ano fiscal de 2026, mantendo o ritmo em 2027. O negócio de descoberta de medicamentos por IA da GenScript duplicou no primeiro semestre de 2026, com capacidade industrial de mais de 4.000 designs validados ao dia e fluxo de trabalho completo de sequência para dados.

As investigações de canais mostram progressos ainda mais rápidos. A capacidade real ronda agora os 8.000 designs por dia, devendo aproximar-se dos 16.000 até finais de 2026.

Na cadeia de fornecimento, os elos beneficiados seguem a ordem: modelos de IA → desenho de sequências → síntese de DNA (TWST, etc.) → produção de proteínas (GenScript, etc.) → validação experimental → sequenciação (ILMN, TXG, etc.) → equipamentos de automação → testes pré-clínicos (CRO).

No que à dimensão de mercado diz respeito, se a IA for apenas uma ferramenta de I&D mais eficiente, estará numa "pool" de gastos globais em P&D farmacêutica de 300 a 400 mil milhões de dólares anuais. Se a IA, de facto, aumentar o número de projetos viáveis, a oportunidade é ainda maior pois impulsionará a procura incremental de síntese de DNA, produção de proteínas, validação experimental e trabalhos pré-clínicos.

De outro prisma, considerando o dispêndio das próprias empresas de IA, é possível uma estimativa aproximada. Se a Anthropic chegar a 80 mil milhões de dólares de receitas anualizadas em 2026, e dedicar apenas 1% à descoberta de medicamentos por IA, isso já representa um volume anual de investimento de cerca de 800 milhões de dólares.

Freda Duan alerta que investidores familiarizados com o tema inevitavelmente recordam o entusiasmo de 2020-2021 com a descoberta de medicamentos por IA, seguido do colapso.

A molécula DSP-1181 da Exscientia passou do descobrimento à fase I em menos de um ano, mas foi interrompida após não alcançar o objetivo na avaliação clínica de fase I. Os fracassos devem-se, então, a dois motivos claros: ambiente macroeconómico apertado combinado com a dura confirmação de que "descoberta mais rápida não é igual a biologia clínica melhor".

Mas, segundo Freda Duan, o contexto de 2026 diverge radicalmente de 2020/21, pois aquele ciclo ocorreu antes do surgimento do GPT.

O raciocínio central de 2020/21 era: recorrer ao cálculo computacional para reduzir triagens de baixo valor em laboratório molhado, a IA era ferramenta de eficiência de busca, visando menos experimentos físicos para encontrar candidatos de forma mais rápida.

Já em 2026, o raciocínio mudou subtilmente: uso de IA para expandir enormemente o espaço de hipóteses, e laboratórios molhados para gerar dados de validação reais. O ciclo: IA → experimento → dados → melhor IA → mais experiências. A quantidade de experiências úteis criadas por IA faz da biologia física o verdadeiro gargalo.

Os dados disponíveis mostram que, num estudo de 2024, a taxa de sucesso em fase I de medicamentos descobertos por IA ronda 80% a 90% (acima da média histórica), enquanto em fase II é de cerca de 40% (próxima da média), embora com uma amostra ainda limitada.

Freda Duan salienta que a síntese de DNA e produção de proteínas são hoje os gargalos mais imediatos.

Com mais candidatos a avançar para a fase pré-clínica, os testes em animais podem ser o próximo passo limitado. Os preços de primatas rondam máximos históricos e a capacidade das CRO continua apertada — injetar mais candidatos de IA na pré-clínica só agravará essa pressão.

A análise sugere que o potencial de duração deste movimento é longo: só depois dos resultados clínicos de fase I/II a partir de 2028 será possível antever algum fim estrutural deste racional. Marcos-chave:

• Entre finais de 2026 e 2027, os primeiros medicamentos desenhados por IA do Isomorphic entram em ensaios clínicos; mais projetos nativos de IA avançam até obter IND;
• De 2028 a 2030, os resultados dos ensaios indicarão se medicamentos desenhados por IA superam realmente os tradicionais.

A curto prazo, se o orçamento experimental estagnar, se os projetos de IA não converterem em resultados eficazes de laboratório, ou se a capacidade superar a procura demasiado cedo, o negócio upstream de "pá e picareta" será pressionado.

A longo prazo, se os medicamentos de IA brilharem na descoberta e na fase I, mas fracassarem nas fases II/III nos índices normais, toda a lógica de investimento será posta em causa, razão pela qual os resultados da fase II são decisivos.

O professor Quanquan Gu da Universidade da Califórnia, Los Angeles, sintetiza este argumento da seguinte forma:

A biologia pode tornar-se a próxima fronteira recursiva de autoaperfeiçoamento da IA — desenhar no computador, testar no laboratório, converter os resultados em dados de treino semissintéticos, refinar o modelo, e assim sucessivamente.