OpenAI está financiando la creación de datos biológicos estructurados para entrenar sus modelos de inteligencia artificial en el dominio médico y científico. La estrategia expone una tensión jurídica central: quién controla los datos que alimentan sistemas de IA capaces de acelerar descubrimientos farmacéuticos y clínicos, y bajo qué reglas pueden circular.
El problema de fondo no es técnico sino de disponibilidad y propiedad. Los modelos de lenguaje de propósito general enfrentan un techo cuando se los aplica a biología molecular, ensayos clínicos o desarrollo farmacéutico: el conocimiento especializado existe, pero gran parte está encapsulado en documentos regulatorios confidenciales, estrategias de fabricación y datos de seguridad que las empresas biotecnológicas tratan como secretos comerciales. Ese corpus no circula libremente porque no fue diseñado para circular.
La propuesta de usar datos de biotechs quebradas
La analista de políticas Ruxandra Teslo planteó, según se informó, una idea que llamó la atención en el sector: adquirir datos de empresas biotecnológicas en proceso de quiebra mediante ofertas en sus procedimientos concursales. La lógica es que, al disolverse una compañía, sus activos intangibles —incluyendo presentaciones regulatorias detalladas, datos de eficacia y seguridad, y estrategias de manufactura— quedan disponibles para subasta. En condiciones normales, ese material nunca llega al mercado porque las empresas exitosas lo retienen indefinidamente o lo licencian bajo términos restrictivos. La quiebra crea una ventana legal inusual.
OpenAI habría identificado en este enfoque una vía para construir datasets de alta calidad y alta especificidad biológica. La compañía estaría financiando la creación y adquisición de este tipo de datos, aunque los detalles exactos del mecanismo de compra y los acuerdos concretos no han sido divulgados públicamente según la información disponible.
Qué tipo de dato biológico se busca y por qué no basta con lo público
Los modelos entrenados sobre literatura científica abierta —artículos de PubMed, preprints, bases de datos genómicas públicas— ya existen y tienen limitaciones conocidas: reflejan lo que se publicó, no lo que se investigó y falló. El “publication bias” (sesgo de publicación) hace que los datos negativos de ensayos clínicos, los fracasos de compuestos en fase temprana y los problemas de manufactura queden fuera del registro público. Sin embargo, esa información de fracasos tiene un valor predictivo enorme para sistemas de IA que buscan anticipar qué moléculas o estrategias no funcionarán.
Los reguladores sí reciben esos datos. La FDA en Estados Unidos, la EMA en Europa y sus contrapartes latinoamericanas —ANVISA en Brasil, ANMAT en Argentina, COFEPRIS en México— acumulan volúmenes masivos de información preclínica y clínica en cada expediente de aprobación. Esos datos son confidenciales durante décadas, salvo que una quiebra los libere o que el regulador decida publicarlos bajo esquemas de acceso controlado. La propuesta de Teslo explota precisamente esa segunda vía concursal.
Cuándo aplica esta lógica y cuándo no: límites legales y éticos
El modelo concursal funciona para datos de compañías disueltas, pero tiene restricciones importantes. En primer lugar, los datos de ensayos clínicos contienen información derivada de participantes humanos que otorgaron consentimiento para usos específicos. El hecho de que la empresa propietaria quiebre no extingue automáticamente las obligaciones de confidencialidad frente a esos participantes ni los derechos emergentes de las normativas de protección de datos personales. En jurisdicciones donde rige el GDPR europeo o la LGPD brasileña —que exige base legal específica para el tratamiento de datos sensibles de salud bajo el artículo 11 de la Ley 13.709/2018—, la transferencia de ese corpus a un nuevo controlador para entrenamiento de IA requeriría análisis legal adicional que la simple transacción concursal no resuelve.
En Argentina, la Ley 25.326 de Protección de Datos Personales clasifica los datos de salud como sensibles y su tratamiento requiere consentimiento expreso o habilitación legal específica. La AAIP (Agencia de Acceso a la Información Pública) no ha emitido lineamientos explícitos sobre el uso de datos sensibles de salud para entrenamiento de modelos de IA, lo que deja un vacío interpretativo relevante para cualquier actor regional que quiera replicar este tipo de operaciones.
El régimen de propiedad intelectual de los datos generados para IA
Más allá del dato adquirido, OpenAI estaría financiando también la generación activa de nuevos datos biológicos —anotaciones, datasets sintéticos, experimentos diseñados para producir información estructurada que los modelos puedan ingerir. Aquí emerge otra capa jurídica: quién es el propietario del dato generado bajo encargo. En el derecho anglosajón, el concepto de “work for hire” resuelve parcialmente la cuestión a favor del comitente. En los sistemas de derecho civil latinoamericanos, la respuesta varía por jurisdicción y tipo de dato. Un dataset generado por investigadores de una universidad pública brasileña financiados por OpenAI podría quedar sujeto a restricciones de dominio público o normativa universitaria incompatibles con una licencia exclusiva.
El AI Act de la Unión Europea, en vigor desde 2024, clasifica los sistemas de IA de alto riesgo usados en medicina y exige documentación sobre los datos de entrenamiento, incluyendo su procedencia y las medidas de gobernanza aplicadas. Si los modelos de OpenAI entrenados con datos biológicos se comercializan en Europa o se usan en productos que llegan a mercados latinoamericanos con acuerdos de adecuación, las obligaciones de trazabilidad del corpus de entrenamiento se vuelven directamente aplicables.
La carrera por el corpus médico y sus implicancias para América Latina
América Latina produce una fracción del conocimiento biomédico global pero concentra una diversidad genética y epidemiológica que los grandes modelos actuales subrepresentan. Los ensayos clínicos realizados en Brasil, México o Argentina generan datos regulatorios que reposan en ANVISA, COFEPRIS o ANMAT sin que existan mecanismos formales para su aprovechamiento científico posterior más allá del expediente de aprobación. Si las grandes compañías tecnológicas logran construir corpus biológicos masivos con datos del Norte Global, los modelos resultantes heredarán esos sesgos de representación. La oportunidad para los reguladores latinoamericanos —y para centros de investigación como FIOCRUZ o el CONICET— sería diseñar esquemas de acceso controlado a datos regulatorios propios que permitan participar en la construcción de IA biomédica con representación regional, en lugar de quedar como consumidores netos de modelos entrenados en otra parte.
Para profundizar en el marco regulatorio aplicable al tratamiento de datos de salud para entrenamiento de IA, el artículo 11 de la LGPD brasileña (Ley 13.709/2018) y las guías de la ANPD sobre datos sensibles ofrecen el punto de partida más desarrollado de la región.
