Tempus lleva la IA a la oncología: modelos entrenados en petabytes de datos clínicos, con la promesa (aún por demostrar) de bajar la mortalidad

Por Zendoric · 8 de septiembre de 2026.

Eric Lefkofsky, fundador y consejero delegado de Tempus, explicó en el programa "The Claman Countdown" de Fox Business cómo su compañía entrena lo que llama "modelos fundacionales" de oncología: sistemas de IA construidos a partir de cientos de petabytes (unidades de almacenamiento equivalentes a miles de billones de bytes) de datos clínicos reales de pacientes con cáncer. Según Lefkofsky, estos modelos detectan patrones invisibles al ojo clínico para ajustar terapias, calibrar dosificaciones y, en última instancia, reducir la mortalidad de los pacientes.

La entrevista no aporta cifras de resultados clínicos, estudios revisados por pares ni datos de adopción hospitalaria: es una intervención televisiva de negocios, no un paper científico. Conviene tenerlo presente antes de tomar la promesa como hecho consumado.

Como contexto del sector, Tempus es una de las compañías más visibles en el cruce entre genómica, datos clínicos e inteligencia artificial aplicada a oncología. Fundada por Lefkofsky —conocido también por haber cofundado Groupon— la empresa combina secuenciación genómica de tumores, historiales clínicos e imágenes médicas para ayudar a oncólogos a elegir tratamientos más ajustados al perfil molecular de cada paciente. Tempus salió a bolsa en el Nasdaq en 2024, un paso que la sitúa bajo el escrutinio de resultados trimestrales y expectativas de crecimiento, algo que no siempre casa bien con los tiempos largos y las cautelas propias de la validación médica.

La idea de fondo —modelos fundacionales entrenados con volúmenes masivos de datos clínicos reales— es el mismo patrón que ya vemos en otros laboratorios de IA aplicada a biomedicina: en lugar de un algoritmo específico para una tarea, se construye un modelo generalista sobre el dominio (oncología, en este caso) y se especializa después para usos concretos, desde elegir fármacos hasta ajustar dosis. Es una estrategia sensata en teoría, pero su valor real solo se demuestra con ensayos clínicos y publicaciones auditables, no con la palabra de un consejero delegado en un plató de televisión.

Nuestra lectura: esta es exactamente la clase de aplicación de IA que sostiene la parte más luminosa de nuestra tesis de fondo. Si la promesa se cumple —y hay señales serias en la industria de que la genómica computacional y los modelos de IA sobre datos clínicos masivos sí están mejorando la precisión diagnóstica—, hablamos de un paso concreto hacia lo que más nos interesa del largo plazo: acercarnos a tratar el cáncer no como una enfermedad genérica sino como miles de enfermedades moleculares distintas, cada una con su terapia óptima. Eso es, en esencia, empezar a erradicar una de las causas de muerte más letales de la historia humana.

Pero el corto plazo exige el mismo rigor que aplicamos siempre: distinguir la capacidad demostrada del relato corporativo. Una entrevista en un canal de negocios es marketing legítimo —Tempus necesita convencer a inversores y hospitales—, no evidencia clínica. La medicina de precisión con IA lleva años prometiendo revoluciones que llegan más despacio y de forma más desigual de lo anunciado, condicionadas por la calidad de los datos, el acceso desigual a estas tecnologías entre hospitales grandes y pequeños, y la lentitud regulatoria propia (y necesaria) de cualquier cosa que toque la salud de las personas. El optimismo de fondo se sostiene, pero se gana ensayo a ensayo, no titular a titular.