Vijay Pande deixou no ano passado a prática de biotecnologia da Andreessen Horowitz, onde comandava cerca de US$ 4 bilhões em ativos, para fundar a VZVC, um fundo bem menor focado em IA aplicada à medicina. Em entrevista à TechCrunch, ele explicou a mudança de estratégia: em vez de fazer 30 apostas por ano, o novo veículo concentra capital em menos empresas, todas construindo sobre a tese de que biologia está deixando de ser ciência de descoberta para virar engenharia.
Pande defende que o avanço real virá de datasets abertos e compartilhados, não de silos proprietários. Ele reconhece que ensaios clínicos continuam brutalmente caros, mas acredita que IA pode encurtar o ciclo entre hipótese e validação ao transformar a forma como se desenha experimentos e se interpreta resultados. A aposta é que modelos treinados em dados públicos de qualidade superem arquiteturas fechadas no longo prazo.
Quem constrói em bio-IA já sabe: o gargalo não é o modelo
Para quem desenvolve IA em saúde, a fala de Pande confirma o que a prática já mostrou: o problema não é falta de capacidade computacional, é falta de dado estruturado e validado. Datasets abertos mudam a economia do desenvolvimento porque eliminam a necessidade de cada startup reconstruir a base do zero, mas exigem que o time saiba o que procurar e como limpar o que encontra. Isso desloca a vantagem competitiva de quem tem mais GPU para quem tem melhor curadoria e desenho de experimento.
A defesa de dados abertos também é um recado para quem está construindo moats baseados em acumular informação proprietária: se Pande estiver certo, esses silos vão perder valor conforme a qualidade dos datasets públicos melhora e os modelos aprendem a generalizar melhor. Para times pequenos, isso é bom: reduz a barreira de entrada. Para quem já levantou rodadas grandes prometendo exclusividade de dado, é um sinal de que a tese pode envelhecer mal.
A mudança de biologia como descoberta para biologia como engenharia significa, na prática, que o ciclo de validação encurta e o custo por hipótese testada cai. Isso não elimina o custo brutal de ensaios clínicos, mas muda onde a IA agrega valor: não no diagnóstico final, e sim no desenho do experimento que chega lá mais rápido. Quem constrói precisa entender que o cliente não compra o modelo, compra o tempo economizado até a resposta que importa.