Cuatro startups que cambiaron cómo se busca evidencia científica con IA. Parte 1
|
Cuatro startups. Cuatro problemas que el sector
sanitario no supo resolver durante décadas. Un denominador común:
no esperaron permiso para empezar. |
El
conocimiento siempre estuvo ahí.
En 1955, Eugene Garfield propuso
algo que el mundo académico aplaudió y fue incapaz de ejecutar: clasificar
citas científicas no por frecuencia, sino por lo que significaban. Si un
artículo apoyaba a otro, lo contradecía, o simplemente lo mencionaba. La idea
era correcta. Hacerlo a mano, a escala global, era imposible.
Setenta años después, cuatro
equipos distintos decidieron que ya era posible. No se conocían. No partieron
del mismo lugar. Pero llegaron al mismo problema: el conocimiento científico
existía, y la mayoría de las personas que lo necesitaban no podían acceder a él
de forma útil. Estas son sus historias.
Las historias
Consensus
Eric Olson (ingeniero industrial)
y Christian Salem (Business Entrepreneurship) se conocieron jugando fútbol
americano en Northwestern. Años después, uno hacía analytics deportivos y el
otro había fundado Reveal Chat, Launchpad Lab y Cluster, una app adquirida por
GoDaddy. Nada que ver con la ciencia.
Se cuenta que la idea nació
cuando Olson buscó un paper para zanjar una discusión con amigos, lo encontró,
y ese momento no lo olvidó. Cuando leyó sobre GPT-3 en 2020, llamó a Salem. La
pregunta era sencilla: ¿y si cualquiera pudiera buscar evidencia científica
real, en segundos, sin ser investigador?
Fundaron Consensus en 2021. Sin
PhDs, sin credenciales académicas. Solo la pregunta correcta en el momento
correcto. Consiguieron acceso anticipado a la API de GPT-4 y lanzaron una nueva
función de síntesis en cinco días. Lanzaron en 2022. Los académicos llegaron
primero. El sector salud llegó después, solo, sin ningún esfuerzo de
adquisición dirigido. Hoy superan los 8 millones de usuarios y sus ingresos se
multiplicaron por ocho en un año.
El producto
Lo que distingue a Consensus de
un buscador académico convencional no es solo su escala, sino su arquitectura.
En 2025 la plataforma rediseñó su núcleo técnico en torno a GPT-5 y la API
Responses de OpenAI, dando lugar a Scholar Agent: un sistema multiagente donde
cada componente tiene un rol específico y acotado.
El sistema funciona como un
equipo de investigación comprimido en software. El agente de planificación
descompone la pregunta y decide la estrategia de búsqueda. El agente de
búsqueda rastrea el índice de artículos, las bibliotecas privadas del usuario y
el grafo de citas. El agente de lectura interpreta los artículos relevantes. El
agente de análisis sintetiza los hallazgos y genera visualizaciones.
|
Al repartir el flujo de trabajo
entre distintos agentes, reducimos los errores y logramos un sistema mucho más
disciplinado. Ningún agente asume demasiada responsabilidad, y eso resulta
clave para garantizar la fiabilidad. — Christian Salem, cofundador de
Consensus |
La interfaz ofrece un índice de
consenso (Sí / No / Incierto) que resume el grado de acuerdo entre los estudios
encontrados, citas trazables que enlazan directamente al artículo original, y
filtros metodológicos por tipo de estudio, año y acceso abierto. Para
profesionales de la salud existe además Medical Mode, desarrollado con la
biblioteca médica de Mayo Clinic, orientado a evidencia clínica aplicada:
eficacia comparada de tratamientos, perfiles de efectos adversos y manejo de
situaciones específicas.
|
Datos |
|
|
Sede |
San Francisco, CA · Fundada 2021 · Lanzada 2022 |
|
Fundadores |
Eric Olson
(CEO) · Christian Salem (CPO) |
|
Financiación |
$19,2M en 5
rondas · Draper Associates, Union Square Ventures, Nat Friedman, Daniel Gross |
|
Tracción |
8M+ usuarios · ingresos x8 en un año · 3er GPT más
popular de la GPT Store |
|
Nos hace reflexionar ¿Hay un problema en
tu entorno que llevas años viendo sin que nadie lo resuelva, no porque sea
imposible, sino porque nadie se atrevió a empezar sin pedir permiso? Me lo apunto: Escribe el problema
en una frase. Solo el problema, sin solución todavía. Así no se nos olvida. |
Elicit
Andreas Stuhlmüller (PhD en
Ciencias Cognitivas por MIT, investigador postdoctoral en Stanford) y Jungwon
Byun (economista por Yale, ex Head of Growth en Upstart y consultora en Oliver
Wyman) fundaron Ought en 2018 como laboratorio non-profit para explorar cómo el
machine learning podía asistir en razonamiento abierto. Eligieron la revisión
de literatura como primer caso de uso porque es una disciplina madura,
necesaria para expandir cualquier frontera de conocimiento, y la tarea que más
tiempo consume a los investigadores.
Para Stuhlmüller, nacer como
non-profit no fue ideológico, fue estratégico: necesitaban poder tomar
decisiones técnicas sin justificarlas ante un inversor cada trimestre. En 2023
se convirtieron en public benefit corporation y se independizaron. En
septiembre de ese año levantaron 9 millones liderados por Fifty Years. En
febrero de 2025, una Serie A de 22 millones co-liderada por Spark Capital y
Footwork. Entre sus inversores ángel: Jeff Dean, científico jefe de Google, y
Thomas Ebeling, ex CEO de Novartis. Señal de credibilidad cruzada entre tech y
pharma. Hoy superan los 2 millones de usuarios.
El producto
A diferencia de Consensus, que
prioriza dar una respuesta sintetizada, Elicit ayuda al investigador a
gestionar el proceso: screening de abstracts, extracción automática de
variables clave (población, intervención, comparador, desenlace, tamaño de
efecto) y construcción de tablas comparativas. Su punto fuerte es la
trazabilidad metodológica: cada paso queda documentado, lo que resulta
imprescindible cuando el objetivo final es un artículo de revisión o una guía
de práctica clínica.
No usan interfaces de chat.
Aplican los modelos como batch jobs, lo que reduce alucinaciones y permite
medir cuándo el modelo fabrica respuestas. Para proyectos de investigación
formal, es probablemente la herramienta más robusta del mercado.
|
Datos |
|
|
Sede |
Oakland, CA ·
Non-profit Ought (2018) · Spin-off 2023 |
|
Fundadores |
Andreas
Stuhlmüller (CEO), PhD MIT · Jungwon Byun (COO), economista Yale |
|
Financiación |
Seed $9M
(2023) · Serie A $22M (2025) · Angeles: Jeff Dean, Thomas Ebeling |
|
Tracción |
2M+ usuarios · batch jobs en lugar de chat, reduce
alucinaciones |
|
Nos hace reflexionar Elicit no empezó a
monetizar hasta saber qué no podía ceder. ¿Sabes qué es lo que tú no puedes
comprometer en lo que estás construyendo? Me lo apunto: Escribe en una línea
qué decisión de tu proyecto nunca debería depender de la presión externa. Eso define tu
estructura antes de elegirla. |
Lo que estas historias enseñan
Cuatro equipos distintos, cuatro filosofías distintas. Pero leídas juntas, algo emerge: no hay un perfil correcto para construir en healthtech. Hay un método.
El problema no necesita ser nuevo. Necesita ser real.
Garfield
describió el problema de Scite en 1955. Elicit atacó el cuello de botella que
cualquier investigador conocía. Consensus resolvió lo que cualquier persona con
acceso a PubMed había vivido. Ninguno inventó el problema. Todos llegaron
cuando la tecnología por fin lo permitía.
El perfil del founder no predice el resultado.
Dos
outsiders sin credenciales fundaron Consensus. Dos PhDs frustrados con el
sistema fundaron Elicit y Scite. Tres personas sin nombre público construyeron
ResearchRabbit. Lo que comparten no es el CV: es que definieron el problema con
precisión antes de escribir una línea de código.
La validación silenciosa es la más difícil de falsificar.
Ninguna
convenció a su mercado con un whitepaper. Lo hizo con adopción que nadie pidió.
Los médicos llegaron solos a Consensus. ResearchRabbit creció sin cobrar.
Elicit consiguió a Jeff Dean como ángel porque el producto hacía lo que
prometía. La pregunta no es cuántos usuarios tienes. Es si vuelven sin que
nadie se lo recuerde.
ESPERA!!!.... FALTA LA PARTE 2, Ahi revisamos las historias y producto de Scite y ResearchRabbit...
La próxima historia puede ser de habla hispana
Son historias anglosajón. Pero también
podemos tenerla en habla hispana. Los problemas que resuelven son universales.
Cualquier persona con acceso a tecnología actual y un problema real bien
definido puede construir algo equivalente. O
mejor.
|
¿Conoces
a alguien construyendo algo así desde el mundo hispanohablante? Etiquétalo. Cuéntanos su
historia. La Zona Innovadores HealthTech existe para dar visibilidad y
aprender juntos en este camino. Si estás trabajando en algo, aunque sea en
fase de idea, queremos saberlo y contarlo. Esta es la edición 1.
Suscríbete para que te llegue cada martes a tu bandeja.
|
Conoceme y hablemos en https://murisana.com/bio/raysa-nunez-guzman/
Una sanitaria infiltrada en el mundo startup
