La intersección entre biotecnología y ciberseguridad se ha convertido en 2026 en uno de los campos más críticos y de mayor crecimiento estratégico. Las empresas biotech manejan activos de valor incalculable: datos genómicos masivos, propiedad intelectual de terapias génicas y CRISPR, resultados de ensayos clínicos, modelos de IA para diseño de proteínas y descubrimiento de fármacos. Estos datos no solo son robables (para espionaje industrial o venta en la dark web), sino que también pueden ser manipulados sutilmente para sabotear investigaciones, invalidar productos o generar riesgos biológicos reales. Con la explosión de IA agentic, laboratorios automatizados, computación en la nube y bio-manufactura digital, los riesgos se multiplican exponencialmente.
En 2026, la ciberseguridad ya no es un «departamento de soporte» en biotech: es un factor existencial de supervivencia, confianza con inversores, pacientes y reguladores, y una ventaja competitiva clave. Las empresas que no adopten enfoques predictivos, Zero Trust y protección de datos en uso (confidential computing) quedan altamente expuestas a brechas que cuestan millones y destruyen reputación.
Principales amenazas y tendencias en 2026
Ransomware y extorsión de datos: Domina en healthcare y biotech, con un aumento significativo en incidentes (hasta 29-30% en pharma). Los costos promedio de brecha superan los USD 9-12 millones. La extorsión evoluciona hacia publicación selectiva de IP o datasets genómicos, más que cifrado clásico.
Espionaje estatal e industrial: Actores como China buscan ventajas en biotech vía ciberataques. Cadenas de suministro y proveedores cloud son el punto débil más explotado. El «harvest now, decrypt later» acelera la urgencia por criptografía post-cuántica.
Manipulación de datos y sabotaje bio-digital: Ataques que alteran datasets genómicos o resultados (data poisoning en IA). Con agentic AI, se ven usos en ciberataques avanzados.
Privacidad genómica y biobancos: Filtraciones de ADN son irreversibles, con riesgos de discriminación, chantaje o síntesis maliciosa de patógenos a partir de datos robados.
Tendencias defensivas clave:
Zero Trust como estándar: Nada confiable por default, microsegmentación y verificación continua.
Confidential Computing para procesar datos sensibles (genómicos, modelos IA) sin exponerlos: Cumplimiento HIPAA/GDPR.
IA predictiva y agentic en defensa: Simulaciones de ataques, SOAR y monitoreo continuo.
Cyberbiosecurity como disciplina emergente: Protección de la «bio-digital frontier».
Empresas y jugadores clave trabajando en la intersección (2026)
Categoría
Empresas / Jugadores clave
Enfoque principal en biotech
Soluciones Zero Trust / Microsegmentation
Zero Networks, Orca Security, Palo Alto Networks (Prisma), Zscaler
Exposiciones en entornos biotech remotos y colaborativos
Recomendaciones prácticas para startups biotech (especialmente en LATAM/Argentina)
Adopta Zero Trust desde el día 1 Implementa MFA obligatoria + least privilege. Herramientas accesibles: Microsoft Entra ID, Google Workspace con controles avanzados.
Prioriza confidential computing para datos sensibles Usa Azure Confidential Computing, AWS Nitro Enclaves o Google Confidential VMs (regiones cercanas: São Paulo).
Contrata un vCISO o servicios fraccionales Opciones locales en Argentina/LATAM: Sekurno, Triden Group, o internacionales como USDM Life Sciences.
Auditorías y pentests regulares + capacitación Al menos una vez al año. Capacitación anti-phishing (KnowBe4 o alternativas gratuitas).
Secure-by-design en pipelines y supply chain Usa Snyk / Dependabot para dependencias. Revisa proveedores SaaS con cuestionarios de seguridad.
Plan de respuesta a incidentes + backups inmutables Backups offline o inmutables (Veeam, cloud-native). Simula crisis al menos una vez al año.
Cumplimiento como ventaja competitiva ISO 27001 básico, Ley 25.326 (Argentina), LGPD (si operas en Brasil), HIPAA/GDPR si exportás.
Con presupuestos ajustados, prioriza herramientas cloud-native y open-source seguras (Keycloak, HashiCorp Vault, etc.). En 2026, demostrar madurez en ciberseguridad es clave para levantar rondas de inversión.
En resumen: 2026 marca un punto de inflexión donde la biotecnología debe integrar ciberseguridad desde el diseño. Sin Zero Trust, confidential computing y preparación para IA agentic, el riesgo de sabotaje o robo de propiedad intelectual es existencial.
La computadora del futuro está viva: neuronas humanas que reemplazan los chips de silicio
Biocomputación, wetware e inteligencia artificial orgánica — el estado del arte en 2026
Una computadora hecha con células del cerebro humano ya existe, se vende, corre videojuegos y va a alimentar centros de datos. Consume menos energía que una calculadora de escritorio. Esto no es ciencia ficción: es lo que está pasando ahora mismo.
30 WConsumo del CL1 (vs. 600 W de una GPU de IA)
800kNeuronas humanas por unidad CL1
$35kPrecio de la primera biocomputadora comercial
¿Qué es la biocomputación? La idea en términos simples
Una computadora convencional procesa información usando transistores: pequeños interruptores de silicio que se encienden y apagan miles de millones de veces por segundo. La biocomputación propone hacer lo mismo pero usando neuronas vivas, las mismas células que forman el cerebro humano.
Una analogía sencilla: imaginá que en vez de usar un teclado mecánico para escribir, usás los dedos directamente sobre la pantalla. La información pasa igual, pero el mecanismo es completamente diferente, más fluido, más adaptable. La biocomputadora hace algo parecido: en vez de transistores rígidos, usa neuronas que aprenden y se modifican solas.
El campo también se conoce como wetware —en contraposición al hardware (los chips) y el software (los programas)— o como «inteligencia organoide». Las neuronas se cultivan en laboratorio a partir de células madre humanas, se depositan sobre un chip de silicio con microelectrodos y se les manda información en forma de pulsos eléctricos. La red neuronal responde, aprende y genera una salida que el sistema digital puede leer e interpretar.
La parte clave: estas neuronas no solo ejecutan instrucciones fijas. Se reorganizan solas, aprenden de la experiencia y se adaptan, exactamente igual que lo hace el cerebro. Eso es algo que ningún chip de silicio puede hacer de manera nativa.
El problema de la energía: por qué importa tanto
Para entender el atractivo de la biocomputación hay que entender primero la crisis energética de la inteligencia artificial. Entrenar un modelo grande de lenguaje como GPT-4 consume una cantidad de energía equivalente a la que usa un hogar durante décadas. Los centros de datos de IA ya consumen más electricidad que países enteros, y la situación empeora cada año.
La Agencia Internacional de Energía proyectó que el consumo eléctrico de los centros de datos podría duplicarse para 2026, impulsado en gran parte por la IA. Una sola consulta a ChatGPT consume alrededor de diez veces más energía que una búsqueda en Google.
Comparación de consumo energético
Cerebro humano
20 W
CL1 (Cortical Labs)
30 W
GPU Gaming (RTX 4090)
450 W
GPU de IA (H100)
700 W
Rack completo de IA
>100 kW
El cerebro humano realiza cálculos equivalentes a exaflops (un trillón de operaciones por segundo) con apenas 20 vatios. Una GPU de IA consume entre 300 y 700 vatios y necesita refrigeración adicional. La diferencia en eficiencia no es de dos o tres veces: es de órdenes de magnitud. FinalSpark afirma que su plataforma de biocomputación puede ser hasta mil millones de veces más eficiente energéticamente que el hardware de silicio tradicional para ciertos tipos de tareas de aprendizaje.
Para dimensionarlo: si una GPU de IA fuera un camión de carga, el cerebro —y por extensión, la biocomputadora— sería una bicicleta. Llevan la misma información. Pero una necesita autopistas, combustible y mantenimiento constante, y la otra casi nada.
Cómo funciona por dentro: la arquitectura del wetware
El sistema tiene cuatro componentes básicos que trabajan juntos:
1. Las neuronas cultivadas
Se toman células madre (generalmente de sangre humana) y se reprograman para convertirlas en neuronas. Estas células se depositan sobre un chip de silicio y comienzan a crecer, extendiendo sus ramificaciones y formando conexiones entre sí, igual que en un cerebro real. En el CL1 de Cortical Labs, por ejemplo, hay alrededor de 800.000 neuronas por unidad.
2. Los microelectrodos (MEA)
Debajo de las neuronas hay una grilla de electrodos microscópicos. Estos electrodos son los «puertos de comunicación»: envían pulsos eléctricos a las neuronas (así les mandan datos) y leen su respuesta eléctrica (así reciben los resultados). Es la interfaz entre el mundo digital y el biológico.
3. El sistema de soporte vital
Las neuronas necesitan vivir. El dispositivo incluye un sistema de temperatura controlada, circulación de nutrientes, filtración y mezcla de gases que mantiene a las células vivas durante meses. El CL1 puede mantener sus neuronas activas hasta seis meses.
4. El aprendizaje biológico
Aquí está la magia: las neuronas aprenden siguiendo los mismos principios que el cerebro humano. La idea central es la plasticidad sináptica, que se resume en una frase clásica de la neurociencia: «neuronas que se disparan juntas, se conectan juntas.» No hay que programar reglas: la red neuronal se autoorganiza en respuesta a los estímulos.
Las empresas que están liderando este campo
Cortical Labs
🇦🇺 Melbourne, Australia
La más avanzada comercialmente
Fundada en 2019, hicieron historia en 2022 cuando sus neuronas aprendieron a jugar al Pong (el videojuego de 1972). En marzo de 2025 lanzaron el CL1, la primera biocomputadora comercial del mundo, a $35.000 la unidad.
En febrero de 2026 entrenaron sus neuronas para jugar al DOOM. En marzo de 2026 abrieron un mini centro de datos biológico en Melbourne con 120 unidades CL1.
FinalSpark
🇨🇭 Vevey, Suiza
Pioneros en la nube
Creadores de la Neuroplatform, la primera plataforma de biocomputación en la nube del mundo. Permite a investigadores de cualquier país acceder a organoides cerebrales humanos de manera remota para hacer experimentos.
Sus organoides tienen decenas de miles de neuronas y se mantienen en ambientes microfluídicos que les proveen nutrientes continuamente.
También hay otros actores relevantes: System1 Biosciences recaudó 25 millones de dólares para usar organoides cerebrales en el descubrimiento de terapias para enfermedades como la epilepsia y el autismo. El Departamento de Defensa de Estados Unidos también expresó interés en biocomputación para aplicaciones donde el consumo energético es crítico, como en drones y sistemas de campo.
Los últimos logros: de Pong a data centers biológicos
2022
DishBrain juega al Pong. Cortical Labs demuestra que neuronas humanas y de ratón en un chip pueden aprender a jugar un videojuego en tiempo real usando retroalimentación eléctrica. El paper se publica en la revista Neuron y causa sensación en la comunidad científica.
Mayo 2024
FinalSpark publica su Neuroplatform. La primera plataforma abierta y accesible remotamente para investigación en wetware computing. Investigadores de todo el mundo pueden conectarse y experimentar con organoides cerebrales humanos sin necesidad de laboratorio propio.
Marzo 2025
Nace el CL1. Cortical Labs presenta en el MWC 2025 la primera biocomputadora comercial del mundo. Precio: $35.000. Incluye soporte vital integrado, 800.000 neuronas cultivadas de células madre humanas y un sistema operativo biológico (biOS). También se ofrece en modalidad cloud como «Wetware-as-a-Service».
Septiembre 2025
Primer rack de CL1s en funcionamiento. Cortical Labs monta varios racks de unidades CL1 conectadas a internet para probar el sistema a mayor escala. Arranca el servicio Cortical Cloud.
Febrero 2026
Las neuronas juegan al DOOM. Un hito inesperado: Cortical Labs muestra en video cómo su CL1 —con 800.000 neuronas cultivadas— aprende a jugar el icónico juego de disparos en primera persona. La demostración prueba una capacidad de procesamiento de información mucho más compleja que el Pong.
Marzo 2026
Los primeros centros de datos biológicos del mundo. Cortical Labs anuncia en sociedad con DayOne Data Centers la apertura de un centro de datos biológico en Melbourne (120 unidades CL1) y otro en marcha en Singapur, que planea escalar a 1.000 unidades CL1 hacia septiembre de 2026. Es el primer intento serio de usar wetware a escala de infraestructura real.
El CL1 consume solo 30 vatios por unidad, frente a los 600 vatios de una GPU de IA tradicional. Los centros de datos biológicos de Cortical Labs prometen requerir «una fracción de la energía» de los centros de datos convencionales, además de eliminar el uso intensivo de agua para refrigeración.
Qué puede y qué no puede (todavía) hacer el wetware
Sus puntos fuertes
Eficiencia energética radical. Ya mencionada: consume órdenes de magnitud menos energía que el silicio para tareas de aprendizaje adaptativo.
Aprende con pocos datos. Los sistemas de IA convencionales necesitan millones de ejemplos para aprender algo. El wetware, como el cerebro, puede aprender de forma eficiente con conjuntos de datos mucho más pequeños.
Ideal para entornos inciertos. Las neuronas son naturalmente buenas manejando ambigüedad, variabilidad y situaciones nuevas, algo en lo que los sistemas digitales siguen fallando.
Investigación médica sin animales. Cortical Labs destaca que el CL1 permite hacer investigación de fármacos y enfermedades neurológicas directamente sobre tejido humano, sin necesidad de experimentos en animales.
Sus limitaciones actuales
Escala. El cerebro humano tiene entre 60.000 y 99.000 millones de neuronas. El CL1 tiene 800.000. La distancia es enorme. No hay un camino claro todavía para escalar biológicamente de forma masiva.
Velocidad bruta. Las neuronas procesan en milisegundos; los transistores, en nanosegundos. Para tareas que requieren velocidad de reloj extrema, las GPUs siguen ganando.
Reproducibilidad. Los sistemas biológicos son variables por naturaleza. Dos organoides del mismo origen pueden comportarse de forma diferente, lo que complica la estandarización.
Mantenimiento. Mantener vivas las neuronas requiere temperatura, nutrientes y esterilidad constantes. Escalar eso a nivel de centro de datos es un desafío de ingeniería sin precedentes.
El tema más perturbador: las «células personales»
⚗️ El escenario más inquietante del campo
«¿Qué significa tener una parte de tu cerebro computando fuera de tu cuerpo?»
La tecnología ya existe para tomar células de la sangre de una persona, convertirlas en células madre y luego en neuronas funcionales. Técnicamente sería posible crear una biocomputadora hecha con el material genético de una persona específica: una computadora que, en cierto sentido, sería una extensión biológica de esa persona.
Esto plantea preguntas sin respuesta: ¿quién sería el dueño de ese organoide? ¿Podría usarse para replicar aspectos de la personalidad o los patrones cognitivos del individuo? ¿Qué pasa si esas células son usadas para fines no consentidos? ¿Cuáles son los derechos de esa entidad si desarrollara alguna forma de experiencia subjetiva?
Hoy por hoy, los sistemas son demasiado simples como para plantear estas preguntas de forma urgente. Pero los expertos coinciden en que hay que tenerlas sobre la mesa antes de que la tecnología las vuelva apremiantes.
La cuestión de la consciencia
Cortical Labs habló de «sentience» (sensibilidad) al describir el DishBrain en 2022, lo que generó críticas en la comunidad científica. Investigadores de Johns Hopkins y otras instituciones advirtieron en noviembre de 2025 que términos como «inteligencia organoide» pueden crear expectativas infladas y generar un backlash que frene el campo antes de que madure. El consenso científico actual es claro: los organoides existentes muestran una capacidad rudimentaria de respuesta y adaptación, pero nada que se acerque a la consciencia o cognición superior.
El vacío regulatorio
No existe ningún marco regulatorio global o nacional que se ocupe específicamente de la biocomputación. La velocidad del avance científico supera ampliamente la capacidad legislativa. Investigadores de todo el mundo firmaron la Declaración de Baltimore (2023) llamando a la comunidad científica a explorar este campo con responsabilidad, pero aún falta construir las instituciones que hagan cumplir esas intenciones.
Qué se espera para los próximos años
El horizonte inmediato está bastante definido. Para el segundo semestre de 2026, Cortical Labs planea escalar su centro de datos de Singapur a 1.000 unidades CL1, en lo que sería la mayor instalación de wetware computing del mundo. En paralelo, su servicio en la nube (Cortical Cloud) estará disponible para investigadores globales, democratizando el acceso a la tecnología.
FinalSpark continúa extendiendo la vida útil de sus organoides y mejorando la generación de los mismos, según sus propias actualizaciones. Un equipo de la Universidad de Bristol ya publicó investigación basada en experimentos conducidos en la Neuroplatform de FinalSpark, señal de que la plataforma está siendo adoptada por la academia.
Un equipo de la Universidad de California en San Diego propuso usar sistemas basados en organoides para predecir trayectorias de derrames de petróleo en el Amazonas para 2028, lo que sugiere que los investigadores empiezan a imaginar aplicaciones concretas más allá del laboratorio.
A más largo plazo, los expertos del campo no ven al wetware como un reemplazo del silicio sino como un complemento para tareas específicas: sistemas de IA embebidos en robots o drones que necesitan operar en el mundo real con restricciones energéticas severas, modelado de enfermedades neurológicas, y eventualmente, sistemas híbridos que combinen la velocidad del silicio con la eficiencia y adaptabilidad del tejido neuronal.
La biocomputación está exactamente donde estaba la computación digital en los años 40: prometedora, rudimentaria, llena de problemas de escala no resueltos y con un enorme potencial a largo plazo. El ENIAC llenaba una habitación entera y apenas podía sumar. Hoy el mundo cabe en un chip. La pregunta no es si la biocomputación va a importar, sino cuándo.
Fuentes y lecturas recomendadas
Kagan et al. (2022). In vitro neurons learn and exhibit sentience when embodied in a simulated game-world. Neuron. — El paper original del DishBrain jugando al Pong. cell.com/neuron
¿Son lo mismo? Diferencias, Similitudes, Casos Reales y Oportunidades en 2025-2026
Si escribís «bioseguridad» y «ciberseguridad en biotecnología» en el mismo buscador, los resultados se mezclan como si fueran sinónimos. No lo son. Pero tampoco son mundos separados: en 2025, se están fusionando de maneras que ningún manual de hace diez años anticipó. Esta nota explica qué es cada una, en qué se parecen, en qué difieren radicalmente, y por qué el campo que las une —la cyberbiosecurity— es hoy una de las áreas más urgentes y con mayor demanda de talento especializado.
¿Qué es la Bioseguridad en Biotecnología?
La bioseguridad (biosafety y biosecurity en inglés, dos conceptos distintos que el español colapsa en uno) se refiere a la protección frente a agentes biológicos peligrosos: patógenos, organismos genéticamente modificados, toxinas y materiales biológicos de doble uso que podrían causar daño a personas, animales o el medioambiente.
En el contexto de la biotecnología, cubre tres dimensiones:
Biosafety (seguridad operativa): Protocolos para que investigadores y técnicos trabajen sin exponerse a agentes peligrosos. Incluye los niveles de bioseguridad BSL-1 a BSL-4, equipos de protección personal, manejo de residuos biológicos y procedimientos de contención en laboratorio.
Biosecurity (seguridad estratégica): Prevención del robo, mal uso o desvío deliberado de materiales y conocimientos biológicos con fines de bioterrorismo o desarrollo de armas biológicas. Aplica tanto a instituciones académicas como a empresas farmacéuticas y de biotecnología.
Regulación de organismos modificados: Control sobre la liberación intencional o accidental de OGMs al medioambiente, cubierto en gran parte por el Protocolo de Cartagena sobre Seguridad de la Biotecnología.
La ciberseguridad en biotecnología protege los sistemas digitales que controlan, almacenan o procesan información biológica y los procesos físicos de un laboratorio u organización biotech. Incluye:
Bases de datos genómicas y de secuenciación de ADN
Sistemas SCADA y OT (tecnología operativa) que controlan biorreactores, cámaras frías y fermentadores
Software de diseño de proteínas y herramientas de biología computacional
Registros clínicos y datos de ensayos clínicos
Cadenas de suministro de equipos y reactivos
El objetivo es impedir que actores maliciosos accedan, manipulen, roben o destruyan esta información o estos procesos. Las amenazas más comunes son el ransomware, el espionaje industrial (APT), el phishing dirigido y las vulnerabilidades en dispositivos IoT de laboratorio.
Tabla comparativa: Bioseguridad vs. Ciberseguridad en Biotech
Dimensión
Bioseguridad
Ciberseguridad en Biotech
Objeto de protección
Personas, animales, medioambiente
Sistemas digitales, datos, infraestructura
Amenaza principal
Patógenos, OGMs, agentes tóxicos
Malware, ransomware, espionaje, hackers
Vector de ataque
Físico / biológico
Digital / electrónico
Marco regulatorio
BSL levels, Protocolo de Cartagena, CDC
ISO 27001, NIST, GDPR, FDA 21 CFR Part 11
Profesional clave
Biosafety officer, microbiólogo
CISO, analista de ciberseguridad
Daño potencial
Infección, pandemia, bioterrorismo
Robo de IP, interrupción de procesos, extorsión
Escala temporal
Años de preparación regulatoria
Horas o días desde el ataque
Nuevo riesgo compartido
IA generativa que facilita diseño de bioagentes
IA que vulnera sistemas de bioseguridad digital
Lo que tienen en común: las similitudes clave
A pesar de sus diferencias, bioseguridad y ciberseguridad en biotecnología comparten una lógica estructural profunda.
1. Doble uso del conocimiento. Tanto las tecnologías biológicas (CRISPR, síntesis de ADN, diseño de proteínas) como las digitales (LLMs, herramientas de bioinformática) pueden usarse para curar enfermedades o para causar daño. Esta dualidad es el núcleo de ambas disciplinas.
2. La amenaza interna es tan real como la externa. En bioseguridad, el mayor riesgo histórico de exposición ha venido de accidentes internos en laboratorios (infecciones adquiridas en laboratorio). En ciberseguridad, las brechas más costosas frecuentemente involucran credenciales de empleados comprometidas.
3. Regulación reactiva, amenazas proactivas. Los marcos regulatorios en ambos campos tienden a responder a incidentes ya ocurridos. La velocidad de innovación biotecnológica y digital supera consistentemente la capacidad normativa de los Estados.
4. La IA como amplificador de riesgo. Este es el punto de convergencia más urgente de 2025: la inteligencia artificial puede acelerar tanto el diseño de agentes biológicos peligrosos como la ejecución de ataques cibernéticos a infraestructura crítica de laboratorios.
5. Modelo de defensa basado en capas. Ambas disciplinas aplican principios de defensa en profundidad: ningún control único es suficiente. Se necesitan múltiples barreras físicas, procedimentales y tecnológicas.
Casos Reales: Bioseguridad
Caso 1 — Biolabs clandestinos en EE.UU. (2022-2024)
En 2022 se descubrió en Reedley, California, un laboratorio clandestino operado por el ciudadano chino David He (también conocido como Jia Bei Zhu) que contenía miles de viales de material biológico, incluyendo potenciales patógenos como VIH, malaria, tuberculosis, COVID-19 y ébola, además de aproximadamente 1.000 ratones genéticamente modificados. El laboratorio también producía y vendía kits de diagnóstico médico falsificados. En enero de 2026, el FBI allanó una propiedad en Las Vegas vinculada al mismo individuo, recolectando más de 1.000 piezas de evidencia incluyendo materiales biológicos. El caso expuso fallas críticas de supervisión: el CDC rechazó inicialmente analizar las muestras y el FBI cerró prematuramente su primera investigación.
Caso 2 — Muestras virales desaparecidas en Australia (2021-2024)
Más de 300 muestras de virus fueron reportadas como desaparecidas de un laboratorio gubernamental en Queensland, Australia, generando alarma de bioseguridad. El incidente fue descubierto inicialmente en 2021 tras el mal funcionamiento de un congelador, pero no fue comunicado públicamente hasta años después.
Caso 3 — Argentina: primer marco legal integral (abril 2026)
En Argentina, la diputada nacional Marcela Pagano presentó en abril de 2026 un proyecto de ley que busca establecer por primera vez un marco jurídico integral para la biología molecular, la biotecnología avanzada y la investigación biomédica. El proyecto combina promoción científica, resguardos éticos y bioseguridad, con énfasis en soberanía tecnológica y protección de datos genómicos. Este caso ilustra que América Latina aún trabaja en marcos normativos básicos que países como EE.UU. o la UE tienen desde hace décadas.
El ataque de ransomware NotPetya paralizó 30.000 dispositivos de usuarios finales y 7.500 servidores de la gigante farmacéutica Merck & Co. El malware causó aproximadamente mil millones de dólares en daños, pérdidas de ventas y costos de recuperación, e interrumpió las instalaciones de producción de la vacuna contra el virus del papiloma humano. Es uno de los ataques más costosos jamás registrados en el sector farmacéutico.
Caso 2 — Ransomware en la Universidad de California, San Francisco (2020)
En junio de 2020, la UCSF sufrió un ataque de ransomware que afectó sus investigaciones médicas. Los atacantes exigieron un rescate de 1,14 millones de dólares, que fue pagado para recuperar el acceso a datos cruciales relacionados con estudios en biotecnología y medicina. El ataque ocurrió en plena pandemia de COVID-19, cuando la institución investigaba tratamientos activamente.
En 2018, la gigante farmacéutica Bayer detectó la presencia de malware avanzado en sus sistemas. El ataque fue atribuido al grupo de hackers conocido como «Wicked Panda», con presuntos vínculos chinos, cuyo objetivo era el espionaje industrial y el robo de información sensible sobre investigaciones en curso. Bayer pudo contener la amenaza antes de que causara daños significativos.
Caso 4 — Miltenyi Biotec y el ransomware durante el COVID (2020)
La empresa alemana Miltenyi Biotec, especializada en biotecnología médica, fue víctima de un ataque de ransomware en plena crisis sanitaria global. El ataque puso en riesgo la cadena de suministro de equipos esenciales para la investigación de vacunas y tratamientos contra el COVID-19, ilustrando cómo los ataques cibernéticos a biotech tienen consecuencias directas en la salud pública.
Caso 5 — eResearchTechnology y los ensayos clínicos paralizados (2020)
La compañía de software médico eResearchTechnology, que provee tecnología para ensayos clínicos en Europa, Asia y Estados Unidos, sufrió un ataque de ransomware que duró aproximadamente dos semanas. El ataque obligó a los especialistas a registrar datos de pacientes en papel, retrasando estudios clínicos de clientes como IQVIA y Bristol Myers Squibb, incluidos ensayos para la vacuna del COVID-19.
La cyberbiosecurity es la disciplina emergente que se ocupa de los riesgos en la intersección entre sistemas digitales y biológicos. No es simplemente «ciberseguridad aplicada a biotech»: reconoce que cuando los sistemas digitales controlan procesos biológicos, una brecha informática puede tener consecuencias físicas de naturaleza biológica.
El modelo de defensa propuesto hoy por investigadores de este campo toma prestado directamente de la ciberseguridad avanzada. En lugar de defensas estáticas tipo «castillo y foso» —listas de agentes prohibidos, controles en fronteras—, proponen el modelo Zero Trust aplicado a bioseguridad: asumir que ya hubo una brecha, verificar continuamente, rastrear diseños biológicos de forma segura y compartir inteligencia de amenazas entre instituciones, tal como ya ocurre en ciberseguridad.
El Nuevo Riesgo: IA Generativa como Amplificador de Amenaza
El desarrollo más disruptivo de 2024-2025 en ambas disciplinas es la irrupción de la inteligencia artificial generativa. Los modelos de lenguaje de gran escala (LLMs) y las herramientas de diseño biológico (Biological Design Tools, BDTs) están transformando la biotecnología a velocidad sin precedentes, pero también introducen vectores de riesgo completamente nuevos.
En bioseguridad: La IA puede reducir las barreras de conocimiento para actores sin experiencia que buscan información sobre agentes biológicos peligrosos. Evaluaciones de modelos de IA publicadas en 2024 mostraron que algunos modelos frontera pueden superar en determinadas pruebas de conocimiento de virología a especialistas con doctorado. Un estudio del Forecasting Research Institute postula que la IA podría hacer una pandemia cinco veces más probable.
En ciberseguridad de biotech: La IA puede automatizar y escalar ataques contra infraestructura de laboratorios, generar código malicioso más sofisticado y explotar vulnerabilidades en sistemas de bioinformática con mayor velocidad que los equipos defensivos humanos.
La respuesta de la industria: Anthropic, OpenAI y otras compañías de IA frontera han incrementado la caracterización del riesgo potencial de sus modelos en relación con la bioseguridad y han establecido restricciones específicas. El Programa Federal Select Agent de EE.UU. exige el cribado de síntesis de ADN para investigación federalmente financiada.
Herramientas de detección de amenazas biológicas asistidas por IA. Sistemas que monitorizan en tiempo real el tráfico de datos genómicos y señalan patrones anómalos de consulta o diseño de secuencias, analogía directa de los sistemas de detección de intrusiones (IDS) en ciberseguridad.
Plataformas de cribado de síntesis de ADN. El cribado de los pedidos de síntesis de ADN es hoy la principal línea de defensa contra la bioamenaza asistida por IA. Se están desarrollando algoritmos más sofisticados para identificar secuencias potencialmente peligrosas antes de su síntesis.
Marcos Zero Trust para laboratorios. Aplicación de los principios de seguridad Zero Trust —no confiar en ningún usuario o sistema por defecto, verificar continuamente— a la gestión de acceso en laboratorios de alta contención y a los flujos de datos biológicos sensibles.
Seguridad en bioinformática y computación genómica. Con la secuenciación de genomas convirtiéndose en rutina clínica, emerge la necesidad de proteger bases de datos genómicas que contienen información altamente personal e irrevocable. A diferencia de una contraseña, un genoma no se puede cambiar.
Red-teaming biológico. Ejercicios controlados donde equipos especializados intentan identificar cómo la IA podría usarse para facilitar la creación de bioagentes, con el objetivo de anticipar y mitigar esos vectores antes de que sean explotados.
Necesidades no cubiertas y oportunidades profesionales
El mercado global de cyberbiosecurity está en sus primeras etapas. Las necesidades identificadas por investigadores y organismos de política pública incluyen:
Perfiles profesionales híbridos que combinen formación en biología molecular o biotecnología con conocimiento sólido de ciberseguridad. Hoy prácticamente no existen programas de formación que integren ambas disciplinas de manera sistemática.
Marcos regulatorios actualizados. La regulación en bioseguridad fue diseñada para un mundo analógico. La mayoría de los países, incluyendo los de América Latina, no tienen legislación que contemple específicamente los riesgos de la bioinformática, la síntesis de ADN digital o el uso de IA en diseño biológico.
Estándares de ciberseguridad específicos para laboratorios. Los estándares generales como ISO 27001 o NIST no capturan las particularidades de un laboratorio con dispositivos OT/IoT, biorreactores conectados o secuenciadores en red.
Inteligencia de amenazas compartida entre instituciones. En ciberseguridad existe el modelo de intercambio de indicadores de compromiso (IOCs) entre organizaciones. En bioseguridad, un modelo equivalente de compartir información sobre amenazas emergentes entre laboratorios, empresas biotech y agencias gubernamentales está prácticamente ausente.
Auditoría de seguridad en herramientas de IA para biología. Con el auge de herramientas como AlphaFold, RoseTTAFold o las plataformas de diseño de proteínas, surge la necesidad de auditar su seguridad tanto desde el ángulo cibernético (¿quién accede a qué?) como desde el de bioseguridad (¿qué diseños permiten generar?).
Conclusión: Dos Disciplinas, Un Futuro Compartido
La bioseguridad y la ciberseguridad en biotecnología no son lo mismo, pero en 2025-2026 convergen de manera irreversible. La bioseguridad protege al mundo de los riesgos que emerge de lo biológico; la ciberseguridad protege los sistemas digitales que hoy gobiernan los procesos biológicos. La cyberbiosecurity reconoce que esa frontera ya no existe.
Los casos reales muestran que ambas disciplinas tienen dientes: biolabs clandestinos con ébola en garajes suburbanos, ransomware que paraliza ensayos clínicos en pandemia, espionaje industrial que roba años de investigación farmacéutica. Y la IA, lejos de simplificar el panorama, lo complejiza: puede ser la mejor herramienta de defensa y, simultáneamente, el mayor amplificador de amenaza que ninguna de las dos disciplinas haya enfrentado.
Para quienes trabajan o quieren trabajar en este espacio, la oportunidad es real y la competencia es baja. El talento que pueda moverse con fluidez entre una secuencia genómica y un diagrama de arquitectura de red será uno de los perfiles más demandados de la próxima década.
La Inteligencia Artificial (IA) se ha convertido en una herramienta transformadora para la bioseguridad, definida como el conjunto de medidas destinadas a proteger la salud humana, animal, vegetal y el medio ambiente frente a riesgos biológicos (virus, bacterias, toxinas, etc.). Sin embargo, la convergencia entre IA y biotecnología (AIxBio) representa un doble filo: acelera enormemente la capacidad de respuesta a amenazas, pero también reduce barreras para la creación de patógenos peligrosos, ya sea por accidente o mal uso intencional.
En 2026, la IA ya no solo apoya la ciencia biológica, sino que comienza a diseñar y ejecutar experimentos de forma semi-autónoma, obligando a actualizar urgentemente los marcos de bioseguridad tradicionales (como el BMBL del CDC).
1. Aplicaciones positivas de la IA en Bioseguridad
a) Vigilancia epidemiológica y detección temprana de brotes Los sistemas de IA procesan en tiempo real grandes volúmenes de datos heterogéneos: redes sociales, búsquedas en internet, historias clínicas, datos de ventas de medicamentos, información meteorológica, movilidad humana y secuencias genómicas. Esto permite identificar señales anómalas semanas antes de que los sistemas tradicionales confirmen un brote. La OMS actualizó en 2025 su sistema EIOS (Epidemic Intelligence from Open Sources) incorporando IA para mejorar el análisis automatizado y la detección de señales. Estas herramientas también se integran con datos de aguas residuales y metagenómica ambiental.
b) Monitoreo inteligente en laboratorios de alta contención (BSL-3 y BSL-4) Sistemas de visión por computadora verifican en tiempo real el uso correcto del Equipo de Protección Personal (EPP), detectando faltantes o mal ajustes. Monitorean continuamente presión negativa, flujo de aire HEPA, temperatura y posibles fugas, generando alertas automáticas y prediciendo fallos de mantenimiento. La automatización con robots e IA reduce la exposición humana directa a patógenos peligrosos.
c) Diseño acelerado de contramedidas Modelos como AlphaFold (y versiones posteriores) predicen con alta precisión la estructura 3D de proteínas virales o bacterianas, acelerando el diseño de vacunas, anticuerpos monoclonales, antivirales y diagnósticos. En 2025 se avanzó en vacunas basadas en diseño computacional asistido por IA. Iniciativas como la “100 Days Mission” de CEPI buscan desarrollar contramedidas en solo 100 días. La IA optimiza plataformas de ARNm y permite respuestas rápidas ante patógenos emergentes.
d) Evaluación y gestión de riesgos La IA ayuda a clasificar experimentos de “doble uso” (Dual Use Research of Concern – DURC), evaluando si un procedimiento podría aumentar transmisibilidad, letalidad o resistencia de un patógeno. Herramientas de cribado analizan secuencias de ADN/ARN antes de sintetizarlas, bloqueando aquellas de alto riesgo.
e) Seguridad y salud ocupacional La IA analiza datos de wearables para monitorear signos vitales, fatiga y exposición potencial. Detecta comportamientos inseguros y automatiza tareas repetitivas en “cloud labs”, reduciendo la intervención humana con agentes infecciosos. La OIT destaca cómo la IA mejora la seguridad y salud en el trabajo.
2. Riesgos y desafíos: la cara oscura de la IA en bioseguridad
La convergencia AIxBio baja drásticamente las barreras técnicas, económicas y de conocimiento para crear amenazas biológicas.
a) Diseño de proteínas y patógenos novedosos Modelos generativos crean secuencias de proteínas o ácidos nucleicos completamente nuevas. En 2025, IA diseñó virus (bacteriófagos) funcionales que infectan y matan bacterias específicas, demostrando el potencial para aplicar la misma tecnología en patógenos humanos.
b) “Zero-day” biológicos La IA genera patógenos o toxinas que no existen en la naturaleza y que evaden los sistemas actuales de cribado de síntesis de ADN. Estudios mostraron que variantes rediseñadas por IA pueden eludir filtros de proveedores.
c) Automatización de experimentos Laboratorios robóticos + IA permiten diseñar, planificar y ejecutar miles de experimentos con mínima intervención humana. En 2026, casos como la colaboración entre OpenAI y Ginkgo Bioworks muestran IA ejecutando decenas de miles de experimentos biológicos de forma autónoma.
d) Deskalilling (reducción de habilidades requeridas) Personas sin experiencia en biología, asistidas por IA, completan tareas complejas de virología con mayor precisión. Estudios de SecureBio indican que no expertos superaron a expertos en ciertas tareas y obtuvieron instrucciones detalladas pese a filtros de seguridad.
e) Riesgo de mal uso (bioterrorismo o accidente) Expertos de SecureBio, NTI, RAND y el International AI Safety Report 2026 advierten que la IA aumenta significativamente el riesgo de armas biológicas de alto impacto. Modelos pueden proporcionar instrucciones detalladas de laboratorio y ayudar a superar barreras tradicionales.
3. Medidas de mitigación actuales y propuestas (2026)
a) Screening de secuencias de ADN/ARN Proveedores bloquean pedidos que coincidan con patógenos regulados, pero la IA genera variantes que evaden estos filtros. El screening sigue siendo mayoritariamente voluntario en muchos países.
b) Evaluaciones de seguridad previas al lanzamiento Empresas realizan pruebas internas (“safety evaluations”) y agregan salvaguardas. Se proponen benchmarks como el Virology Capabilities Test (VCT) de SecureBio.
c) Gobernanza y regulación Se discuten accesos gestionados (tiered access), licencias para modelos de alto riesgo, supervisión humana obligatoria y auditorías independientes. En EE.UU. hay avances en NDAA 2026 y propuestas bipartidistas. A nivel internacional se debate en la Convención sobre Armas Biológicas (BWC). Organizaciones como NTI recomiendan colaboración entre gobiernos, empresas de IA y científicos.
d) Mejora de filtros y salvaguardas en los modelos de IA Se implementan rechazos (“refusals”) más robustos, aunque vulnerables a jailbreaking. Se exploran técnicas de alineación y entrenamiento con datos filtrados.
e) Cribado de clientes (“know your customer”) Verificación de legitimidad de usuarios y proyectos en síntesis de ADN y acceso a modelos biológicos.
Resumen: Oportunidades vs Riesgos
Aspecto
Beneficio principal
Riesgo principal
Vigilancia
Detección temprana con datos masivos
Evasión de sistemas o generación de desinformación
Laboratorios
Monitoreo 24/7 y menor exposición humana
Automatización de experimentos de alto riesgo sin supervisión experta
Diseño de moléculas
Vacunas y fármacos en tiempo récord
Patógenos novedosos más letales o indetectables
Accesibilidad
Avances médicos democráticos
Baja barrera para actores maliciosos o inexpertos
Gobernanza
Herramientas para evaluar riesgos
Brecha entre velocidad tecnológica y marcos regulatorios
En 2026, la IA está cerrando el bucle entre diseño y ejecución biológica. Esto exige actualizar manuales de bioseguridad y crear regulaciones específicas para AIxBio.
AI1 año ago
Nano1 año ago
AI6 meses ago
AI1 año ago