Bristol Myers Squibb anunció el 20 de julio la expansión de su alianza con NVIDIA: ocho sistemas DGX SuperPOD sobre arquitectura Vera Rubin NVL72, convirtiéndose en la primera empresa de ciencias de la vida en adquirir esa generación de hardware. El sistema nuevo entrega hasta 10 veces el rendimiento por megavatio del clúster que reemplaza.

Es la tercera farmacéutica en nueve meses en anunciar el supercómputo de IA más grande de su sector. Antes fueron Eli Lilly y Roche. Lo que casi ninguna cobertura conectó es que BMS también anunció, dos meses antes, un acuerdo completamente distinto con Anthropic. Y esa diferencia es la parte que vale la pena entender.

Dos capas, no una

El acuerdo con NVIDIA es cómputo propio. BMS entrena modelos fundacionales sobre sus propios datos de compuestos, proteínas y biología, para investigación en oncología, hematología, cardiovascular, inmunología y neurociencia, y corre agentes de diseño experimental bajo un programa que llaman “Predict First.” Esa capa se construye, no se renta, porque ahí está el activo que le da a BMS su ventaja competitiva real: décadas de datos científicos propietarios que ningún proveedor externo tiene.

La otra capa es distinta. En mayo, BMS anunció un acuerdo estratégico con Anthropic para desplegar Claude Enterprise como lo que su propio comunicado llama “plataforma de inteligencia compartida” entre unos 30,000 empleados, cubriendo investigación y desarrollo, desarrollo clínico, manufactura y funciones comerciales. Esa capa se compra, porque el valor ahí no está en el modelo en sí, está en que todos en la empresa usen la misma herramienta de productividad general.

Dos anuncios, dos capas, dos decisiones de arquitectura completamente distintas, y BMS las tomó en el mismo trimestre sin tratarlas como una sola pregunta de “construir o comprar IA.”

Por qué construir cómputo propio, según quien lo decidió

El director de transformación digital de BMS, Greg Meyers, fue directo sobre el porqué en el blog de NVIDIA: ni la nube tradicional ni el cómputo propio tradicional cubrían bien las necesidades científicas de la empresa. El clúster anterior ya estaba completamente saturado, en sus palabras, “consumimos todo el espacio que teníamos.” El objetivo declarado es un plano de datos único que conecte todos los sitios de investigación de BMS a nivel global, con disponibilidad garantizada de GPU, para entrenar modelos propietarios sobre datos que nadie más tiene acceso a replicar.

No es una decisión de costo. Es una decisión sobre dónde está el activo defendible. Los datos científicos propios de BMS, acumulados en décadas de investigación, son exactamente el tipo de ventaja que un modelo entrenado por un tercero nunca podría reproducir, sin importar qué tan bueno sea ese modelo general.

La misma lógica se repite en el resto del sector

Eli Lilly anunció en enero un laboratorio de coinnovación de $1,000 millones con NVIDIA y su sistema “LillyPod,” con cerca de 1,016 GPU Blackwell y unos 9 exaFLOPS de capacidad. Roche construyó una fábrica de IA híbrida con 3,500 GPU Blackwell. BMS no reveló una cifra en dólares para su propio acuerdo, pero el patrón es el mismo en las tres: cómputo propio para el activo científico propietario, modelos comerciales licenciados para todo lo demás. STAT News describió a BMS como la tercera farmacéutica en nueve meses en reclamar el supercómputo de IA más grande de su sector, y Sanofi aparece mencionada como la siguiente en explorar un movimiento similar. Esto es un patrón de sector formándose en tiempo real, no la carrera de una sola empresa.

Esto conecta con algo que ya habíamos escrito sobre la especialización vertical como ventaja defendible en IA: cuando el modelo general se vuelve una materia prima disponible para cualquiera, la ventaja se mueve hacia quién tiene los datos verticales específicos que ese modelo no puede replicar. Farmacéutica es exactamente el caso de estudio, porque la brecha entre “modelo general capaz” y “modelo que sabe lo que tu empresa sabe sobre tus propios compuestos” es enorme, y esa brecha es donde se construye el cómputo propio.

Cómo aplicamos esta separación en discovery

En AI Maestro insistimos en esta misma pregunta antes de recomendar arquitectura: ¿el activo que estás protegiendo es datos propietarios que nadie más tiene, o es una capacidad general que cualquier proveedor puede ofrecer igual de bien? Ya escribimos sobre cómo las empresas de IA están decidiendo entre construir y comprar SaaS, y el patrón de BMS lo hace todavía más nítido: la respuesta correcta casi nunca es “todo se construye” o “todo se compra.” Es separar las dos capas antes de decidir, exactamente como lo hizo una farmacéutica que gestiona activos de investigación que valen miles de millones de dólares.