Hanademi

Who will capture AI's upside by 2030?¿Quién captará los beneficios de la IA para 2030? · V8 Master Engine

44 slides · 46 min · 1 hour ago44 láminas · 46 min · hace 1 h language
ENES
theme
LightDark
view
TalkTable
brand
HanademiPlatzi
Who will capture AI's upside by2030?Made for Freddy Vega, by Hanademi
  1. Faster technology did not produce one automatic outcome: drug timelines contracted, payment systems scaled, experienced developers slowed, and cybercrime losses rose.
  2. By August 2026, the public record still showed no approved end-to-end AI-designed medicine.
  3. The forecast was faster work.
¿Quién captará los beneficios dela IA para 2030?Made for Freddy Vega, by Hanademi
  1. Una tecnología más rápida no produjo un resultado automático: los plazos farmacéuticos bajaron, los sistemas de pago escalaron, los desarrolladores experimentados se ralentizaron y aumentaron las pérdidas por ciberdelit…
  2. Hasta agosto de 2026, el registro público no mostraba ningún medicamento diseñado end-to-end por IA aprobado.
  3. El pronóstico era trabajo más rápido.
AI drug candidates reached trials in 2 to 3years versus 5 to 6 yearsFaster technology did not produce one automatic outcome: drug timelines contracted, payment systemsscaled, experienced developers slowed, and cybercrime losses rose.Made for Freddy Vega, by HanademiSources: Boston Consulting Group; mkt-bcg-com-public-pdfs.s3.amazonaws.com; METR; National PaymentsCorporation of India; thehindubusinessline.com; Central Bank of Brazil; dadosabertos.bcb.gov.br; Federal Bureauof InvestigationUnitPercent change in each observed measure; comparison or period shown by rowDrug discovery time, 5.5 to 2.5years−55%Developer completion time withAI versus without, 2025+19%UPI monthly transactions, Dec2022 to Dec 2024+114%Pix monthly transactions, Dec2022 to Dec 2024+121%Internet-crime losses, 2021 to2024+141%
Faster technology did not produce one automatic outcome: drug timelines contracted, payment systems scaled, experienced developers slowed, and cybercrime losses rose.
Los fármacos creados con IA llegaron aensayos en 2 a 3 años frente a 5 a 6 añosUna tecnología más rápida no produjo un resultado automático: los plazos farmacéuticos bajaron, lossistemas de pago escalaron, los desarrolladores experimentados se ralentizaron y aumentaron las pérdidaspor ciberdelito.Made for Freddy Vega, by HanademiFuentes: Boston Consulting Group; mkt-bcg-com-public-pdfs.s3.amazonaws.com; METR; National PaymentsCorporation of India; thehindubusinessline.com; Central Bank of Brazil; dadosabertos.bcb.gov.br; Federal Bureauof InvestigationUnidadCambio porcentual en cada medida observada; comparación o período indicado por filaTiempo de descubrimientofarmacéutico, de 5,5 a 2,5 años−55%Tiempo de desarrolladores conIA frente a sin IA, 2025+19%Transacciones mensuales de UPI,dic 2022 a dic 2024+114%Transacciones mensuales de Pix,dic 2022 a dic 2024+121%Pérdidas por ciberdelito, 2021a 2024+141%
Una tecnología más rápida no produjo un resultado automático: los plazos farmacéuticos bajaron, los sistemas de pago escalaron, los desarrolladores experimentados se ralentizaron y aumentaron las pérdidas por ciberdelito.
AI tools made experienced developerscomplete tasks 19% more slowlyThe forecast was faster work. The measured result was 19% slower completion.Made for Freddy Vega, by HanademiSources: METR. (2025). Measuring the impact of early-2025 AI on experienced open-source developerproductivity.UnitPercent change in task completion timeExpected before study-24%Expected after study-20%Measured outcome19%
The story starts with a reversal. Experienced open-source developers expected AI to make tasks faster, with forecasts of acceleration before and after the study. Instead, measured completion time was 19% slower. That does not settle the future of software, but it makes the burden of proof clear.
La IA hizo que desarrolladores experimentadostardaran un 19% más en completar tareasEl pronóstico era trabajo más rápido. El resultado medido fue finalización 19% más lenta.Made for Freddy Vega, by HanademiFuentes: METR. (2025). Measuring the impact of early-2025 AI on experienced open-source developerproductivity.UnidadCambio porcentual en tiempo de finalización de tareaEsperado antes delestudio-24 %Esperado después delestudio-20 %Resultado medido19 %
La historia comienza con un giro. Desarrolladores experimentados de código abierto esperaban que la IA acelerara las tareas, con pronósticos de aceleración antes y después del estudio. En cambio, el tiempo de finalización medido fue 19% más lento. Eso no resuelve el futuro del software, pero deja clara la carga de la prueba.
In one study, experienced developers took 19%longer with AI toolsAI changes software productivity only when teams redesign work around it.Sources: Industria del software ya mueve $61 billones al año en Colombia, pero enfrenta un déficit de 83.000 trabajadores. elcolombiano.com.
Developer productivity depends on how people integrate AI into real workflows.
En un estudio, desarrolladores experimentadostardaron 19% más con herramientas de IALa IA cambia la productividad del software solo cuando los equipos rediseñan el trabajo a sualrededor.Fuentes: Industria del software ya mueve $61 billones al año en Colombia, pero enfrenta un déficit de 83.000 trabajadores. elcolombiano.com.
La productividad de los desarrolladores depende de cómo las personas integran la IA en flujos de trabajo reales.
AI-originated drug candidates reach trialsin 2 to 3 yearsReported time from discovery start to clinical-trial entry, in years, comparing AI-originated andconventional programs.Made for Freddy Vega, by HanademiSources: Boston Consulting Group. (2024). How AI is shaping the future of biopharma innovation.;mkt-bcg-com-public-pdfs.s3.amazonaws.com.UnitYears to clinical trialsAI-originated programs → Conventional programsLow estimate25High estimate36
The first real acceleration appears before approval. AI-originated drug programs have entered clinical trials in roughly 2 to 3 years, while conventional programs take about 5 to 6 years. That is a meaningful early lead, but it stops at the trial gate.
Los candidatos originados por IA llegan aensayos en 2 a 3 añosTiempo reportado desde inicio de descubrimiento hasta entrada en ensayos clínicos, en años, comparandoprogramas originados por IA y convencionales.Made for Freddy Vega, by HanademiFuentes: Boston Consulting Group. (2024). How AI is shaping the future of biopharma innovation.;mkt-bcg-com-public-pdfs.s3.amazonaws.com.UnidadAños hasta ensayos clínicosProgramas originados por IA → Programas convencionalesEstimación baja25Estimación alta36
La primera aceleración real aparece antes de la aprobación. Los programas de fármacos originados por IA han entrado en ensayos clínicos en aproximadamente 2 a 3 años, mientras que los programas convencionales toman alrededor de 5 a 6 años. Esa es una ventaja temprana significativa, pero se detiene en la puerta del ensayo.
Drug design still reaches the benchFaster digital design still has to pass through the physical world.Sources: AI-designed drugs advance in trials with no US drug approval – APPI News. en.appi.news.
Computational acceleration still has to connect with physical laboratory work.
El diseño de fármacos aún llega al laboratorioUn diseño digital más rápido todavía tiene que atravesar el mundo físico.Fuentes: AI-designed drugs advance in trials with no US drug approval – APPI News. en.appi.news.
La aceleración computacional todavía tiene que conectarse con el trabajo físico de laboratorio.
Europe's 126 extra review days woulderase 11% of AI discovery savingsFaster molecule discovery does not remove institutional latency. A slower regulator can return more thanone month of every year saved upstream.Made for Freddy Vega, by HanademiSources: Boston Consulting Group. (2024). How AI is shaping the future of biopharma innovation.;mkt-bcg-com-public-pdfs.s3.amazonaws.com.; cirsci.org.Unitmonths66 monthsConventionaldiscovery30 monthsAI-assisteddiscovery34.1 monthsAI discoveryplus EMA premium
Faster molecule discovery does not remove institutional latency. A slower regulator can return more than one month of every year saved upstream.
Los 126 días extra de revisión europeaborrarían el 11% del ahorro de IAAcelerar el descubrimiento de moléculas no elimina la latencia institucional. Un regulador más lento puededevolver más de un mes por cada año ahorrado en etapas anteriores.Made for Freddy Vega, by HanademiFuentes: Boston Consulting Group. (2024). How AI is shaping the future of biopharma innovation.;mkt-bcg-com-public-pdfs.s3.amazonaws.com.; cirsci.org.Unidadmeses66 mesesDescubrimientoconvencional30 mesesDescubrimientoasistido por IA34,1 mesesDescubrimiento conIA más prima EMA
Acelerar el descubrimiento de moléculas no elimina la latencia institucional. Un regulador más lento puede devolver más de un mes por cada año ahorrado en etapas anteriores.
Insilico CEO Alex Zhavoronkov says itstypical path takes 13 months.Alex Zhavoronkov, CEO of Insilico, said the company typically reaches a developmentalcandidate in 13 months, compared with 4.5 years using a traditional approach. This is anattributed company claim, not independent validation.Sources: wnflsports.com.
One company makes an even stronger claim. Insilico CEO Alex Zhavoronkov says its typical path to a developmental candidate takes 13 months. The claim is striking, but it belongs to the company making it, so it is evidence of ambition rather than proof of a field-wide result.
Alex Zhavoronkov, CEO de Insilico, diceque su trayectoria típica toma 13 meses.Alex Zhavoronkov, CEO de Insilico, dijo que la empresa típicamente llega a un candidatoen desarrollo en 13 meses, en comparación con 4,5 años usando un enfoque tradicional.Esta es una afirmación atribuida a la empresa, no validación independiente.Fuentes: wnflsports.com.
Una empresa hace una afirmación aún más sólida. Alex Zhavoronkov, CEO de Insilico, dice que su trayectoria típica hacia un candidato en desarrollo toma 13 meses. La afirmación es impactante, pero pertenece a la empresa que la hace, por lo que es evidencia de ambición más que prueba de un resultado amplio en el sector.
By August 2026, the public record stillshowed no approved end-to-endAI-designed medicine.The reported count is 0 publicly identified medicines approved by the FDA or EMA asend-to-end AI-designed by August 2026. This measured search result is not a claim thatAI had no role in any approved medicine.Sources: United States Food and Drug Administration. (2026). New drug therapy approvals.; European Medicines Agency. (2026). Human medicineshighlights.; AI Drug Discovery FDA Approvals: The 2026 Reality Check.
The early timeline is not the same as a finished medicine. By August 2026, no medicine publicly identified as end-to-end AI-designed had received FDA or EMA approval. The promise has reached trials, but the final proof point is still missing.
Hasta agosto de 2026, el registro públicono mostraba ningún medicamento diseñadoend-to-end por IA aprobado.El conteo reportado es 0 medicamentos públicamente identificados aprobados por FDA oEMA como diseñados end-to-end por IA hasta agosto de 2026. Este resultado debúsqueda medido no es una afirmación de que la IA no tuvo rol en ningún medicamentoaprobado.Fuentes: United States Food and Drug Administration. (2026). New drug therapy approvals.; European Medicines Agency. (2026). Human medicineshighlights.; AI Drug Discovery FDA Approvals: The 2026 Reality Check.
La cronología temprana no es lo mismo que un medicamento terminado. Hasta agosto de 2026, ningún medicamento públicamente identificado como diseñado end-to-end por IA había recibido aprobación de FDA o EMA. La promesa llegó a ensayos, pero el punto de prueba final sigue faltando.
FDA's CDER encountered more than500 submissions with AI componentsfrom 2016 to 2023.The count refers to drug submissions containing AI components reviewed by CDERbetween 2016 and 2023. It does not count approved end-to-end AI-designed medicines.Sources: fda.gov.
Regulators are not waiting for a hypothetical future. CDER says its experience already includes more than 500 submissions containing AI components from 2016 to 2023. That shows real exposure to the technology, not proof that end-to-end AI-designed medicines have passed approval.
Sources
El CDER de FDA encontró más de 500solicitudes con componentes de IAentre 2016 y 2023.El conteo se refiere a solicitudes de medicamentos que contienen componentes de IArevisadas por CDER entre 2016 y 2023. No cuenta medicamentos aprobados diseñadosend-to-end por IA.Fuentes: fda.gov.
Los reguladores no están esperando un futuro hipotético. CDER dice que su experiencia ya incluye más de 500 solicitudes que contienen componentes de IA entre 2016 y 2023. Eso muestra exposición real a la tecnología, no prueba de que medicamentos diseñados end-to-end por IA hayan pasado la aprobación.
Fuentes
Recursion spent US$475 million onresearch and development in 2025Recursion Pharmaceuticals R&D expense, 2020 to 2025, in USD millions; the experiment figure iscompany-reported.Made for Freddy Vega, by HanademiSources: U.S. Securities and Exchange Commission. (n.d.). RECURSION PHARMACEUTICALS, INC. ResearchAndDevelopmentExpense [XBRL].SEC EDGAR.; recursion.com.UnitUSD30.3628M269.295M508.227M63.3M135.3M155.7M241.2M314.4M475.3M202020212022202320242025
Recursion shows what industrialized AI-guided discovery demands. Its R&D expense climbed from $63.3 million in 2020 to $475.3 million in 2025. The company also says its automated system can run up to 2 million experiments each week. More experimental throughput is real scale, but it is not cheap scale.
Recursion gastó US$475 millones eninvestigación y desarrollo en 2025Gasto en I+D de Recursion Pharmaceuticals, 2020 a 2025, en millones USD; la cifra de experimentos esreportada por la empresa.Made for Freddy Vega, by HanademiFuentes: U.S. Securities and Exchange Commission. (n.d.). RECURSION PHARMACEUTICALS, INC. ResearchAndDevelopmentExpense [XBRL]. SECEDGAR.; recursion.com.UnidadUSD30,3628M269,295M508,227M63,3 M135,3 M155,7 M241,2 M314,4 M475,3 M202020212022202320242025
Recursion muestra lo que exige el descubrimiento de fármacos guiado por IA industrializado. Su gasto en I+D subió de USD 63,3 millones en 2020 a USD 475,3 millones en 2025. La empresa también dice que su sistema automatizado puede ejecutar hasta 2 millones de experimentos cada semana. Más capacidad de experimentación es escala real, pero no es escala económica.
Partner payments covered 16% of Recursion'sresearch spending from 2020 to 2025External partnerships funded a meaningful share of research, but more than $1.1 billion of six-year R&Dremained uncovered by the reported collaboration cash.Made for Freddy Vega, by HanademiSources: U.S. Securities and Exchange Commission. (n.d.). RECURSION PHARMACEUTICALS, INC. ResearchAndDevelopmentExpense[XBRL]. SEC EDGAR.; genengnews.com.UnitUSD millions$63M2020$135M2021$156M2022$241M2023$314M2024$475M2025−$216MCollaborationcash$1.169BUncovered R&D
External partnerships funded a meaningful share of research, but more than $1.1 billion of six-year R&D remained uncovered by the reported collaboration cash.
Pagos de socios cubrieron el 16% del gasto eninvestigación de Recursion entre 2020 y 2025Las alianzas externas financiaron una parte relevante de la investigación, pero más de 1.100 millones dedólares de I+D de seis años quedaron sin cubrir por el efectivo de colaboraciones reportado.Made for Freddy Vega, by HanademiFuentes: U.S. Securities and Exchange Commission. (n.d.). RECURSION PHARMACEUTICALS, INC. ResearchAndDevelopmentExpense[XBRL]. SEC EDGAR.; genengnews.com.Unidadmillones de USD$63 M2020$135 M2021$156 M2022$241 M2023$314 M2024$475 M2025−$216 MEfectivo decolaboraciones$1.169 MI+D sin cubrir
Las alianzas externas financiaron una parte relevante de la investigación, pero más de 1.100 millones de dólares de I+D de seis años quedaron sin cubrir por el efectivo de colaboraciones reportado.
Five of six REC-4881 patients improvedREC-4881 Phase 2 results at Week 13, among 6 evaluable patients.Made for Freddy Vega, by HanademiSources: ir.recursion.com.UnitPatients5Reduced polyp burden1Increased polyp burden
This is the first concrete signal, and it is deliberately modest. Five of 6 evaluable patients reduced polyp burden, with a median reduction of 43% by Week 13. One patient moved in the opposite direction, so the result is a promising early read, not proof of a finished therapy.
Cinco de seis pacientes con REC-4881mejoraronResultados de Fase 2 de REC-4881 en la Semana 13, entre 6 pacientes evaluables.Made for Freddy Vega, by HanademiFuentes: ir.recursion.com.UnidadPacientes5Carga de pólipos reducida1Carga de pólipos aumentada
Esta es la primera señal concreta, y es deliberadamente modesta. Cinco de 6 pacientes evaluables redujeron la carga de pólipos, con una reducción mediana de 43% en la Semana 13. Un paciente se movió en la dirección opuesta, así que el resultado es una lectura temprana prometedora, no prueba de una terapia terminada.
The 83% treatment response represents 5patients in a planned 67-person trialThe early efficacy percentage is promising but fragile. One additional unfavorable patient would reduce theobserved response rate from 83% to 71%.Made for Freddy Vega, by HanademiSources: ir.recursion.com.; clinicaltrials.gov.UnitpatientsPlanned enrollment67Evaluable patients6Patients with reducedburden5
The early efficacy percentage is promising but fragile. One additional unfavorable patient would reduce the observed response rate from 83% to 71%.
La respuesta del 83% representa 5pacientes de un ensayo previsto para 67El porcentaje inicial de eficacia es prometedor pero frágil. Un paciente desfavorable adicional reduciría latasa de respuesta observada del 83% al 71%.Made for Freddy Vega, by HanademiFuentes: ir.recursion.com.; clinicaltrials.gov.UnidadpacientesReclutamiento previsto67Pacientes evaluables6Pacientes con cargareducida5
El porcentaje inicial de eficacia es prometedor pero frágil. Un paciente desfavorable adicional reduciría la tasa de respuesta observada del 83% al 71%.
REC-4881's next trial will enroll67 participants with primarycompletion in June 2027.The TUPELO trial was recruiting with an estimated enrollment of 67. Its primarycompletion is scheduled for June 2027, so REC-4881's next meaningful proof point liesbeyond 2026.Sources: clinicaltrials.gov.
The early signal still has to survive a larger test. TUPELO was recruiting with estimated enrollment of 67 participants. Primary completion is scheduled for June 2027, which puts REC-4881's next meaningful proof point beyond 2026.
El siguiente ensayo de REC-4881inscribirá 67 participantes con finalizaciónprimaria en junio de 2027.El ensayo TUPELO estaba reclutando con una inscripción estimada de 67 participantes.Su finalización primaria está programada para junio de 2027, por lo que el siguientepunto de prueba significativo de REC-4881 queda después de 2026.Fuentes: clinicaltrials.gov.
La señal temprana aún tiene que sobrevivir una prueba más grande. TUPELO estaba reclutando con una inscripción estimada de 67 participantes. La finalización primaria está programada para junio de 2027, lo que sitúa el siguiente punto de prueba significativo de REC-4881 después de 2026.
Recursion turned computation intoa lab milestoneGenentech advanced Recursion’s first neuroscience target into joint early discovery.Sources: genengnews.com.
This is what computational drug discovery looks like when it leaves the screen. Genentech advanced Recursion’s first neuroscience target into joint early discovery. The milestone brought cumulative collaboration cash paid to $216 million, including $3 million tied to this step.
Recursion convirtió cómputo en unhito de laboratorioGenentech avanzó el primer objetivo de neurociencia de Recursion hacia descubrimiento tempranoconjunto.Fuentes: genengnews.com.
Esto es lo que se ve el descubrimiento computacional de fármacos cuando sale de la pantalla. Genentech avanzó el primer objetivo de neurociencia de Recursion hacia descubrimiento temprano conjunto. El hito llevó los pagos en efectivo acumulados de colaboración a USD 216 millones, incluyendo USD 3 millones vinculados a este paso.
Relay reported 39% and 44% response ratesfor two breast cancer treatmentsObjective response rates reported for 2 Relay regimens in distinct breast-cancer populations.Made for Freddy Vega, by HanademiSources: sec.gov.; sec.gov.UnitObjective response rateRLY-2608 plusfulvestrant39%Zovegalisib triplet44%* Objective response rates reported for 2 Relay regimens in distinct breast-cancer populations.
Relay shows why computational candidates can reach meaningful clinical testing without making the commercial case disappear. The 2 regimens reported objective response rates of 39% and 44%. The RLY-2608 combination also reported 10.3 months of median progression-free survival, but the populations and regimens are distinct.
Sources
Relay reportó respuestas del 39% y 44% endos tratamientos contra cáncer de mamaTasas de respuesta objetiva reportadas para 2 regímenes de Relay en poblaciones distintas de cáncer demama.Made for Freddy Vega, by HanademiFuentes: sec.gov.; sec.gov.UnidadTasa de respuesta objetivaRLY-2608 másfulvestrant39 %Triplete de Zovegalisib44 %* Tasas de respuesta objetiva reportadas para 2 regímenes de Relay en poblaciones distintas decáncer de mama.
Relay demuestra por qué los candidatos computacionales pueden llegar a ensayos clínicos significativos sin que desaparezca el argumento comercial. Los 2 regímenes reportaron tasas de respuesta objetiva del 39% y 44%. La combinación de RLY-2608 también reportó 10,3 meses de supervivencia libre de progresión mediana, pero las poblaciones y regímenes son distintos.
Fuentes
The IRA cut small-moleculeinvestment 68%; in 2024, largemolecules received 10 times more.A 2025 longitudinal dataset found a 68% decline in small-molecule investment after theIRA’s passage. The same claim reports that 2024 large-molecule investment was 10times larger. These figures remain within that study’s original investment definitions.Sources: doi.org.
The IRA cut small-molecule investment 68%; in 2024, large molecules received 10 times more.
Sources
La IRA redujo 68% la inversión enmoléculas pequeñas; en 2024, las grandesrecibieron 10 veces más.Un conjunto de datos longitudinal de 2025 encontró una disminución del 68% en lainversión en moléculas pequeñas tras la aprobación de la IRA. El mismo estudio reportaque la inversión en moléculas grandes fue 10 veces mayor en 2024. Estas cifrasmantienen las definiciones originales de inversión del estudio.Fuentes: doi.org.
La IRA redujo 68% la inversión en moléculas pequeñas; en 2024, las grandes recibieron 10 veces más.
Fuentes
FDA and EMA remained slower than PMDAMedian review time for new active substances across the same 6 authorities in 2024 and 2025.Made for Freddy Vega, by HanademiSources: cirsci.org.; cirsci.org.UnitMedian NAS approval time in daysPMDA292FDA322Health Canada369TGA350EMA448Swissmedic413
Regulatory latency is not a one-year accident. The comparison covers the same 6 major authorities in 2024 and 2025. FDA review time fell from 356 to 322 days, while EMA review time rose from 430 to 448, leaving both slower than PMDA in the reported years.
FDA y EMA se mantuvieron más lentas quePMDATiempo mediano de revisión para sustancias activas nuevas entre las mismas 6 autoridades en 2024 y2025.Made for Freddy Vega, by HanademiFuentes: cirsci.org.; cirsci.org.UnidadTiempo mediano de aprobación de NAS en díasPMDA292FDA322Health Canada369TGA350EMA448Swissmedic413
La latencia regulatoria no es un accidente de un año. La comparación cubre las mismas 6 autoridades principales en 2024 y 2025. El tiempo de revisión de FDA cayó de 356 a 322 días, mientras que el tiempo de revisión de EMA subió de 430 a 448 días, dejando ambas más lentas que PMDA en los años reportados.
Median drug reviews took 44 weeks inEurope and Switzerland versus 39 in the USMedian active review for 241 drugs approved in the United States, European Union, and Switzerland.Made for Freddy Vega, by HanademiSources: doi.org.UnitWeeksUnited States39European Union44Switzerland44
The broad medians make Europe look 5 weeks slower than the United States. Matched drugs tell a tighter story: the EMA gap falls to 3.7 weeks. Its IQR runs from -6.7 to 14.9 weeks, so the median difference is real but not universal.
Sources
Las revisiones medianas tardaron 44 semanas enEuropa y Suiza frente a 39 en EE. UU.Revisión activa mediana para 241 medicamentos aprobados en Estados Unidos, Unión Europea y Suiza.Made for Freddy Vega, by HanademiFuentes: doi.org.UnidadSemanasEstados Unidos39Unión Europea44Suiza44
Las medianas amplias hacen que Europa se vea 5 semanas más lenta que Estados Unidos. Los medicamentos comparables cuentan una historia más ajustada: la brecha de EMA cae a 3,7 semanas. Su IQR va de -6,7 a 14,9 semanas, por lo que la diferencia mediana es real pero no universal.
Fuentes
Where a drug starts matters: FDA received70% of first submissions.The first-submission pattern adds a structural explanation to regulator comparisons.Review time ranged from 9.2 to 14.1 months, while submission delays ranged separatelyfrom 0 to 18.5 months.Sources: ideas.repec.org.
Regulatory speed is not only about the review clock. FDA received 70% of first submissions in the five-regulator sample. That starting point sits beside review medians of 9.2 to 14.1 months and separate submission delays of 0 to 18.5 months.
Dónde comienza un medicamento importa:FDA recibió 70% de los primeros envíos.El patrón de primer envío añade una explicación estructural a las comparacionesregulatorias. El tiempo de revisión varió de 9,2 a 14,1 meses, mientras que los retrasosen envíos variaron por separado de 0 a 18,5 meses.Fuentes: ideas.repec.org.
La velocidad regulatoria no es solo cuestión del reloj de revisión. FDA recibió 70% de los primeros envíos en la muestra de cinco reguladores. Ese punto de inicio se sitúa junto a medianas de revisión de 9,2 a 14,1 meses y retrasos de envío separados de 0 a 18,5 meses.
EU accession cut new-drug launchdelays by 10.9 months.The result concerns market launch delay after accession, not regulator review duration.It shows why institutional alignment can matter economically even when reviewprocedures differ.Sources: doi.org.
A faster approval clock is only part of the medicine story. Countries joining the European Union saw new-drug launch delays fall by an average of 10.9 months. Access changed through institutional alignment, not just laboratory speed.
Sources
La adhesión a la UE redujo los retrasosen el lanzamiento de nuevos fármacosen 10,9 meses.El resultado se refiere al retraso en el lanzamiento al mercado después de la adhesión,no a la duración de la revisión regulatoria. Muestra por qué la alineación institucionalpuede importar económicamente incluso cuando los procedimientos de revisión difieren.Fuentes: doi.org.
Un reloj de aprobación más rápido es solo parte de la historia de los medicamentos. Los países que se unieron a la Unión Europea vieron que los retrasos en el lanzamiento de nuevos fármacos cayeron un promedio de 10,9 meses. El acceso cambió mediante alineación institucional, no solo velocidad de laboratorio.
Fuentes
Specialized autonomous labs completedexperiment cycles in 3 to 17 daysSourced laboratory runs, measured in operating days, with separate material, search-space, error, andclassification results.Made for Freddy Vega, by HanademiSources: Szymanski, N. J., et al. (2023). An autonomous laboratory for the accelerated synthesis of novel materials. Nature, 624, 86-91.; science.org.;nature.com.A-Lab material synthesisTargets attempted · 58Successful syntheses · 41Laboratory duration173A-LabCambridge and Singapore
The important shift is cadence. A-Lab attempted 58 targets and synthesized 41 during 17 operating days. Other robots produced an optimization result in 3 days. The same research set reports 500 times less material, a 40-dimensional search, over 85% fewer quantitative errors, and an F1-score above 0.89.
Laboratorios autónomos especializados completaronciclos experimentales en 3 a 17 díasEjecuciones de laboratorio obtenidas, medidas en días operacionales, con resultados separados de material,espacio de búsqueda, error y clasificación.Made for Freddy Vega, by HanademiFuentes: Szymanski, N. J., et al. (2023). An autonomous laboratory for the accelerated synthesis of novel materials. Nature, 624, 86-91.; science.org.;nature.com.Síntesis de materiales A-LabObjetivos intentados · 58Síntesis exitosas · 41Duración del laboratorio173A-LabCambridge y Singapur
El cambio importante es la cadencia. A-Lab intentó 58 objetivos y sintetizó 41 durante 17 días operacionales. Otros robots produjeron un resultado de optimización en 3 días. El mismo conjunto de investigación reporta 500 veces menos material, una búsqueda de 40 dimensiones, más del 85% menos errores cuantitativos y una puntuación F1 superior a 0,89.
A-Lab synthesized 2.4 inorganic materialsper operating dayContinuous operation produced a meaningful experimental cadence, but the 29% failure share shows thatautonomy did not make physical synthesis automatic.Made for Freddy Vega, by HanademiSources: Szymanski, N. J., et al. (2023). An autonomous laboratory for the accelerated synthesis of novel materials. Nature, 624,86-91.; An autonomous laboratory for the accelerated synthesis of ....; An autonomous laboratory for the accelerated synthesis ofnovel materials.Unittargets and daysTargets attempted58Successful syntheses41Unsuccessful targets1717 operating days, 2.4 syntheses per day
Continuous operation produced a meaningful experimental cadence, but the 29% failure share shows that autonomy did not make physical synthesis automatic.
A-Lab sintetizó 2,4 materiales inorgánicospor día de operaciónLa operación continua produjo un ritmo experimental relevante, pero el 29% de fallos demuestra que laautonomía no volvió automática la síntesis física.Made for Freddy Vega, by HanademiFuentes: Szymanski, N. J., et al. (2023). An autonomous laboratory for the accelerated synthesis of novel materials. Nature, 624,86-91.; An autonomous laboratory for the accelerated synthesis of ....; An autonomous laboratory for the accelerated synthesis ofnovel materials.Unidadobjetivos y díasObjetivos intentados58Síntesis exitosas41Objetivos sin éxito1717 días de operación, 2,4 síntesis por día
La operación continua produjo un ritmo experimental relevante, pero el 29% de fallos demuestra que la autonomía no volvió automática la síntesis física.
AlphaFold grew from 1 million to over 200million predicted protein structuresPredicted protein structures in the AlphaFold database, millions, 2021 to 2022.Made for Freddy Vega, by HanademiSources: European Molecular Biology Laboratory European Bioinformatics Institute. (2022). AlphaFold ProteinStructure Database expands to over 200 million predictions.UnitMillion predicted protein structures120212002022
Protein design begins with searchable starting material. AlphaFold expanded that library from roughly 1 million predicted structures in 2021 to more than 200 million in 2022. That does not prove a medicine, but it changes the size of the biological search space.
AlphaFold pasó de 1 millón a más de 200 millones deestructuras proteínicas predichasEstructuras de proteínas predichas en la base de datos AlphaFold, millones, 2021 a 2022. Escalalogarítmica: cada línea de cuadrícula es ×10.Made for Freddy Vega, by HanademiFuentes: European Molecular Biology Laboratory European Bioinformatics Institute. (2022). AlphaFold ProteinStructure Database expands to over 200 million predictions.UnidadMillones de estructuras de proteínas predichas120212002022
El diseño de proteínas comienza con material de partida buscable. AlphaFold expandió esa biblioteca de aproximadamente 1 millón de estructuras predichas en 2021 a más de 200 millones en 2022. Esto no prueba un medicamento, pero cambia el tamaño del espacio de búsqueda biológico.
GNoME predicted 380,000 stable materialsfrom 2.2 million generated candidatesComputational materials candidates compared with A-Lab's selected, synthesized, and non-synthesizedtargets.Made for Freddy Vega, by HanademiSources: Merchant, A., et al. (2023). Scaling deep learning for materials discovery. Nature, 624, 80-85.; Szymanski, N. J., et al. (2023). An autonomouslaboratory for the accelerated synthesis of novel materials. Nature, 624, 86-91.GNoME materials search48,000380,0002,200,000Known stablestructuresNew predicted stablestructuresGeneratedcandidatesA-Lab physical follow-throughTargets selected · 58Successfully synthesized · 41Not synthesized · 17
Prediction scales faster than physical validation. GNoME identified about 380,000 predicted stable materials from 2.2 million generated candidates, against 48,000 known stable structures. In the laboratory, 41 of 58 selected targets were synthesized, leaving 17 unrealized.
GNoME predijo 380.000 materiales estables entre2,2 millones de candidatos generadosCandidatos computacionales de materiales comparados con los objetivos seleccionados, sintetizados y nosintetizados de A-Lab.Made for Freddy Vega, by HanademiFuentes: Merchant, A., et al. (2023). Scaling deep learning for materials discovery. Nature, 624, 80-85.; Szymanski, N. J., et al. (2023). An autonomouslaboratory for the accelerated synthesis of novel materials. Nature, 624, 86-91.Búsqueda de materiales GNoME48.000380.0002.200.000Estructuras establesconocidasNuevas estructurasestables predichasCandidatosgeneradosSeguimiento físico A-LabObjetivos seleccionados · 58Sintetizados exitosamente · 41No sintetizados · 17
La predicción escala más rápido que la validación física. GNoME identificó aproximadamente 380.000 materiales estables predichos de 2,2 millones de candidatos generados, frente a 48.000 estructuras estables conocidas. En el laboratorio, 41 de 58 objetivos seleccionados fueron sintetizados, dejando 17 sin realizar.
A 71% synthesis rate would turn 380,000predictions into 269,000 materialsThe calculation exposes the physical-validation bottleneck: even a strong selected-target hit rate leaves mostof 2.2 million generated candidates unrealized, and extrapolation beyond selected targets remains uncertain.Made for Freddy Vega, by HanademiSources: Merchant, A., et al. (2023). Scaling deep learning for materials discovery. Nature, 624, 80-85.; Millions of new materialsdiscovered with deep learning.; Szymanski, N. J., et al. (2023). An autonomous laboratory for the accelerated synthesis of novel materials.Nature, 624, 86-91.Unitmaterials2.2MGeneratedcandidates380,000Predicted stable269,000Estimatedsynthesizable
The calculation exposes the physical-validation bottleneck: even a strong selected-target hit rate leaves most of 2.2 million generated candidates unrealized, and extrapolation beyond selected targets remains uncertain.
Una tasa de síntesis del 71% convertiría 380.000predicciones en 269.000 materialesEl cálculo expone el cuello de botella de la validación física: incluso una alta tasa de éxito en objetivosseleccionados deja sin realizar a la mayoría de los 2,2 millones de candidatos generados, y extrapolar másallá de los objetivos seleccionados sigue siendo incierto.Made for Freddy Vega, by HanademiFuentes: Merchant, A., et al. (2023). Scaling deep learning for materials discovery. Nature, 624, 80-85.; Millions of new materialsdiscovered with deep learning.; Szymanski, N. J., et al. (2023). An autonomous laboratory for the accelerated synthesis of novel materials.Nature, 624, 86-91.Unidadmateriales2,2 MCandidatosgenerados380.000Predichos comoestables269.000Síntesisestimadas
El cálculo expone el cuello de botella de la validación física: incluso una alta tasa de éxito en objetivos seleccionados deja sin realizar a la mayoría de los 2,2 millones de candidatos generados, y extrapolar más allá de los objetivos seleccionados sigue siendo incierto.
AI tutoring is closer to 0.3 than 2 sigmaLearning gains measured in standard deviations across a Nigerian program, scalable evidence, and Bloom'sbenchmark.Made for Freddy Vega, by HanademiSources: World Bank. (2025). From chalkboards to chatbots: Transforming learning in Nigeria, one prompt at a time.; Kulik, J.A., & Fletcher, J. D. (2016). Effectiveness of intelligent tutoring systems: A meta-analytic review. Review of EducationalResearch.Unitstandard deviationsNigeria program0.3Scalable evidence0.3Bloom benchmark2
The strongest scalable evidence is not close to Bloom's famous benchmark. The Nigerian program produced a 0.31-standard-deviation gain, almost exactly where the broader estimate lands at 0.3. That is meaningful progress, but it is not a 2-sigma breakthrough.
La tutoría con IA está más cerca de 0,3que de 2 sigmaGanancias de aprendizaje medidas en desviaciones estándar en un programa nigeriano, evidencia escalabley benchmark de Bloom.Made for Freddy Vega, by HanademiFuentes: World Bank. (2025). From chalkboards to chatbots: Transforming learning in Nigeria, one prompt at a time.; Kulik, J.A., & Fletcher, J. D. (2016). Effectiveness of intelligent tutoring systems: A meta-analytic review. Review of EducationalResearch.Unidaddesviaciones estándarPrograma Nigeria0,3Evidencia escalable0,3Benchmark Bloom2
La evidencia escalable más sólida no se acerca al famoso benchmark de Bloom. El programa nigeriano produjo una ganancia de 0,31 desviaciones estándar, casi exactamente donde la estimación más amplia llega a 0,3. Ese es un progreso significativo, pero no es un avance de 2 sigma.
A 0.31 score-spread gain reached 16% ofBloom's 2-spread tutoring benchmarkThe honest scalable effect is far below the famous tutoring benchmark, but delivering even one-sixth of thatgain at very low marginal cost can still matter at national scale.Made for Freddy Vega, by HanademiSources: World Bank. (2025). From chalkboards to chatbots: Transforming learning in Nigeria, one prompt at a time.;World Bank Document.; Kulik, J. A., & Fletcher, J. D. (2016). Effectiveness of intelligent tutoring systems: Ameta-analytic review. Review of Educational Research.Unitpercent of Bloom benchmarkBloom benchmark100%Measured AI tutoringgain15.5%Remaining benchmark gap84.5%
The honest scalable effect is far below the famous tutoring benchmark, but delivering even one-sixth of that gain at very low marginal cost can still matter at national scale.
Una mejora de 0,31 variaciones alcanzó el16% del referente de 2 de BloomEl efecto escalable y honesto está muy por debajo del famoso referente de tutoría, pero ofrecer incluso unasexta parte de esa mejora a un costo marginal muy bajo todavía puede importar a escala nacional.Made for Freddy Vega, by HanademiFuentes: World Bank. (2025). From chalkboards to chatbots: Transforming learning in Nigeria, one prompt at atime.; World Bank Document.; Kulik, J. A., & Fletcher, J. D. (2016). Effectiveness of intelligent tutoring systems: Ameta-analytic review. Review of Educational Research.Unidadporcentaje del referente de BloomReferente de Bloom100%Mejora medida con tutoría de IA15.5%Brecha restante frente alreferente84.5%
El efecto escalable y honesto está muy por debajo del famoso referente de tutoría, pero ofrecer incluso una sexta parte de esa mejora a un costo marginal muy bajo todavía puede importar a escala nacional.
Unrestricted AI help improved practice butleft students 17% worse without it.One field experiment found that students using unrestricted AI performed better duringpractice but performed up to 17% worse after access was removed. The result concernsthis specific unguarded setup, not every AI tutor.Sources: Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2024). Generative AI can harm learning. University of Pennsylvaniaworking paper.; Generative AI without guardrails can harm learning: Evidence from high school mathematics.
This is the warning beside the tutoring gains. Students did better while unrestricted AI help was available, but the advantage reversed when the help disappeared. The measured penalty reached 17%, which makes scaffolding part of the product, not an optional extra.
La ayuda de IA sin restricciones mejoróla práctica pero dejó a los estudiantes17% peor sin ella.Un experimento de campo encontró que los estudiantes que usaban IA sin restriccionestuvieron mejor desempeño durante la práctica pero se desempeñaron hasta 17 % peordespués de que se eliminó el acceso. El resultado concierne esta configuraciónespecífica sin salvaguardas, no todos los tutores de IA.Fuentes: Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2024). Generative AI can harm learning. University of Pennsylvaniaworking paper.; Generative AI without guardrails can harm learning: Evidence from high school mathematics.
Esta es la advertencia junto a las ganancias de tutoría. Los estudiantes se desempeñaron mejor mientras la ayuda de IA sin restricciones estaba disponible, pero la ventaja se revirtió cuando desapareció la ayuda. La penalización medida alcanzó 17 %, lo que hace que el andamiaje sea parte del producto, no un extra opcional.
Monthly payments through India's UPI andBrazil's Pix more than doubled in two yearsMonthly transaction volume in billions for UPI and Pix, December 2022 and December 2024.Made for Freddy Vega, by HanademiSources: National Payments Corporation of India. (2025). Unified Payments Interface product statistics.; Central Bankof Brazil. (2025). Pix statistics.Unitbillion monthly transactionsUPIbillion monthly transactions7.816.7December 2022December 2024Pixbillion monthly transactions2.96.4December 2022December 2024
Digital public infrastructure does not need decades to become ordinary behavior. UPI rose from 7.8 to 16.7 billion monthly transactions, while Pix rose from 2.9 to 6.4 billion. The scale differs, but the direction is the same: both rails more than doubled in 2 years.
Los pagos mensuales por UPI de India yPix de Brasil se duplicaron en dos añosVolumen de transacciones mensuales en miles de millones para UPI y Pix, diciembre de 2022 y diciembrede 2024.Made for Freddy Vega, by HanademiFuentes: National Payments Corporation of India. (2025). Unified Payments Interface product statistics.; CentralBank of Brazil. (2025). Pix statistics.Unidadmil millones de transacciones mensualesUPIbillion monthly transactions7,816,7December 2022December 2024Pixbillion monthly transactions2,96,4December 2022December 2024
La infraestructura pública digital no necesita décadas para convertirse en comportamiento ordinario. UPI pasó de 7,8 a 16,7 mil millones de transacciones mensuales, mientras que Pix pasó de 2,9 a 6,4 mil millones. La escala difiere, pero la dirección es la misma: ambos sistemas más que se duplicaron en 2 años.
Population alone cannot settle which countryhas more developers per personTotal population in Colombia and Mexico, 2020 to 2025, used as the denominator for adeveloper-per-100,000 measure.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Population, total [SP.POP.TOTL]. World Bank Open Data.; World Bank. (n.d.). Population, total [SP.POP.TOTL]. WorldBank Open Data.Unitpeople131,946,900 Mexicopopulation53,425,635 Colombiapopulation202020212022202320242025
A per-person developer comparison needs a reliable population denominator first. Colombia grows from 50.6 million people in 2020 to 53.4 million in 2025, while Mexico grows from 126.8 million to 131.9 million. The numerator the question asks for is not established in the supplied evidence, so this slide keeps the denominator honest instead of inventing a rate.
La población sola no determina qué paístiene más desarrolladores por personaPoblación total en Colombia y México, 2020 a 2025, usada como denominador para una medida dedesarrollador por 100.000.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Population, total [SP.POP.TOTL]. World Bank Open Data.; World Bank. (n.d.). Population, total [SP.POP.TOTL].World Bank Open Data.Unidadpersonas131.946.900México53.425.635Colombia202020212022202320242025
Una comparación de desarrollador por persona necesita primero un denominador de población confiable. Colombia crece de 50,6 millones de personas en 2020 a 53,4 millones en 2025, mientras que México crece de 126,8 millones a 131,9 millones. El numerador que la pregunta solicita no está establecido en la evidencia proporcionada, por lo que esta diapositiva mantiene el denominador honesto en lugar de inventar una tasa.
Drug review times and payment adoptiondiffered across institutionsSoftware abundance is an organizational achievement, not merely a headcount.Sources: Colombia, el tercer país de la región donde más aumentó el número de programadores. elcolombiano.com.
Developer counts become economic capacity only when organizations can coordinate and deploy that talent.
Los tiempos de revisión y la adopción de pagosvariaron entre institucionesLa abundancia de software es un logro organizacional, no solo una cifra de personal.Fuentes: Colombia, el tercer país de la región donde más aumentó el número de programadores. elcolombiano.com.
La cantidad de desarrolladores se convierte en capacidad económica solo cuando las organizaciones pueden coordinar y desplegar ese talento.
Internet-crime losses reported to the FBIreached US$16.6 billion in 2024FBI-recorded internet-crime losses in USD billions, 2021 to 2024.Made for Freddy Vega, by HanademiSources: Federal Bureau of Investigation. (2025). Internet Crime Report 2024.UnitUSD billions6.9202110.3202212.5202316.62024
The cyber window is not a one-sided victory for defense. FBI-recorded internet-crime losses rose every year in the supplied series, from $6.9 billion in 2021 to $16.6 billion in 2024. That is a warning about attacker productivity, not proof that AI caused the increase.
Las pérdidas por delitos en internet reportadas alFBI alcanzaron US$16,6 mil millones en 2024Pérdidas de crimen de internet registradas por el FBI en USD miles de millones, 2021 a 2024.Made for Freddy Vega, by HanademiFuentes: Federal Bureau of Investigation. (2025). Internet Crime Report 2024.UnidadUSD miles de millones6,9202110,3202212,5202316,62024
La ventana cibernética no es una victoria unilateral para la defensa. Las pérdidas por delitos cibernéticos registradas por el FBI aumentaron cada año en la serie suministrada, de $6.900 millones en 2021 a $16.600 millones en 2024. Esto es una advertencia sobre la productividad de los atacantes, no prueba de que la IA causó el aumento.
Contested estimates place China's2023 semiconductor end-marketshare at roughly 31%.The Semiconductor Industry Association sources estimate China's share of globalsemiconductor end-market sales at roughly 31% in 2023. Because the claim is contested,the figure should be read as an estimate, not a settled market total.Sources: Semiconductor Industry Association. (2024). 2024 state of the U.S. semiconductor industry.; SIA Comments to USTR Regarding the 2024China WTO Compliance Report.
China remains too large a semiconductor market to ignore in any separation strategy. The supplied estimate places its 2023 end-market share at roughly 31%. That number is contested, so the durable takeaway is the incentive to remain connected, not a falsely precise market total.
Estimaciones controvertidas sitúan laparticipación de China en semiconductoresde 2023 en aproximadamente 31%.Las estimaciones de la Semiconductor Industry Association ubican la participación deChina en las ventas globales del mercado final de semiconductores en aproximadamenteel 31% en 2023. Dado que la cifra es controvertida, debe interpretarse como unaestimación, no como un total de mercado establecido.Fuentes: Semiconductor Industry Association. (2024). 2024 state of the U.S. semiconductor industry.; SIA Comments to USTR Regarding the 2024China WTO Compliance Report.
China sigue siendo un mercado de semiconductores demasiado grande para ignorar en cualquier estrategia de separación. La estimación suministrada sitúa su participación en el mercado final de 2023 en aproximadamente el 31%. Esa cifra es controvertida, por lo que la conclusión duradera es el incentivo a mantenerse conectado, no un total de mercado falsamente preciso.
Taiwan's 90% advanced-chip productionshare is 2.9x China's 31% demand shareThe production chokepoint is much more concentrated than the largest demand center. That asymmetrymakes disruption globally costly even while commercial interdependence discourages full separation.Made for Freddy Vega, by HanademiSources: Boston Consulting Group & Semiconductor Industry Association. (2021). Strengthening the global semiconductorsupply chain in an uncertain era.; Semiconductor Industry Association. (2024). 2024 state of the U.S. semiconductor industry.;SIA Comments to USTR Regarding the 2024 China WTO Compliance Report.Unitpercent of global totalAdvanced logic chips madein Taiwan90%made elsewhere10%Semiconductor sales toChina31%sold to other markets69%
The production chokepoint is much more concentrated than the largest demand center. That asymmetry makes disruption globally costly even while commercial interdependence discourages full separation.
El 90% de producción de chips avanzados de Taiwánequivale a 2,9 veces la demanda china del 31%El cuello de botella productivo está mucho más concentrado que el mayor centro de demanda. Esa asimetríahace que una interrupción sea costosa para todo el mundo, mientras la interdependencia comercialdesalienta una separación total.Made for Freddy Vega, by HanademiFuentes: Boston Consulting Group & Semiconductor Industry Association. (2021). Strengthening the globalsemiconductor supply chain in an uncertain era.; Semiconductor Industry Association. (2024). 2024 state of the U.S.semiconductor industry.; SIA Comments to USTR Regarding the 2024 China WTO Compliance Report.Unidadporcentaje del total mundialChips lógicos avanzadosfabricados en Taiwán90%fabricado en otroslugares10%Ventas de semiconductoresa China31%vendido a otros mercados69%
El cuello de botella productivo está mucho más concentrado que el mayor centro de demanda. Esa asimetría hace que una interrupción sea costosa para todo el mundo, mientras la interdependencia comercial desalienta una separación total.
Chile, Peru and Mexico togetherproduced roughly 37 percent ofmined copper in 2024…Trend shape came from model memory and was not independently verified; the latestfigure is shown instead of the series.Sources: United States Geological Survey. (2025). Mineral commodity summaries 2025: Copper and lithium. · Mineral Commodity Summaries 2026.
Chile, Peru and Mexico together produced roughly 37 percent of mined copper in 2024… Trend shape came from model memory and was not independently verified; the latest figure is shown instead of the series.
Chile, Perú y México en conjuntoprodujeron aproximadamente el 37 porciento del cobre minado en 2024…La forma de la tendencia venía de memoria del modelo y no se verificó de formaindependiente; se muestra la última cifra en lugar de la serie.Fuentes: United States Geological Survey. (2025). Mineral commodity summaries 2025: Copper and lithium. · Mineral Commodity Summaries 2026.
Chile, Perú y México en conjunto produjeron aproximadamente el 37 por ciento del cobre minado en 2024… La forma de la tendencia venía de memoria del modelo y no se verificó de forma independiente; se muestra la última cifra en lugar de la serie.
Argentina's renewable electricity share fellfrom 43.24% in 2002 to 25.54% in 2021Renewable electricity output as a percentage of total electricity outputMade for Freddy Vega, by HanademiSources: World Bank. (n.d.). Renewable electricity output (% of total electricity output) [EG.ELC.RNEW.ZS]. World Bank Open Data.Unit%21.13344.933.0%41.6%43.2%37.9%31.5%33.7%34.7%29.2%27.5%30.5%28.6%26.4%24.3%26.4%25.7%24.4%22.7%24.5%25.0%26.5%27.3%25.5%2000200320052007200920112013201520172021
Argentina's renewable share peaked at 43.24% in 2002 and stood at 25.54% in 2021. The series measures renewable electricity output as a percentage of Argentina's total electricity output.
La electricidad renovable argentina cayó del43,24% en 2002 al 25,54% en 2021Producción de electricidad renovable como porcentaje de la producción eléctrica totalMade for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Renewable electricity output (% of total electricity output) [EG.ELC.RNEW.ZS]. World Bank Open Data.Unidad%21,13344,933,0 %41,6 %43,2 %37,9 %31,5 %33,7 %34,7 %29,2 %27,5 %30,5 %28,6 %26,4 %24,3 %26,4 %25,7 %24,4 %22,7 %24,5 %25,0 %26,5 %27,3 %25,5 %2000200320052007200920112013201520172021
La participación renovable argentina alcanzó 43.24% en 2002 y fue 25.54% en 2021. La serie mide la producción de electricidad renovable como porcentaje de la producción eléctrica total de Argentina.
Uruguay's renewable electricity share swung 38percentage points, 1.5 times Colombia's swingFor each country, subtract its minimum annual renewable-electricity share from its maximum between2000 and 2021, then rank the resulting ranges.Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Renewable electricity output (% of total electricity output) [EG.ELC.RNEW.ZS]. WorldBank Open Data.Unitpercentage-point range, 2000 to 2021Uruguay38.4Colombia25.1Argentina20.5Chile20.4Brazil16.9Mexico11.3* For each country, subtract its minimum annual renewable-electricity share from its maximum between2000 and 2021, then rank the resulting ranges.
A high renewable share does not guarantee a stable one. Uruguay showed the region's largest swing, while Mexico's lower renewable share varied the least.
La cuota eléctrica renovable de Uruguay osciló 38puntos porcentuales, 1,5 veces ColombiaPara cada país, restar la cuota anual mínima de electricidad renovable de la máxima entre 2000 y 2021 yordenar los rangos resultantes.Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Renewable electricity output (% of total electricity output) [EG.ELC.RNEW.ZS]. WorldBank Open Data.Unidadrango en puntos porcentuales, 2000 a 2021Uruguay38,4Colombia25,1Argentina20,5Chile20,4Brasil16,9México11,3* Para cada país, restar la cuota anual mínima de electricidad renovable de la máxima entre 2000 y2021 y ordenar los rangos resultantes.
Una alta cuota renovable no garantiza estabilidad. Uruguay mostró la mayor oscilación del grupo, mientras que la cuota renovable más baja de México fue la menos variable.
Brazil's renewable electricity share fell to77.38% in 2021Annual share of total electricity output generated from renewable sources, 2000 to 2021Made for Freddy Vega, by HanademiSources: World Bank. (n.d.). Renewable electricity output (% of total electricity output) [EG.ELC.RNEW.ZS]. World Bank Open Data.Unit%70%80%90%2000200420082012201620202000: 89.5%2021: 77.4%89.5%77.4%
Brazil's renewable electricity share was 77.38% in 2021, down from 89.5% in 2000. Renewable electricity output as a share of Brazil's total electricity output, shown annually from 2000 to 2021.
La cuota de electricidad renovable de Brasilcayó al 77.38% en 2021Proporción anual de la producción total de electricidad generada a partir de fuentes renovables, de 2000 a2021Made for Freddy Vega, by HanademiFuentes: World Bank. (n.d.). Renewable electricity output (% of total electricity output) [EG.ELC.RNEW.ZS]. World Bank Open Data.Unidad%70 %80 %90 %2000200420082012201620202000: 89,5 %2021: 77,4 %89,5 %77,4 %
La cuota de electricidad renovable de Brasil fue del 77.38% en 2021, frente al 89.5% en 2000. Producción de electricidad renovable como proporción de la producción total de electricidad de Brasil, mostrada anualmente de 2000 a 2021.
Renewable electricity output (% of totalelectricity output) in Chile, 2000 to 2021.Sources: World Bank. (n.d.). Renewable electricity output (% of total electricity output) [EG.ELC.RNEW.ZS]. World Bank Open Data.
Renewable electricity output (% of total electricity output) in Chile, 2000 to 2021.
Renewable electricity output (% of totalelectricity output) en Chile, 2000 a 2021.Fuentes: World Bank. (n.d.). Renewable electricity output (% of total electricity output) [EG.ELC.RNEW.ZS]. World Bank Open Data.
Renewable electricity output (% of total electricity output) en Chile, 2000 a 2021.
Renewable electricity output (% oftotal electricity output) inColombia, 2000 to 2021.Sources: World Bank. (n.d.). Renewable electricity output (% of total electricity output) [EG.ELC.RNEW.ZS]. World Bank Open Data.
Renewable electricity output (% of total electricity output) in Colombia, 2000 to 2021.
Renewable electricity output (% oftotal electricity output) enColombia, 2000 a 2021.Fuentes: World Bank. (n.d.). Renewable electricity output (% of total electricity output) [EG.ELC.RNEW.ZS]. World Bank Open Data.
Renewable electricity output (% of total electricity output) en Colombia, 2000 a 2021.
Renewable electricity output (% of totalelectricity output) in Mexico, 2000 to 2021.Sources: World Bank. (n.d.). Renewable electricity output (% of total electricity output) [EG.ELC.RNEW.ZS]. World Bank Open Data.
Renewable electricity output (% of total electricity output) in Mexico, 2000 to 2021.
Renewable electricity output (% of totalelectricity output) en Mexico, 2000 a 2021.Fuentes: World Bank. (n.d.). Renewable electricity output (% of total electricity output) [EG.ELC.RNEW.ZS]. World Bank Open Data.
Renewable electricity output (% of total electricity output) en Mexico, 2000 a 2021.
Renewable electricity output (% oftotal electricity output) inUruguay, 2000 to 2021.Sources: World Bank. (n.d.). Renewable electricity output (% of total electricity output) [EG.ELC.RNEW.ZS]. World Bank Open Data.
Renewable electricity output (% of total electricity output) in Uruguay, 2000 to 2021.
Renewable electricity output (% of totalelectricity output) en Uruguay, 2000 a 2021.Fuentes: World Bank. (n.d.). Renewable electricity output (% of total electricity output) [EG.ELC.RNEW.ZS]. World Bank Open Data.
Renewable electricity output (% of total electricity output) en Uruguay, 2000 a 2021.
In summaryMade for Freddy Vega, by HanademiSources: Merchant, A., et al. (2023). Scaling deep learning for materials discovery. Nature, 624, 80-85.; Szymanski, N. J., et al. (2023). An autonomouslaboratory for the accelerated synthesis of novel materials. Nature, 624, 86-91.; World Bank. (2025). From chalkboards to chatbots: Transforminglearning in Nigeria, one prompt at a time.; doi.org.; United States Food and Drug Administration. (2026). New drug therapy approvals.Google DeepMind's GNoME system generated 2.2 million candidate crystals and identified about 380,000 predicted stable materials.Berkeley's A-Lab synthesized 41 proposed inorganic materials during 17 days of largely autonomous operation.A six-week Nigerian program combining generative AI with teacher guidance produced an estimated 0.31-standard-deviation learning gain.Countries joining the EU experienced a mean 10.9-month decrease in new-pharmaceutical launch delay after accession.No medicine publicly identified as end-to-end AI-designed had received FDA or EMA approval by August 2026.
The value of the research is not only what each source knew, but what became visible when their evidence was combined.
En resumenMade for Freddy Vega, by HanademiFuentes: Merchant, A., et al. (2023). Scaling deep learning for materials discovery. Nature, 624, 80-85.; Szymanski, N. J., et al. (2023). An autonomouslaboratory for the accelerated synthesis of novel materials. Nature, 624, 86-91.; World Bank. (2025). From chalkboards to chatbots: Transforminglearning in Nigeria, one prompt at a time.; doi.org.; United States Food and Drug Administration. (2026). New drug therapy approvals.Google DeepMind's GNoME system generated 2.2 million candidate crystals and identified about 380,000 predicted stable materials.Berkeley's A-Lab synthesized 41 proposed inorganic materials during 17 days of largely autonomous operation.A six-week Nigerian program combining generative AI with teacher guidance produced an estimated 0.31-standard-deviation learning gain.Los países que ingresaron a la UE experimentaron una disminución media de 10,9 meses en el retraso de lanzamiento denuevos medicamentos tras su adhesión.No medicine publicly identified as end-to-end AI-designed had received FDA or EMA approval by August 2026.
El valor de la investigación no está solo en cada fuente, sino en lo que apareció al combinar sus evidencias.

The research behind this deck

Faster technology did not produce one automatic outcome: drug timelines contracted, payment systems scaled, experienced developers slowed, and cybercrime losses rose. The forecast was faster work. The measured result was 19% slower completion.

Key findings

The argument

This research is published in English and Spanish. Ver en español

La investigación detrás de esta presentación

Una tecnología más rápida no produjo un resultado automático: los plazos farmacéuticos bajaron, los sistemas de pago escalaron, los desarrolladores experimentados se ralentizaron y aumentaron las pérdidas por ciberdelito. El pronóstico era trabajo más rápido. El resultado medido fue finalización 19% más lenta.

Hallazgos clave

El argumento

Esta investigación se publica en inglés y español. Read in English

Related researchInvestigación relacionada