De um fundo de US$ 4 bilhões para 5 apostas por ano
Vijay Pande passou a última década construindo uma das maiores práticas de investimento em biotecnologia e saúde do Vale do Silício. Como professor de química em Stanford, ele ficou conhecido por criar o Folding@home, o projeto de computação distribuída que transformou milhões de PCs domésticos em um supercomputador para pesquisar doenças. Quando Marc Andreessen e Ben Horowitz decidiram apostar em saúde e ciências da vida, entregaram as chaves a Pande — que, em pouco mais de dez anos, levou a aposta a gerir quase US$ 4 bilhões na a16z.
Por isso causou surpresa quando, em junho de 2025, ele saiu de tudo para começar algo muito menor. Sua nova gestora, a VZVC (fundada ao lado do investidor Zach Werner), faz apenas um punhado de apostas concentradas por ano, não tem analistas juniores e depende fortemente de IA para as operações do dia a dia.
Em entrevista ao TechCrunch, Pande explicou a lógica da virada: “não estamos fazendo 30 apostas por ano… estamos falando de provavelmente cinco”. Para ele e Zach, adicionar uma empresa “é como querer ter outro filho — é algo grande”. A intenção, diz, era contratar analistas, “mas descobrimos, com os agentes que construímos, que não precisávamos”.
O dado biológico não dá para “raspar” da internet
Um dos pontos mais interessantes da conversa é um paradoxo da IA aplicada à biologia. Ao contrário do texto, que alimenta os grandes modelos de linguagem, dados biológicos não podem ser simplesmente raspados da internet. Quase toda empresa acaba construindo seu próprio conjunto de dados murado — o que levanta uma pergunta incômoda: o que isso significa para os avanços prometidos da IA na medicina, e quem de fato terá acesso a eles?
Pande vê uma saída no movimento dos “atlas” de informação biológica, que tecnicamente são modelos de fundação (foundation models). “Conforme se tornam mais comuns, veremos o mesmo que aconteceu com os LLMs de código aberto, que se saem muito bem contra os corporativos”, prevê. A aposta é que modelos abertos de biologia tenham impacto amplo, como ocorreu no software.
Ensaios clínicos e o sonho da medicina de precisão
Sobre os custos dos testes clínicos, Pande é cético quanto à promessa de que os dados sintéticos já baratearam tudo: “isso é, em grande medida, uma aspiração”. A probabilidade de um fármaco ir da primeira à terceira fase de teste com sucesso é de apenas 20% — e cada ensaio pode custar centenas de milhões de dólares. O motivo da falha raramente é o biólogo: os testes são desenhados em modelos animais, como camundongos, que “simplesmente não são muito preditivos de humanos”. É aí que a IA muda o jogo: “não vai ser perfeita, mas será muito melhor do que qualquer modelo animal”.
Na medicina de precisão, ele usa uma boa metáfora: o genoma é “a planta da sua casa no primeiro dia, mas a casa hoje é bem diferente de quando foi construída”. A proteômica e outras medições, diz, são muito mais relevantes para entender onde o corpo está agora. E, sobre a fragmentação entre especialidades médicas, a IA pode ser “especialista em tudo”, enxergando o que nenhum humano isolado conseguiria.
O que está exagerado — e a lição que ficou
Questionado sobre o hype, Pande é direto: o problema não é a IA, “é a dúvida sobre os dados”. “LLMs funcionam porque há muita coisa para aprender. Quando o dado simplesmente não existe, a IA não consegue resolver o problema magicamente.” Ou seja, a promessa de que “a IA vai curar tudo” esbarra justamente na escassez de dados biológicos de qualidade.
Entre os aprendizados da carreira, ele destaca um que vale para qualquer fundador de tecnologia: “por mais sedutoras que sejam as tecnologias mais legais, no fim tudo volta ao go-to-market”. A parte comercial, afirma, “é no mínimo tão difícil quanto — ou mais difícil que — a parte tecnológica”.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
