La IA ahora juega sus cartas en los pronósticos y compite con humanos

Casi todas las decisiones importantes parten de una apuesta sobre lo que vendrá: una empresa calcula cuánto inventario pedir para diciembre, un banco estima quién pagará su crédito y un inversionista intenta anticipar hacia dónde irá el precio del petróleo. Aunque durante décadas quienes mejor hicieron ese trabajo fueron unas cuantas personas entrenadas en probabilidades, este año una inteligencia artificial las superó en su propio terreno.

Así lo muestran los resultados de la Metaculus Cup de verano de 2026, uno de los torneos de predicción más reconocidos, en el que una IA llamada Laertes se impuso entre 885 participantes que hicieron 88.558 pronósticos sobre 58 preguntas. Otros dos sistemas también se destacaron: ManticAI ocupó el segundo lugar y FutureSearch, el quinto.

Las preguntas iban desde si algún estado de Estados Unidos o algún país de la Unión Europea restringiría la construcción de centros de datos hasta cuánto costaría el barril de brent o si el brote de hantavirus asociado al barco MV Hondius afectaría al menos a cinco personas que no fueran pasajeras.

Para responder estas preguntas, los sistemas de IA no funcionan como los programas utilizados para pronosticar el clima, sino que se construyen sobre los mismos grandes modelos de lenguaje que están detrás de asistentes como ChatGPT. De esa forma, leen noticias e interpretan cifras como lo haría una persona, aunque con mayor amplitud y velocidad. También pueden explicar el razonamiento detrás de cada estimación, algo útil para quienes deben evaluar los resultados y tomar decisiones.

Al respecto, Hernán David Pérez, asesor en transformación digital y productividad, explicó que la clave está en la información con la que trabajan. “La inteligencia artificial tiene una buena capacidad de hacer pronósticos, debido a que se apoya en datos de eventos del pasado y puede hacer una integración de múltiples fuentes de datos que probablemente a una persona le puede ser más difícil de conectar”, dijo.

Esto significa que se apoyan en el aprendizaje automático, que permite identificar patrones a partir de datos de eventos pasados y utilizar esas relaciones para estimar cómo podría comportarse una situación en el futuro.

Por su parte, Roberto García Alonso, profesor de la Facultad de Estudios Jurídicos, Políticos e Internacionales de la Universidad de La Sabana, aclaró que la IA no predice el futuro, pues “lo que hace es estimar probabilidades a partir de patrones observados en grandes cantidades de datos”. En su opinión, un modelo no debería afirmar que algo va a ocurrir, sino establecer la probabilidad de que suceda.

A juicio del experto, la fortaleza de estas herramientas está en que pueden procesar simultáneamente diferentes variables y detectar relaciones con mayor facilidad que una persona. Por ello, pueden ofrecer resultados más acertados cuando hay abundancia de datos, patrones relativamente estables y fenómenos que se repiten a lo largo del tiempo.

¿Y los superpronosticadores?

Razonar en términos de probabilidades no es algo nuevo ni exclusivo de la tecnología. Por el contrario, desde hace años existen personas conocidas como superpronosticadores.

Un estudio de la Universidad de Pensilvania analizó una serie de concursos de predicción sobre asuntos internacionales y encontró que la mejor estrategia era escoger cada año a los participantes más acertados y reunirlos en equipos de élite. Estos mantuvieron su precisión durante dos años consecutivos en cientos de preguntas, gracias a una combinación de habilidades cognitivas, conocimiento del oficio, motivación y un entorno que favorecía su trabajo.

Aunque esa precisión mantuvo a los humanos por delante, su ventaja ya no es tan clara como antes. Hace apenas un año, también en la Metaculus Cup, ManticAI había terminado octava: fue la primera vez que una IA entró entre los diez primeros puestos.

A esto se suma que el Forecasting Research Institute, una organización que compara estos sistemas con superpronosticadores, concluyó que varios modelos ya están a su altura, entre ellos los de Cassi AI, xAI y Google DeepMind.

Buena parte del avance proviene de las grandes compañías que invierten enormes sumas en sus modelos, aunque los sistemas más afinados surgen de empresas emergentes que incorporan estrategias propias, como poner a debatir modelos de distintas compañías o alimentarlos con bases de datos especializadas.

Sin embargo, el ganador de la copa no surgió de ninguna de ellas: Laertes es obra de Jeffrey Liang, un desarrollador independiente que lo construyó en menos de 150 horas y con un par de miles de dólares.

Más allá del pronóstico

Fuera de los torneos, los expertos advierten que la IA ya transformó el campo de la predicción. García indicó que las compañías “probablemente ni siquiera lo llaman ‘predicción con inteligencia artificial’, sino que hablan de scoring, forecasting, detección de riesgo, recomendación, planificación de demanda o análisis predictivo”.

El triunfo de Laertes tampoco significa que el juicio humano haya quedado obsoleto. Pérez considera que la relación es complementaria, en la medida en que “pueden existir casos donde el juicio humano va a ser superior al de la IA, especialmente en aquellos casos donde no está plenamente definido cuáles son los datos que gobiernan esa situación”. En otros escenarios, será importante que el criterio de las personas actúe “como un validador y complemento de la información que esta entrega”.

Por todo esto, los sistemas de IA no llegaron a eliminar la incertidumbre ni a traer el futuro al presente. Su verdadero aporte está en asignar probabilidades a distintos escenarios para que empresas, inversionistas e incluso gobiernos puedan tomar mejores decisiones.

Sin datos confiables, la inteligencia artificial también falla al predecir

Ninguna IA está a salvo de equivocarse, especialmente por su capacidad para anticipar lo que viene, puede caer rápidamente si cambian las condiciones sobre las que se entrenó el modelo, si aparece un acontecimiento extraordinario o si los datos con los que trabaja son malos. Tampoco hay que perder de vista que un sistema solo sabe lo que contienen sus datos, así que cualquier hecho que haya quedado por fuera puede llevarlo a entregar respuestas incompletas. Por último, los modelos apenas evalúan pronósticos a meses y no a años.