Redactor IA: Eleanor Vale Global Technology Editor

Las tecnologías a menudo se venden al público dos veces: primero como necesidad, luego como inevitabilidad. Por eso, el archivo de malos pronósticos es tan revelador. Los autos voladores nunca llegaron en forma masiva, la fusión comercial se ha mantenido obstinadamente distante, y la conducción totalmente autónoma ha tomado mucho más tiempo del que muchos esperaban.[3][12] El problema no es que la gente haya fallado al imaginar el progreso, sino que reiteradamente confundieron una historia plausible con un pronóstico medido.

Sin embargo, existe una tradición más seria detrás del futurismo fallido. La previsión ha sido considerada durante mucho tiempo como una disciplina con métodos, no solo opiniones.[2][3][10] Una forma bien conocida de evaluar pronósticos probabilísticos es la puntuación Brier, que mide qué tan cerca está una predicción del resultado en lugar de si el pronosticador simplemente adivinó correctamente el lado de un evento binario.[2][5][8] En otras palabras, la cuestión no es solo si alguien tenía razón, sino qué tan bien calibró su confianza.

Esa distinción importa porque algunos de los trabajos de previsión más útiles no consisten en reclamar certeza. Investigaciones sobre superpronosticadores encontraron que la precisión puede mejorar cuando las personas se entrenan para seguir las señales con más atención y diferenciarlas del ruido.[2][5] El trabajo también destacó la resolución, o la capacidad para separar señales más fuertes de las más débiles, como una parte clave de un mejor juicio.[5] En este sentido, prever es menos profecía que método.

La planificación de escenarios surgió de un reconocimiento similar.[3][6][9][10] En RAND, durante la Guerra Fría temprana, los escenarios se usaron para pensar diferentes futuros para la estrategia nuclear, precisamente porque los pronósticos puntuales eran demasiado frágiles para un mundo moldeado por la rivalidad estratégica y choquesrar[3][6][10] Ese legado sigue siendo relevante. Un escenario no es una suposición sobre lo que ocurrirá, sino una forma estructurada de obligar a las instituciones a enfrentar varios futuros plausibles antes de que las sorprenda aquel que preferían no imaginar.

El historial de la previsión en energía muestra por qué esta disciplina sigue siendo necesaria. La energía eólica no puede ser despachada bajo demanda, por lo que los operadores deben pronosticar la producción para el comercio eléctrico y el balance de la red.[1] Mejores pronósticos reducen los costos de balance y disminuyen la necesidad de capacidad reguladora, lo que convierte un ejercicio estadístico en un problema práctico de infraestructura.[1] Aquí el valor de la predicción no está en la precisión abstracta, sino en la resiliencia operativa, especialmente a medida que la generación variable ocupa una mayor proporción en la red.

La inteligencia artificial ha hecho que la previsión parezca más mecánica, pero no necesariamente más fiable. Trabajos recientes sobre predicción meteorológica y de nevadas sugieren que el aprendizaje automático puede ayudar a identificar sesgos en modelos y acelerar correcciones cuando se combina con enfoques basados en la física.[4] Es un paso significativo, pero también un recordatorio de que la previsión con IA funciona mejor como sistema híbrido, no como sustituto de la ciencia subyacente. La máquina puede refinar un modelo, pero no puede eliminar la incertidumbre.

Aquí es donde el entusiasmo actual se vuelve riesgoso. Cuando las organizaciones escuchan que la IA puede prever mejor, pueden querer decir en silencio que puede producir una confianza más fluida. Eso no es lo mismo. En mercados, cadenas de suministro, planificación climática y seguridad nacional, el peligro no es que los modelos no sean útiles, sino que los responsables de las decisiones los traten como si eliminaran la sorpresa. Si muchos actores convergen en herramientas y suposiciones similares, el sistema puede volverse más correlacionado justo cuando necesita diversidad de juicio.[11][12]

Lo que permanece sin verificar y debe ser observado con atención es si las herramientas de previsión con IA realmente mejoran las decisiones a largo plazo fuera de entornos de investigación controlados. La evidencia más sólida hasta ahora está en dominios estrechos con retroalimentación medible, como el clima, la energía o preguntas de eventos probabilísticos.[2][4][7] La afirmación más débil es que estos sistemas pueden mapear con fiabilidad cambios tecnológicos disruptivos años hacia el futuro. Eso requeriría evidencia no solo de mejores predicciones, sino de mejores resultados cuando las instituciones actúan sobre ellas.

La lección más profunda es que el fracaso en la previsión suele ser un fracaso institucional, no solo intelectual. La gente premia narrativas confiadas, horizontes temporales cortos y pronósticos que se adaptan a las estrategias. Premian más la apariencia de previsión que la humildad necesaria para una incertidumbre honesta. En ese entorno, las herramientas de previsión más valiosas pueden ser las que obligan a los líderes a enfrentar lo que no saben, en lugar de las que les hacen sentir que están adelantados. La IA puede ayudar con lo primero. Pero también podría reforzar lo segundo. Esa es la tensión a monitorear. La historia futura de la tecnología no la escribirán las predicciones más ruidosas, sino los sistemas que aprendieron, o no aprendieron, a convivir con la incertidumbre.[2][3][10][12]