La fascinación por prever el futuro ha sido una constante en la historia de la humanidad. Desde augurios antiguos hasta predicciones basadas en datos científicos, el deseo de anticipar lo que está por venir ha impulsado decisiones estratégicas en diversos ámbitos, desde la economía hasta la política y la salud. En la era digital actual, donde la inteligencia artificial (IA) ha irrumpido en casi todos los sectores, podría parecer natural asumir que las máquinas superarán sin dificultad a los humanos en la tarea de la predicción. Sin embargo, la realidad revela una historia diferente: los humanos todavía mantienen una notable superioridad sobre la IA en la capacidad de pronosticar el futuro, y las razones detrás de esta ventaja merecen un análisis profundo. El pronóstico o forecasting es un arte y una ciencia que implica analizar tendencias, datos históricos y patrones para intentar predecir eventos futuros con el mayor grado de certeza posible.
Durante décadas, se ha descubierto que algunos individuos — los llamados “superpronosticadores” — consiguen resultados sistemáticamente mejores que el promedio. Estas personas destacan por su capacidad para procesar información compleja, mantenerse abiertas a la corrección de sus propias ideas y tener una mente flexible que no se aferra a prejuicios o sobrevaloraciones de información reciente o llamativa. Por otro lado, la IA, basada en modelos de aprendizaje automático y redes neuronales, aprende a partir de grandes volúmenes de datos y puede procesar información a velocidades y en cuantidades inalcanzables para cualquier humano. Su fortaleza reside en encontrar patrones en esos datos y extrapolarlos para hacer predicciones. Sin embargo, cuando se trata de pronosticar eventos futuros con factores nuevos, inciertos o altamente variables, los modelos de IA aún enfrentan desafíos significativos.
Un ejemplo esclarecedor proviene de las competiciones de forecasting organizadas por Metaculus. Estas competencias reúnen tanto a humanos como a bots desarrollados con inteligencia artificial, enfrentándolos en la difícil tarea de anticipar acontecimientos futuros. Hasta la fecha, los superpronosticadores humanos han mantenido consistentemente una ventaja sobre los sistemas automatizados de IA. Aunque la brecha ha ido reduciéndose con el tiempo, la capacidad innata de los humanos para navegar la incertidumbre, contextualizar información y darse cuenta de matices que una IA puede no captar, sigue siendo un factor decisivo. Uno de los obstáculos principales para las máquinas es la dificultad para manejar la lógica y el razonamiento cuantitativo.
Por ejemplo, en preguntas que involucran rangos temporales o probabilidades acumulativas, los modelos de IA a menudo no garantizan consistencia. Si la probabilidad de que un evento ocurra para cierta fecha es baja, la probabilidad para una fecha posterior debería ser igual o mayor, pues incluye todas las posibilidades anteriores. Sin embargo, los modelos lingüísticos no siempre respetan esta lógica básica, lo que limita su confiabilidad para pronósticos precisos y coherentes. Asimismo, la eficiencia en la investigación y recopilación de datos sigue siendo una debilidad de los sistemas actuales. A diferencia de un experto humano que puede discernir la relevancia de ciertas fuentes, evaluar la credibilidad y sintetizar información compleja, las IA enfrentan dificultades para acceder y organizar datos útiles en internet o bases externas, así como para identificar qué información tiene mayor peso para el pronóstico.
Estudios recientes han demostrado que incluso los mejores modelos de IA no alcanzan la calidad y profundidad de análisis que un investigador humano atento podría lograr, especialmente en tareas que requieren juicios subjetivos o evaluación crítica. Otra cuestión fundamental es la interpretación de la incertidumbre y la capacidad para actualizar creencias. Los humanos más efectivos en forecasting reconocen sus errores, están dispuestos a cambiar de opinión gradualmente y evitan sesgos como la sobreconfianza o la influencia desmesurada de noticias recientes. Las máquinas pueden seguir patrones y procesar datos, pero no poseen una autocrítica genuina ni la habilidad de ajustar su entendimiento basándose en la experiencia subjetiva. Además, los datos con los que se alimentan los modelos pueden tener sesgos o contaminarse, como ha ocurrido en algunos experimentos que aparentaban resultados “superhumanos” en forecasting, pero que utilizaban información demasiado reciente o directamente vinculada al resultado esperado, algo imposible en escenarios reales.
Esta contaminación de datos distorsiona el entrenamiento de la IA y genera ilusiones de precisión que no se sostienen bajo condiciones reales de desconocimiento. A pesar de estos retos, las perspectivas para el futuro del forecasting con IA son prometedoras. Los investigadores trabajan en técnicas que incluyen un conjunto de pasos ordenados para buscar información, evaluar su relevancia y mejorar los modelos mediante retroalimentación basada en resultados históricos. Los modelos más recientes, llamados “modelos de razonamiento”, han sido entrenados para responder con mayor precisión preguntas lógicas y matemáticas, lo que podría mejorar la coherencia de sus predicciones a largo plazo. La integración de IA y humanos parece ser, por ahora, el camino más eficaz.
Las máquinas pueden apoyar procesos de análisis, recolectar grandes cantidades de información numérica y ofrecer probabilidades rápidas, mientras que los expertos humanos aplican su intuición, experiencia y capacidad crítica para interpretar esos datos y asegurar que las predicciones sean viables y útilmente aplicables. Si la IA alguna vez logra superar ampliamente a los humanos en forecasting, el impacto sería enorme. Sectores como la salud, donde anticipar la evolución de enfermedades o respuestas a tratamientos es crucial, o la política y economía, que se benefician de prever riesgos y oportunidades, podrían transformarse radicalmente. Sin embargo, existe escepticismo, y con razón, sobre la rapidez y la confiabilidad con que se adoptarán estos sistemas en ámbitos donde las decisiones tienen consecuencias muy reales y delicadas. La confianza en la IA para tomar decisiones predictivas encuentra barreras importantes, desde la comprensión limitada del “cajón negro” que representa el razonamiento interno de los modelos, hasta la dificultad para aceptar que máquinas sin experiencia ni emociones puedan superar el criterio humano experto.
El futuro de la predicción probablemente estará marcado por una coexistencia híbrida. La IA seguirá mejorando sus capacidades, aprovechando volúmenes crecientes de datos y perfeccionando su razonamiento lógico, pero el juicio humano seguirá siendo un elemento clave, especialmente en contextos complejos y con alta incertidumbre. Reconocer las fortalezas y limitaciones de ambas partes es esencial para maximizar el valor de las predicciones y hacer mejores decisiones en todos los ámbitos. Mientras tanto, las habilidades de los superpronosticadores humanos continúan siendo un recurso valioso para entender cómo enfrentar la incertidumbre con rigor y honestidad intelectual. En última instancia, el arte de predecir el futuro no solo depende de cifras y modelos, sino también de la capacidad de interpretar esas cifras, formular hipótesis fundamentadas y mantener un compromiso constante con la revisión y el aprendizaje continuo.
Esto es algo que, por ahora, la inteligencia artificial no puede replicar completamente.
