Como ya vimos en el post sobre el mapa de métodos de previsión, no todas las predicciones pertenecen a la misma familia. El método adecuado depende mucho del tipo de problema que queremos anticipar: no es lo mismo prever una serie mensual de ventas, estimar el gasto de personal de una organización o asignar una probabilidad a un acontecimiento político.
Por eso resulta útil una distinción propuesta recientemente en el debate sobre ForecastBench: la diferencia entre dataset questions y market questions. Dicho de forma sencilla: hay preguntas que se parecen mucho a un problema de datos y otras que se parecen más a un problema de juicio.
Dataset questions: cuando el futuro está en los datos
Las dataset questions son preguntas basadas en datos estructurados: precios, temperaturas, indicadores económicos, series temporales o cualquier variable con histórico abundante y criterios claros de medición.
En estos casos, la predicción consiste sobre todo en detectar patrones, ajustar modelos y estimar el valor más probable de una variable futura. Es el terreno natural de la predicción cuantitativa: regresiones, modelos de series temporales, machine learning o sistemas de inteligencia artificial.
Por eso es razonable pensar que este tipo de predicciones serán cada vez más delegadas a la IA. Cuando hay muchos datos, una pregunta bien definida y un resultado verificable, los modelos automáticos tienen una ventaja evidente.
Market questions: cuando hace falta juicio
Las market questions, en cambio, son preguntas sobre acontecimientos reales en contextos abiertos e inciertos. Por ejemplo: si se aprobarán unos presupuestos, si escalará un conflicto, si cambiará una regulación o si una organización tomará una determinada decisión.
Aquí los datos ayudan, pero no bastan. Hace falta interpretar incentivos, contexto político, señales débiles, restricciones institucionales y posibles cambios de escenario. También es clave formular bien la pregunta: qué significa exactamente que el evento ocurra, en qué plazo y con qué criterio se resolverá.
Este tipo de predicción se parece más al trabajo de los superforecasters: combinar tasas base, información nueva, escenarios alternativos y actualización constante del juicio.
La frontera: cálculo frente a juicio
La diferencia de fondo puede resumirse así: en las dataset questions, el reto principal es calcular; en las market questions, el reto principal es interpretar.
La IA será cada vez mejor en la primera parte. Podrá procesar más datos, detectar patrones más sutiles y actualizar predicciones con rapidez. Pero en las preguntas donde el problema está mal definido, los datos son incompletos o el contexto cambia, el juicio humano seguirá siendo difícil de sustituir.
La cuestión no será elegir entre IA o humanos, sino saber qué papel debe ocupar cada uno. La IA puede ayudarnos a calcular. Las personas deben seguir decidiendo qué pregunta merece ser formulada, qué supuestos son razonables y cuándo el pasado deja de ser una buena guía.
Conclusión
Esta clasificación nos recuerda algo importante: predecir no es solo aplicar un modelo. Antes hay que entender qué tipo de incertidumbre tenemos delante.
Algunas preguntas serán cada vez más automatizables porque son, en esencia, problemas de datos. Otras seguirán necesitando criterio humano porque dependen de contexto, interpretación y juicio.
Quizá la habilidad predictiva del futuro no consista en competir con la IA, sino en aprender a delegar bien: dejar que las máquinas calculen donde pueden hacerlo mejor y reservar el juicio humano para las preguntas donde todavía importa entender el mundo.
The Bayesian Fox 