Predecir el futuro siempre ha sido una mezcla de datos, juicio y experiencia. La inteligencia artificial empieza a competir en ese terreno con una ventaja particular: puede revisar grandes cantidades de información, actualizar probabilidades rápidamente y mantener una disciplina estadística difícil de sostener de forma manual.
El 18 de septiembre de 2026, Reuters informó que la startup británica Mantic levantó US$25 millones después de que su sistema de inteligencia artificial obtuviera mejores resultados que participantes humanos en la Metaculus Cup 2026, una competencia de pronósticos sobre acontecimientos políticos, económicos y culturales. El resultado es relevante, pero no significa que la IA pueda anticipar cualquier evento ni que una empresa deba reemplazar sus procesos de planificación por un modelo automático.
¿Qué demostró realmente el caso Mantic?
Mantic fue fundada en 2024 por Toby Shevlane, exinvestigador de Google DeepMind, y Ben Day. Según Reuters, su sistema trabaja sobre modelos de frontera y los adapta para mejorar su capacidad de hacer pronósticos probabilísticos. La ronda de financiación fue liderada por Radical Ventures y contó también con Microsoft M12, Thinking Machines Lab y Balderton Capital.
La señal más interesante no es la inversión, sino el tipo de tarea en la que compitió. El forecasting no consiste en producir una respuesta única, sino en asignar probabilidades a acontecimientos futuros y actualizar esas probabilidades a medida que aparece nueva información.
Metaculus lleva años utilizando este enfoque. Su plataforma reúne millones de predicciones y mantiene una infraestructura específica para comparar la precisión de humanos y sistemas de IA. En 2026 también opera FutureEval, un benchmark dedicado a medir la capacidad predictiva de agentes de IA en ciencia, tecnología, salud, geopolítica y otros ámbitos.
Eso permite una comparación más útil que preguntar si una IA “adivina el futuro”. La pregunta relevante es si logra calibrar probabilidades de forma consistente y mejor que una referencia humana en problemas bien definidos.
Forecasting no es lo mismo que predicción automática
En una empresa, hacer forecasting significa estimar escenarios futuros con información imperfecta. Puede tratarse de ventas, demanda, inventario, flujo de caja, capacidad operativa o fechas de cierre de proyectos.
Un forecast útil no necesita acertar siempre. Necesita ayudar a tomar mejores decisiones bajo incertidumbre. Por ejemplo, un equipo comercial puede estimar la probabilidad de cerrar cada oportunidad durante el trimestre. Finanzas puede proyectar distintos escenarios de ingresos. Operaciones puede anticipar demanda para decidir cuánto inventario mantener.
La IA puede participar en estos procesos porque combina tres capacidades: procesamiento de grandes volúmenes de información, actualización rápida de escenarios y generación de probabilidades o rangos. Pero el resultado depende de la calidad de los datos y de cómo esté formulada la pregunta.
¿Dónde puede aportar valor una IA de forecasting?
Ventas
Un sistema puede combinar historial de oportunidades, duración del ciclo, comportamiento del comprador, cambios de etapa y actividad reciente para estimar qué negocios tienen mayor probabilidad de cerrar y en qué periodo.
Eso no elimina el criterio del equipo comercial. Puede servir para detectar discrepancias: una oportunidad que el vendedor considera muy avanzada, pero cuyos datos se parecen más a negocios que normalmente se pierden.
Demanda e inventario
En negocios con demanda variable, la IA puede incorporar ventas históricas, estacionalidad, promociones y otras variables para estimar distintos escenarios. El objetivo no es encontrar un número perfecto, sino reducir errores costosos como exceso de inventario o falta de stock.
Finanzas
Un forecast puede ayudar a construir escenarios de ingresos, caja y gastos. Aquí la utilidad aumenta cuando el sistema permite ver cómo cambia el resultado al modificar supuestos, en lugar de entregar una cifra aparentemente definitiva.
Riesgo y planificación
También puede utilizarse para asignar probabilidades a eventos que afectan una decisión: retrasos, incumplimientos, cambios regulatorios o movimientos de mercado. En estos casos, la probabilidad importa tanto como la explicación detrás de ella.
El límite más importante: una competencia no representa todos los negocios
El resultado de Mantic es una señal sobre el progreso de los sistemas de forecasting, no una demostración de superioridad universal de la IA.
Las preguntas de una competencia están definidas, tienen criterios de resolución y permiten medir posteriormente qué pronóstico fue mejor. Muchas decisiones empresariales son más ambiguas. Los datos pueden ser incompletos, las definiciones cambiar y los equipos intervenir sobre el resultado que intentan predecir.
Además, un sistema puede funcionar bien en política o economía y no trasladar automáticamente esa ventaja a previsiones de ventas de una pyme, demanda de una tienda o flujo de caja de una empresa. La validación debe hacerse en el contexto donde realmente se utilizará.
¿Cómo probar forecasting con IA sin delegarle la decisión?
Una empresa no necesita reemplazar su forecast actual para experimentar. Puede comenzar ejecutando el sistema en paralelo.
Un método sencillo consiste en conservar durante varios periodos la estimación humana y la estimación de la IA. Después se compara el error de ambas y se analiza dónde cada una funcionó mejor.
- Definir con precisión qué se quiere pronosticar.
- Guardar el forecast antes de conocer el resultado real.
- Medir el error con el mismo criterio para humanos e IA.
- Registrar qué información utilizó cada pronóstico.
- Revisar los casos en que ambos discreparon.
La discrepancia puede ser más valiosa que el promedio. Si la IA detecta una señal que el equipo ignoró, existe algo que investigar. Si el equipo conoce un contexto que no aparece en los datos, también existe una razón para no automatizar la decisión.
¿Qué debería medir una empresa?
La precisión es importante, pero no es la única métrica. También conviene observar calibración, estabilidad y utilidad.
Un sistema bien calibrado debería acertar aproximadamente ocho de cada diez veces en un conjunto amplio de eventos a los que asigna 80% de probabilidad. Si siempre declara 90% de confianza pero falla con frecuencia, el problema no es solo el error: también está comunicando mal su nivel de certeza.
La utilidad, por su parte, depende de si el forecast cambia una decisión. Un modelo ligeramente más preciso puede tener poco valor si nadie sabe cómo actuar sobre sus resultados.
¿Qué cambia para los equipos humanos?
Si estos sistemas siguen mejorando, el trabajo del analista no desaparece necesariamente. Puede desplazarse desde construir cada proyección manualmente hacia formular preguntas, validar datos, contrastar escenarios y explicar por qué una estimación cambió.
Ese cambio ya es visible en otras aplicaciones de IA: el valor profesional se mueve desde producir una primera respuesta hacia evaluar su calidad y convertirla en una decisión.
Forecasting puede seguir el mismo camino. La ventaja no estaría en aceptar automáticamente una probabilidad generada por una máquina, sino en combinar modelos con conocimiento operativo y criterios explícitos de validación.
Preguntas frecuentes
¿Puede la inteligencia artificial predecir mejor que los humanos?
En algunos benchmarks y competiciones de forecasting, sistemas de IA ya han superado a participantes humanos. Eso no significa que sean superiores en todos los tipos de pronóstico ni en todos los contextos empresariales.
¿Qué es forecasting con inteligencia artificial?
Es el uso de modelos de IA para estimar probabilidades, rangos o escenarios futuros a partir de datos disponibles. Puede aplicarse a ventas, demanda, inventario, finanzas, riesgos y planificación.
¿Una empresa debería reemplazar su forecast humano por IA?
No necesariamente. Una forma más segura de comenzar es ejecutar ambos sistemas en paralelo, comparar resultados durante varios periodos y estudiar dónde se producen las principales diferencias.
¿Qué datos necesita un sistema de forecasting?
Depende del problema. En general necesita información histórica consistente, una definición clara del resultado que se quiere estimar y datos suficientemente representativos del contexto donde se utilizará.
Fuentes
- Reuters — AI startup Mantic raises $25 million for superhuman forecasting.
- Metaculus — FutureEval: Measuring the forecasting accuracy of AI.
- Metaculus — AI Forecasting Benchmark Series Spring 2026.
La Tesis de El Ciclo
La importancia del forecasting con inteligencia artificial no está en convertir a las máquinas en oráculos. Está en hacer explícita la incertidumbre.
Durante años, muchas decisiones empresariales se han apoyado en estimaciones expresadas como certezas: una cuota de ventas, una fecha de cierre, una proyección de demanda. Los sistemas probabilísticos obligan a formular esas expectativas de otra manera: qué creemos que ocurrirá, con qué nivel de confianza y qué evidencia podría hacernos cambiar de opinión.
Si la IA mejora ese proceso, su mayor aporte no será saber exactamente qué pasará mañana. Será ayudar a las organizaciones a distinguir mejor entre una expectativa, una probabilidad y un hecho.
Editor | El Ciclo Tomás Carmona es especialista en crecimiento de negocios, transformación digital y sistemas CRM. En El Ciclo investiga y explica cómo los cambios en tecnología, inteligencia artificial, negocios, finanzas y salud impactan la vida de las personas y las empresas. Su trabajo combina análisis, investigación y experiencia práctica para transformar noticias, estudios y tendencias en contenido claro, basado en evidencia y orientado a la toma de mejores decisiones. Su objetivo es ayudar a los lectores a comprender qué está cambiando, por qué es relevante y cómo esos cambios pueden influir en su trabajo, sus finanzas, su salud o su vida cotidiana.