
¿Qué ocurrirá mañana? Durante milenios, las sociedades han buscado respuestas en los astros, los rituales, los registros de población y, hoy, en modelos estadísticos y sistemas de inteligencia artificial. Esa comparación resulta sugerente, pero puede engañar si presenta los oráculos antiguos y los algoritmos como versiones equivalentes de una misma herramienta. Un presagio religioso interpretaba el orden del mundo; un modelo contemporáneo calcula resultados posibles a partir de datos, supuestos y una pregunta definida.
La continuidad está en el deseo humano de reducir la incertidumbre. La diferencia está en cómo se justifica una predicción, qué evidencia se puede examinar y quién decide qué hacer con ella. La historia de esta búsqueda no es una marcha recta desde la superstición hasta la certeza matemática: es una sucesión de métodos, instituciones y errores, cada uno limitado por la información y las ideas de su época.
1. Antes del algoritmo: interpretar señales y tomar decisiones
En la antigua Mesopotamia, los escribas registraron fenómenos celestes y los vincularon a presagios sobre el rey y el reino. Las bibliotecas asirias conservaron informes para la corte que describen observaciones de la Luna y las estrellas junto con interpretaciones de su posible significado. El Museo Británico conserva, por ejemplo, una tablilla de la biblioteca de Asurbanipal catalogada como informe astrológico y astronómico dirigido al rey. No era un modelo estadístico en el sentido actual: la observación del cielo se insertaba en una cosmología religiosa y política.
En Grecia, el oráculo de Delfos ofrecía respuestas mediante un ritual y una autoridad sagrada. No debe describirse simplemente como un pronosticador que siempre hablaba con ambigüedad: los relatos antiguos transmiten respuestas concretas, pero su formulación, transmisión e interpretación dependían de sacerdotes, consultantes y narradores. El oráculo no publicaba tasas de acierto ni un registro sistemático de fallos. Esto dificulta evaluarlo con los mismos criterios que un pronóstico meteorológico contrastable.
Los oráculos y los algoritmos comparten una función social posible: ayudan a afrontar decisiones cuando el resultado es incierto. Pero no son intercambiables. El primero ofrecía sentido dentro de un marco religioso; el segundo produce una clasificación, una probabilidad o una recomendación conforme a reglas computacionales. La analogía sirve para preguntar por la confianza y la autoridad, no para afirmar que los antiguos ya hacían ciencia de datos.
2. De contar muertes a estimar patrones
Un cambio importante llegó cuando los gobiernos y las ciudades comenzaron a reunir registros comparables. En Londres, los llamados Bills of Mortality —boletines de mortalidad— contabilizaban entierros y causas de muerte. En 1662, John Graunt publicó Natural and Political Observations, un análisis de esos registros. Examinó patrones demográficos y sanitarios y mostró que las cifras agregadas podían decir algo sobre una población, aunque no predijeran con certeza qué le ocurriría a una persona concreta.
La diferencia entre un promedio poblacional y un caso individual sigue siendo central. Si un grupo presenta una tasa determinada, eso no permite saber con seguridad cuál será el resultado para cada integrante. Además, los registros históricos eran incompletos: muchas causas de muerte se clasificaban de modo impreciso y algunas personas quedaban fuera de las cuentas. Los datos no eran un espejo neutral de la sociedad; dependían de quién registraba, qué categorías utilizaba y qué población podía observarse.
En los siglos siguientes se desarrollaron la probabilidad, la demografía, los seguros y la estadística. El futuro empezó a expresarse con distribuciones y tasas, no solo con relatos. La nueva forma de razonar permitió comparar pronósticos con resultados, pero tampoco eliminó las decisiones humanas: alguien elegía las variables, definía las categorías y determinaba qué error era más costoso.
3. Una predicción actual que reconoce la incertidumbre: el tiempo
La meteorología ofrece un ejemplo cotidiano y comprobable. Los modelos numéricos parten de mediciones de la atmósfera y calculan cómo pueden evolucionar las condiciones físicas. Como la observación inicial es incompleta y pequeñas diferencias pueden amplificarse, los centros meteorológicos ejecutan conjuntos de simulaciones con condiciones iniciales o parametrizaciones ligeramente distintas. La dispersión entre resultados ayuda a estimar la incertidumbre.
AEMET explica que sus predicciones a medio plazo utilizan sistemas de predicción por conjuntos. Una previsión de lluvia expresada como probabilidad no significa que el modelo sepa con certeza qué ocurrirá en cada calle, ni que lloverá durante un porcentaje concreto del día. Es una medida probabilística vinculada a una zona, un periodo y una definición del evento. Para interpretarla hay que conocer esos tres elementos y recordar que la confianza suele disminuir cuanto más se alarga el horizonte.
La meteorología muestra una diferencia importante respecto a una promesa oracular: sus predicciones pueden contrastarse repetidamente con observaciones y su desempeño puede medirse. Aun así, una buena probabilidad no es una garantía. Si se anuncia un 30 % de probabilidad de lluvia y no llueve en un lugar concreto, eso no demuestra por sí solo que el pronóstico fallara; hay que evaluar muchas predicciones comparables y comprobar si los resultados se ajustan a las probabilidades emitidas.
4. Qué predice realmente un algoritmo
Un algoritmo predictivo aprende patrones de datos pasados para estimar una variable definida: la probabilidad de impago, la demanda de un producto, el riesgo de que se repita un evento o la posibilidad de que una persona pulse en una recomendación. No observa el futuro. Responde a una pregunta construida por quienes diseñan el sistema y con la información disponible para entrenarlo.
También conviene separar predicción de decisión. Un sistema puede estimar un riesgo; después una persona, una empresa o una institución fija un umbral para actuar. Dos organizaciones pueden usar el mismo modelo y tomar decisiones distintas si consideran de manera diferente los costes de los falsos positivos y falsos negativos. En medicina, por ejemplo, clasificar a alguien como de riesgo no constituye un diagnóstico; en justicia, un puntaje no equivale a una sentencia ni a una certeza sobre la conducta futura.
Los sistemas de recomendación añaden otra complejidad: suelen anticipar qué contenido podría interesar a un usuario o qué acción parece más probable, no qué es verdadero ni qué será valioso para esa persona. Si una plataforma muestra repetidamente cierto tipo de contenido y la persona interactúa con él, el sistema aprende de esas interacciones y puede reforzar la selección. En ese caso, la predicción ayuda a moldear el entorno que después genera los datos siguientes.
La inteligencia artificial generativa tampoco debe confundirse automáticamente con un oráculo. Un modelo de lenguaje produce secuencias de texto a partir de patrones aprendidos; puede redactar una respuesta plausible sin que esa respuesta sea una previsión fiable de un acontecimiento futuro. La fluidez de la explicación no certifica que los datos sean completos ni que la conclusión esté bien calibrada.
5. COMPAS: una disputa sobre puntuaciones y justicia
El sistema COMPAS se convirtió en un caso conocido del debate sobre algoritmos porque se usó en Estados Unidos para estimar riesgos relacionados con la reincidencia y apoyar evaluaciones dentro del sistema penal. En 2016, ProPublica analizó puntuaciones y resultados de personas procesadas en el condado de Broward, Florida, y sostuvo que el sistema producía diferencias raciales relevantes en falsos positivos y falsos negativos.
La empresa que desarrolló COMPAS cuestionó esa lectura y defendió otras métricas de equidad, entre ellas la calibración de las puntuaciones. Parte del debate académico mostró que, cuando las tasas de base difieren entre grupos, algunas definiciones estadísticas de equidad no pueden satisfacerse simultáneamente salvo en condiciones muy concretas. Esto no demuestra que un puntaje sea justo ni injusto por sí solo: obliga a preguntar qué error se mide, sobre qué población, con qué datos y para qué decisión.
Hay otra limitación sustantiva: una detención, una condena o un registro administrativo no equivalen necesariamente al hecho real que se quiere predecir. La actividad policial, el acceso desigual a defensa legal y las prácticas de registro afectan qué aparece en los datos. Si el sistema aprende de esos registros, puede reproducir patrones institucionales previos. Por eso no basta con quitar una variable sensible del archivo: otros datos pueden actuar como sustitutos, y la etiqueta que se intenta predecir también puede estar sesgada.
El caso enseña que el problema no se reduce a que «la máquina tenga prejuicios». Incluye la calidad del registro, la elección de métricas, el propósito del sistema, la forma en que se utiliza y las consecuencias de sus errores. El marco de gestión de riesgos de IA del NIST recomienda valorar, entre otras propiedades, validez, fiabilidad, transparencia, rendición de cuentas y gestión de sesgos dañinos.
6. Incertidumbre, límites y sesgos: cómo leer un pronóstico
Los datos del pasado no contienen todo el futuro
Un modelo aprende de ejemplos anteriores. Si cambian la economía, las leyes, la población, los hábitos o el entorno físico, los patrones pueden dejar de servir. Este cambio de contexto, llamado deriva de datos o del concepto, exige vigilar el rendimiento después del despliegue y volver a validar el sistema. Una buena prueba histórica no garantiza que el modelo siga funcionando en una situación nueva.
La precisión no responde a todas las preguntas
Un sistema puede acertar con frecuencia y aun así fallar de forma grave para un grupo pequeño o para un evento raro. La exactitud global puede ocultar falsos positivos, falsos negativos y diferencias entre poblaciones. También importa la calibración: entre los casos a los que asigna, por ejemplo, una probabilidad del 20 %, ¿ocurre el resultado aproximadamente en una quinta parte de los casos comparables? La respuesta debe comprobarse, no suponerse.
La probabilidad no es destino
Las probabilidades describen incertidumbre bajo ciertas condiciones. Un 80 % no significa «ocurrirá seguro», y un 20 % no significa «imposible». Además, la estimación puede estar mal calibrada o depender de supuestos que no se cumplen. Los resultados deben comunicarse con horizonte temporal, población de referencia, margen de incertidumbre y una explicación comprensible del uso previsto.
El modelo puede cambiar aquello que intenta predecir
Cuando una predicción activa una decisión, la decisión modifica el entorno. Un modelo de demanda puede afectar qué productos se fabrican; un sistema de recomendación, qué ve el usuario; una evaluación de riesgo, quién recibe vigilancia adicional. Los datos generados después ya no son independientes del sistema. Si se ignora ese circuito, una predicción puede reforzar el patrón del que aprendió.
El marco del NIST señala que la confianza en IA requiere validez y fiabilidad, pero también transparencia, responsabilidad y gestión de sesgos, y que esas propiedades pueden entrar en tensión. Una evaluación seria no pregunta solo «¿cuántas veces acierta?», sino también: ¿qué intenta estimar?, ¿qué evidencia lo respalda?, ¿a quién perjudica si falla?, ¿quién puede revisar la decisión?, ¿cómo se detecta que dejó de funcionar?
| Ejemplo | Qué anticipa o interpreta | Cómo se puede evaluar | Límite principal |
|---|---|---|---|
| Presagios astrales mesopotámicos | Significado político o religioso atribuido a señales celestes. | Se estudian textos, tablillas y prácticas históricas. | No es un pronóstico estadístico contrastado con una tasa de acierto. |
| John Graunt, Londres, 1662 | Patrones agregados de población a partir de boletines de mortalidad. | Comparación de registros y regularidades demográficas. | Registros incompletos; patrones colectivos no predicen cada vida individual. |
| Predicción meteorológica por conjuntos | Escenarios y probabilidades de condiciones atmosféricas. | Verificación repetida frente a observaciones y desempeño probabilístico. | La incertidumbre crece con el horizonte y la sensibilidad a condiciones iniciales. |
| COMPAS | Puntuaciones de riesgo relacionadas con reincidencia para apoyar evaluaciones. | Se pueden medir errores y calibración por grupos. | Debate sobre métricas de equidad, datos de entrada y uso en decisiones de alto impacto. |
7. Preguntas frecuentes
¿Los algoritmos actuales son los nuevos oráculos?
La comparación funciona como metáfora sobre la confianza y la autoridad, pero no como equivalencia histórica. Los algoritmos producen estimaciones que deben contrastarse; los oráculos interpretaban señales dentro de marcos religiosos y culturales distintos.
¿Por qué un modelo puede equivocarse aunque tenga muchos datos?
Más datos no corrigen automáticamente etiquetas deficientes, sesgos de selección, errores de medición o cambios del contexto. La cantidad y la calidad de los datos son cuestiones diferentes.
¿Una predicción probabilística es menos útil que una cifra exacta?
No necesariamente. Una probabilidad bien calibrada puede comunicar mejor la incertidumbre que una cifra única. Su utilidad depende de que se explique qué evento mide, para qué periodo y cómo debe apoyar una decisión.
¿Puede un algoritmo ser neutral?
El cálculo puede ejecutarse de forma consistente, pero las preguntas, datos, categorías, métricas y decisiones de uso son elecciones humanas e institucionales. La neutralidad no debe darse por supuesta: hay que evaluar impactos y errores.
¿Qué debería preguntarse alguien ante una predicción de IA?
Qué resultado estima, con qué datos, sobre qué población, durante qué horizonte, con qué incertidumbre y qué pasa si se equivoca. También quién revisa la decisión y cómo se corrige el sistema.
Fuentes y bibliografía
- British Museum, tablilla de informe astronómico y astrológico de la biblioteca de Asurbanipal.
- Wellcome Collection, edición de 1662 de John Graunt, Natural and Political Observations.
- AEMET, predicción probabilística y sistemas de predicción por conjuntos.
- ProPublica, análisis del algoritmo COMPAS y sus tasas de error, 2016.
- Alexandra Chouldechova, “The accuracy, fairness, and limits of predicting recidivism”, 2017.
- NIST, Artificial Intelligence Risk Management Framework 1.0, 2023.
- Kleinberg, Mullainathan y Raghavan, “Inherent Trade-Offs in the Fair Determination of Risk Scores”.
Imagen conservada de la versión anterior

Continúa leyendo en Folios de Historias
- Las profecías mayas: entre el tiempo cíclico y el mito moderno
- Historia de las matemáticas: del cero a la era digital
- El origen de la magia: pensamiento, ritual y creencias
- De Wall Street a Silicon Valley: los centros de poder económico y tecnológico





Deja una respuesta