He consultado mi bola de cristal basada en IA y me dice que los modelos de vanguardia van a mejorar mucho a la hora de hacer predicciones en un futuro próximo. Pregúntaselo a mi equipo de fantasy de la Premier League.
Hace unas semanas, puse en marcha una pequeña horda de agentes de IA para crear y gestionar mi fichaje. Dada la proliferación de los agentes de IA en prácticamente todos los aspectos de nuestras vidas, quería saber si un enjambre de bots podría formar un equipo ganador.
Hace unos años exploré por primera vez el potencial de la IA en este ámbito, probando una herramienta del Instituto Turing del Reino Unido que seleccionaba equipos a partir de datos de temporadas anteriores de fantasy. Sus sugerencias eran realmente descabelladas: no tenía en cuenta información del mundo real, como las lesiones de los jugadores o los cambios de entrenador en los equipos.
Patrocinado por TecnoArtesanos ¿Tu empresa ya está usando IA? Automatizamos procesos, integramos asistentes inteligentes y conectamos tus sistemas. Descubre cómo →Le pedí ayuda a Codex
En primer lugar, alimenté el modelo con un par de artículos de investigación relevantes. A continuación, le pedí que creara un sistema de instrucciones y código para coordinar a distintos agentes a lo largo de varias etapas, consultar las noticias recientes y ejecutar un modelo para hacer predicciones.
Enseguida ideó una configuración que parecía recopilar y analizar mucha más información de la que yo jamás habría podido. Y, sin embargo, me sorprendió lo absurdas que eran las sugerencias iniciales sobre la alineación. ¿Dejar a Erling Haaland en la banca? ¿En serio, Codex?
A continuación, le pedí que creara un equipo de agentes que realizaran tareas diferentes: algunos que leyeran noticias y entradas de blog; otros que analizaran los resultados recientes; otros que ejecutaran modelos; y un grupo que evaluara críticamente las sugerencias. Esto pareció mejorar significativamente las sugerencias. Intenté aumentar el número de agentes a más de 100, con la esperanza de que esto hiciera que el sistema fuera aún más inteligente, pero no cambió mucho, aparte de hacer que se disparara mi factura de la API.
Aun así, la mejora con respecto a hace unos años fue notable. Según Haifeng Xu, un informático de la Universidad de Chicago que estudia los usos de la IA en contextos de mercado, los modelos más recientes pueden ser incluso mejores a la hora de hacer predicciones, ya que son capaces de procesar y analizar enormes cantidades de información del mundo real, y pueden coordinar sistemas más complejos para sus estimaciones.
“La IA se está volviendo cada vez más inteligente a la hora de comprender el mundo; creo que esa es la razón fundamental por la que está mejorando”, indica Xu. A finales del año pasado, Xu se maravillaba de la creciente popularidad de los mercados de predicción como Kalshi y Polymarket. Se preguntaba cómo les iría a los mejores modelos comerciales en esos escenarios, así que, junto con varios colegas, comenzó a poner a prueba sus capacidades de predicción.
Hicieron que los modelos adivinaran quién ganaría el campeonato de la NBA y con quién se reuniría el presidente Trump. “Muy pronto nos dimos cuenta de que los modelos funcionaban realmente bien”, cuenta Xu. Según él, en ocasiones los modelos eran capaces de obtener mejores resultados que una persona normal sin necesidad de instrucciones ni orientación especiales. En sus pruebas, GPT-5 fue el mejor a la hora de realizar predicciones, seguido de Grok 4, Claude Sonnet, Gemini y Llama.
El equipo desarrolló Prophet Arena, una herramienta de evaluación comparativa que mide la capacidad de un modelo para realizar predicciones. Se trata de una de las diversas herramientas diseñadas para probar las capacidades de la IA para predecir el futuro. Otra herramienta, Prediction Arena, creada por investigadores de la Universidad de Harvard y la empresa Arcada Labs, recientemente otorgó a modelos de vanguardia 10,000 dólares para apostar en mercados de predicción durante 57 días. Si bien los modelos perdieron dinero de forma constante en el experimento, los investigadores observaron indicios de una mejora continua con el tiempo.
