El boletín de pronósticos: ¿qué precisión tuvo una década de predicciones expertas sobre la IA (2016-2026)?

TL;DR: Durante diez años, expertos de talla mundial hicieron predicciones seguras, específicas y públicas sobre la inteligencia artificial. Puntuamos las más citadas frente a lo que realmente ocurrió para 2026, y los resultados son una lección de humildad. Los radiólogos debían quedar obsoletos en 2021; en cambio el campo afronta una escasez y salarios en alza. La conducción autónoma de costa a costa se prometió para 2017; todavía no ha llegado. Se dijo que casi la mitad de los empleos de EE. UU. estaban en alto riesgo de automatización; el empleo creció. Pero los fallos no son ruido aleatorio. Se agrupan en dos direcciones: los expertos sobrestiman sistemáticamente lo rápido que la IA desplazará el trabajo humano, y subestiman sistemáticamente los criterios técnicos estrechos como el Go y el plegamiento de proteínas, que llegan años antes. Conocer la dirección del error es la habilidad más útil para leer cualquier pronóstico de IA que escuches este año.

La prospectiva no consiste en acertar sobre el futuro. Nadie acierta de forma fiable sobre el futuro. La prospectiva consiste en estar calibrado: saber cuánto confiar en una predicción, de quién y sobre qué tipo de cosa. Y la única forma honesta de calibrarse es calificar el pasado. Así que hicimos algo que la industria del pronóstico casi nunca se hace a sí misma. Reunimos las predicciones de IA más influyentes y más citadas de la década, las contrastamos con el registro público a agosto de 2026 y puntuamos cada una.

Esto importa justo ahora, porque la conversación sobre la IA vuelve a estar saturada de calendarios seguros. Alguien te dice que una categoría de empleo concreta desaparecerá en dieciocho meses, que la AGI llega en tres años, que el modelo de este trimestre lo cambia todo. Antes de reorganizar tu carrera o tu empresa en torno a cualquiera de ellos, conviene saber cómo se comportaron los últimos diez años de exactamente este género. Spoiler: la especificidad segura es la señal reveladora.

Cómo se puntuó esto

Una nota sobre el método, porque un boletín solo vale lo que valen sus reglas. Incluimos predicciones que fueran públicas, específicas, atribuibles a un experto con nombre o a un estudio muy citado y lo bastante antiguas para juzgarse. Las afirmaciones vagas del tipo “la IA lo cambiará todo” se excluyeron por no ser falsables. Cada veredicto es una evaluación editorial de CEOtudent medida frente al registro público documentado a agosto de 2026, no una pretensión de conocimiento privado. Cuando el horizonte temporal de una predicción no ha transcurrido del todo, lo decimos y la marcamos como pendiente en lugar de forzar una nota.

Usamos cuatro veredictos. Fallado (sobrestimación) significa que la predicción fue demasiado agresiva; la cosa no ocurrió en el plazo prometido. Fallado (subestimación) significa que los expertos fueron demasiado cautelosos; la cosa ocurrió años antes de lo que esperaba el consenso. Acertado significa que ocurrió más o menos como se afirmó. Pendiente significa que el reloj aún no se ha agotado.

El boletín

Una década de predicciones expertas sobre la IA, calificada (evaluación editorial de CEOtudent)

Predicción	Quién y cuándo	La afirmación específica	Qué ocurrió realmente para 2026	Veredicto
Las computadoras no pueden vencer a un humano de élite en Go durante aproximadamente otra década	Amplio consenso de expertos antes de 2016	Vencer a un profesional de Go de talla mundial se consideraba ampliamente a unos diez años	AlphaGo de DeepMind venció a Lee Sedol 4-1 en marzo de 2016, casi una década antes del consenso	Fallado (subestimación)
Dejen de formar radiólogos; la IA los reemplazará	Geoffrey Hinton, 2016	En cinco años (diez como mucho), la IA superaría a los radiólogos, así que formar nuevos era inútil	La radiología afronta una escasez de personal, la demanda y los salarios subieron, y Hinton luego reconoció haberse equivocado en el calendario	Fallado (sobrestimación)
Casi la mitad de los empleos de EE. UU. están en alto riesgo de automatización	Frey y Osborne (Oxford), 2013	Alrededor del 47 por ciento del empleo de EE. UU. estaba en la categoría de alto riesgo durante las dos décadas siguientes	Ampliamente leído como un pronóstico de desplazamiento; el empleo de EE. UU. creció en millones, y el método del estudio fue muy criticado por sobrestimar el riesgo	Fallado (sobrestimación)
La conducción totalmente autónoma es inminente	Elon Musk, 2016	Un viaje Tesla totalmente autónomo de costa a costa para finales de 2017; todos los Tesla como robotaxis para 2020	La demostración nunca ocurrió; la conducción autónoma supervisada existe en 2026, pero el calendario no supervisado prometido se deslizó año tras año	Fallado (sobrestimación)
La IA transformará la atención del cáncer	IBM Watson for Oncology, desde aproximadamente 2013	Watson ayudaría a revolucionar la oncología y a guiar el tratamiento del cáncer a gran escala	El proyecto insignia de MD Anderson (unos 62 millones de dólares) terminó sin tratar pacientes en un entorno real; IBM vendió Watson Health a una firma de capital privado en 2022	Fallado (sobrestimación)
Predecir estructuras de proteínas está a décadas	Visión de larga data en biología estructural	El problema del plegamiento de proteínas se veía como un desafío abierto que había resistido solución durante unos 50 años	AlphaFold 2 alcanzó una precisión casi experimental en la evaluación CASP14 en 2020, décadas antes de lo que la mayoría esperaba	Fallado (subestimación) / Acertado para DeepMind
La IA pasa el test de Turing para 2029; singularidad para 2045	Ray Kurzweil, de larga data	Inteligencia máquina de nivel humano hacia 2029, singularidad tecnológica hacia 2045	Ambos horizontes siguen abiertos a 2026; aún no calificables	Pendiente

El patrón que nadie señala

Relee la columna de veredictos y algo salta a la vista. Los fallos no están dispersos. Apuntan en dos direcciones consistentes, y esa consistencia es la verdadera lección de todo el ejercicio.

Toda predicción sobre el desplazamiento del trabajo humano por la IA sobrestimó. Los radiólogos, el 47 por ciento de los empleos, las flotas autónomas que dejarían sin trabajo a los conductores, los oncólogos a los que Watson superaría. En cada caso el experto subestimó lo difícil que es la versión real, de alto riesgo y desordenada del trabajo, y cuánto de ella no es la tarea estrecha que la IA sabe hacer. La radiología no es solo leer una imagen; es juicio, integración, responsabilidad y contexto del paciente. La IA podía hacer la demo. La demo nunca fue el trabajo.

Toda predicción sobre un criterio estrecho y bien definido subestimó. El Go y el plegamiento de proteínas llegaron ambos años antes del consenso experto. Cuando la tarea es nítida, acotada y con una medida de éxito clara, el aprendizaje profundo ha sorprendido repetidamente incluso a los especialistas por el lado rápido. La hipótesis de escalado que OpenAI formalizó hacia 2020, según la cual modelos más grandes entrenados con más datos siguen mejorando de forma predecible, estuvo más cerca de lo cierto que los escépticos, al menos en el desempeño en criterios.

Así que la lectura CEOtudent de la década es una sola regla portátil, del tipo de modelo mental duradero que conviene conservar. Los expertos sobrestiman la velocidad de la IA para reemplazar empleos humanos completos y subestiman su velocidad para conquistar criterios técnicos estrechos. El fallo no es que los expertos sean tontos. “¿Puede un modelo ganar un juego acotado?” y “¿puede un sistema reemplazar un rol humano desordenado?” son preguntas completamente distintas, y las predicciones seguras siguieron tratándolas como la misma pregunta.

Cómo leer los pronósticos de IA de hoy como un CEO

El valor de calificar el pasado es que te pone en la mano un filtro para el presente. Cuando el próximo calendario de IA seguro cruce tu feed, pásalo por el patrón antes de reaccionar.

Primero, pregunta si la afirmación es sobre un criterio o un empleo. “Este modelo vencerá a los humanos en la tarea X” es una afirmación de criterio, y el registro histórico dice tomarla en serio y quizá esperarla antes de lo anunciado. “Este modelo reemplazará la profesión Y” es una afirmación de empleo, y el registro dice descontar mucho el calendario, porque el 80 por ciento desordenado del trabajo es precisamente lo que la demo oculta.

Segundo, trata la especificidad más un plazo corto como una señal de alarma, no como una señal de pericia. Los fallos más espectaculares de este boletín fueron los más específicos y seguros: finales de 2017, en cinco años, robotaxis para 2020. Los pronósticos vagos pero direccionales (“esto importará enormemente, de forma desigual, a lo largo de años”) envejecieron mucho mejor que los precisos. Un CEO aprende a respetar más a quien dice “no sé el calendario” que a quien nombra un trimestre.

Tercero, separa la dirección de la fecha. Hinton probablemente tenía razón en que la IA remodelaría la radiología y se equivocó en el cuándo y en cuán completamente. La mayoría de estas predicciones acertaron en parte el vector y erraron gravemente la magnitud y el calendario. Esa es la forma normal de un pronóstico de IA: confía en él como señal débil de dirección, desconfía de él por completo como calendario. Es la misma disciplina que pensar en apuestas: asigna una probabilidad, no aceptes una certeza.

Cuarto, recuerda los incentivos. Varias de estas predicciones venían de personas con algo que vender: un producto, una acción, una tesis o un libro. El pronóstico y el argumento de venta eran la misma frase. Parte de leer bien la prospectiva es preguntar quién se beneficia de que creas en el calendario, un hábito que atraviesa nuestro trabajo sobre filtrar la señal del ruido en la era de la IA.

Salvedades, porque un boletín debería cumplir su propia norma

Calificar pronósticos en retrospectiva es más fácil que hacerlos, y sería deshonesto fingir lo contrario. Algunos de estos expertos matizaron más de lo que sugiere su frase más citada, y las citas se aplanan al circular. Calificamos la versión ampliamente difundida de cada afirmación, la que realmente moldeó decisiones y titulares, pero el matiz subyacente a veces era mayor que la frase.

Dos veredictos también merecen un asterisco. La cifra de Frey y Osborne era un enunciado sobre empleos en riesgo de automatización, no un pronóstico plano de que se perdería el 47 por ciento, y su ventana completa de dos décadas no ha transcurrido del todo. La calificamos como fallo porque se recibió y repitió abrumadoramente como una predicción de desplazamiento, y la trayectoria del mercado laboral hasta la fecha va contra esa lectura. Y AlphaFold es a la vez dos cosas: un acierto deslumbrante para el equipo que lo construyó y un fallo para el amplio campo que suponía el problema a décadas. Ambas verdades pertenecen al boletín.

Nada de esto significa que la pericia sea inútil ni que el progreso de la IA sea falso. El punto es más estrecho y más útil: las predicciones expertas sobre la IA tienen un sesgo medible y direccional, y una vez que conoces la dirección, puedes corregirlo. Eso es la calibración, y es todo el trabajo de la prospectiva.

Preguntas frecuentes

¿Todas las predicciones expertas estuvieron equivocadas?
No, y ese encuadre pierde el punto. Las predicciones estuvieron equivocadas en direcciones con patrón: demasiado rápidas en el reemplazo de empleos humanos, demasiado lentas en criterios estrechos. Algunas, como la hipótesis de escalado y el avance de AlphaFold, fueron direccionalmente correctas y llegaron temprano. La lección no es “ignora a los expertos”, sino “sabe en qué dirección fallan y ajusta”.

¿Por qué tanta gente inteligente sobrestimó la automatización de empleos?
Porque una demostración de una tarea estrecha se confunde con facilidad con reemplazar un rol entero. Leer un escáner, redactar un memorando o responder una pregunta es una porción de un trabajo. El resto, juicio, responsabilidad, contexto, coordinación y confianza, es donde residen la dificultad y la mayor parte del valor, y no se automatiza en el mismo plazo que la porción.

¿Significa esto que las predicciones actuales sobre AGI y pérdida de empleos también están equivocadas?
Significa aplica el mismo filtro. Las afirmaciones sobre capacidades estrechas que cruzan criterios humanos merecen tomarse en serio y quizá adelantarse. Las afirmaciones sobre el reemplazo generalizado de profesiones o una AGI cercana merecen un fuerte descuento en el calendario, porque esa es precisamente la categoría que la última década entendió peor.

¿Cómo debería usar esto una persona en la práctica?
Deja de reorganizar tu vida en torno a fechas seguras. Sigue la dirección del progreso de la IA en tu campo como una señal débil, desarrolla habilidades en la parte desordenada y cargada de juicio de tu trabajo que resiste la automatización, y mantén tus opciones abiertas en lugar de apostarlo todo a que un pronóstico concreto acierte. La dirección es señal; la fecha es casi siempre ruido.

¿Quién hizo la predicción más precisa de la década?
Los pronósticos más duraderos fueron los menos precisos: enunciados amplios y direccionales de que la IA importaría enormemente y de forma desigual. Quienes nombraron un trimestre o un plazo de cinco años en su mayoría perdieron. Eso mismo es el hallazgo.

Fuentes y lecturas adicionales

• Reportajes sobre la declaración de Geoffrey Hinton de 2016 de que la IA reemplazaría a los radiólogos, y cobertura posterior que documenta la escasez de radiólogos, el alza de salarios y el reconocimiento de Hinton de su error de calendario (Fortune, The New York Times y prensa especializada en radiología, 2016 a 2026).
• Carl Benedikt Frey y Michael Osborne, The Future of Employment: How Susceptible Are Jobs to Computerisation?, Oxford, 2013; y críticas retrospectivas a la cifra del 47 por ciento (Information Technology and Innovation Foundation y documentos de trabajo académicos).
• Cronología documentada de las predicciones de Elon Musk sobre conducción autónoma, incluida la afirmación de costa a costa de 2016 para finales de 2017 y la declaración robotaxi de 2020 (prensa tecnológica de la época).
• Reportajes sobre IBM Watson for Oncology, el proyecto de MD Anderson y su conclusión, y la venta de Watson Health a Francisco Partners en 2022 (Slate, IEEE y prensa de tecnología sanitaria).
• Victoria de AlphaGo de DeepMind sobre Lee Sedol, marzo de 2016; y resultados de AlphaFold 2 en CASP14, 2020, descritos como la solución de un problema de unos 50 años (DeepMind, organizadores de CASP y prensa científica).
• Ray Kurzweil, The Singularity Is Near y The Singularity Is Nearer, sobre las predicciones de 2029 y 2045.
• Jared Kaplan y colegas, Scaling Laws for Neural Language Models (OpenAI), 2020, sobre la hipótesis de escalado.

---

Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.

This post is also available in: