Puntos clave
- Predecir es decir un valor que todavía no se conoce, con la información que se tiene ahora. No es adivinar sabiendo ya la respuesta.
- La predicción de la IA muchas veces no sale como algo cerrado. En clasificación, sobre todo, viene junto con qué tan probable es cada opción.
- En IA no se predice solo el futuro. Si es un valor todavía sin confirmar, hasta algo que ya pasó puede ser objeto de predicción.
- Si una predicción sirve o no se sabe recién después de conocer la respuesta real. Acertar una vez no la vuelve buena.
- Frente a una situación nunca vista, la predicción se tambalea mucho. Y aun así, el modelo puede entregarla con la misma cara de seguridad.
La analogía
Por la mañana, el servicio meteorológico anuncia "70% de probabilidad de lluvia por la tarde". No es que hayan visto la tarde de antemano. Es el resultado de tomar la presión, el viento y las nubes de ahora, calcular cómo se va a mover la atmósfera, y afinar eso con cuánto llovió otros días parecidos. La predicción es rellenar así, con los datos que se tienen ahora, un lugar donde todavía no hay respuesta.
El pronóstico no dice "va a llover" de forma tajante. Sale como un porcentaje de probabilidad. Y que no haya llovido tampoco significa que el pronóstico estuviera mal: simplemente ocurrió la opción del 30%.
Si el pronóstico fue bueno o malo se sabe recién al día siguiente. Hay que anotar el clima real, ponerlo al lado del pronóstico, y comparar durante mucho tiempo para poder juzgar.
En detalle
Predecir no es acertar, es construir una base
Se suele preguntar primero "¿qué tan bien acierta?" sobre una predicción. Pero desde el lado de quien predice, el orden es al revés. Decir la respuesta cuando ya se la conoce no es predecir: es verificar. Predecir es establecer, sin conocer la respuesta y solo con lo que se tiene a mano, el valor más plausible.
Por eso toda predicción suele tener dos partes: qué se miró para decidir, y qué tan sólida es esa decisión. Un pronóstico armado con presión y fotos de nubes, y otro armado solo con el clima de ayer, pesan distinto aunque los dos digan 70%.
Lo que hace la IA tiene la misma forma. Saca la regularidad que quedó en montones de ejemplos vistos durante el entrenamiento, y la aplica a una entrada nueva para dar un valor. Qué tan bien se extrajo esa regularidad define la calidad de la predicción.
La predicción de clasificación sale como probabilidad
En clasificación, la predicción se construye casi siempre como un puntaje repartido entre varios candidatos. La regresión, que da un solo número, es distinta. Mañana llueve 70, no llueve 30, por ejemplo. Que en la pantalla solo aparezca la palabra "lluvia" es porque se muestra únicamente el candidato con el puntaje más alto.
Ver ese puntaje cambia el juicio. Una predicción repartida 70 y 30, y otra repartida 51 y 49, dicen las dos "lluvia", pero el nivel de confianza es completamente distinto. La segunda, en el fondo, significa que el modelo también está dudando.
Por eso, donde se usa una predicción, conviene recibir junto con la respuesta elegida también el puntaje. Si el puntaje es bajo, se puede pedir que una persona lo revise una vez más, o directamente posponer la respuesta.
No solo se predice el futuro
La palabra "predicción" hace pensar en el futuro, y así se usa a diario, pero en IA también se llama predicción a rellenar un valor sin importar el tiempo. Cualquier valor todavía sin confirmar es objeto de predicción. Qué objeto hay en una foto, de qué área era este documento el mes pasado, qué valor tenía originalmente una celda vacía: todo eso también es predecir.
En términos de datos climáticos, rellenar con los valores de las estaciones vecinas la temperatura de ayer en un pueblo de montaña sin estación propia también es predecir. Ayer ya pasó, pero nadie midió la temperatura de ese pueblo.
Casi todas las respuestas que entrega un servicio de IA son predicciones en este sentido. Una línea traducida, una lista de recomendaciones, una marca de spam: todo es "el resultado de rellenar con datos un valor sin confirmar".
Si funciona bien se mide después
El rendimiento de una predicción solo se puede calificar después de que la respuesta se revela. Hay que anotar el pronóstico junto al clima real, y juntar no un día sino varios meses para saber si ese pronóstico sirve. Acertar una vez no la vuelve buena, y fallar una vez no la vuelve mala.
Si entre todos los días en que se dijo 70% de probabilidad de lluvia, en efecto llovió cerca de siete de cada diez veces, ese pronóstico está usando los números con honestidad. Sin este proceso de comparar la predicción con la realidad, la predicción se queda en una simple frase que suena convincente.
Flaquea frente a lo nunca visto
La predicción se apoya en registros pasados. Por eso pierde fuerza cuando aparece algo que no estaba en esos registros. Un aguacero como nunca se había visto desde que hay registros es justo cuando el pronóstico más se equivoca. Sin un caso parecido a mano, termina forzando el caso antiguo que más se le acerca.
Un modelo de IA hace lo mismo. Rinde sorprendentemente bien dentro del rango que vio en el entrenamiento, pero entrega valores absurdos cuando la entrada se sale de ese rango. Lo más complicado es que, aun así, el puntaje puede seguir saliendo alto. La seguridad con que habla y la exactitud van cada una por su lado.
Con más precisión
La predicción es la salida que se obtiene al meter una entrada nueva en un modelo ya entrenado. Al proceso de obtener esa salida se le llama inferencia, y el resultado es la predicción. En clasificación, sale qué tan probable es cada categoría; en regresión, sale un número dentro de una escala continua. En clasificación, el modelo no entrega certeza, sino un puntaje, y es la persona quien decide si usarlo o no según ese puntaje; en regresión, la persona evalúa aparte cuánto podría desviarse el valor antes de decidir si usarlo.
También aquí la analogía tiene sus costuras. El pronóstico meteorológico tradicional se centra en calcular las leyes físicas de la atmósfera y usa los registros pasados para afinar el resultado (hoy también se usan modelos de IA del clima entrenados con datos), pero la mayoría de las predicciones de IA no tienen ningún cálculo de leyes detrás. Siguen una relación que quedó en los datos, sin saber por qué. Por eso no distinguen entre que dos cosas se muevan juntas y que una cause la otra. Con registros de que hubo más accidentes en el agua los días en que se vendió mucho helado, también se puede armar una predicción, pero vender menos helado no reduce los accidentes.
Pruébalo
Malentendidos comunes
Es fácil pensar que la predicción de la IA solo trata del futuro, pero en realidad, si es un valor todavía sin confirmar, hasta algo del pasado puede ser objeto de predicción.
Es fácil creer que si el modelo responde con seguridad se puede confiar, pero en realidad, incluso con una entrada que no se parece a lo visto en el entrenamiento puede salir un puntaje alto sin ninguna base real.
Es fácil pensar que una predicción que acertó una vez es una buena predicción, pero en realidad hay que juntar muchos casos y compararlos con el resultado real para saber si esa predicción sirve.
Resumen en una línea
Predecir es decir un valor todavía desconocido a partir de los datos que se tienen, muchas veces junto con qué tan probable es, y si ese valor sirve solo se sabe después de que la respuesta se revela.
¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización 2026-10-18