¿Cómo identificar mercados en crecimiento? Enfoque predictivo de mercados emergentes basado en investigación reciente

Introducción

Las empresas y países que han alcanzado un crecimiento histórico extraordinario han invertido y desafiado significativamente en áreas de crecimiento mucho antes de que muchos las reconocieran. Sin embargo, ¿cómo se puede encontrar tales mercados de crecimiento? Aquí se ordena sistemáticamente cómo identificar tales mercados de crecimiento.

La novedad de este artículo se encuentra en los siguientes 3 puntos.

• Se organizaron las fuentes que generan áreas de crecimiento en 4 cambios del entorno externo, y se demostró mediante investigación empírica que esto impacta no solo en los mercados sino también en la dirección de temas de investigación e invenciones.
• Se clasificaron las técnicas de predicción en 5 sistemas y se mostró la relación de correspondencia con las fuentes.
• Se organizaron las tendencias de investigación posterior a 2020.

Factores de mercados en crecimiento

Las fuentes que generan áreas de crecimiento, desde los clásicos de la investigación de escaneo ambiental (campo de investigación que analiza el entorno externo —política, economía, sociedad, tecnología, etc.— y lo aplica a la gestión), se han organizado en cuatro cambios: política, economía, sociedad y tecnología (PEST) (Aguilar, 1967). A continuación, se organizan según cada uno de los cuatro cambios.

Cambios políticos

Cómo impactar en el mercado

• Creación y prohibición de demanda: La regulación crea y elimina directamente la demanda al obligar o prohibir productos o tecnologías específicos. Se argumenta que la regulación bien diseñada promueve la innovación empresarial y genera nuevos mercados que las empresas existentes han pasado por alto (Porter & van der Linde, 1995). Los datos de patentes confirman que las invenciones para cumplir con regulaciones se concentran en los países y períodos en que se endurece la regulación (Lee, Veloso & Hounshell, 2011).
• Orientación de la investigación mediante asignación de fondos: Los fondos de investigación pública con uso especificado desplazan el interés de los investigadores hacia ese tema. Los datos del NIH estadounidense demuestran que cuando aumentan los fondos en un área específica, los investigadores cambian de tema al presentar solicitudes, lo que demuestra que la dirección de la investigación se mueve mediante política (Myers, 2020).

Casos concretos

• La Ley alemana de energías renovables y el mercado de energía solar: La Ley de Energías Renovables (EEG) promulgada en 2000 garantizó compras a precio fijo durante 20 años, posicionó a Alemania como el mayor mercado solar mundial e indujo inversiones de producción en masa de paneles a nivel global. Esta ley había estado bajo debate desde los años noventa, y se podían observar señales antes de su promulgación (Jacobsson & Lauber, 2006).
• La regulación de vehículos de emisión cero de California y el mercado de vehículos eléctricos: La regulación ZEV introducida en 1990 obligó a los fabricantes a vender una proporción determinada de vehículos de cero emisiones, y a través de su posterior endurecimiento, orientó la investigación y desarrollo de electrificación. Uno de los puntos de inicio del mercado de vehículos eléctricos fue la regulación, no la demanda (Collantes & Sperling, 2008).
• Regulación de emisiones y convertidores catalíticos: El endurecimiento de la regulación de emisiones por la Ley de Aire Limpio de Estados Unidos aumentó las solicitudes de patentes de fabricantes de automóviles y proveedores para tecnologías de control de emisiones, incrementándose sincronizadas con el momento de la regulación. Este es un ejemplo en el que la regulación determinó el momento y la dirección de la invención (Lee, Veloso & Hounshell, 2011).

Cambios económicos

Cómo impactar en el mercado

• Umbral de poder de compra: Cuando el nivel de ingresos sube y el precio de un producto cae por debajo del nivel que los hogares pueden pagar, el mercado despega de forma no continua. La expansión de la clase media en países emergentes ha aumentado la población que cruza este umbral por decenas de millones de personas anualmente (Kharas, 2017).
• Liberación de usos mediante colapso de costos: Conforme el costo de la tecnología disminuye, los usos que eran «técnicamente posibles pero demasiado costosos» se vuelven económicamente viables uno tras otro y se convierten en mercados. Se ha confirmado en muchas tecnologías la regla empírica de que el costo disminuye en una tasa constante cada vez que la producción acumulada se duplica, y la intersección entre la línea de caída de costos y el umbral de rentabilidad de los usos proporciona una estimación del momento de despegue del mercado (Nagy et al., 2013; Farmer & Lafond, 2016).
• Orientación de invenciones mediante precios relativos: Cuando el precio de los recursos de entrada aumenta, aumentan las invenciones en tecnologías que ahorran esos recursos. Este mecanismo, conocido como «innovación inducida», demuestra que las señales económicas mueven la dirección de la invención (Schmookler, 1966; Popp, 2002).

Casos concretos

• Clase media en países emergentes y pago móvil: La población de clase media mundial se expandió rápidamente en los años 2010, siendo la mayor parte asiática (Kharas, 2017). Cuando la población sin cuentas bancarias comenzó a poseer teléfonos inteligentes, surgieron mercados que no existían en países desarrollados, como los pagos móviles chinos y plataformas de transporte compartido y pago en el sudeste asiático.
• Colapso del costo de secuenciación del genoma y pruebas genéticas personalizadas: El costo de secuenciar un genoma humano cayó de aproximadamente 100 millones de dólares en 2001 a alrededor de 1,000 dólares a mediados de los años 2010 (Wetterstrand, 2023). Este colapso convirtió en mercados los usos que no eran viables fuera de instituciones de investigación, como pruebas genéticas personalizadas, medicina del genoma del cáncer, y mejora genética en agricultura y ganadería.
• Precios de energía y patentes de tecnologías de ahorro de energía: Después del shock petrolero de los años 1970, el aumento de los precios de la energía aumentó estadísticamente de manera significativa las solicitudes de patentes de tecnologías de ahorro de energía. El efecto del aumento de precios aparece en pocos años, y cuando los precios bajan, la invención también se desacelera (Popp, 2002). Este es el ejemplo más claro de demostración empírica de que el cambio de precios relativos mueve la dirección de la invención.

Cambios sociales

Cómo impactar en el mercado

• Certidumbre de la composición demográfica: La demografía es el «futuro que ya ha ocurrido». El número de personas nacidas este año determina casi con certeza la población de 20 años dentro de 20 años, y se puede prever la demanda de consumo, asistencia médica y vivienda de cada grupo de edad de 10 a 20 años en el futuro. Entre las cuatro fuentes, es el material de predicción más certero (Drucker, 1997).
• Orientación de la invención mediante expectativa de demanda futura: El tamaño del mercado futuro previsto a partir de la demografía mueve la dirección de investigación y desarrollo de las empresas. Se ha confirmado causalmente que en las áreas donde se espera un mercado más grande, aumenta el desarrollo de nuevos productos (Acemoglu & Linn, 2004).
• Cambios en valores y estilos de vida: Los cambios en valores (medio ambiente, salud, uso del tiempo) y estructura del hogar desplazan la demanda de categorías de productos existentes hacia otras categorías. A diferencia de la demografía, los cambios se reflejan tardíamente en números, por lo que solo se pueden captar tempranamente observando usuarios de vanguardia (von Hippel, 1986).

Casos concretos

• Envejecimiento de Japón y mercados de cuidados e iguales: La proporción de la población japonesa de 65 años o más aumentó del 12% en 1990 al 29% en 2020, y se proyecta que continúe aumentando (Instituto Nacional de Investigación sobre Seguridad Social y Problemas de Población, 2023). Con este cambio cierto como trasfondo, el mercado de servicios de cuidados despegó con la introducción del sistema de seguro de cuidados de larga duración en 2000, y actualmente se ha expandido hacia mercados de aplicación tecnológica como monitoreo, gestión de medicamentos y robots de cuidados.
• Demografía y desarrollo de nuevos medicamentos: Se ha demostrado que cuanto más se puede predecir el número futuro de pacientes de una enfermedad a partir de los cambios demográficos de cada grupo de edad en Estados Unidos, más aumentan el desarrollo y la aprobación de nuevos medicamentos. Se estima que si el tamaño del mercado esperado es 1% mayor, la entrada de nuevos medicamentos aumenta aproximadamente 4-6%, un ejemplo que demuestra empíricamente que la expectativa de demanda futura determina la dirección de la invención (Acemoglu & Linn, 2004).
• Expansión del empleo femenino y mercados de servicios de ahorro de tiempo y cuidados infantiles: La expansión del empleo y la formación de carrera profesional de las mujeres en la segunda mitad del siglo XX se llama la «revolución silenciosa», un cambio estructural (Goldin, 2006), y a través del aumento de hogares de doble ingreso, ha impulsado mercados de servicios que compran tiempo —como cuidados infantiles, comidas preparadas y entrega de alimentos, y servicios de tareas domésticas— en cada país. Este es un caso en el que se solapan cambios demográficos y de valores.

Cambios tecnológicos

Es la fuente que genera el cambio más discontinuo entre los cuatro, y se trata con mayor profundidad.

Cómo impactar en el mercado

• Cadena de dominios de aplicación por tecnologías de uso general: Las tecnologías de uso general (General Purpose Technology) como el motor de vapor, la electricidad e IT no generan valor en sí mismos, sino que generan innumerables dominios de aplicación a través de cadenas de innovaciones complementarias (Bresnahan & Trajtenberg, 1995). Esta cadena se observa repetidamente en capas de infraestructura → plataforma → aplicación, y si se puede confirmar la aparición de una tecnología de uso general, se puede hacer una predicción estructural: «lo que crecerá a continuación es su capa de aplicación, y lo que se abrirá a continuación es el tema de investigación de la capa de aplicación» (Andreessen, 2011).
• Estructura de tiempo largo: Para que una tecnología de uso general se refleje en la productividad, requiere reinvención complementaria de procesos comerciales y rediseño organizacional, lo que toma décadas. El retraso desde la invención hasta la difusión históricamente alcanza un promedio de 45 años, y esta diferencia de retraso explica aproximadamente una cuarta parte de la brecha de ingresos entre países (Comin & Hobijn, 2010). Se ha demostrado que las revoluciones tecnológicas siguen un patrón común de «período de introducción → auge y burbuja → punto de inflexión → período de expansión» en las cinco olas desde la revolución industrial (Perez, 2002).
• Liberación secuencial del mercado mediante curva de costos: La regla empírica de que «el costo disminuye en una tasa constante cada vez que la producción acumulada se duplica» (Ley de Wright) demostró tener una alta capacidad predictiva en la validación de 62 tecnologías (Wright, 1936; Nagy et al., 2013). Conforme el costo disminuye, nuevos usos se vuelven económicamente viables, y el mercado se abre de manera escalonada.

Casos concretos

• Electricidad y productividad de fábricas (retraso de aproximadamente 40 años): La electricidad se puso en práctica en los años 1880, pero su reflejo en la mejora de la productividad de las fábricas no ocurrió hasta los años 1920. Esto se debió a que requirió aproximadamente 40 años de reinvención complementaria: rediseñar el diseño de fábrica y la asignación de trabajo que se basaban en motores de vapor para estar basados en motores eléctricos (David, 1990). Este es el ejemplo original que demuestra que el mercado de una tecnología de uso general despega no con la aparición de la tecnología, sino con la preparación de activos complementarios.
• Internet, nube y capas de mercados de aplicación: Sobre la infraestructura de Internet surgieron EC, búsqueda y SaaS; sobre la plataforma smartphone surgió la economía de aplicaciones; sobre la nube surgió la economía de APIs, cada una despegando aproximadamente 10 años después. La observación de 2011 «el software se está comiendo el mundo» fue una traducción de esta estructura de capas en tesis de inversión (Andreessen, 2011).
• GPU, aprendizaje profundo hacia IA general y agentes de IA especializados: En 2009 se mostró que la GPU aceleraba el entrenamiento de aprendizaje profundo decenas de veces (Raina, Madhavan & Ng, 2009), y en 2012 las redes neuronales entrenadas con GPU superaron ampliamente el reconocimiento de imágenes, iniciando el auge del aprendizaje profundo (Krizhevsky, Sutskever & Hinton, 2012). El colapso de costos de computación paralela posibilitó los modelos base (IA general), y su mercado de aplicación como agentes de IA especializados está abriéndose. La inversión de NVIDIA en CUDA en 2006 fue un juicio que apostaba en la parte más ascendente de esta cadena (Witt, 2025).
• Curvas de costos de energía solar y baterías: El costo de la energía solar fotovoltaica ha descendido aproximadamente un 20% con cada duplicación de la producción acumulada durante unos 40 años, y en los años 2010 cayó por debajo de las fuentes de energía existentes en muchas regiones (Farmer & Lafond, 2016). Las baterías de iones de litio también han seguido la misma ley de descenso, superando el umbral en el que la economía de los vehículos eléctricos se vuelve viable (Ziegler & Trancik, 2021). Al extrapolar estas curvas de costos, habría sido posible estimar el período de despegue de ambos mercados más de una década antes.

Estos cuatro cambios en el entorno externo no son independientes, sino que actúan de forma coordinada. El mercado de vehículos eléctricos despegó como resultado de la multiplicación de la reducción de costos de baterías (tecnología) × regulación de emisiones (política) × valores de descarbonización (sociedad) × demanda de mercados emergentes (economía). El mercado de la energía solar también resultó del alineamiento de la curva de costos (tecnología y economía), los programas de compra garantizada (política) y las normas ambientales (sociedad). Cuando múltiples fuentes convergen en la misma dirección, la probabilidad de crecimiento del sector alcanza su máxima confiabilidad.

Enfoque para predecir mercados en crecimiento

Los métodos para detectar y cuantificar los cambios que impulsan el crecimiento de mercados pueden clasificarse en 5 categorías y 12 técnicas. A continuación, explicaremos cada técnica desde la perspectiva de descripción general, trasfondo de su surgimiento y ejemplos concretos.

Sistemas de extrapolación y modelado

Sistema que aplica patrones a datos históricos y los extiende al futuro. En las etapas donde existen datos, es el más cuantitativo; en las etapas donde no existen, se toman prestados casos similares.

Curva S / Teoría de la difusión

• Descripción general: La adopción de nuevas tecnologías progresa en el orden de Innovadores (2,5%) → Adoptadores Tempranos (13,5%) → Mayoría Temprana (34%) → Mayoría Tardía (34%) → Rezagados (16%), y cuando se acumulan forman una curva S. Cuando la tasa de penetración alcanza entre el 10 y el 20%, la pendiente de la curva S puede estimarse, lo que permite extrapolar el nivel de saturación y el momento en que se alcanza (Rogers, 1962).
• Trasfondo de su surgimiento: Su origen está en la investigación sociológica de los años 1930 que rastreó el proceso de adopción del maíz híbrido entre agricultores de Iowa. Se descubrió que la distribución de los tiempos de adopción se aproximaba a una distribución normal, y la acumulación formaba una curva S (Ryan & Gross, 1943). Los economistas reprodujeron esto con datos de cada estado, demostrando que la velocidad de difusión era proporcional a la rentabilidad (Griliches, 1957). Rogers integró más de 500 estudios de difusión y lo sistematizó como una teoría general.
• Ejemplos concretos: Las tasas de penetración de televisores en color, teléfonos móviles, smartphones e Internet en los hogares estadounidenses forman curvas S. El error en las previsiones de telefonía móvil de EE.UU. en los años 1980, que subestimó los resultados en más de 100 veces, se debió a la extrapolación lineal de la fase inicial lenta (The Economist, 1999). Por el contrario, si se ajustaba una curva S cuando la tasa de penetración superaba el 10%, el nivel de saturación podría haberse estimado con bastante precisión (Rogers, 1962; The Economist, 1999).

Modelo Bass

• Descripción general: Es un modelo matemático que formaliza la curva S con dos coeficientes: el coeficiente de innovación p (la capacidad de adoptar de forma independiente a través de publicidad e información externa) y el coeficiente de imitación q (la capacidad de propagarse a través del boca a boca de los usuarios existentes). Es posible calcular el número de adoptadores del próximo período a partir del número acumulado de adoptadores, y el pico de tiempo y el tamaño del mercado pueden obtenerse analíticamente. Un metaanálisis de 213 estudios aplicados mostró que el promedio de p es aproximadamente 0,03 y el promedio de q es aproximadamente 0,38 (Bass, 1969; Sultan, Farley & Lehmann, 1990).
• Trasfondo de su surgimiento: En los años 1960, los fabricantes de electrodomésticos necesitaban predecir el pico de ventas de bienes de consumo duraderos como televisores en color basándose en datos de unos pocos años después del lanzamiento. Bass verificó la aplicabilidad en 11 productos incluyendo refrigeradores, congeladores y televisores, y demostró que podía predecir con anticipación el momento del pico de ventas de televisores en color (Bass, 1969).
• Ejemplos concretos: DirecTV de difusión por satélite predijo el número de suscriptores durante cinco años antes del lanzamiento del servicio en 1994 utilizando el modelo Bass tomando prestados los coeficientes de servicios similares como televisión por cable, y los resultados coincidieron aproximadamente con los datos reales. Es un ejemplo representativo que demuestra que el modelo funciona incluso antes del lanzamiento (Bass et al., 2001).

Ley de Wright (Curva de experiencia)

• Descripción general: Es una regla empírica que establece que "cada vez que la producción acumulada se duplica, el costo unitario disminuye en un porcentaje fijo (10-30% dependiendo de la tecnología)". Predice el despegue del mercado desde el lado de los costos en lugar de desde la demanda. El punto donde la línea de reducción de costos se cruza con el umbral donde la aplicación se vuelve económicamente viable es la estimación del período en que se abre el mercado (Wright, 1936).
• Trasfondo de su surgimiento: En 1936, el ingeniero aeronáutico Wright descubrió que el número de horas de montaje del fuselaje disminuía a una tasa constante con el aumento de la producción acumulada de aeronaves. Se utilizó en la planificación de la producción de aviones militares durante la Segunda Guerra Mundial, y en los años 1960 el Boston Consulting Group lo introdujo en la estrategia empresarial como la "curva de experiencia" (Wright, 1936; Boston Consulting Group, 1968). A partir de los años 2010, se verificó estadísticamente con datos de 62 tecnologías que esta ley tenía mayor poder predictivo que otros métodos de predicción (Nagy et al., 2013).
• Ejemplos concretos: Los módulos de energía solar fotovoltaica han continuado con una reducción de costos de aproximadamente el 20% con cada duplicación de la producción acumulada desde 1976, y en los años 2010 cayeron por debajo del costo de generación de la energía térmica en muchas regiones. Las baterías de iones de litio han seguido una ley similar, superando el umbral donde la economía de los vehículos eléctricos se vuelve viable (Farmer & Lafond, 2016; Ziegler & Trancik, 2021). La extrapolación de esta ley a partir de 1980 habría permitido predecir que el mercado de la energía solar se abriría en los años 2010.

Predicción por clase de referencia

• Descripción general: En lugar de construir la predicción "desde adentro", se examina la distribución de resultados de casos precedentes similares (clase de referencia) y se posiciona el objetivo dentro de esa distribución. Para predecir nuevos mercados, se toman prestados los coeficientes de difusión o años hasta alcanzar el pico de tecnologías similares (Kahneman & Tversky, 1979; Flyvbjerg, 2006).
• Trasfondo de su surgimiento: Los psicólogos Kahneman y Tversky demostraron que los humanos tienden a ser sistemáticamente optimistas cuando ven sus planes desde adentro (sesgo de planificación), y propusieron un procedimiento de corrección desde una perspectiva externa (Kahneman & Tversky, 1979). Flyvbjerg demostró que el 90% de 258 proyectos de infraestructura de transporte excedieron sus costos (Flyvbjerg, Holm & Buhl, 2002), y operacionalizó un método para obtener factores de corrección a partir de la distribución de la clase de referencia. El Ministerio de Hacienda del Reino Unido adoptó esto en 2004 como guía oficial para la evaluación de proyectos públicos (Flyvbjerg, 2006).
• Ejemplos concretos: Se ha demostrado que cuando se predice la demanda de ventas de nuevos electrodomésticos haciendo referencia a las curvas de difusión de productos similares, la precisión es mayor que la de las predicciones basadas solo en el juicio de los ejecutivos (Goodwin, Dyussekeneva & Meeran, 2013). La predicción previa al lanzamiento de DirecTV es también un tipo de predicción de clase de referencia que toma prestados los coeficientes de servicios similares (Bass et al., 2001). Para estimar la penetración de agentes de IA especializados, la transición de las tasas de adopción empresarial de SaaS y computación en nube sería una clase de referencia candidata.

Sistemas de detección de señales

Sistema que recoge fragmentos de indicadores anticipados antes de que se conviertan en números.

Señales débiles (weak signals)

• Descripción general: Enfoque que recoge y interpreta de forma sistemática fragmentos fragmentarios y ambiguos de presagios que preceden a grandes cambios (señales débiles). Se combina con la "respuesta escalonada" que aumenta gradualmente la acción según la confiabilidad de la señal (Ansoff, 1975).
• Trasfondo de su surgimiento: El desencadenante fue el crisis del petróleo de 1973, cuando la planificación empresarial a largo plazo que era prevalente en ese momento fue completamente incapaz de responder a cambios discontinuos. Ansoff, fundador de la teoría de la estrategia empresarial, argumentó que esperar a tener información completa sería demasiado tarde, y que es necesario comenzar a actuar en la etapa de señales débiles (Ansoff, 1975). En los años 2000, fue sistematizado como investigación sobre "visión periférica", y se aclararon las razones por las que las organizaciones pasan por alto las señales y cómo manejarlas (Day & Schoemaker, 2006; Schoemaker & Day, 2009).
• Ejemplos concretos: Mattel, fabricante de juguetes, pasó por alto durante años los indicios de que las ventas de su icónica muñeca Barbie estaban siendo erosionadas por la competencia de Bratz (cambios en las preferencias de las niñas, cambios en la exhibición en las tiendas minoristas), perdiendo una cuota de mercado significativa. Se analiza como un ejemplo en el que las señales existían pero la organización no tenía el mecanismo para recogerlas (Day & Schoemaker, 2006). Por el contrario, en el ámbito regulatorio, la presentación, debate y comentarios públicos de proyectos de ley son ejemplos típicos de señales débiles y pueden observarse años antes de su aprobación.

Análisis bibliométrico de patentes y artículos

• Descripción general: Método para detectar tecnologías emergentes años antes de su comercialización a través de indicadores como la aceleración en el número de solicitudes de patentes, el aumento en el número de artículos académicos, cambios estructurales en redes de citas, y la convergencia de disciplinas distintas. Recientemente, se pasan múltiples indicadores a través del aprendizaje automático para clasificación automática (Lee et al., 2018).
• Trasfondo de su surgimiento: En 1955 se propuso el índice de citas de artículos (Garfield, 1955), y en los años 1960 se implementó como Science Citation Index, permitiendo rastrear tendencias científicas de manera cuantitativa. Para patentes, se demostró empíricamente que las patentes con más citas tienen mayor valor económico (Hall, Jaffe & Trajtenberg, 2005), convirtiendo los datos de patentes en una herramienta para medir el valor y la dirección de la tecnología.
• Ejemplos concretos: La tecnología de edición de genes CRISPR-Cas9, tras su publicación en 2012, experimentó un rápido aumento en artículos relacionados y solicitudes de patentes en pocos años, anticipándose al Premio Nobel de Química 2020 y a numerosas creaciones de empresas. Un ejemplo en el que el seguimiento de métricas bibliométricas habría permitido detectar el despegue del mercado de aplicaciones años antes. La misma técnica es efectiva también para investigadores, y se convierte en una herramienta para encontrar nuevos campos aún no saturados (Foster, Rzhetsky & Evans, 2015).

Sistemas de sabiduría colectiva y juicio

Sistema que, cuando no existen datos y hay que recurrir al juicio humano, mejora la precisión mediante la forma de recopilar juicios y entrenamiento.

Método Delfos

• Descripción general: Método en el que se pide a expertos que hagan predicciones de forma anónima, se retroalimentan los resultados agregados y las razones, y se repite la respuesta varias veces para converger opiniones. El anonimato previene la conformidad con personas ruidosas, y la iteración permite compartir información (Dalkey & Helmer, 1963). El nombre proviene de Delfos (Delfoi), el sitio del oráculo en el Templo de Apolo en la antigua Grecia, donde la gente buscaba profecías del oráculo de Delfos cuando se enfrentaba a decisiones nacionales importantes; de manera similar, este método es una técnica para agregar los conocimientos y predicciones de muchos expertos para predecir y decidir sobre el futuro.
• Antecedentes: Durante la Guerra Fría de los años 50, el RAND Institute desarrolló el método para la Fuerza Aérea estadounidense con el fin de agregar el juicio de expertos sobre cuestiones militares para las cuales no existían datos (por ejemplo: ¿cuántas bombas atómicas necesitaría la Unión Soviética para reducir la producción de armamento estadounidense a un nivel determinado?). El formato de conferencia tradicional presentaba el problema de que las opiniones eran sesgadas por participantes con autoridad o verbosidad, lo que se resolvió mediante iteraciones anónimas (Dalkey & Helmer, 1963). En una revisión posterior de estudios empíricos, el método Delphi superó a los grupos cuyos datos se agregaban estadísticamente en 12 de 16 estudios, y a los grupos cara a cara convencionales en 5 de 5 estudios (Rowe & Wright, 1999).
• Ejemplo concreto: La Encuesta de Predicción de Ciencia y Tecnología de Japón ha continuado desde 1971 preguntando a miles de expertos sobre el momento de realización de futuras tecnologías cada aproximadamente cinco años utilizando el método Delphi, y la 11ª encuesta abordó aproximadamente 700 temas de ciencia y tecnología. Es la encuesta Delphi más larga del mundo, continuando durante medio siglo (National Institute of Science and Technology Policy, 2019).

Mercados de predicción

• Descripción general: Un método en el que se compran y venden predicciones como valores (por ejemplo, "¿ocurrirá X antes de ◯ año?"), y el precio se interpreta como una estimación de probabilidad. Se aplica a la predicción la función de mercado de agregar información dispersa en un precio (Wolfers & Zitzewitz, 2004).
• Antecedentes: La idea de que el precio agrega conocimiento disperso tiene raíces en los clásicos de la economía (Hayek, 1945). En 1988, la Universidad de Iowa abrió un mercado de predicción de elecciones presidenciales, que atrajo atención al predecir el porcentaje de votos de manera más precisa que las encuestas de opinión (Forsythe et al., 1992). La aplicación dentro de empresas comenzó en los años 2000, y los economistas propusieron su uso en políticas públicas (Arrow et al., 2008).
• Ejemplo concreto: Hewlett-Packard operaba un mercado interno en el que los empleados predecían las ventas de impresoras, obteniendo resultados más precisos que el pronóstico oficial de ventas en 6 de 8 casos (Chen & Plott, 2002). En análisis de mercados de predicción internos en Google y Ford, los precios funcionaban aproximadamente como probabilidades calibradas, y se confirmó el efecto de corregir el sesgo optimista contenido en los pronósticos oficiales de la empresa (Cowgill & Zitzewitz, 2015).

Superforecasting (Superpredicción)

• Descripción general: Un método que trata la predicción como una habilidad entrenable, mejorando la precisión mediante los siguientes pasos: (1) descomponer preguntas grandes en subpreguntas respondibles, (2) comenzar desde la tasa base (frecuencia histórica de ocurrencia de casos similares) y ajustar según circunstancias específicas, (3) expresar probabilidades con incrementos finos y actualizarlas en pequeños ajustes con nueva información, (4) debatir en equipo, y (5) registrar el desempeño y reflexionar sobre él (Tetlock & Gardner, 2015).
• Antecedentes: Tras 20 años de investigación que mostraban que las predicciones de expertos eran tan precisas como las de los chimpancés (Tetlock, 2005), la agencia de inteligencia estadounidense IARPA organizó un torneo de predicción geopolítica de 2011 a 2015, haciendo competir a múltiples equipos de investigación. El equipo de Tetlock entrenó a voluntarios civiles, seleccionó a los principales 2% de "superpredicadores" y los organizó en equipo, superando ampliamente a otros equipos (Mellers et al., 2014).
• Ejemplo concreto: Una pregunta como "¿dentro de 5 años habrán adoptado los agentes de IA especializados el ◯% de las medianas empresas?" no puede responderse directamente. Siguiendo el procedimiento de superpredicción, se descompone en: (a) ¿qué porcentaje de adopción empresarial de tecnologías similares (SaaS, RPA) se alcanzó en 5 años? (tasa base), (b) ¿en cuántos años se establecerán las condiciones previas para la adopción (integración de APIs, regulación, precio)?, y (c) ¿cómo evolucionan los indicadores adelantados (anuncios de pruebas piloto, demandas de empleo)?, asignando probabilidades a cada uno y combinándolas. Se ha demostrado que comenzar desde la tasa base mejora la precisión respecto a la intuición de expertos (Tetlock & Gardner, 2015).

Sistemas de exploración desde el lado de la demanda

Un sistema que descubre demanda aún no visible en las investigaciones de mercado mediante la observación de personas.

Método de usuarios líderes

• Descripción general: Un método para encontrar usuarios avanzados (usuarios líderes) que enfrentan desafíos años antes que los usuarios promedio, que crean soluciones por sí mismos porque los productos existentes no pueden resolverlos, y luego leer el mercado futuro de esas soluciones. El punto clave es buscar usuarios líderes fuera del propio mercado, en campos adyacentes que enfrentan la misma clase de desafío en formas más extremas (von Hippel, 1986).
• Antecedentes: El punto de partida fue el descubrimiento en el campo de instrumentos científicos de que el 77% de las innovaciones importantes fueron generadas no por fabricantes sino por usuarios (investigadores) (von Hippel, 1976). La idea fue que los fabricantes no ven nuevas demandas cuando les pregunta a usuarios promedio en estudios de mercado porque todavía no enfrentan los desafíos, por lo que formalizó en 1986 un método de aprender directamente de usuarios avanzados (von Hippel, 1986).
• Ejemplo concreto: La división médica de 3M, frente al desafío de prevenir infecciones durante la cirugía, no buscó usuarios líderes entre sus clientes, los cirujanos, sino entre usuarios líderes que enfrentaban el mismo desafío en condiciones más extremas: veterinarios (pacientes con pelo), artistas de maquillaje de Hollywood (adhesión duradera de películas a la piel), y cirujanos en países en desarrollo (prevención de infecciones sin equipamiento). Obtuvieron conceptos de nuevos productos de prevención de infecciones (von Hippel, Thomke & Sonnack, 1999). Las ideas nacidas del método de usuarios líderes mostraron aproximadamente 8 veces el potencial de ventas de los métodos convencionales (Lilien et al., 2002).

Teoría del empleo

• Descripción general: Un método que, en lugar de ver que los clientes compran productos, los ve "contratando" productos para "completar una tarea que desean terminar (empleo)", redefiniendo el mercado en unidades de empleo en lugar de categorías de producto o atributos de cliente. Cuando se ve en unidades de empleo, el tamaño del mercado y la competencia cambian (Christensen et al., 2016).
• Antecedentes: La antigua intuición de marketing de que "los clientes quieren un agujero, no un taladro" (Levitt, 1983) fue teorizada por Christensen en su investigación sobre innovación disruptiva. Surgió del análisis de los fracasos de las empresas establecidas que dividían el mercado por atributos de cliente (edad, ingresos), causando que pasaran por alto nuevas demandas (Christensen, 1997; Christensen et al., 2016).
• Ejemplo concreto: Una cadena de comida rápida intentó aumentar las ventas de batidos mejorando el sabor y el precio sin éxito, pero la observación reveló que muchos compradores matutinos estaban "contratándolo" para completar el empleo de "pasar el tiempo durante un largo viaje y suprimir el hambre hasta el mediodía". La competencia por este empleo eran las bananas y los donuts, y descubrieron que el tamaño del mercado de batidos debería medirse como "mercado de tiempos de viaje al trabajo" en lugar de "mercado de postres" (Christensen et al., 2016).

Sistemas de estructura y escenarios

Cuando la incertidumbre es tan alta que una sola predicción no tiene significado, un sistema que describe múltiples futuros y se prepara para ellos.

Planificación de escenarios

• Descripción general: En lugar de cerrarse en una sola predicción, un método que distingue entre factores seguros (datos demográficos, etc.) e incertidumbres importantes (regulación, avances tecnológicos, etc.), dibuja 2-4 imágenes de futuro coherentes mediante combinaciones de incertidumbres, y monitorea indicadores adelantados para cada escenario. El objetivo no es acertar, sino preparar decisiones que puedan responder sin importar cuál escenario ocurra (Schoemaker, 1995).
• Antecedentes: En los años 50 y 60, Herman Kahn del RAND Institute desarrolló una técnica para describir la progresión de una guerra nuclear como múltiples escenarios (Kahn & Wiener, 1967). Shell fue quien llevó esto a la gestión empresarial; a principios de los años 70, mostró a la dirección el escenario de "precios del petróleo se disparan y los países productores asumen el liderazgo", respondiendo al shock petrolero de 1973 más rápidamente que sus competidores. Wack, la persona a cargo, lo formalizó en un artículo en 1985 (Wack, 1985).
• Ejemplo concreto: Se dice que Shell también dibujó en los años 80 escenarios de cambio del régimen soviético y colapso del precio del petróleo, preparándose para el colapso del precio del crudo en 1986 (Schwartz, 1991). Al aplicar a la predicción de mercados en crecimiento, por ejemplo, para agentes de IA especializados, se pueden dibujar 4 escenarios usando 2 ejes: "intensidad de regulación de IA (fuerte/débil)" y "reducción de costos de modelos base (rápida/lenta)", aclarando que los dominios de aplicación y períodos de lanzamiento que surgen difieren para cada escenario, mientras se monitorean como indicadores adelantados el estado del debate regulatorio y las tendencias en costos de inferencia (Schoemaker, 1995).

Correspondencia entre fuentes y métodos

Los cinco sistemas se aclaran en términos de dónde usarlos cuando se corresponden con las cuatro fuentes del capítulo anterior.

• Cambios políticos: Sistemas de estructura y escenarios (establecer escenarios para cada bifurcación regulatoria y presupuestaria, monitorear indicadores adelantados)
• Cambios económicos: Sistemas de extrapolación y modelo (curvas de costo, precios relativos, indicadores macroeconómicos)
• Cambios sociales: Sistemas de extrapolación y modelo (datos demográficos) + sistemas de exploración desde el lado de la demanda (cambios de valores)
• Cambios tecnológicos: Sistemas de detección de señales + sistemas de extrapolación y modelo (patentes, artículos académicos → curvas S, curvas de costo)

Ejemplos prácticos de profesionales

Fuera de la academia, investigadores, inversores, empresas y naciones destacadas practican métodos del mismo tipo que los enfoques anteriores. Aquí se organizan qué técnicas y acciones utilizan para predecir mercados en crecimiento en cada categoría.

Inversores

Los inversores son el agente que convierte más directamente las expectativas de mercados en crecimiento en ingresos. Sin embargo, los métodos y horizontes de tiempo difieren ampliamente entre capitalistas de riesgo, inversores en acciones de crecimiento, fondos de cobertura e inversores institucionales.

• Capital de riesgo (Sequoia Capital): Don Valentine, que hizo inversiones iniciales en Apple, Cisco y Google, colocó el "tamaño del mercado" como el primer criterio de su juicio de inversión. Afirmaba que "invierto en mercados grandes, no en personas", y repetidamente señalaba que incluso excelentes ejecutivos no pueden construir grandes empresas en mercados pequeños (Valentine, 2010).
• Capital de riesgo (Y Combinator, Andreessen Horowitz, Founders Fund): Paul Graham de Y Combinator dice "vive en el futuro y construye lo que falta", pensando que la inconveniencia sentida por personas en los entornos más avanzados es el mercado del futuro. Es la versión práctica del método de usuarios líderes (Graham, 2012). La tesis de Andreessen Horowitz de que "el software se come el mundo" es una traducción de la teoría de tecnologías de propósito general en una tesis de inversión, y la empresa establece primero tesis específicas (computación en la nube, móvil, IA), las publica, e invierte de acuerdo con ellas—una versión práctica de sistemas de estructura y escenarios (Andreessen, 2011). La pregunta de Peter Thiel de Founders Fund, "¿cuál es la verdad importante con la que casi todos están en desacuerdo?", demuestra que solo las predicciones divergentes del consenso generan rendimientos excesivos (Thiel & Masters, 2014).
• Inversor a largo plazo en acciones de crecimiento (Baillie Gifford): La empresa de gestión escocesa Baillie Gifford invirtió en Amazon y Tesla en etapas tempranas después de su salida a bolsa, manteniéndolas durante más de 10 años. La base fue una investigación empírica que muestra que los rendimientos de las acciones están extremadamente sesgados. En un análisis de las acciones estadounidenses desde 1926, la creación total de riqueza fue generada por el 4% superior de los valores, mientras que el 96% restante obtuvo rendimientos iguales o inferiores a los bonos del Tesoro a corto plazo (Bessembinder, 2018). La estrategia de no predecir el mercado en su totalidad, sino identificarse en pocas empresas que podrían ser ganadores dominantes en mercados de crecimiento, mantenerlos concentrados y retenerlos durante largo tiempo, se deriva de esta distribución.
• Gestión activa temática (ARK Invest): ARK Invest utiliza explícitamente la Ley de Wright (reducción de costos con cada duplicación de la producción acumulada) para extrapolar curvas de costos de tecnologías como baterías, decodificación del genoma e IA, prediciendo el momento en que los mercados de aplicación despegan e invirtiendo en consecuencia (ARK Invest, 2024). Es un ejemplo de aplicación directa de métodos de extrapolación y modelado en la gestión, pero la caída significativa de activos bajo gestión desde su pico en 2021 también demuestra las limitaciones: incluso si la predicción de la dirección tecnológica es correcta, los errores en el precio de entrada y el tiempo pueden resultar en pérdidas (Perez, 2002; Siegel, 2005).
• Fondo de cobertura macroeconómico (Bridgewater Associates): Bridgewater, dirigido por Ray Dalio, sistematiza casos históricos de crisis de deuda, crisis monetarias y cambios de hegemonía durante varios siglos, juzgando la situación actual comparándola con qué momento histórico se asemeja (Dalio, 2018). Este es el análogo práctico de la aplicación de la predicción de clase de referencia a los mercados financieros. Por otro lado, George Soros teorizó la "reflexividad": que las predicciones de los participantes del mercado mueven los precios y que los precios mueven la realidad, colocando los límites de la autorreferencia (donde la predicción cambia el objeto predicho) en el centro de su estrategia de inversión (Soros, 1987). Es un ejemplo donde los propios límites de la predicción se convierten en fuente de ganancias.
• Fondo de cobertura cuantitativo (Renaissance Technologies): Renaissance Technologies, fundada por el matemático James Simons, no intenta predecir el crecimiento del mercado ni el futuro de las empresas. Se limitó a capturar patrones estadísticos en datos de precios a corto plazo (dentro de días) en operaciones, manteniendo un alto desempeño al renunciar a predicciones a largo plazo (Zuckerman, 2019). Esto puede interpretarse como una comprensión de las limitaciones desde una dirección opuesta a la de este artículo: "separar lo predecible (regularidades estadísticas a corto plazo) de lo impredecible (la dirección del mercado a largo plazo) y apostar solo en lo primero".
• Inversor de valor (Berkshire Hathaway): Warren Buffett ha evitado deliberadamente invertir prediciendo mercados de crecimiento. En su carta a los accionistas de 2007 expresó: "El peor negocio es aquel que crece rápidamente, requiere grandes cantidades de capital para el crecimiento y aun así genera poco beneficio. Considérese la industria aeroportuaria" (Buffett, 2008). Su política es separar el crecimiento del mercado de los rendimientos de la inversión, seleccionando solo empresas dentro del rango que entiende (su círculo de competencia) que mantengan una ventaja competitiva sostenible. Es un ejemplo en el que la dificultad de predecir mercados de crecimiento y el límite de que el crecimiento no se traduzca en beneficios se colocan como premisas de su filosofía de inversión.
• Inversor institucional (Temasek, Fondo de dotación de Yale): Temasek, la empresa estatal de inversiones de Singapur, identifica cuatro tendencias estructurales: "digitalización", "vida sostenible", "futuro del consumo" y "envejecimiento", reorganizando su cartera de acuerdo con estos temas (Temasek, 2023). Es un ejemplo de traducción de las cuatro fuentes del artículo (tecnología, sociedad, economía, demografía) a la asignación de activos de un inversor institucional. David Swensen, quien dirigió el Fondo de dotación de Yale, redistribuyó desde los años 80 hacia clases de activos como capital de riesgo e inversiones privadas, donde la asimetría de información es grande y la técnica de predicción genera rendimientos superiores, transformando completamente el modelo de gestión de la dotación universitaria (Swensen, 2009). Es un ejemplo donde además de "qué mercados crecerán", se selecciona "en qué mercados la técnica de discernimiento se convertirá en rendimientos superiores".
• Investigación empírica sobre el juicio de los inversores: Una encuesta a 885 capitalistas de riesgo mostró que el factor más enfatizado en la selección de inversiones es el equipo de gestión, seguido por el mercado y el modelo de negocio (Gompers et al., 2020). Por otro lado, un análisis posterior de más de 200 empresas identificó el tiempo como el factor que mejor explica el éxito (Gross, 2015). Los rendimientos de capital de riesgo tienen una distribución extremadamente sesgada donde pocos grandes éxitos soportan el total (Kerr, Nanda & Rhodes-Kropf, 2014), y las acciones cotizadas tienen un sesgo similar (Bessembinder, 2018), por lo que el discernimiento del mercado funciona no solo como "en qué invertir" sino como cuestión de diseño de cartera: "en qué áreas distribuir múltiples apuestas pequeñas y cómo concentrarse en los ganadores". En la gestión activa de acciones cotizadas, muy pocos gestores superan el promedio del mercado después de deducir comisiones (Fama & French, 2010), y la correlación entre tasas de crecimiento económico por país y rendimientos bursátiles es cercana a cero o negativa (Ritter, 2005). La capacidad de predecir mercados de crecimiento y que esa predicción se convierta en rendimientos de inversión son empíricamente problemas distintos.

Empresa

• Amazon (Working Backwards, AWS): El "Working Backwards" —escribir primero un comunicado de prensa futuro, extrapolando desde el valor para el cliente— es la institucionalización de la exploración del lado de la demanda. Usando este método, la empresa detectó en la primera mitad de los años 2000 que tenía desafíos internos de infraestructura y razonó que "otras empresas tienen los mismos problemas", identificando demanda externa y lanzando AWS, su servicio en la nube, en 2006. Es un ejemplo de descubrimiento de un mercado externo a partir de usuarios líderes internos (su propio equipo de desarrollo) (Bryar & Carr, 2021).
• NVIDIA (CUDA): En 2006, años antes del auge del aprendizaje profundo, comenzó a invertir en CUDA, la plataforma de computación de propósito general para GPU. Inicialmente no había mercado y fue criticada por inversores, pero apostó por la caída de costos en computación paralela como cambio tecnológico, continuó invirtiendo mientras confirmaba señales de que los investigadores comenzaban a usar GPU (Raina, Madhavan & Ng, 2009; Krizhevsky, Sutskever & Hinton, 2012), esperando la aparición de campos de aplicación (Witt, 2025). Es un ejemplo representativo de predicción de origen tecnológico y actualización gradual.
• Intel (punto de inflexión estratégico): En 1985, Andy Grove, CEO de Intel, detectó la señal de que los beneficios de su principal negocio de memoria estaban desapareciendo por la entrada de fabricantes japoneses y decidió abandonar el negocio fundador para concentrarse en microprocesadores. A partir de esta experiencia, Grove denominó "punto de inflexión estratégico" a los síntomas de cambios en la estructura industrial y sistematizó métodos para detectarlo (Grove, 1996). Es un ejemplo que demuestra que la decisión de retirarse también es un resultado de la predicción del mercado.
• Netflix (transmisión de video): Aunque comenzó en 1997 con alquiler de DVD por correo, incorporó "Net" en su nombre y anticipó que con la proliferación del ancho de banda y la caída de costos de comunicación (curva de costos), el futuro sería la distribución por transmisión. Lanzó transmisión en 2007, reemplazando voluntariamente su propio negocio principal (Keating, 2012). Es un ejemplo de extrapolación de curva de costos y de decisión de avanzar primero en una innovación disruptiva.
• Shell (planificación de escenarios): Como se mencionó anteriormente, a principios de los años 70 preparó escenarios de crisis petrolera, respondiendo más rápido que competidores al shock petrolero de 1973 (Wack, 1985). Es el prototipo del prospectiva empresarial, función que Shell ha mantenido constantemente durante medio siglo.
• Investigación empírica sobre el efecto del prospectiva empresarial: Un estudio que rastreó a 83 empresas europeas durante 7 años encontró que aquellas con funciones de anticipación del futuro (prospectiva) bien establecidas tenían márgenes de beneficio 33% más altos y tasas de crecimiento de capitalización de mercado aproximadamente el doble en comparación con aquellas que no (Rohrbeck & Kum, 2018). Es evidencia de que poseer una función de exploración permanente, no predicciones puntuales, se conecta con el desempeño.

Investigador

• Richard Hamming (Laboratorios Bell): Identificó como factores comunes entre investigadores de alto impacto "elegir problemas importantes" y "trabajar con la puerta abierta (estar abierto a información del entorno)". Hamming dedicaba las tardes de los viernes a pensar "¿cuál es el problema importante y por qué no estoy trabajando en él?", recomendando entrar temprano en campos que se abrían (Hamming, 1986). Esta es la versión práctica de la detección de señales en operación permanente y la entrada temprana.
• Katalin Karikó (investigación en ARNm): Desde los años 90, continuó trabajando en aplicaciones terapéuticas del ARNm, un campo que entonces recibía muy poca financiación. A través de un descenso de categoría en su universidad y rechazo de solicitudes de financiación, publicó en 2005 un método usando nucleósidos modificados para suprimir la inmunogenicidad del ARNm, que se convirtió en la base de las vacunas de ARNm de 2020 y condujo al Premio Nobel de Fisiología o Medicina de 2023 (Karikó et al., 2005). Ejemplifica cómo la "entrada demasiado pronto" en un campo de investigación tiene una escala temporal diferente a la "entrada demasiado pronto" en un negocio, y cómo el desfase entre invención y difusión puede extenderse durante décadas (Comin & Hobijn, 2010).
• Investigadores de GPU y aprendizaje profundo: En 2009, un grupo de la Universidad de Stanford demostró que el uso de GPU podría acelerar el entrenamiento de aprendizaje profundo decenas de veces (Raina, Madhavan & Ng, 2009). En 2012, un grupo de la Universidad de Toronto ganó de manera decisiva una competencia de reconocimiento de imágenes con una red neuronal entrenada con dos GPU, marcando el inicio del auge del aprendizaje profundo (Krizhevsky, Sutskever & Hinton, 2012). Es un ejemplo de convertir la señal tecnológica de caída de costos en computación paralela en un tema de investigación en una etapa cuando aún pocas personas le prestaban atención.
• Investigación empírica sobre cómo elegir: Un análisis de 17,9 millones de artículos encontró que los de mayor impacto tienen la estructura de "en su mayoría una combinación de conocimiento establecido, con un solo punto de combinación inusual" (Uzzi et al., 2013). Combinado con el hallazgo de que apostar en nuevas áreas produce alto impacto pero también alta tasa de fracaso (Foster, Rzhetsky & Evans, 2015), se puede integrar que los investigadores excelentes típicamente logran entrada temprana "tomando un paso desde su acumulación como base hacia un dominio adyacente en crecimiento".

Nación

• Singapur (RAHS): Desde 2004, instituyó RAHS (Evaluación de Riesgos y Escaneo de Horizontes) como función permanente del gobierno, institucionalizando la detección de señales débiles. Además, en 2009 estableció el Centro Estratégico de Futuros en la Oficina del Primer Ministro, supervisando la planificación de escenarios entre ministerios (Habegger, 2010). Es un ejemplo de mantener en operación permanente la exploración de señales a escala nacional.
• Japón (Encuesta de Predicción de Ciencia y Tecnología): Existe un acervo de encuestas Delphi continuadas aproximadamente cada 5 años desde 1971, y en la 11.ª encuesta miles de expertos predijeron el momento de realización de aproximadamente 700 temas de ciencia y tecnología. Es la encuesta Delphi más larga del mundo, continuada durante medio siglo (Instituto de Políticas de Ciencia, Tecnología y Academia, 2019)
• Reino Unido (Programa Foresight): Iniciado en 1994 bajo la dirección de la Oficina de Ciencias del Gobierno, paneles de expertos multidisciplinarios examinan los cambios tecnológicos y sociales de 10 a 20 años en el futuro y los reflejan en las políticas (Habegger, 2010)
• Estados Unidos (DARPA): Establecida en 1958 como respuesta del Departamento de Defensa al satélite Sputnik soviético, la Agencia de Proyectos de Investigación Avanzada de Defensa invirtió fondos en dominios tecnológicos en fases en las que no existía mercado, como el prototipo de Internet (ARPANET), GPS y vehículos autónomos (Grand Challenge de 2004), creando la base de mercados enormes posteriores (Fuchs, 2010). También se señala que muchas de las tecnologías clave que componen el iPhone provienen de fondos de investigación pública (Mazzucato, 2013). Es un ejemplo de cómo el Estado asume la línea de tiempo de "entrada demasiado temprana"
• Taiwán (ITRI y TSMC): En los años 70, el Instituto de Investigación de Tecnología Industrial (ITRI), de propiedad estatal, introdujo tecnología de semiconductores desde Estados Unidos, y en 1987 se estableció TSMC como una escisión de ITRI. Leyendo el crecimiento a largo plazo del mercado de semiconductores y el cambio en la estructura industrial hacia la división entre diseño y manufactura, el Estado apostó por un nivel de manufactura especializada (foundry) que no existía en ese momento (Mathews, 1997)

Como puntos en común que atraviesan las 4 categorías anteriores, encontramos los siguientes:

• No hacen predicciones aisladas: La tarde de viernes de Hamming, el criterio de mercado de Sequoia, la división de escenarios de Shell y RAHS de Singapur cuentan todos con mecanismos permanentes para continuar recogiendo señales
• Reaccionan rápidamente a señales tecnológicas y regulatorias: NVIDIA, Netflix, DARPA y Taiwán han actuado todos antes de que los cambios en las curvas de costos y la estructura industrial aparezcan en las cifras
• Continúan con la vigilancia y actualización después de hacer apuestas: El hecho de que NVIDIA continuara invirtiendo mientras confirmaba el uso de GPU por investigadores, y que Intel decidiera retirarse, representan ambos la práctica de verificación y actualización después de realizar predicciones
• Utilizan distintas escalas de tiempo según su función: Los investigadores y el Estado reaccionan con escalas de tiempo de decenas de años, los capitalistas de riesgo con 10 años, y las empresas con 5 a 10 años a la misma señal; quienes entran antes asumen períodos de espera más largos (Comin & Hobijn, 2010)

Tendencias en investigación reciente sobre predicción de mercados en crecimiento

Se sistematiza principalmente investigación publicada entre finales de los años 2010 y 2026. La perspectiva de investigación sobre predicción de mercados en crecimiento ha cambiado de la siguiente manera en esta década:

Tres antecedentes que cambiaron la perspectiva

• Avances en datos y métodos computacionales: Textos como artículos, patentes, anuncios de empleo y transcripciones de conferencias de resultados se han vuelto legibles por máquinas y pueden procesarse a gran escala mediante aprendizaje profundo. Lo que antes dependía del juicio de expertos o de estudios de casos limitados—la pregunta "¿dónde se abrirán nuevos dominios?"—ha transitado hacia una ciencia empírica verificada con millones de datos (Bloom et al., 2021; Ebadi, Auger & Gauthier, 2022)
• Torneos de predicción como base experimental: El torneo de predicción de geopolítica implementado desde 2011 por IARPA, la agencia de información estadounidense, generó los primeros datos a gran escala que midieron y compararon la precisión de miles de predictores en la misma pregunta, sentando las bases para verificar estadísticamente "quién, mediante qué método, y con qué precisión puede predecir" (Mellers et al., 2014; Tetlock, Mellers & Scoblic, 2017)
• Dos transiciones tecnológicas: transición energética e IA de propósito general: El hecho de que los costos de energía solar y baterías hayan bajado consistentemente a una velocidad superior a la predicha por instituciones principales proporcionó abundante material para verificación retrospectiva de métodos de predicción (Meng et al., 2021). Simultáneamente, con la aparición de grandes modelos de lenguaje, aumentó dramáticamente la demanda de predicciones de difusión tales como "¿en qué industrias y cuándo se difundirá esta tecnología de propósito general?", convirtiéndose ella misma en objeto de investigación (Eloundou et al., 2024)

A continuación, se revisa la tendencia de investigación en cada tema.

Predicción tecnológica

• Establecimiento de predicción probabilística mediante curvas de experiencia: Durante mucho tiempo prevaleció la opinión de que la velocidad de mejora de costos y rendimiento de la tecnología no podía predecirse. Desde mediados de los años 2010, se ha acumulado investigación que verifica retrospectivamente predicciones probabilísticas basadas en curvas de experiencia (Ley de Wright) utilizando historial de costos de más de 50 tecnologías, demostrando que se puede determinar intervalos de confianza incluyendo la distribución de errores de predicción (Farmer & Lafond, 2016; Lafond et al., 2018). Decisivo fue un estudio que comparó retrospectivamente estimaciones de expertos con predicciones de modelos estadísticos para tecnologías energéticas, mostrando que los modelos estadísticos eran más precisos que los expertos, quienes subestimaban sistemáticamente la reducción de costos (Meng et al., 2021). Utilizando este hallazgo, las predicciones probabilísticas de reducción de costos en energía solar, eólica y baterías condujeron a la conclusión de que acelerar la transición energética reduce el costo total (Way et al., 2022)
• Extensión a tecnologías sin mercado: El objeto de predicción se ha ampliado desde tecnologías con historial de costos hacia tecnologías aún sin mercado. Se han desarrollado métodos para estimar tasas de mejora por campo tecnológico a partir de datos de patentes, prediciendo tasas de mejora anual para 1.757 campos tecnológicos (Singh, Triulzi & Magee, 2021). También se propuso un marco que define tecnologías emergentes mediante cinco atributos—novedad radical, crecimiento relativamente rápido, consistencia, impacto destacado e incertidumbre (Rotolo, Hicks & Martin, 2015)—, y se demostró que aplicando aprendizaje automático a múltiples indicadores de patentes bajo este marco se pueden clasificar tempranamente tecnologías que luego crecerán (Lee et al., 2018). También han avanzado métodos que utilizan aprendizaje profundo para detectar señales débiles en textos de artículos, patentes y noticias (Zhou et al., 2020; Ebadi, Auger & Gauthier, 2022), y el Centro Común de Investigación de la UE lo ha incorporado a operaciones anuales (Comisión Europea Centro Común de Investigación, 2024)
• Estado actual: Como estado actual, a preguntas tales como "¿cuándo se volverá económicamente viable esa tecnología?" y "¿qué tecnología despegará a continuación?" se puede ahora responder con fundamentos estadísticos en lugar de intuición de expertos. De las limitaciones de la predicción de mercados descrita posteriormente, tanto la trampa de extrapolación lineal como la subestimación de expertos pueden corregirse con este método. Los datos y métodos están públicamente disponibles, permitiendo que investigadores individuales y pequeñas empresas realicen exploraciones del mismo nivel

Difusión y demanda

• Seguimiento de la difusión mediante datos de texto: La difusión de nuevas tecnologías se medía históricamente una vez que ventas y tasas de penetración aparecían en estadísticas. Entrando en los años 2020, se desarrollaron métodos que combinan transcripciones de conferencias de resultados empresariales, patentes e información de empleos, rastreando a qué empresas y ciudades llegaban 29 tecnologías disruptivas y cuándo. Se ha demostrado que el empleo en nuevas tecnologías se concentra inicialmente en pocas ciudades avanzadas y se difunde con el tiempo (Bloom et al., 2021). Una investigación que utilizó información de empleos con aprendizaje automático para verificar si la IA de propósito general satisface condiciones de tecnología de propósito general (mejora rápida, penetración amplia entre industrias, inducción de innovación complementaria) confirmó que posee características más fuertes de tecnología de propósito general comparada con otras tecnologías emergentes (Goldfarb, Taska & Teodoridis, 2023). También para grandes modelos de lenguaje, a partir de la composición de tareas por ocupación se estimó el alcance del mercado laboral afectado, estimándose que aproximadamente el 80% de los trabajadores experimentaría impacto en partes de sus funciones (Eloundou et al., 2024). Se demostró que información de empleos y conferencias de resultados—datos públicos—actúan como indicadores adelantados varios años antes que estadísticas de mercado
• Prueba causal de que la demanda impulsa la invención: Desde el lado de la demanda, se verificó causalmente si "la predicción del tamaño futuro del mercado realmente mueve la dirección de la invención". En la industria farmacéutica, los campos de enfermedades con mayor tamaño de mercado previsto por demografía generan más desarrollo de nuevos fármacos (Acemoglu & Linn, 2004), estimándose una elasticidad de aproximadamente 0,2% más nuevos fármacos por cada 1% de expansión del tamaño del mercado (Dubois et al., 2015). En la industria automotriz, fabricantes de países con precios de combustible más altos patentan más tecnologías limpias como electrificación en lugar de motores de combustión interna (Aghion et al., 2016), y también se obtuvo evidencia de que mayor carga de enfermedad en un país impulsaría incluso la producción y exportación de tratamientos para esa enfermedad, demostrando que la demanda mueve hasta ubicación productiva (Costinot et al., 2019). Las predicciones de mercado incluyen no solo "si aciertan" sino también "si otros hacen la misma predicción y entran", cuestión de competencia
• Vías y tiempos desde la ciencia hasta el mercado: Las vías y tiempos desde la ciencia hasta el mercado también se han vuelto medibles. Una investigación que analizó redes de citación de 4,8 millones de patentes y 32 millones de artículos mostró que patentes de mayor valor de mercado se encuentran más cerca de la ciencia básica, y artículos más influyentes más cerca de la aplicación técnica (Ahmadpoor & Jones, 2017), con bases de datos de artículos citados por patentes ahora estructuradas permitiendo rastrear a gran escala qué ciencias de qué campos se usan en industria (Marx & Fuegi, 2020). Por otra parte, que la inversión en tecnologías de propósito general se refleje en productividad requiere inversión en activos intangibles complementarios—procesos empresariales, talento, datos—, período durante el cual la productividad temporalmente baja estadísticamente dibujando una "curva J" (Brynjolfsson, Rock & Syverson, 2021). Para IA de propósito general también, esta línea de investigación predice que la mejora de procesos empresariales y datos se convertirá en la etapa limitante de la difusión, más que la mejora del rendimiento de modelos base

Frontera de investigación

• Disminución de resultados disruptivos y rigidez de campos maduros: Hacia dónde se abrirán nuevas áreas de investigación, dónde deberían apostar los investigadores, también comienzan a surgir respuestas de grandes datos. Una investigación analizando 45 millones de artículos y 3,9 millones de patentes mostró que la proporción de resultados "disruptivos" que renuevan conocimiento existente disminuye continuamente en todos los campos (Park, Leahey & Funk, 2023), confirmándose también que cuanto más madura una disciplina, más difícil es que ideas nuevas se establezcan (Chu & Evans, 2021). Del lado de investigadores, domina una estrategia conservadora de concentración en áreas temáticas ya establecidas, mientras que en millones de artículos se demuestra que apuestas en nuevas áreas generan alto impacto (Foster, Rzhetsky & Evans, 2015)
• Diferencia temporal en la evaluación de novedad: La evaluación de novedad presenta una diferencia temporal. Los artículos de alta novedad que incluyen combinaciones inusuales muestran un patrón de "reconocimiento tardío", siendo poco citados a corto plazo pero ejerciendo gran influencia a largo plazo (Wang, Veugelers & Stephan, 2017), y los artículos de mayor impacto presentaban una estructura que combina conocimiento convencional con solo un punto de combinación inusual (Uzzi et al., 2013). Sin embargo, también se ha confirmado a gran escala la "penalidad de pivote", donde el impacto de los resultados disminuye cuando los investigadores cambian hacia temas alejados de su especialidad (Hill et al., 2025), por lo que es racional entrar en nuevos campos de forma adyacente a la propia experiencia acumulada.
• Punto de llegada: En conclusión, existe una regularidad según la cual los nuevos campos tienden a abrirse no en el centro de grandes disciplinas maduras, sino en los límites disciplinarios y en campos pequeños. El "mercado de crecimiento" para investigadores e inventores es, en la presente etapa del conocimiento, una zona fronteriza adyacente a la propia especialidad y aún no congestionada.

Juicio humano e IA

• Comparación de métodos de agregación: Al reunir juicios humanos para hacer predicciones, se ha verificado en datos de torneos de predicción qué método de recopilación y agregación es más preciso. Las "encuestas de predicción", que piden directamente a los participantes que den probabilidades y las agregan estadísticamente, muestran una precisión igual o superior a la de los mercados de predicción (Atanasov et al., 2017), y se ha demostrado que añadir "polarización" —empujando las probabilidades agregadas hacia 0 o 1— mejora la precisión (Satopää et al., 2014). Para el método Delphi, una revisión ha sistematizado las condiciones que mejoran la precisión: diversidad de participantes, calidad de la retroalimentación y número de iteraciones (Rowe & Wright, 1999). La implicación práctica es que la agregación estadística anónima de probabilidades es más precisa que la formación de consenso en conferencias, y se puede lograr una precisión equivalente a la de los mercados de predicción sin incurrir en los costos operativos de su funcionamiento.
• La llegada de los LLM y sus límites: Desde 2023, los modelos de lenguaje de gran escala (LLM) han emergido como predictores. Las predicciones mediante un conjunto de 12 LLM diferentes muestran una precisión estadísticamente indistinguible de la inteligencia colectiva de 925 humanos (Schoenegger et al., 2024a), y los LLM mejorados con búsqueda de información actualizada y procedimientos de razonamiento optimizados se están acercando al grupo humano de predicción en preguntas individuales (Halawi et al., 2024). En experimentos donde se proporcionó a predictores humanos un asistente basado en LLM, la precisión mejoró significativamente con la presencia del asistente (Schoenegger et al., 2024b). Por otro lado, en comparaciones con referentes continuamente actualizados, se ha confirmado que incluso los LLM más avanzados aún no alcanzan a los super-predictores entrenados (Karger et al., 2024), dejando distancia para la automatización completa.
• Punto de llegada: Como punto de llegada, la IA reduce dramáticamente el costo de las etapas previas de la predicción —exploración, presentación de tasas base, elaboración de borradores de escenarios—, mientras que para el juicio de probabilidad final y las decisiones de actualización, es más preciso que personas entrenadas lo hagan por ahora. La división del trabajo que "la IA explora, el humano juzga, la IA supervisa y el humano actualiza" es la composición de mayor precisión que muestran las investigaciones actuales. El nivel de escaneo que antaño solo estaba al alcance de estados nacionales y capital de riesgo ahora es accesible a investigadores individuales y empresas generales a través de esta división del trabajo.

Límites de la predicción de mercados de crecimiento

Hasta aquí hemos sistematizado las fuentes, métodos, prácticas e investigaciones más recientes para discernir mercados de crecimiento. Por último, sistematizamos los límites específicos de la predicción de mercados. Los límites se dividen en cuatro categorías: limitaciones de la percepción humana, limitaciones de la estructura del mercado, autorreferencia en la predicción, y limitaciones de datos y métodos.

Límites de la percepción

• Precisión predictiva de los expertos: Se ha demostrado mediante verificaciones grandes y a largo plazo que las predicciones de expertos tienen una precisión aproximadamente equivalente a la del azar. Un estudio que hizo seguimiento a aproximadamente 28.000 predicciones de 284 expertos durante 20 años mostró que la tasa de acierto de los expertos era casi igual a la de "un chimpancé lanzando dardos", con peor desempeño en el tipo que lo explica todo con una teoría grande (tipo erizo) y desempeño relativamente mejor en el tipo que incorpora flexiblemente información variada (tipo zorro) (Tetlock, 2005). Incluso en predicciones de mercado, una encuesta encargada por AT&T a principios de los años 80 predijo aproximadamente 900.000 contratos de telefonía móvil en EE.UU. en el año 2000, cifra que quedó más de 100 veces por debajo de los 109 millones reales (The Economist, 1999). Respecto a la energía solar, los pronósticos de adopción de instituciones principales consistentemente han estado por debajo de los resultados, y cuando los resultados han superado las predicciones, no han elevado suficientemente las predicciones del año siguiente (Creutzig et al., 2017).
• Regularidad en las distorsiones: Hay regularidad en la dirección de las distorsiones. Primero, aunque la difusión tecnológica avanza en forma de curva S o función exponencial, los humanos tienden a extrapolar linealmente la tendencia reciente, causando el error de "sobrestimar el cambio en 2 años y subestimar el cambio en 10 años" (Gates, 1996; Rogers, 1962). Se ha confirmado mediante comparación posterior con modelos estadísticos que los expertos subestiman sistemáticamente la reducción de costos de tecnologías energéticas (Meng et al., 2021). Segundo, las innovaciones disruptivas tienen bajo desempeño y mercados pequeños en su momento de aparición, por lo que el análisis basado en la voz de clientes existentes y datos de mercados existentes las clasifica como "insignificantes" (Christensen, 1997). Tercero, cuando se predice acumulando perspectivas "desde adentro" del propio proyecto, la falacia de planificación causa una distorsión sistemática hacia el optimismo. Un análisis de 258 proyectos públicos mostró que nueve de cada diez subestimaban costos (Kahneman & Tversky, 1979; Flyvbjerg, Holm & Buhl, 2002).
• Conservadurismo de los investigadores: Los investigadores presentan el mismo tipo de distorsión. Tienden a adoptar una estrategia conservadora concentrándose en áreas de moda ya establecidas, pero mientras que apostar por nuevos campos tiene alta tasa de fracaso, el impacto al tener éxito es grande, y cientos de millones de artículos muestran que las elecciones conservadoras de la comunidad en su conjunto son excesivas (Foster, Rzhetsky & Evans, 2015). En campos cuyo crecimiento ya es evidente para todos, la competencia es feroz y se pierde el beneficio del pionerismo temprano, por lo que solo en predicciones que se desvíen del consenso hay retornos excesivos (Thiel & Masters, 2014).

Límites estructurales

• Distinción entre riesgo e incertidumbre: Se ha distinguido entre "riesgo" predecible e "incertidumbre" impredecible. Mientras que el riesgo permite calcular probabilidades a partir de frecuencias pasadas, la incertidumbre sin pasado de referencia (incertidumbre de Knight) no permite que la probabilidad misma esté definida, y el despegue de nuevos mercados frecuentemente pertenece a esta última categoría (Knight, 1921). Además, en dominios donde la distribución de resultados se desvía significativamente de la distribución normal, eventos raros deciden la mayor parte del resultado, por lo que las predicciones promedio se desvían sistemáticamente. Se ha confirmado empíricamente que la inversión de riesgo y el valor de inventos tienen precisamente esta distribución (Taleb, 2007; Scherer & Harhoff, 2000; Kerr, Nanda & Rhodes-Kropf, 2014).
• Rendimientos crecientes y dependencia de la trayectoria: En mercados donde operan rendimientos crecientes y dependencia de la trayectoria, pequeñas casualidades iniciales deciden el ganador y no pueden predecirse de antemano. Debido a efectos de red o efectos de aprendizaje, la tecnología que se difunde primero fortalece su ventaja, por lo que especificaciones técnicamente inferiores pueden dominar el mercado. Este proceso ha sido modelado teóricamente (Arthur, 1989) y ejemplificado en la historia de la distribución de teclado QWERTY, que se consolidó sin ser técnicamente óptima (David, 1985). Esto significa que aunque "qué mercado crecerá" es predecible, "quién ganará en ese mercado" es estructuralmente difícil de predecir.
• Incorporación estructural de burbujas: El despliegue de tecnologías de propósito general incorpora estructuralmente fases de entusiasmo y burbujas. Las cinco revoluciones tecnológicas desde la Revolución Industrial todas formaron burbujas mediante una afluencia excesiva de capital financiero en la fase de introducción, entrando en la fase de despliegue tras el colapso (Perez, 2002). Incluso con una predicción correcta del crecimiento del mercado, entrar o invertir durante la fase de burbuja resulta en pérdidas. La corrección de la predicción y la corrección del momento de entrada y el precio requieren ser verificadas por separado.

Límites de la autorreferencia

• Profecía que se cumple a sí misma: La predicción de fenómenos sociales se ve alterada por el hecho mismo de ser predicha, cambiando el comportamiento del objeto predicho. Esta estructura de "profecía que se cumple a sí misma" es una observación clásica de la sociología (Merton, 1948) y se aplica directamente a la predicción de mercados. Cuando la expectativa de que "este mercado crecerá" se comparte ampliamente, la entrada en masa se materializa y el crecimiento se realiza, mientras que la ganancia por participante desaparece. Se ha confirmado causalmente en industrias farmacéutica y automotriz que la expectativa sobre el tamaño futuro del mercado realmente impulsa la invención y entrada (Acemoglu & Linn, 2004; Dubois et al., 2015; Aghion et al., 2016).
• El problema de lo ya incorporado: En contextos de inversión, este límite se manifiesta como el problema de lo "ya incorporado". Las expectativas basadas en información pública ya se reflejan en el precio, por lo que el crecimiento conocido por todos no genera retornos excesivos (Fama, 1970). El "crecimiento en trampa" —donde la inversión en industrias y empresas de crecimiento resulta en retornos inesperadamente bajos— surge porque las expectativas de crecimiento se incorporan en el precio de las acciones, pagando un precio inflado (Siegel, 2005). Discernir el crecimiento y obtener ganancia de ese crecimiento son problemas separados.
• Ley de Goodhart: Cuando una métrica se convierte en objetivo, pierde su valor como métrica. Esta ley —que "cuando una cantidad estadística se convierte en objetivo de política, pierde su confiabilidad como cantidad estadística" (Goodhart, 1984)— aplica también a indicadores adelantados. Si el número de solicitudes de patentes o vacantes de empleo se reconocen ampliamente como "señal de mercado de crecimiento", aumentarán solicitudes y vacantes conscientes de ello, y la señal se convertirá en ruido. Los indicadores adelantados poseen su poder predictivo más alto solo durante el período anterior a su reconocimiento como indicadores.

Límites de datos y métodos

• Los nuevos mercados no tienen datos: Los métodos cuantitativos requieren datos históricos, pero los nuevos mercados, por definición, no tienen pasado. Los coeficientes de los modelos de difusión no pueden estimarse establemente hasta que la tasa de adopción alcanza el 10-20% (Bass, 1969; Sultan, Farley & Lehmann, 1990), y antes de eso se depende de predicción de clase de referencia que toma prestados coeficientes de casos similares (Kahneman & Tversky, 1979). Sin embargo, la elección de qué considerar "similar" determina el resultado, y esa elección misma depende del juicio del predictor. El hallazgo de que los modelos estadísticos superan a los expertos (Meng et al., 2021) es una conclusión sobre tecnologías con décadas de historial de costos, y no se aplica directamente a tecnologías sin historial.
• Debilidad del aprendizaje automático ante cambios de régimen：El aprendizaje automático solo puede aprender de patrones pasados y tiene limitaciones ante cambios estructurales (cambios de régimen). En una competencia de predicción a gran escala utilizando 100,000 series de tiempo, los métodos puros de aprendizaje automático fueron superados por métodos estadísticos simples, y la combinación de múltiples métodos fue la más precisa (Makridakis, Spiliotis & Assimakopoulos, 2018; Makridakis et al., 2020). En cuanto a los grandes modelos de lenguaje, mientras se reporta que se equiparan con la sabiduría colectiva humana, en benchmarks que se actualizan continuamente aún no alcanzan a los superprevisores entrenados (Schoenegger et al., 2024a; Karger et al., 2024).
• Falsos positivos en la detección de señales：La detección de señales siempre enfrenta el problema de los falsos positivos. La definición misma de tecnologías emergentes incluye incertidumbre (Rotolo, Hicks & Martin, 2015), y no es raro que tecnologías que han atraído atención se desvanezcan posteriormente, fenómeno conocido como "hype". El "ciclo de expectativas" (hype cycle) que describe la transición de expectativas sobre tecnología se usa ampliamente en la práctica, pero se señala que tiene poca base empírica para demostrar si su forma puede generalizarse (Dedehayir & Steinert, 2016). La mayoría de señales débiles son, retrospectivamente, ruido que no condujo a nada.

Punto de llegada considerando limitaciones

• Probabilidad, actualización y combinación：Las limitaciones anteriores no son razón para abandonar la previsión, sino para cambiar cómo la usamos. Primero, el resultado de una previsión no es un punto sino una distribución de probabilidad, y debe tratarse con amplitud. Segundo, las probabilidades deben actualizarse cada vez que llega nueva información, y la obstinación en mantener una previsión una vez emitida es el factor de fracaso más importante. La diferencia de aproximadamente 30% que los previsoores entrenados tienen respecto a los analistas de información proviene principalmente de este hábito de actualización (Mellers et al., 2014; Tetlock & Gardner, 2015). Tercero, depender de múltiples métodos combinados es una conclusión consistentemente respaldada tanto por medio siglo de investigación de previsión como por las competiciones más recientes (Armstrong, 2001; Makridakis et al., 2020).
• Complemento mediante foresight：La incertidumbre que no se puede abordar mediante previsión (forecasting) se complementa con foresight. Para futuros que no pueden predecirse, es más racional diseñar múltiples escenarios, monitorear indicadores adelantados y preparar decisiones que funcionen en cualquier escenario que apostar por una única previsión (Schoemaker, 1995; Wack, 1985). Cuando una previsión falla, es porque el método es deficiente, y el método puede mejorarse. Sin embargo, incluso los métodos mejorados tienen limitaciones, y el diseño de la toma de decisiones basado en estas limitaciones se convierte en el siguiente paso después de la previsión.

Conclusión

De esta manera, hemos organizado enfoques para encontrar mercados en crecimiento. Los métodos organizados aquí no pueden predecir con certeza los mercados en crecimiento, pero demuestran que a través de un enfoque científico es posible predecir con la mayor probabilidad posible. Se considera que puede utilizarse como enfoque para predecir qué tipo de mercados habrá en la futura era de la IA.

Referencias

• Acemoglu, D., & Linn, J. (2004). Market size in innovation: Theory and evidence from the pharmaceutical industry. Quarterly Journal of Economics, 119(3), 1049–1090.（Artículo que demostró que el tamaño de mercado previsto por cambios demográficos determina la dirección del desarrollo de nuevos fármacos）
• Aghion, P., Dechezleprêtre, A., Hémous, D., Martin, R., & Van Reenen, J. (2016). Carbon taxes, path dependency, and directed technical change: Evidence from the auto industry. Journal of Political Economy, 124(1), 1–51.（Artículo que demostró que el aumento de precios de combustibles incrementa las patentes de tecnología limpia de fabricantes de automóviles）
• Aguilar, F. J. (1967). Scanning the business environment. Macmillan.（Obra que sistematizó el escaneo del ambiente externo de la empresa, convirtiéndose en el prototipo del análisis PEST）
• Ahmadpoor, M., & Jones, B. F. (2017). The dual frontier: Patented inventions and prior scientific advance. Science, 357(6351), 583–587.（Artículo que midió la distancia entre ciencia y tecnología mediante redes de citas de patentes y artículos, mostrando que las patentes de alto valor de mercado están cerca de la ciencia básica）
• Andreessen, M. (2011, August 20). Why software is eating the world. The Wall Street Journal.（Artículo de opinión que presentó la tesis de inversión de que el software reorganizará todas las industrias）
• Ansoff, H. I. (1975). Managing strategic surprise by response to weak signals. California Management Review, 18(2), 21–33.（Artículo que propugnó la respuesta a "señales débiles" que preceden a grandes cambios）
• Armstrong, J. S. (Ed.). (2001). Principles of forecasting: A handbook for researchers and practitioners. Kluwer Academic Publishers.（Manual que consolidó los principios de investigación de previsión, demostrando que la combinación de métodos mejora la precisión）
• Arrow, K. J., Forsythe, R., Gorham, M., Hahn, R., Hanson, R., Ledyard, J. O., Levmore, S., Litan, R., Milgrom, P., Nelson, F. D., Neumann, G. R., Ottaviani, M., Schelling, T. C., Shiller, R. J., Smith, V. L., Snowberg, E., Sunstein, C. R., Tetlock, P. C., Tetlock, P. E., … Zitzewitz, E. (2008). The promise of prediction markets. Science, 320(5878), 877–878.（Artículo que discutió la efectividad y posibilidades políticas de los mercados de predicción）
• Arthur, W. B. (1989). Competing technologies, increasing returns, and lock-in by historical events. Economic Journal, 99(394), 116–131.（Artículo que teorizó cómo bajo rendimientos crecientes, la casualidad inicial determina el ganador, dificultando la predicción previa）
• Atanasov, P., Rescober, P., Stone, E., Swift, S. A., Servan-Schreiber, E., Tetlock, P., Ungar, L., & Mellers, B. (2017). Distilling the wisdom of crowds: Prediction markets vs. prediction polls. Management Science, 63(3), 691–706.（Artículo que demostró que encuestas de predicción agregadas estadísticamente tienen precisión igual o superior a los mercados de predicción）
• Bass, F. M. (1969). A new product growth for model consumer durables. Management Science, 15(5), 215–227.（Artículo original del modelo Bass que formaliza la difusión de nuevos productos mediante coeficientes de innovación e imitación）
• Bass, F. M., Gordon, K., Ferguson, T. L., & Githens, M. L. (2001). DIRECTV: Forecasting diffusion of a new technology prior to product launch. Interfaces, 31(3), S82–S93.（Artículo que reportó la predicción del número de suscriptores de televisión satelital con el modelo Bass antes del lanzamiento del producto, coincidiendo casi exactamente con los resultados）
• Bloom, N., Hassan, T. A., Kalyani, A., Lerner, J., & Tahoun, A. (2021). The diffusion of disruptive technologies (NBER Working Paper No. 28999). National Bureau of Economic Research.（Artículo que rastreó la difusión entre empresas y regiones de 29 tecnologías disruptivas usando texto de explicaciones de resultados, patentes y ofertas de empleo）
• Boston Consulting Group. (1968). Perspectives on experience. Boston Consulting Group.（Informe que incorporó la ley de Wright como "curva de experiencia" en la estrategia empresarial）
• Bresnahan, T. F., & Trajtenberg, M. (1995). General purpose technologies: 'Engines of growth'? Journal of Econometrics, 65(1), 83–108.（Artículo que mostró cómo las tecnologías de propósito general generan crecimiento a través de cadenas de innovaciones complementarias）
• Bryar, C., & Carr, B. (2021). Working backwards: Insights, stories, and secrets from inside Amazon. St. Martin's Press.（Obra en la que un insider explica el proceso de cálculo inverso centrado en el cliente de Amazon）
• Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333–372.（Artículo que mostró la curva J que describe cómo la inversión en tecnologías de propósito general se refleja en productividad después de pasar por la preparación de activos intangibles complementarios）
• Chen, K.-Y., & Plott, C. R. (2002). Information aggregation mechanisms: Concept, design and implementation for a sales forecasting problem (Social Science Working Paper No. 1131). California Institute of Technology. (Artículo que informó sobre la superación de los mercados de predicción internos de HP respecto a las previsiones de ventas oficiales)
• Christensen, C. M. (1997). The innovator's dilemma: When new technologies cause great firms to fail. Harvard Business School Press. (Obra que demostró por qué la innovación disruptiva permanece invisible en el análisis de mercado de las empresas existentes)
• Christensen, C. M., Hall, T., Dillon, K., & Duncan, D. S. (2016). Know your customers' "jobs to be done". Harvard Business Review, 94(9), 54–62. (Artículo que explicó la teoría de trabajos que exploran la redefinición del mercado a partir de las "tareas que los clientes desean completar")
• Chu, J. S. G., & Evans, J. A. (2021). Slowed canonical progress in large fields of science. Proceedings of the National Academy of Sciences, 118(41), e2021636118. (Artículo que demostró que cuanto más madura es un campo científico, más difícil es que se establezcan nuevas ideas)
• Collantes, G., & Sperling, D. (2008). The origin of California's zero emission vehicle mandate. Transportation Research Part A: Policy and Practice, 42(10), 1302–1313. (Artículo que analizó el proceso de establecimiento de la regulación ZEV de California en 1990 y mostró el punto de partida en el que la regulación orientó el mercado de vehículos eléctricos)
• Comin, D., & Hobijn, B. (2010). An exploration of technology diffusion. American Economic Review, 100(5), 2031–2059. (Artículo que demostró que el retraso desde la invención hasta la difusión promedia 45 años, y que esta brecha explica las disparidades de ingresos entre países)
• Costinot, A., Donaldson, D., Kyle, M., & Williams, H. (2019). The more we die, the more we sell? A simple test of the home-market effect. Quarterly Journal of Economics, 134(2), 843–894. (Artículo que demostró que los países con mayor carga de enfermedades aumentan la producción y exportación de medicamentos de tratamiento, probando que la demanda impulsa la ubicación de la producción)
• Cowgill, B., & Zitzewitz, E. (2015). Corporate prediction markets: Evidence from Google, Ford, and Firm X. Review of Economic Studies, 82(4), 1309–1341. (Artículo que demostró que los mercados de predicción internos de Google y Ford funcionaron como probabilidades calibradas y corrigieron el sesgo de optimismo de las previsiones oficiales)
• Creutzig, F., Agoston, P., Goldschmidt, J. C., Luderer, G., Nemet, G., & Pietzcker, R. C. (2017). The underestimated potential of solar energy to mitigate climate change. Nature Energy, 2, 17140. (Artículo que analizó las causas de la subestimación sistemática continuada de las previsiones de adopción de energía solar por organismos principales)
• Dalkey, N., & Helmer, O. (1963). An experimental application of the Delphi method to the use of experts. Management Science, 9(3), 458–467. (Artículo que informó sobre la primera aplicación experimental del método Delphi)
• David, P. A. (1985). Clio and the economics of QWERTY. American Economic Review, 75(2), 332–337. (Artículo que demostró mediante el ejemplo de la distribución QWERTY que los estándares técnicamente no óptimos pueden dominar el mercado mediante la dependencia de la ruta)
• David, P. A. (1990). The dynamo and the computer: An historical perspective on the modern productivity paradox. American Economic Review, 80(2), 355–361. (Artículo que mostró la estructura temporal de las tecnologías de propósito general a partir de la historia de cómo el efecto de productividad de la electricidad se retrasó aproximadamente 40 años)
• Day, G. S., & Schoemaker, P. J. H. (2006). Peripheral vision: Detecting the weak signals that will make or break your company. Harvard Business School Press. (Obra que mostró por qué las organizaciones no perciben señales débiles y métodos para mejorar la visión periférica)
• Dedehayir, O., & Steinert, M. (2016). The hype cycle model: A review and future directions. Technological Forecasting and Social Change, 108, 28–41. (Revisión que organizó cómo la base empírica es débil para generalizar la forma del ciclo de expectativas de manera confiable)
• Drucker, P. F. (1997). The future that has already happened. Harvard Business Review, 75(5), 20–24. (Artículo que mostró el enfoque de utilizar datos demográficos como el "futuro que ya ha sucedido" para la predicción)
• Dubois, P., de Mouzon, O., Scott-Morton, F., & Seabright, P. (2015). Market size and pharmaceutical innovation. RAND Journal of Economics, 46(4), 844–871. (Artículo que estimó que un aumento del 1% en el tamaño del mercado incrementa el número de nuevos medicamentos aproximadamente un 0.2%)
• Ebadi, A., Auger, A., & Gauthier, Y. (2022). Detecting emerging technologies and their evolution using deep learning and weak signal analysis. Journal of Informetrics, 16(4), 101344. (Artículo que mostró métodos para detectar tecnologías emergentes mediante aprendizaje profundo y análisis de señales débiles)
• The Economist. (1999, October 7). Cutting the cord. (Artículo que informó sobre el caso en el que las previsiones del mercado de telefonía móvil en los años 80 subestimaron los resultados reales más de 100 veces)
• Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs: Labor market impact potential of LLMs. Science, 384(6702), 1306–1308. (Artículo que estimó el alcance del mercado laboral afectado por modelos de lenguaje de gran escala a partir de la composición de tareas de las ocupaciones)
• European Commission Joint Research Centre. (2024). Weak signals in science and technologies 2024. Publications Office of the European Union. (Informe operativo anual de la UE sobre detección de señales débiles)
• Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. Journal of Finance, 25(2), 383–417. (Artículo que sistematizó la hipótesis de mercados eficientes que sostiene que la información pública ya se refleja en los precios)
• Farmer, J. D., & Lafond, F. (2016). How predictable is technological progress? Research Policy, 45(3), 647–665. (Artículo que demostró que la predicción probabilística de costos tecnológicos basada en curvas de experiencia posee precisión práctica)
• Felin, T., & Zenger, T. R. (2017). The theory-based view: Economic actors as theorists. Strategy Science, 2(4), 258–271. (Artículo que presentó la visión estratégica basada en la teoría, donde la promesa del mercado solo se ve mediante la teoría única de cada empresa)
• Flyvbjerg, B. (2006). From Nobel Prize to project management: Getting risks right. Project Management Journal, 37(3), 5–15. (Artículo que aplicó la predicción de clase de referencia a la práctica y mostró métodos para abordar el sesgo de planificación)
• Flyvbjerg, B., Holm, M. S., & Buhl, S. (2002). Underestimating costs in public works projects: Error or lie? Journal of the American Planning Association, 68(3), 279–295. (Artículo que demostró que el 90% de 258 proyectos de infraestructura incurrieron en sobrecostos, corroborando la necesidad de predicción de clase de referencia)
• Forsythe, R., Nelson, F., Neumann, G. R., & Wright, J. (1992). Anatomy of an experimental political stock market. American Economic Review, 82(5), 1142–1161. (Artículo que informó que el mercado electoral de Iowa predijo con mayor precisión los resultados electorales que las encuestas de opinión)
• Foster, J. G., Rzhetsky, A., & Evans, J. A. (2015). Tradition and innovation in scientists' research strategies. American Sociological Review, 80(5), 875–908.（Estudio que demostró a través de millones de artículos que, si bien la selección conservadora de temas es dominante entre los investigadores, las apuestas por nuevas áreas generan un alto impacto）
• Fuchs, E. R. H. (2010). Rethinking the role of the state in technology development: DARPA and the case for embedded network governance. Research Policy, 39(9), 1133–1147.（Estudio que analizó el mecanismo mediante el cual DARPA invierte en áreas tecnológicas en fases donde el mercado aún no existe）
• Garfield, E. (1955). Citation indexes for science: A new dimension in documentation through association of ideas. Science, 122(3159), 108–111.（Estudio que propuso índices de citación de artículos y sentó las bases de la cienciometría）
• Gates, B. (1996). The road ahead (Rev. ed.). Penguin Books.（Obra que señaló la tendencia humana a sobrestimar los cambios a corto plazo y subestimar los cambios a largo plazo）
• Goldfarb, A., Taska, B., & Teodoridis, F. (2023). Could machine learning be a general purpose technology? A comparison of emerging technologies using data from online job postings. Research Policy, 52(1), 104653.（Estudio que verificó si el aprendizaje automático cumple con las condiciones de una tecnología de propósito general utilizando información de ofertas de empleo en línea）
• Goldin, C. (2006). The quiet revolution that transformed women's employment, education, and family. American Economic Review, 96(2), 1–21.（Estudio que analizó la expansión del empleo y la formación de carrera de las mujeres como una "revolución silenciosa"）
• Gompers, P. A., Gornall, W., Kaplan, S. N., & Strebulaev, I. A. (2020). How do venture capitalists make decisions? Journal of Financial Economics, 135(1), 169–190.（Estudio que, mediante encuestas a 885 capitalistas de riesgo, reveló los factores en las decisiones de inversión y sus ponderaciones）
• Goodhart, C. A. E. (1984). Monetary theory and practice: The UK experience. Macmillan.（Obra que ilustró la "ley de Goodhart", que establece que una magnitud estadística pierde su confiabilidad como indicador cuando se convierte en objetivo de política）
• Goodwin, P., Dyussekeneva, K., & Meeran, S. (2013). The use of analogies in forecasting the annual sales of new electronics products. IMA Journal of Management Mathematics, 24(4), 407–423.（Estudio que demostró que la predicción de ventas de nuevos productos electrónicos usando analogía de productos similares es más precisa que las predicciones basadas únicamente en juicio）
• Graham, P. (2012). How to get startup ideas. Y Combinator.（Ensayo que presentó un método para descubrir ideas de emprendimiento: "vivir en el futuro y crear lo que falta"）
• Griliches, Z. (1957). Hybrid corn: An exploration in the economics of technological change. Econometrica, 25(4), 501–522.（Estudio que analizó cuantitativamente la curva S de difusión del maíz híbrido y demostró que la velocidad de adopción es proporcional a la rentabilidad）
• Gross, B. (2015). The single biggest reason why start-ups succeed [Video]. TED Conferences.（Conferencia que, basándose en el análisis de más de 200 empresas, identificó el timing como el factor más importante para el éxito de startups）
• Grove, A. S. (1996). Only the paranoid survive: How to exploit the crisis points that challenge every company. Currency Doubleday.（Obra en la que el autor, como participante directo, analiza cómo los beneficios se desplazaron cuando la industria de PC pasó de la integración vertical a la especialización horizontal）
• Habegger, B. (2010). Strategic foresight in public policy: Reviewing the experiences of the UK, Singapore, and the Netherlands. Futures, 42(1), 49–58.（Estudio que comparó los sistemas de prospectiva estratégica de varios gobiernos, incluido el RAHS de Singapur）
• Halawi, D., Zhang, F., Yueh-Han, C., & Steinhardt, J. (2024). Approaching human-level forecasting with language models. arXiv preprint arXiv:2402.18563.（Estudio que demostró que los LLM reforzados con información de búsqueda alcanzan una precisión cercana a la de los equipos humanos de predicción）
• Hall, B. H., Jaffe, A., & Trajtenberg, M. (2005). Market value and patent citations. RAND Journal of Economics, 36(1), 16–38.（Estudio empírico que demostró que las patentes con mayor cantidad de citas contribuyen más significativamente al valor empresarial）
• Hamming, R. W. (1986). You and your research [Lecture]. Bell Communications Research Colloquium Seminar.（Conferencia en la que se argumenta que los investigadores que logran grandes resultados seleccionan problemas importantes e ingresan temprano a áreas en desarrollo）
• Hayek, F. A. (1945). The use of knowledge in society. American Economic Review, 35(4), 519–530.（Estudio que argumenta que los precios funcionan para agregar conocimiento disperso, constituyendo la base teórica de los mercados de predicción）
• Hill, R., Yin, Y., Stein, C., Wang, X., Wang, D., & Jones, B. F. (2025). The pivot penalty in research. Nature, 642, 999–1006.（Estudio basado en datos a gran escala que demostró que el impacto disminuye cuando los investigadores se alejan de su especialidad para cambiar de tema）
• Jacobsson, S., & Lauber, V. (2006). The politics and policy of energy system transformation—explaining the German diffusion of renewable energy technology. Energy Policy, 34(3), 256–276.（Estudio que analizó el proceso de aprobación de la Ley de Energías Renovables alemana y cómo logró impulsar el mercado de la energía solar）
• Kahn, H., & Wiener, A. J. (1967). The year 2000: A framework for speculation on the next thirty-three years. Macmillan.（Obra seminal de planificación por escenarios que sistematizó la metodología de escenarios desarrollada por el RAND Institute）
• Kahneman, D., & Tversky, A. (1979). Intuitive prediction: Biases and corrective procedures. TIMS Studies in Management Science, 12, 313–327.（Estudio que presentó el sesgo de planificación y un procedimiento correctivo mediante la perspectiva externa (clase de referencia)）
• Karger, E., Bastani, H., Yueh-Han, C., Jacobs, Z., Halawi, D., Zhang, F., & Tetlock, P. E. (2024). ForecastBench: A dynamic benchmark of AI forecasting capabilities. arXiv preprint arXiv:2409.19839.（Estudio que utilizó un benchmark actualizado continuamente para demostrar que los LLM más avanzados aún no alcanzan el nivel de los superpronosticadores）
• Karikó, K., Buckstein, M., Ni, H., & Weissman, D. (2005). Suppression of RNA recognition by Toll-like receptors: The impact of nucleoside modification and the evolutionary origin of RNA. Immunity, 23(2), 165–175.（Estudio que presentó el método de nucleósidos modificados que fundamentó las vacunas de ARNm y fue objeto del Premio Nobel de 2023）
• Keating, G. (2012). Netflixed: The epic battle for America's eyeballs. Portfolio/Penguin.（Obra que describe cómo Netflix anticipó desde su fundación la transición a la distribución por streaming y reemplazó su propio negocio principal）
• Kerr, W. R., Nanda, R., & Rhodes-Kropf, M. (2014). Entrepreneurship as experimentation. Journal of Economic Perspectives, 28(3), 25–48.（Estudio que demostró que los retornos de capital de riesgo dependen de unos pocos grandes éxitos en una distribución sesgada, funcionando la inversión como experimento）
• Kharas, H. (2017). The unprecedented expansion of the global middle class: An update (Global Economy & Development Working Paper No. 100). Brookings Institution.（Estudio que estimó la rápida expansión de la población de clase media global y su concentración en Asia）
• Knight, F. H. (1921). Risk, uncertainty and profit. Houghton Mifflin.（Clásico de economía que distingue entre riesgo, cuya probabilidad es calculable, e incertidumbre, que no lo es）
• Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097–1105.（Las redes neuronales profundas entrenadas con GPU ganaron abrumadoramente en reconocimiento de imágenes, y este documento marcó el punto de partida del auge del aprendizaje profundo）
• Lafond, F., Bailey, A. G., Bakker, J. D., Rebois, D., Zadourian, R., McSharry, P., & Farmer, J. D. (2018). How well do experience curves predict technological progress? A method for making distributional forecasts. Technological Forecasting and Social Change, 128, 104–117.（Documento que propone un método de pronóstico de distribución probabilística basado en curvas de experiencia y lo valida en más de 50 tecnologías）
• Lee, C., Kwon, O., Kim, M., & Kwon, D. (2018). Early identification of emerging technologies: A machine learning approach using multiple patent indicators. Technological Forecasting and Social Change, 127, 291–303.（Documento que muestra un método para identificar tempranamente tecnologías emergentes utilizando múltiples indicadores de patentes y aprendizaje automático）
• Lee, J., Veloso, F. M., & Hounshell, D. A. (2011). Linking induced technological change, and environmental regulation: Evidence from patenting in the U.S. auto industry. Research Policy, 40(9), 1240–1252.（Documento que demuestra que la regulación de emisiones estadounidense indujo solicitudes de patentes de tecnología de tratamiento de emisiones en la industria automotriz）
• Levitt, T. (1983). The marketing imagination. Free Press.（Obra que popularizó la perspicacia de que "los clientes quieren agujeros, no taladros"）
• Lilien, G. L., Morrison, P. D., Searls, K., Sonnack, M., & von Hippel, E. (2002). Performance assessment of the lead user idea-generation process for new product development. Management Science, 48(8), 1042–1059.（Documento que demostró que el método de usuario líder en 3M generó aproximadamente 8 veces más potencial de ventas que los métodos convencionales）
• Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and machine learning forecasting methods: Concerns and ways forward. PLoS ONE, 13(3), e0194889.（Documento que muestra que los métodos puros de aprendizaje automático tienen un desempeño inferior a los métodos estadísticos simples, sistematizando las limitaciones del aprendizaje automático en la predicción）
• Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2020). The M4 Competition: 100,000 time series and 61 forecasting methods. International Journal of Forecasting, 36(1), 54–74.（Documento que reporta que la combinación de múltiples métodos fue la más precisa en una competencia de pronóstico con 100,000 series temporales）
• Marx, M., & Fuegi, A. (2020). Reliance on science: Worldwide front-page patent citations to scientific articles. Strategic Management Journal, 41(9), 1572–1594.（Documento que construyó una base de datos de artículos científicos citados por patentes, haciendo posible rastrear a gran escala la conexión entre ciencia e industria）
• Mathews, J. A. (1997). A Silicon Valley of the East: Creating Taiwan's semiconductor industry. California Management Review, 39(4), 26–54.（Documento que analiza cómo el gobierno taiwanés creó la industria de semiconductores a través de ITRI y TSMC）
• Mazzucato, M. (2013). The entrepreneurial state: Debunking public vs. private sector myths. Anthem Press.（Obra que demuestra que muchas de las tecnologías principales que componen el iPhone provienen de fondos de investigación pública, argumentando sobre el papel de la inversión estatal previa）
• Mellers, B., Ungar, L., Baron, J., Ramos, J., Gurcay, B., Fincher, K., Scott, S. E., Moore, D., Atanasov, P., Swift, S. A., Murray, T., Stone, E., & Tetlock, P. E. (2014). Psychological strategies for winning a geopolitical forecasting tournament. Psychological Science, 25(5), 1106–1115.（Documento que demuestra en un torneo de pronóstico que el entrenamiento, la formación de equipos y la actualización de probabilidades mejoran significativamente la precisión del pronóstico）
• Meng, J., Way, R., Verdolini, E., & Diaz Anadon, L. (2021). Comparing expert elicitation and model-based probabilistic technology cost forecasts for the energy transition. Proceedings of the National Academy of Sciences, 118(27), e1917165118.（Documento que muestra que los modelos estadísticos superan las estimaciones de expertos en pronósticos de costos de tecnología energética, indicando que los expertos subestiman la reducción de costos）
• Merton, R. K. (1948). The self-fulfilling prophecy. Antioch Review, 8(2), 193–210.（Documento que formalizó la "profecía autocumplida", donde las predicciones cambian el comportamiento del objeto y se realizan a sí mismas）
• Myers, K. (2020). The elasticity of science. American Economic Journal: Applied Economics, 12(4), 103–134.（Documento que demuestra con datos de NIH que los investigadores cambian de tema en respuesta a fondos de investigación con fines designados）
• Nagy, B., Farmer, J. D., Bui, Q. M., & Trancik, J. E. (2013). Statistical basis for predicting technological progress. PLoS ONE, 8(2), e52669.（Documento que valida el poder predictivo de la Ley de Wright en datos de 62 tecnologías）
• Park, M., Leahey, E., & Funk, R. J. (2023). Papers and patents are becoming less disruptive over time. Nature, 613, 138–144.（Documento que muestra en 45 millones de artículos y 3,9 millones de patentes que la proporción de resultados disruptivos ha disminuido continuamente）
• Perez, C. (2002). Technological revolutions and financial capital: The dynamics of bubbles and golden ages. Edward Elgar.（Obra que muestra a través de cinco ondas cómo las revoluciones tecnológicas atraviesan fases de introducción, burbuja, punto de inflexión y expansión）
• Popp, D. (2002). Induced innovation and energy prices. American Economic Review, 92(1), 160–180.（Documento que demuestra que aumentos en los precios de la energía inducen solicitudes de patentes para tecnologías de ahorro de energía）
• Porter, M. E., & van der Linde, C. (1995). Toward a new conception of the environment-competitiveness relationship. Journal of Economic Perspectives, 9(4), 97–118.（Documento que argumenta que la regulación adecuadamente diseñada estimula la innovación y nuevos mercados）
• Raina, R., Madhavan, A., & Ng, A. Y. (2009). Large-scale deep unsupervised learning using graphics processors. Proceedings of the 26th Annual International Conference on Machine Learning, 873–880.（Documento que muestra que las GPU aceleran significativamente el entrenamiento del aprendizaje profundo, convirtiéndose en una señal previa de la demanda de computación GPU）
• Rogers, E. M. (1962). Diffusion of innovations. Free Press.（Obra clásica de la teoría de difusión que muestra que la difusión de innovaciones sigue una curva en forma de S）
• Rohrbeck, R., & Kum, M. E. (2018). Corporate foresight and its impact on firm performance: A longitudinal analysis. Technological Forecasting and Social Change, 129, 105–116.（Documento que demuestra que las empresas con funciones de prospectiva muestran márgenes de ganancia y tasas de crecimiento más altos siete años después）
• Rohrbeck, R., Battistella, C., & Huizingh, E. (2015). Corporate foresight: An emerging field with a rich tradition. Technological Forecasting and Social Change, 101, 1–9.（Documento que organiza el campo de investigación de la prospectiva empresarial y posiciona su relación con la predicción）
• Rotolo, D., Hicks, D., & Martin, B. R. (2015). What is an emerging technology? Research Policy, 44(10), 1827–1843.（Artículo que define las tecnologías emergentes mediante cinco atributos y proporciona un marco común para investigaciones posteriores）
• Rowe, G., & Wright, G. (1999). The Delphi technique as a forecasting tool: Issues and analysis. International Journal of Forecasting, 15(4), 353–375.（Artículo que verifica la precisión predictiva del método Delphi a través de una revisión de estudios empíricos）
• Ryan, B., & Gross, N. C. (1943). The diffusion of hybrid seed corn in two Iowa communities. Rural Sociology, 8(1), 15–24.（Artículo pionero en estudios de difusión que descubrió por primera vez que la adopción de innovaciones sigue una curva en forma de S）
• Satopää, V. A., Baron, J., Foster, D. P., Mellers, B. A., Tetlock, P. E., & Ungar, L. H. (2014). Combining multiple probability predictions using a simple logit model. International Journal of Forecasting, 30(2), 344–356.（Artículo que demuestra que la precisión mejora cuando se extremizan y agregan predicciones de probabilidad colectivas）
• Scherer, F. M., & Harhoff, D. (2000). Technology policy for a world of skew-distributed outcomes. Research Policy, 29(4–5), 559–566.（Artículo que demuestra que el valor económico de las invenciones tiene una distribución extremadamente sesgada, donde una minoría captura la mayor parte del valor）
• Schmookler, J. (1966). Invention and economic growth. Harvard University Press.（Obra clásica de la teoría de la demanda como motor de la innovación, demostrando que la dirección de las invenciones responde al tamaño de la demanda）
• Schoemaker, P. J. H. (1995). Scenario planning: A tool for strategic thinking. Sloan Management Review, 36(2), 25–40.（Artículo que sistematiza los procedimientos y la importancia estratégica de la planificación de escenarios）
• Schoemaker, P. J. H., & Day, G. S. (2009). How to make sense of weak signals. MIT Sloan Management Review, 50(3), 81–89.（Artículo que muestra cómo detectar e interpretar sistemáticamente señales débiles en las organizaciones）
• Schoenegger, P., Park, P. S., Karger, E., Trott, S., & Tetlock, P. E. (2024b). AI-augmented predictions: LLM assistants improve human forecasting accuracy. arXiv preprint arXiv:2402.07862.（Artículo que demuestra que la precisión predictiva de los humanos mejora significativamente cuando se les proporcionan asistentes LLM）
• Schoenegger, P., Tuminauskaite, I., Park, P. S., & Tetlock, P. E. (2024a). Wisdom of the silicon crowd: LLM ensemble prediction capabilities rival human crowd accuracy. Science Advances, 10(45), eadp1528.（Artículo que muestra que los conjuntos de LLM demuestran una precisión predictiva comparable a la sabiduría colectiva humana）
• Schwartz, P. (1991). The art of the long view: Planning for the future in an uncertain world. Doubleday.（Obra que sistematiza la práctica de planificación de escenarios de Shell y que describa la preparación para el colapso de precios del petróleo de 1986）
• Siegel, J. J. (2005). The future for investors: Why the tried and the true triumph over the bold and the new. Crown Business.（Obra que demuestra con datos a largo plazo la «trampa del crecimiento», donde las inversiones en industrias en crecimiento terminan con bajos retornos）
• Singh, A., Triulzi, G., & Magee, C. L. (2021). Technological improvement rate predictions for all technologies: Use of patent data and an extended domain description. Research Policy, 50(9), 104294.（Artículo que predice la tasa de mejora anual en 1.757 dominios tecnológicos utilizando datos de patentes）
• Sultan, F., Farley, J. U., & Lehmann, D. R. (1990). A meta-analysis of applications of diffusion models. Journal of Marketing Research, 27(1), 70–77.（Metaanálisis de 213 estudios de aplicación del modelo Bass que muestra valores típicos de coeficientes de innovación e imitación）
• Taleb, N. N. (2007). The black swan: The impact of the highly improbable. Random House.（Obra que analiza cómo en distribuciones que se desvían de la distribución normal, los eventos raros dominan los resultados y las predicciones promedio fallan）
• Tetlock, P. E. (2005). Expert political judgment: How good is it? How can we know? Princeton University Press.（Obra que rastrea la precisión predictiva de expertos durante 20 años, demostrando sus limitaciones y potencial de mejora）
• Tetlock, P. E., & Gardner, D. (2015). Superforecasting: The art and science of prediction. Crown.（Obra que sistematiza la predicción como habilidad entrenable）
• Tetlock, P. E., Mellers, B. A., & Scoblic, J. P. (2017). Bringing probability judgments into policy debates via forecasting tournaments. Science, 355(6324), 481–483.（Artículo que propone los torneos de predicción como medio para incorporar pensamiento probabilístico en debates de política）
• Thiel, P., & Masters, B. (2014). Zero to one: Notes on startups, or how to build the future. Crown Business.（Obra que analiza la inversión en «verdades ocultas» que divergen del consenso）
• Uzzi, B., Mukherjee, S., Stringer, M., & Jones, B. (2013). Atypical combinations and scientific impact. Science, 342(6157), 468–472.（Artículo que demuestra que los artículos de alto impacto tienen una estructura que añade una combinación atípica a conocimientos convencionales）
• Valentine, D. (2010). View from the top [Lecture]. Stanford Graduate School of Business.（Conferencia del fundador de Sequoia Capital en la que expone su enfoque de tomar el tamaño del mercado como primer criterio en decisiones de inversión）
• von Hippel, E. (1976). The dominant role of users in the scientific instrument innovation process. Research Policy, 5(3), 212–239.（Artículo que demuestra que el 77% de las innovaciones en instrumentos científicos provienen de usuarios, convirtiéndose en el punto de origen del método de usuario líder）
• von Hippel, E. (1986). Lead users: A source of novel product concepts. Management Science, 32(7), 791–805.（Artículo original del método de usuario líder que demuestra que los usuarios avanzados anticipan la demanda futura）
• von Hippel, E., Thomke, S., & Sonnack, M. (1999). Creating breakthroughs at 3M. Harvard Business Review, 77(5), 47–57.（Artículo que reporta cómo la división de dispositivos médicos de 3M utilizó el método de usuario líder para obtener conceptos de nuevos productos）
• Wack, P. (1985). Scenarios: Uncharted waters ahead. Harvard Business Review, 63(5), 72–89.（Artículo en el que un participante reporta la práctica de planificación de escenarios de Shell）
• Wang, J., Veugelers, R., & Stephan, P. (2017). Bias against novelty in science: A cautionary tale for users of bibliometric indicators. Research Policy, 46(8), 1416–1436.（Artículo que demuestra que los artículos con alta novedad se subestiman a corto plazo pero tienen un alto impacto a largo plazo）
• Way, R., Ives, M. C., Mealy, P., & Farmer, J. D. (2022). Empirically grounded technology forecasts and the energy transition. Joule, 6(9), 2057–2082.（Artículo que muestra mediante predicciones probabilísticas basadas en curvas de experiencia que acelerar la transición energética reduce el costo total）
• Wetterstrand, K. A. (2023). DNA sequencing costs: Data. National Human Genome Research Institute.（Datos públicos que muestran la evolución del costo de secuenciación del genoma humano）
• Witt, S. (2025). The thinking machine: Jensen Huang, Nvidia, and the world's most coveted microchip. Viking.（Obra que describe cómo NVIDIA esperó la aparición de mercados de aplicaciones a través de inversiones previas en CUDA）
• Wolfers, J., & Zitzewitz, E. (2004). Prediction markets. Journal of Economic Perspectives, 18(2), 107–126.（Artículo que revisó la teoría y evidencia empírica de los mercados de predicción）
• Wright, T. P. (1936). Factors affecting the cost of airplanes. Journal of the Aeronautical Sciences, 3(4), 122–128.（Artículo original de la Ley de Wright que descubrió la relación entre la producción acumulada y la reducción de costos）
• Zhou, Y., Dong, F., Liu, Y., Li, Z., Du, J., & Zhang, L. (2020). Forecasting emerging technologies using data augmentation and deep learning. Scientometrics, 123, 1–29.（Artículo que presentó un método para predecir tecnologías emergentes mediante ampliación de datos y aprendizaje profundo）
• Ziegler, M. S., & Trancik, J. E. (2021). Re-examining rates of lithium-ion battery technology improvement and cost decline. Energy & Environmental Science, 14(4), 1635–1651.（Artículo que demostró que el costo de las baterías de iones de litio ha disminuido de acuerdo con la curva de experiencia）
• 国立社会保障・人口問題研究所. (2023). 日本の将来推計人口(令和5年推計). 人口問題研究資料第347号.（Material oficial que muestra la transición y proyecciones futuras de la tasa de envejecimiento en Japón）
• 科学技術・学術政策研究所. (2019). 第11回科学技術予測調査. NISTEP REPORT No. 183.（Último informe de la encuesta Delphi japonesa que continúa desde 1971 aproximadamente cada cinco años）