Research

22 sept 2026Masahiro TaimaBusiness DevelopmentGestiónFinanzas

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

Product

Comenzar gratis (próximamente) Consultar sobre Enterprise

Career

Estamos buscando activamente personas que trabajen con nosotros en mign para desarrollar servicios de agentes de IA especializados

Esta es una traducción automática del texto original en japonés

Overview

Las empresas y naciones que han logrado un crecimiento histórico acelerado han invertido en áreas de crecimiento mucho antes de que la mayoría lo reconociera. ¿Cómo se pueden identificar los mercados de crecimiento? Este artículo organiza las fuentes que generan áreas de crecimiento en cuatro cambios del entorno externo —político, económico, social y tecnológico— y clasifica los métodos de predicción en 5 sistemas y 12 técnicas, desde las curvas en S y la ley de Wright, hasta señales débiles, el método Delphi, el método de usuarios líderes y la planificación de escenarios. Compilamos de manera exhaustiva casos prácticos de inversores, empresas, investigadores y estados, tendencias de investigación reciente desde 2020, y los límites inherentes a la predicción de mercados, todo fundamentado en la investigación más actualizada.

Introducción

Las empresas y naciones que han logrado un crecimiento histórico acelerado han realizado grandes inversiones y desafíos en áreas de crecimiento mucho antes de que muchas personas lo reconocieran. Sin embargo, ¿cómo se puede identificar realmente un mercado de crecimiento como ese? Aquí organizamos los métodos para discernir los mercados de crecimiento.

La novedad de este artículo radica en los siguientes tres puntos:

  • Organizar las fuentes que generan áreas de crecimiento en cuatro cambios del entorno externo, y demostrar mediante investigación empírica que esto mueve no solo el mercado sino también la dirección de los temas de investigación e invenciones.
  • Clasificar los métodos de predicción en 5 sistemas y mostrar la relación de correspondencia con las fuentes.
  • Organizar las tendencias de investigación desde 2020 en adelante.

Factores del mercado de crecimiento

Las fuentes que generan áreas de crecimiento se han organizado tradicionalmente en cuatro cambios —político, económico, social y tecnológico (PEST)— desde los clásicos de la investigación sobre escaneo ambiental (un campo de investigación que analiza el entorno externo como política, economía, sociedad, tecnología, etc., y lo aplica a la gestión empresarial) (Aguilar, 1967). A continuación, organizamos cada uno de los cuatro cambios.

Cambio político

¿Cómo afecta al mercado?

  • Creación y prohibición de demanda: La regulación crea y destruye demanda directamente al hacer obligatoria o prohibir productos o tecnologías específicas. Se argumenta que una regulación bien diseñada estimula 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 países y períodos donde la regulación se ha endurecido (Lee, Veloso & Hounshell, 2011).
  • Orientación de la investigación mediante asignación de recursos: Los fondos de investigación pública de uso específico desplazan el interés de los investigadores hacia ese tema. Los datos del NIH de EE.UU. demuestran que cuando aumentan los fondos en un área específica, los investigadores cambian de tema para solicitar financiamiento, lo que muestra que la dirección de la investigación se mueve por política (Myers, 2020).

Casos concretos

  • La Ley de Energías Renovables de Alemania y el mercado solar: La Ley de Energías Renovables (EEG) de 2000 garantizó tarifa fija por 20 años, impulsando a Alemania como el mayor mercado solar mundial e induciendo inversiones en producción en masa de paneles a nivel global. Esta ley se había debatido desde los años 90, por lo que los indicios eran observables antes de su promulgación (Jacobsson & Lauber, 2006).
  • La regulación de vehículos de cero emisiones de California y el mercado de vehículos eléctricos: La regulación ZEV introducida en 1990 obligaba a los fabricantes a vender una proporción mínima de vehículos sin emisiones, orientando posteriormente la investigación y desarrollo hacia la electrificación mediante su endurecimiento progresivo. Uno de los puntos de partida 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 en virtud de la Ley de Aire Limpio de EE.UU. aumentó las solicitudes de patentes de fabricantes de automóviles y proveedores para tecnología de control de emisiones, alineándose con el cronograma de regulación. Este es un ejemplo donde la regulación determinó el período y la dirección de la invención (Lee, Veloso & Hounshell, 2011).

Cambio económico

¿Cómo afecta al mercado?

  • Umbral del poder adquisitivo: Cuando el nivel de ingresos aumenta y el precio de un producto desciende por debajo del nivel que los hogares pueden pagar, el mercado se activa de manera no continua. La expansión de la clase media en países emergentes ha aumentado la población que cruza este umbral en decenas de millones de personas anualmente (Kharas, 2017).
  • Liberación de aplicaciones por caída de costos: Cuando el costo de una tecnología baja, los usos que eran "técnicamente posibles pero demasiado caros" se vuelven económicamente viables gradualmente y se convierten en mercado. La regla empírica de que el costo baja en una tasa constante cada vez que se duplica la producción acumulada se ha confirmado en muchas tecnologías, y el punto de intersección entre la línea de disminución de costos y el umbral de rentabilidad de uso se convierte en una estimación del período de despegue del mercado (Nagy et al., 2013; Farmer & Lafond, 2016).
  • Orientación de invenciones por precios relativos: Cuando el precio de un recurso de entrada sube, aumentan las invenciones de tecnologías que ahorran ese recurso. 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 de países emergentes y pagos móviles: La población de clase media mundial se expandió rápidamente en los años 2010, con la mayoría en Asia (Kharas, 2017). Al alcanzar poblaciones sin cuentas bancarias los teléfonos inteligentes, surgieron mercados como pagos móviles en China y plataformas de transporte compartido y pagos en el sudeste asiático, que no existían en países desarrollados.
  • Colapso de costos de secuenciación de genomas y pruebas genéticas personales: El costo de secuenciar un genoma humano bajó de aproximadamente 100 millones de dólares en 2001 a menos de 1,000 dólares a mediados de los años 2010 (Wetterstrand, 2023). Este colapso convirtió en mercado usos que antes no eran viables fuera de institutos de investigación, como pruebas genéticas personales, medicina oncológica genómica, y mejora genética en agricultura y ganadería.
  • Precio de la energía y patentes de tecnología de eficiencia energética: Desde los choques petroleros de los años 70, el aumento del precio de la energía aumentó estadísticamente de manera significativa las solicitudes de patentes de tecnología de ahorro energético. El efecto del aumento de precio aparece dentro de algunos años, y cuando el precio baja, la invención también se desacelera (Popp, 2002). Este es el ejemplo más claro de investigación empírica de que el cambio de precios relativos mueve la dirección de la invención.

Cambio social

¿Cómo afecta al mercado?

  • Certeza de la composición demográfica: La demografía es "el futuro que ya sucedió". El número de personas nacidas este año determina aproximadamente la población de 20 años dentro de 20 años, permitiendo visualizar la demanda de consumo, atención médica y vivienda de cada grupo de edad de 10 a 20 años en el futuro. Es el material de predicción más cierto entre los cuatro orígenes (Drucker, 1997).
  • Orientación de invenciones mediante predicción de demanda futura: El tamaño de mercado futuro predicho a partir de la demografía mueve la dirección de investigación y desarrollo empresarial. Se ha confirmado causalmente que cuanto mayor sea el mercado predicho en un área, mayor será 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 de hogares desplazan la demanda de categorías de productos existentes a otras categorías. A diferencia de la demografía, estos cambios se reflejan tarde en los números, por lo que solo se pueden captar temprano observando usuarios avanzados (von Hippel, 1986).

Casos concretos

  • Envejecimiento de Japón y mercados de atención de ancianos y salud: La proporción de la población japonesa de 65 años o más subió del 12% en 1990 al 29% en 2020, y se proyecta que continúe aumentando (Instituto Nacional de Investigación de Política Social y Demografía, 2023). Con este cambio confirmado como trasfondo, el mercado de servicios de atención de ancianos despegó con la introducción del sistema de seguro de atención de ancianos en 2000, y ahora se ha expandido a mercados de aplicación de tecnología como monitoreo, gestión de medicamentos y robots de atención.
  • Demografía y desarrollo de nuevos fármacos: Se ha demostrado que enfermedades cuyo número futuro de pacientes puede predecirse a partir de cambios demográficos en cada grupo de edad en EE.UU. ven más desarrollo y aprobación de nuevos fármacos. Una estimación muestra que si el tamaño de mercado predicho es 1% mayor, la entrada de nuevos fármacos aumenta aproximadamente 4-6%, demostrando que la predicción de demanda futura determina la dirección de la invención (Acemoglu & Linn, 2004).
  • Expansión del empleo femenino y mercados de servicios de tiempo corto y cuidado infantil: La expansión del empleo y la formación de carrera profesional femenina en la segunda mitad del siglo XX se llamó "una revolución silenciosa", un cambio estructural (Goldin, 2006), que a través del aumento de hogares con dos ingresos impulsó mercados de servicios que compran tiempo como cuidado infantil, comidas preparadas y entrega de alimentos, y servicios de limpieza del hogar en varios países. Este es un ejemplo donde cambios demográficos y de valores se superponen.

Cambio tecnológico

Entre los cuatro, es la fuente que genera cambios más discontinuos y se trata con mayor detalle.

¿Cómo afecta al mercado?

  • Cadena de aplicaciones por tecnología de uso general: Las tecnologías de uso general (General Purpose Technology) como el motor a vapor, la electricidad e IT no generan valor en sí mismos, sino que generan innumerables campos de aplicación a través de cadenas de innovación complementaria (Bresnahan & Trajtenberg, 1995). Esta cadena se observa repetidamente en la jerarquía infraestructura → plataforma → aplicación, y si se puede confirmar el surgimiento de una tecnología de uso general, se puede hacer una predicción estructural: "lo que crecerá después es la capa de aplicación, y lo que se abrirá después es el tema de investigación de la capa de aplicación" (Andreessen, 2011).
  • Estructura de tiempo prolongado: Para que una tecnología de uso general se refleje en la productividad, se requiere reinvención complementaria como rediseño de procesos empresariales y organizacionales, lo que lleva varias décadas. El retraso desde la invención hasta la propagación histórica llega a 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). Las revoluciones tecnológicas siguen un patrón común de "período de introducción → frenesí y burbuja → punto de inflexión → período de expansión", como se muestra en las 5 olas desde la Revolución Industrial (Perez, 2002).
  • Liberación secuencial de mercados por curvas de costo: La regla empírica de que "el costo baja en una tasa constante cada vez que la producción acumulada se duplica" (ley de Wright) ha confirmado alto poder predictivo en la verificación de 62 tecnologías (Wright, 1936; Nagy et al., 2013). Cada vez que el costo baja, 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): Aunque la electricidad se puso en práctica a finales de los años 1880, su reflejo en la productividad de fábricas no ocurrió hasta los años 1920. Esto se debió a que la reinvención complementaria de rediseñar el diseño y las operaciones de la fábrica, que se basaban en el motor a vapor, para basarse en el motor eléctrico, requirió aproximadamente 40 años (David, 1990). Este es un ejemplo original que muestra que el mercado de tecnología de uso general despega no con la aparición de la tecnología sino con la preparación de activos complementarios.
  • Internet, nube y jerarquía de mercados de aplicación: Sobre la infraestructura de Internet surgieron EC, búsqueda y SaaS; sobre la plataforma de teléfonos inteligentes surgió la economía de aplicaciones; sobre la nube surgió la economía de API, cada una despegando aproximadamente 10 años después. La observación de 2011 de que "el software se está comiendo el mundo" fue la traducción de esta estructura jerárquica en una tesis de inversión (Andreessen, 2011).
  • De GPU y aprendizaje profundo a IA general y agentes de IA especializada: En 2009 se demostró que las GPU aceleran el entrenamiento del aprendizaje profundo decenas de veces (Raina, Madhavan & Ng, 2009), y en 2012 las redes neuronales entrenadas con GPU ganaron de forma abrumadora en reconocimiento de imágenes, lo que marcó el inicio del auge del aprendizaje profundo (Krizhevsky, Sutskever & Hinton, 2012). El colapso del costo de la computación paralela sentó las bases para los modelos fundamentales (IA general), y como capa de aplicación se está abriendo el mercado de agentes de IA especializada. La inversión de NVIDIA en CUDA en 2006 fue una apuesta por el eslabón superior de esta cadena (Witt, 2025)
  • Curva de costos de energía solar y baterías: El costo de la energía solar ha bajado aproximadamente un 20% por cada duplicación de la producción acumulada durante unos 40 años, cayendo por debajo de las fuentes de energía existentes en muchas regiones en la década de 2010 (Farmer & Lafond, 2016). Las baterías de iones de litio también han seguido la misma ley de descenso, permitiendo que la viabilidad económica de los vehículos eléctricos se hiciera realidad (Ziegler & Trancik, 2021). Si se hubiera extrapolado la curva de costos, habría sido posible estimar el período de despegue de cualquiera de estos mercados más de 10 años antes

Estos cuatro cambios en el entorno externo no son independientes, sino que funcionan de manera coordinada. El mercado de vehículos eléctricos se despegó por la multiplicación de: caída de costos de baterías (tecnología) × regulaciones de emisiones (política) × valores de descarbonización (sociedad) × demanda de mercados emergentes (economía). El mercado de energía solar también surgió como resultado de que la curva de costos (tecnología y economía), el sistema de compra a tarifa fija (política) y las normas ambientales (sociedad) apuntaran en la misma dirección. Cuando múltiples fuentes apuntan en la misma dirección, la certidumbre de la predicción de crecimiento en un sector es más alta.

Enfoque para predecir mercados en crecimiento

Como metodologías para detectar y cuantificar los cambios que generan crecimiento en los mercados, podemos clasificarlas en 5 sistemas y 12 métodos. A continuación, explicaremos cada método desde las perspectivas de descripción general, contexto histórico y ejemplos concretos.

Sistemas de extrapolación y modelado

Sistemas que aplican leyes a datos pasados y las extienden al futuro. Cuando existen datos, es el método más cuantitativo; cuando no existen, se toman prestados casos similares.

Curva S / Teoría de difusión

  • Descripción general: La difusión de nuevas tecnologías avanza en el orden de innovadores (2.5%) → primeros adoptantes (13.5%) → mayoría temprana (34%) → mayoría tardía (34%) → rezagados (16%), y cuando se acumula, forma una curva S. Una vez que la tasa de penetración alcanza el 10-20%, la pendiente de la curva S puede estimarse, permitiendo extrapolar el nivel de saturación y el período de llegada (Rogers, 1962)
  • Contexto histórico: El origen fue un estudio sociológico que siguió el proceso de adopción del maíz híbrido entre agricultores en Iowa en la década de 1930. Se descubrió que la distribución de los tiempos de adopción era cercana 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 sistematizó esto como teoría general integrando más de 500 estudios de difusión
  • Ejemplos concretos: Las tasas de penetración de televisión en color, teléfonos móviles, smartphones e internet forman una curva S en los hogares estadounidenses. El error en la predicción de telefonía móvil en EE.UU. en la década de 1980, que subestimó los resultados en más de 100 veces, se debió a extrapolar linealmente la parte inicial de aumento gradual (The Economist, 1999). Inversamente, si se aplica la curva S una vez que la penetración supera el 10%, el nivel de saturación podría leerse con bastante precisión (Rogers, 1962; The Economist, 1999)

Modelo Bass

  • Descripción general: Un modelo matemático que formaliza la curva S con dos coeficientes: "coeficiente de innovación p" (poder de adopción espontánea a través de publicidad e información externa) y "coeficiente de imitación q" (poder de difusión a través del boca a boca de adoptantes existentes). A partir del número de adoptantes acumulados se puede calcular el número de adoptantes en el próximo período, y se pueden encontrar analíticamente el período de pico y el tamaño del mercado. Un metaanálisis de 213 estudios de aplicación mostró un promedio de p de aproximadamente 0.03 y un promedio de q de aproximadamente 0.38 (Bass, 1969; Sultan, Farley & Lehmann, 1990)
  • Contexto histórico: En la década de 1960, los fabricantes de electrodomésticos necesitaban predecir el pico de ventas de bienes de consumo duradero como televisores en color a partir de datos de los primeros años después del lanzamiento para elaborar planes de producción. Bass validó el modelo en 11 productos (refrigerador, congelador, televisor, etc.) e incluso predijo con anticipación el momento del pico de ventas de televisores en color (Bass, 1969)
  • Ejemplos concretos: Antes de lanzar el servicio en 1994, DirecTV predijo las suscripciones de cinco años usando el modelo Bass tomando prestados los coeficientes de servicios similares como televisión por cable, y los resultados fueron casi idénticos. Este 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: Una regla empírica que establece que "cada vez que la cantidad de producción acumulada se duplica, el costo unitario se reduce a una tasa fija (10-30% según la tecnología)". Predice el surgimiento del mercado desde el lado de los costos, no desde la demanda. El punto donde la línea de caída de costos intersecta el umbral donde el uso se vuelve económicamente viable es la estimación del período en que se abre el mercado (Wright, 1936)
  • Contexto histórico: En 1936, el ingeniero aeronáutico Wright descubrió que las horas de trabajo de ensamblaje del fuselaje disminuían a una tasa constante con el aumento del número acumulado de aeronaves producidas. Se utilizó en planes de producción de aviones militares durante la Segunda Guerra Mundial, y en la década de 1960, el Grupo de Consultoría de Boston lo incorporó a la estrategia empresarial como la "curva de experiencia" (Wright, 1936; Boston Consulting Group, 1968). A partir de la década de 2010, se verificó estadísticamente que esta ley tenía mayor poder predictivo que otros métodos de predicción utilizando datos de 62 tecnologías (Nagy et al., 2013)
  • Ejemplos concretos: Los módulos de energía solar han continuado con una caída de costo de aproximadamente el 20% por cada duplicación de la producción acumulada desde 1976, cayendo por debajo del costo de generación de plantas de carbón en muchas regiones en la década de 2010. Las baterías de iones de litio han seguido una ley similar, permitiendo que se alcance el umbral de viabilidad económica de los vehículos eléctricos (Farmer & Lafond, 2016; Ziegler & Trancik, 2021). Si se hubiera extrapolado esta ley en 1980, se habría podido predecir que el mercado de energía solar se abriría en la década de 2010

Predicción por clase de referencia

  • Descripción general: En lugar de acumular desde "adentro", este método examina la distribución de resultados de casos precedentes similares (clase de referencia) y posiciona el objetivo dentro de esa distribución. Para nuevas predicciones de mercado, se toman prestados los coeficientes de difusión o años hasta pico de tecnologías similares (Kahneman & Tversky, 1979; Flyvbjerg, 2006)
  • Contexto histórico: Los psicólogos Kahneman y Tversky demostraron que los humanos son sistemáticamente optimistas cuando ven sus propios planes desde adentro (sesgo de planificación), y propusieron un procedimiento de corrección mediante una perspectiva externa (Kahneman & Tversky, 1979). Flyvbjerg mostró que el 90% de 258 proyectos de infraestructura de transporte excedían costos (Flyvbjerg, Holm & Buhl, 2002), y practicó el método de derivar tasas de corrección a partir de la distribución de la clase de referencia. El Ministerio de Hacienda británico adoptó esto en 2004 como orientación oficial para la evaluación de proyectos públicos (Flyvbjerg, 2006)
  • Ejemplos concretos: Se ha demostrado que las predicciones de ventas de nuevos electrodomésticos utilizando curvas de difusión de productos similares como referencia tienen mayor precisión que las predicciones basadas únicamente en el juicio gerencial (Goodwin, Dyussekeneva & Meeran, 2013). La predicción previa al lanzamiento de DirecTV es también una variante de la predicción por clase de referencia, tomando prestados los coeficientes de servicios similares (Bass et al., 2001). Para estimar la penetración de agentes de IA especializada, la evolución de las tasas de adopción empresarial de SaaS y la nube serían candidatos para la clase de referencia

Sistemas de detección de señales

Este sistema recoge fragmentos de precursores antes de que los datos se conviertan en números.

Señales débiles (weak signals)

  • Descripción general: Un enfoque que recopila e interpreta sistemáticamente precursores fragmentarios y ambiguos (señales débiles) que preceden a grandes cambios. Se combina con la "respuesta escalonada", en la que la respuesta se fortalece gradualmente según la confiabilidad de la señal (Ansoff, 1975)
  • Contexto histórico: El desencadenante fue la crisis del petróleo de 1973, cuando los planes de gestión a largo plazo, entonces dominantes, no pudieron responder a cambios discontinuos en absoluto. Ansoff, fundador de la teoría de la estrategia empresarial, argumentó que si se espera a que la información esté completamente disponible, es demasiado tarde, por lo que es necesario comenzar a actuar en la etapa de señales débiles (Ansoff, 1975). En la década de 2000, se sistematizó como investigación sobre "visión periférica", y se aclararon las razones por las que las organizaciones pierden señales y cómo tratarlas (Day & Schoemaker, 2006; Schoemaker & Day, 2009)
  • Ejemplos concretos: El fabricante de juguetes Mattel pasó por alto durante años los precursores de que su buque insignia, la muñeca Barbie, estaba siendo erosionado por el competidor Bratz (cambio en las preferencias de las niñas, cambios en la colocación de productos en las tiendas minoristas), perdiendo una parte significativa de la cuota de mercado. Se analiza como un ejemplo donde existían señales, pero la organización no tenía mecanismos para captarlas (Day & Schoemaker, 2006). Por el contrario, en el ámbito regulatorio, la presentación de proyectos de ley, los debates y los comentarios públicos son ejemplos típicos de señales débiles que pueden observarse años antes de su promulgación

Análisis bibliométrico de patentes y publicaciones

  • Descripción general: Un método que detecta tecnologías emergentes años antes de la comercialización a través de indicadores como la aceleración de solicitudes de patentes, el aumento en el número de publicaciones, cambios en la estructura de las redes de citas, y la convergencia de campos diferentes. Recientemente, múltiples indicadores se procesan mediante aprendizaje automático para una clasificación automatizada (Lee et al., 2018)
  • Contexto histórico: En 1955 se propuso el índice de citas de publicaciones (Garfield, 1955), y en la década de 1960 se implementó como Science Citation Index, permitiendo un seguimiento cuantitativo de las tendencias científicas. Respecto a las patentes, se demostró que las patentes con mayor número de citas tienen mayor valor económico (Hall, Jaffe & Trajtenberg, 2005), haciendo que los datos de patentes se conviertan en una herramienta para medir el valor y la dirección de la tecnología
  • Ejemplos concretos: La tecnología de edición de genes CRISPR-Cas9 experimentó un rápido aumento en publicaciones relacionadas y solicitudes de patentes años después de su publicación en 2012, precediendo al Premio Nobel de Química de 2020 y a múltiples creaciones de empresas. Este es un ejemplo donde el seguimiento de métricas bibliométricas habría permitido detectar el despegue del mercado de aplicaciones años antes. La misma técnica es efectiva para investigadores, convirtiéndose en una herramienta para encontrar nuevas áreas de investigación que aún no están saturadas (Foster, Rzhetsky & Evans, 2015)

Sistemas de conocimiento colectivo y juicio

Cuando no existe datos y es inevitable depender del juicio humano, este sistema mejora la precisión a través de métodos de recopilación de juicios y entrenamiento.

Método Delphi

  • Resumen: Un método que solicita predicciones anónimas a expertos, retroalimenta los resultados agregados y las razones, y repite el proceso varias veces para converger opiniones. La anonimidad previene la conformidad con personas influyentes, y la iteración facilita el intercambio de información (Dalkey & Helmer, 1963). Llamado así por Delfos (Delphi), el sitio del oráculo del templo de Apolo en la antigua Grecia, donde la gente buscaba profecías para decisiones nacionales críticas, este método agrega el conocimiento y las predicciones de muchos expertos para predecir y decidir sobre el futuro.
  • Orígenes: Desarrollado por el RAND Institute durante la Guerra Fría en los años 50 para la Fuerza Aérea de EE.UU. con el fin de agregar el juicio de expertos sobre cuestiones militares sin datos disponibles (por ejemplo, cuántas bombas atómicas se necesitaban para reducir la producción militar estadounidense en una cantidad específica en caso de ataque soviético). Resolvió el problema de que en formatos de conferencia las opiniones fueran arrastradas por autoridades y participantes elocuentes mediante iteración anónima (Dalkey & Helmer, 1963). Las revisiones de investigación empírica posterior mostraron que el método Delphi superaba a los grupos estadísticamente agregados en 12 de 16 estudios y a los grupos presenciales ordinarios en 5 de 5 estudios (Rowe & Wright, 1999).
  • Ejemplo concreto: La encuesta de predicción de ciencia y tecnología de Japón ha estado preguntando a miles de expertos sobre el momento de realización de tecnologías futuras mediante el método Delphi aproximadamente cada 5 años desde 1971, tratando aproximadamente 700 temas de ciencia y tecnología en la 11ª encuesta. Es la encuesta Delphi más larga del mundo, que se extiende por medio siglo (National Institute of Science and Technology Policy, 2019).

Mercados de predicción

  • Resumen: Un método en el que se compran y venden predicciones como valores (como "X sucederá antes de ◯ años") y su precio se interpreta como una estimación de probabilidad. Adapta la función del mercado de agregar información dispersa para la predicción (Wolfers & Zitzewitz, 2004).
  • Orígenes: El conocimiento de que los precios agregan el conocimiento disperso se remonta a los clásicos de la economía (Hayek, 1945). Un mercado de predicción presidencial abierto por la Universidad de Iowa en 1988 atrajo atención al predecir la tasa de votos con mayor precisión que las encuestas de opinión (Forsythe et al., 1992). Las aplicaciones empresariales comenzaron en los años 2000, y economistas propusieron su uso en política (Arrow et al., 2008).
  • Ejemplo concreto: Hewlett-Packard operó un mercado interno donde los empleados predecían las ventas de impresoras, obteniendo resultados más precisos que las previsiones de ventas oficiales en 6 de 8 casos (Chen & Plott, 2002). En análisis de mercados de predicción interna de Google y Ford, los precios funcionan generalmente como probabilidades calibradas, confirmando efectos de corrección del sesgo optimista contenido en las predicciones oficiales de las empresas (Cowgill & Zitzewitz, 2015).

Superpredicción (Superforecasting)

  • Resumen: Un método que trata la predicción como una habilidad entrenable mediante: (1) descomponer grandes preguntas en subpreguntas respondibles, (2) comenzar con la tasa base (la tasa histórica de ocurrencia en casos similares) y ajustar según circunstancias específicas, (3) expresar probabilidades en incrementos finos y actualizarlas en pasos pequeños con nueva información, (4) debatir en equipo, y (5) registrar y revisar el desempeño para mejorar la precisión (Tetlock & Gardner, 2015).
  • Orígenes: En respuesta a 20 años de investigación que mostraba que las predicciones de expertos eran comparables a la de un chimpancé (Tetlock, 2005), la agencia de inteligencia estadounidense IARPA organizó un torneo de predicción geopolítica de 4 años a partir de 2011, enfrentando múltiples equipos de investigación. El equipo de Tetlock entrenó a voluntarios del público general y, seleccionando a los principales 2% de "superpredicadores" para formar un equipo, superó ampliamente a los otros equipos (Mellers et al., 2014).
  • Ejemplo concreto: La pregunta "¿Se adoptarán agentes de IA especializados en el ◯% de empresas medianas dentro de 5 años?" no puede responderse directamente. Usando el proceso de superpredicción, se descompone en: (a) qué porcentaje de adopción empresarial alcanzaron tecnologías similares (SaaS, RPA) en 5 años (tasa base), (b) cuántos años tardaron las condiciones previas (integración de API, regulación, precio) en establecerse, y (c) cómo han evolucionado los indicadores adelantados (número de anuncios de pruebas piloto, ofertas de empleo), colocando probabilidades en cada uno y combinándolas. Comenzar desde la tasa base mejora la precisión en comparación con la intuición de expertos (Tetlock & Gardner, 2015).

Sistema de búsqueda desde el lado de la demanda

Un sistema que descubre necesidades que aún no aparecen en la investigación de mercado mediante la observación de las personas.

Método de usuarios líderes

  • Resumen: Un método para encontrar usuarios avanzados (usuarios líderes) que enfrentan desafíos varios años antes que los usuarios promedio y que crean sus propias soluciones porque los productos existentes no las resuelven, leyendo el mercado futuro a partir de esas soluciones. El punto clave es buscar usuarios líderes fuera del mercado de la empresa, en campos adyacentes que enfrentan desafíos similares en formas más extremas (von Hippel, 1986).
  • Orígenes: El punto de partida fue el descubrimiento de que el 77% de las innovaciones importantes en el campo de instrumentos científicos fueron generadas por usuarios (investigadores) en lugar de fabricantes (von Hippel, 1976). La idea fue que cuando los fabricantes preguntaban a usuarios promedio en investigación de mercado, no veían nuevas necesidades porque estos aún no enfrentaban los desafíos. En 1986, se formalizó el método de aprender directamente de usuarios avanzados (von Hippel, 1986).
  • Ejemplo concreto: La división de productos médicos de 3M, buscando usuarios líderes para el desafío de prevenir infecciones quirúrgicas, no se dirigió a sus clientes, los cirujanos, sino a usuarios líderes que enfrentaban el mismo desafío en condiciones más extremas: veterinarios (pacientes con pelo), artistas de maquillaje de Hollywood (adhesión prolongada de películas), y cirujanos en países en desarrollo (prevención de infecciones en entornos sin equipamiento). Obtuvieron conceptos para nuevos productos de prevención de infecciones (von Hippel, Thomke & Sonnack, 1999). Las ideas generadas por el método de usuarios líderes mostraron aproximadamente 8 veces el potencial de ventas de métodos convencionales (Lilien et al., 2002).

Teoría del trabajo (Job Theory)

  • Resumen: Un método que entiende que los clientes no están comprando productos, sino "contratando" productos para completar un "trabajo" (tarea que desean resolver), redefiniendo el mercado no por categoría de producto o atributos del cliente, sino por unidad de trabajo. Cuando se ve por unidad de trabajo, cambian tanto el tamaño del mercado como los competidores (Christensen et al., 2016).
  • Orígenes: La antigua perspectiva de marketing de que "los clientes no quieren taladros, quieren agujeros" (Levitt, 1983) fue teorizada por Christensen dentro de su investigación sobre innovación disruptiva. Nació del análisis de fallos donde empresas existentes ignoraban nuevas necesidades porque dividían el mercado por atributos de clientes (edad, ingresos) (Christensen, 1997; Christensen et al., 2016).
  • Ejemplo concreto: Una cadena de comida rápida, al intentar aumentar las ventas de batidos de leche mejorando el sabor y el precio sin efecto, descubrió mediante observación que muchos compradores por la mañana los compraban para "pasar el tiempo en el largo viaje al trabajo y suprimir el hambre hasta el mediodía". Los competidores de este trabajo eran plátanos y donas, y el tamaño del mercado de batidos de leche debería medirse en el "mercado de tiempo de viaje" en lugar del "mercado de postres" (Christensen et al., 2016).

Sistema estructural y de escenarios

Cuando la incertidumbre es tan alta que una sola predicción carece de significado, es un sistema que describe múltiples futuros para prepararse.

Planificación de escenarios

  • Resumen: Un método que no reduce la predicción a una sola, sino que separa factores ciertos (datos demográficos, etc.) de incertidumbres importantes (regulación, avances tecnológicos, etc.), dibuja 2–4 imágenes futuras coherentes combinando incertidumbres, y monitorea indicadores adelantados de cada escenario. El propósito no es acertar, sino preparar decisiones que funcionen bajo cualquier escenario (Schoemaker, 1995).
  • Orígenes: En los años 1950–60, Herman Kahn del RAND Institute desarrolló un método para describir la progresión de una guerra nuclear como múltiples escenarios (Kahn & Wiener, 1967). Shell llevó esto a la gestión empresarial, mostrando a la dirección en los primeros años 70 el escenario "los precios del petróleo se disparan y los países productores toman el control", respondiendo más rápidamente que los competidores al choque petrolero de 1973. El responsable, Wack, formalizó esta experiencia en un artículo en 1985 (Wack, 1985).
  • Ejemplo concreto: Shell también describió en los años 80 un escenario de cambio en el sistema soviético y colapso de precios del petróleo, preparándose supuestamente para la caída de precios del crudo de 1986 (Schwartz, 1991). Al aplicar a la predicción de mercados en crecimiento, por ejemplo, para agentes de IA especializados se pueden dibujar 4 escenarios con dos ejes: "intensidad de regulación de IA (fuerte/débil)" y "reducción de costos del modelo base (rápida/lenta)", mostrando claramente que los sectores de aplicación y el tiempo de despegue difieren bajo cada escenario, mientras se monitorea como indicadores adelantados el estado de la revisión de propuestas regulatorias y la tendencia de costos de inferencia (Schoemaker, 1995).

Correspondencia entre fuentes y métodos

Los cinco sistemas corresponden a las cuatro fuentes del capítulo anterior, haciendo claro cuándo usarlos.

  • Cambios políticos: Sistema estructural y de escenarios (establecer escenarios para cada ramificación regulatoria y presupuestaria, monitoreando indicadores adelantados)
  • Cambios económicos: Sistema de extrapolación y modelo (curvas de costos, precios relativos, indicadores macroeconómicos)
  • Cambios sociales: Sistema de extrapolación y modelo (demografía) + sistema de búsqueda desde el lado de la demanda (cambios en valores)
  • Cambios tecnológicos: Sistema de detección de señales + sistema de extrapolación y modelo (patentes, artículos → curva S, curva de costos)

Ejemplos de profesionales

Fuera del mundo académico, investigadores, inversores, empresas y naciones destacadas practican métodos del mismo tipo que los enfoques anteriores. Aquí organizamos cómo se predicen los mercados en crecimiento mediante qué técnicas y comportamientos en cada categoría.

Inversores

Los inversores son los agentes que más directamente convierten predicciones de mercados en crecimiento en ganancias. Sin embargo, métodos y horizontes temporales varían significativamente entre capital de riesgo, inversores en acciones de crecimiento, fondos de cobertura e inversores institucionales.

  • Capital de riesgo (Sequoia Capital): Don Valentine, inversor inicial en Apple, Cisco y Google, estableció como primer criterio de decisión de inversión "el tamaño del mercado". Dijo "Invierto en mercados grandes, no en personas" y repetidamente enfatizó que incluso excelentes empresarios no pueden construir grandes empresas en mercados pequeños (Valentine, 2010).
  • Capital de Riesgo (Y Combinator, Andreessen Horowitz, Founders Fund): Paul Graham de Y Combinator afirma "vivir en el futuro y construir lo que falta", considerando que las inconveniencias que sienten las personas en entornos de vanguardia son los mercados del futuro. Esta es una versión práctica del método de usuarios líderes (Graham, 2012). La tesis "El software se está comiendo el mundo" de Andreessen Horowitz traduce la teoría de tecnología de propósito general en una tesis de inversión; la empresa publica primero tesis específicas (nube, móvil, IA) y estructura inversiones de acuerdo con ellas, una versión práctica de sistemas de escenarios (Andreessen, 2011). La pregunta de Peter Thiel de Founders Fund "¿Cuál es la verdad importante en la que casi nadie está de acuerdo?" muestra que solo las predicciones que se desvían del consenso generan retornos en exceso (Thiel & Masters, 2014).
  • Inversores de largo plazo en acciones de crecimiento (Baillie Gifford): La firma de gestión escocesa Baillie Gifford invirtió en Amazon y Tesla en etapas tempranas después de su cotización en bolsa y continuó manteniéndolas durante más de 10 años. El fundamento es una investigación empírica mostrando que los retornos accionarios están extremadamente concentrados. En el análisis de acciones estadounidenses desde 1926, la creación de riqueza general proviene del 4% superior de empresas, mientras que el 96% restante generó retornos iguales o inferiores a los bonos del tesoro a corto plazo (Bessembinder, 2018). La estrategia de no predecir el mercado completo sino identificar y concentrarse en un pequeño número de empresas que podrían ser ganadores abrumadores en mercados en crecimiento, manteniéndolas 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, secuenciación del genoma e IA, prediciendo el momento de despegue de mercados de aplicación para invertir. Han publicado esta metodología, que es un ejemplo directo de aplicar la extrapolación y sistemas de modelado de este artículo a la gestión (ARK Invest, 2024). Sin embargo, la caída significativa en activos bajo gestión desde 2021 ilustra la limitación de que incluso si la predicción de la dirección tecnológica es correcta, los errores en el precio de entrada y el timing resultan en pérdidas (Perez, 2002; Siegel, 2005).
  • Fondos de cobertura macro (Bridgewater Associates): Bridgewater, dirigida por Ray Dalio, sistematiza casos de crisis de deuda, crisis de moneda y cambios de hegemonía de los últimos cientos de años, juzgando la situación actual comparándola con qué fase del pasado se parece más. Este es un ejemplo práctico de aplicar predicción de clase de referencia a mercados financieros (Dalio, 2018). Por otro lado, George Soros teoriza sobre la "reflexividad": los participantes del mercado hacen predicciones que mueven precios, y los precios a su vez mueven la realidad, colocando las limitaciones de la autorreferencia —donde la predicción altera su objetivo— en el centro de su estrategia de inversión (Soros, 1987). Es un ejemplo de convertir las limitaciones de la predicción en fuente de ganancias.
  • Fondos de cobertura cuantitativos (Renaissance Technologies): Renaissance Technologies, fundada por el matemático James Simons, no predice en absoluto el crecimiento del mercado ni el futuro de las empresas. Se limita a operaciones que capturan patrones estadísticos en datos de precios a corto plazo (dentro de días), abandonando predicciones a largo plazo para mantener un desempeño superior (Zuckerman, 2019). Esto puede considerarse un reconocimiento de limitaciones desde la dirección opuesta a este artículo: "dividir entre lo predecible (regularidades estadísticas a corto plazo) y lo impredecible (la dirección del mercado a largo plazo), apuesta solo en lo primero".
  • Inversor de valor (Berkshire Hathaway): Warren Buffett ha evitado explícitamente invertir prediciendo mercados en crecimiento. En su carta a accionistas de 2007 señala "el peor negocio es aquello que crece rápidamente, requiere mucho capital para su crecimiento, pero genera pocas ganancias. Considérese la industria aeronáutica" (Buffett, 2008). Su política es desacoplar el crecimiento del mercado de los retornos de inversión, seleccionando solo empresas dentro del rango que entiende (su círculo de competencia) con ventajas competitivas sostenidas. Es un ejemplo que establece como premisa de su filosofía de inversión la dificultad de acertar mercados en crecimiento y la limitación de que el crecimiento no se traduce en ganancias.
  • Inversores institucionales (Temasek, Fondo de Yale): Temasek, la empresa de inversión estatal de Singapur, destaca cuatro tendencias estructurales —"digitalización", "vida sostenible", "futuro del consumo", "longevidad"— y reajusta su cartera acorde a estos temas (Temasek, 2023). Este es un ejemplo de traducir las cuatro fuentes de este artículo (tecnología, sociedad, economía, demografía) a la asignación de activos de inversores institucionales. David Swensen, quien dirigió el Fondo de Yale, desde los años 80 trasladó la asignación hacia clases de activos como capital de riesgo y acciones no cotizadas, donde la asimetría de información es mayor y la técnica de predicción se recompensa con retornos en exceso, transformando completamente el modelo de gestión del fondo universitario (Swensen, 2009). Es un ejemplo que no solo selecciona "qué mercado crecerá" sino "en qué mercado la técnica de discriminación se traduce en retornos en exceso".
  • Evidencia empírica del juicio de inversores: Una encuesta a 885 capitalistas de riesgo muestra que el factor más importante en la selección de empresas para invertir es el equipo de gestión, seguido por el mercado y modelo de negocio (Gompers et al., 2020). Sin embargo, análisis retrospectivo de más de 200 empresas identificó el timing como el factor que mejor explica el éxito (Gross, 2015). Los retornos de VC siguen una distribución extremadamente concentrada donde pocos grandes éxitos sustentan el conjunto (Kerr, Nanda & Rhodes-Kropf, 2014), similar a la de acciones cotizadas (Bessembinder, 2018), por lo que la discriminación del mercado funciona no solo como pregunta "en qué invertir" sino como "en qué segmento dispersar muchas pequeñas apuestas y cómo concentrarse en los ganadores", es decir, como diseño de cartera. En gestión activa de acciones cotizadas, muy pocos gestores superan el promedio de mercado después de descontar honorarios (Fama & French, 2010), y la correlación entre la tasa de crecimiento económico de cada país y el retorno accionario es cercana a cero o negativa (Ritter, 2005). La capacidad de predecir mercados en crecimiento y el hecho de que esa predicción se traduzca en retornos de inversión son, empíricamente, cuestiones distintas.

Empresas

  • Amazon (Working Backwards, AWS): "Working Backwards", escribir primero un comunicado de prensa del futuro y desarrollar desde ese valor del cliente en reversa, es la institucionalización de la exploración del lado de la demanda. La compañía utilizó este método para leer, en infraestructura propia a principios de los 2000, que "otras empresas tienen el mismo desafío", descubriendo demanda externa, y lanzó en 2006 el servicio en la nube AWS. Es un ejemplo de descubrir mercado externo desde desafíos 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 existía mercado e inversores la criticaban, pero apostó al colapso de costos en computación paralela, confirmando continuamente señales de investigadores comenzando a usar GPU (Raina, Madhavan & Ng, 2009; Krizhevsky, Sutskever & Hinton, 2012) mientras esperaba la aparición de áreas de aplicación (Witt, 2025). Es un ejemplo representativo de predicción impulsada por tecnología y actualización gradual.
  • Intel (Punto de giro estratégico): En 1985, el CEO Andy Grove leyó la señal de que la rentabilidad del negocio principal de memoria desaparecía con la entrada de fabricantes japoneses, abandonó el negocio fundador y se concentró en microprocesadores. De esta experiencia, Grove sistematizó un método para detectar lo que denominó "punto de giro estratégico", presagios del cambio en la estructura industrial (Grove, 1996). Es un ejemplo mostrando que la decisión de retirarse es también un producto de la predicción de mercado.
  • Netflix (Streaming): Aunque comenzó en 1997 con alquiler de DVD por correo, incluyó "Net" en su nombre y anticipó que con la expansión de banda ancha y la caída de costos de comunicación (curva de costos), el futuro sería la distribución en streaming. En 2007 comenzó streaming, reemplazando su propio negocio principal (Keating, 2012). Es un ejemplo de extrapolación de curva de costos y decisión de ser la primera en adoptar innovación disruptiva sobre su propio negocio.
  • Shell (Planificación de escenarios): Como se mencionó, en los años 70 tempranos preparó escenarios de crisis petrolera y respondió al choque petrolero de 1973 más rápido que competidores (Wack, 1985). Es el prototipo de prospectiva empresarial manteniendo un departamento de escenarios durante medio siglo.
  • Evidencia empírica del efecto de prospectiva empresarial: Una investigación que siguió 83 empresas europeas durante 7 años muestra que empresas con prospectiva bien establecida (función de foresight) tenían rentabilidad 33% más alta que aquellas sin ella, y el crecimiento de capitalización de mercado fue aproximadamente el doble (Rohrbeck & Kum, 2018). Es evidencia de que tener una función de exploración permanente, no predicción aislada, se vincula con desempeño.

Investigadores

  • Richard Hamming (Laboratorios Bell): Identifica como características comunes de investigadores con grandes logros "elegir problemas importantes" y "trabajar con puertas abiertas (estar abierto a información del entorno)". Hamming dedicaba el viernes por la tarde a pensar "¿cuál es el problema importante?, ¿por qué no estoy trabajando en ello?", recomendando entrada temprana en campos que se abren (Hamming, 1986). Esta es una versión práctica de operación continua de detección de señales y adopción temprana.
  • Katalin Karikó (investigación de ARNm): Desde los años 90 persistió en investigar aplicaciones terapéuticas de ARNm, un área con casi nada de financiamiento entonces. A través de degradación en su universidad y rechazos de fondos de investigación, en 2005 publicó un método de nucleósidos modificados para suprimir la inmunogenicidad del ARNm, que fue la base de vacunas de ARNm en 2020, llevando al Premio Nobel de Fisiología y Medicina 2023 (Karikó et al., 2005). Encarna cómo la "entrada demasiado temprana" en investigación difiere en escala de tiempo de "entrada demasiado temprana" en negocios, y cómo el lag desde invención a adopción puede alcanzar décadas (Comin & Hobijn, 2010).
  • Investigadores de GPU y aprendizaje profundo: En 2009, un grupo de Stanford mostró que usar GPU podría acelerar el entrenamiento de aprendizaje profundo decenas de veces (Raina, Madhavan & Ng, 2009). En 2012, un grupo de Toronto ganó abrumadoramente una competencia de reconocimiento de imágenes con una red neuronal entrenada en dos GPUs, convirtiéndose en el punto de partida del auge del aprendizaje profundo (Krizhevsky, Sutskever & Hinton, 2012). Es un ejemplo de convertir la señal tecnológica de colapso de costos en computación paralela en tema de investigación en una etapa cuando muchos investigadores aún no prestaban atención.
  • Cómo elegir según la investigación empírica:Un estudio que analizó 17,9 millones de artículos mostró que los artículos con mayor impacto tienen una composición en la que "la mayoría combina conocimientos establecidos, pero incluye una única combinación excepcional" (Uzzi et al., 2013). Combinado con el hallazgo de que las apuestas en nuevas áreas generan alto impacto pero también altas tasas de fracaso (Foster, Rzhetsky & Evans, 2015), se puede concluir que los investigadores sobresalientes logran entrada temprana "dando un paso hacia campos adyacentes en crecimiento sobre la base de su experiencia acumulada"

País

  • Singapur (RAHS):Desde 2004, ha institucionalizado como función gubernamental permanente el RAHS (Evaluación de Riesgos y Exploración de Horizontes), detectando señales débiles. Además, en 2009 estableció el Centro de Futuros Estratégicos en la Oficina del Primer Ministro, coordinando la planificación de escenarios de cada ministerio (Habegger, 2010). Es un ejemplo de búsqueda de señales en funcionamiento continuo a escala nacional
  • Japón (Encuesta de Predicción en Ciencia y Tecnología):Con una acumulación de encuestas Delphi realizadas aproximadamente cada cinco años desde 1971, la 11.ª encuesta permitió que miles de expertos predicjeran el período de realización de unos 700 temas de ciencia y tecnología. Es la encuesta Delphi más larga del mundo, continuando durante medio siglo (Instituto de Investigación de Políticas de Ciencia, Tecnología y Académica, 2019)
  • Reino Unido (Programa Foresight):Iniciado en 1994 bajo la Oficina de Ciencia del Gobierno, paneles de expertos multidisciplinarios han examinado cambios tecnológicos y sociales de 10 a 20 años en el futuro, reflejándolos en la política (Habegger, 2010)
  • Estados Unidos (DARPA):Establecida en 1958 como Agencia de Proyectos de Investigación Avanzada de Defensa en respuesta al satélite soviético Sputnik, ha invertido en dominios tecnológicos en etapas donde no existía mercado —creando el prototipo de Internet (ARPANET), GPS y vehículos autónomos (Desafío Grand Challenge de 2004)— estableciendo las bases de mercados gigantes posteriores (Fuchs, 2010). Se ha señalado que muchas de las tecnologías clave que componen el iPhone tienen origen en fondos de investigación pública (Mazzucato, 2013). Es un ejemplo de cómo el Estado asume el horizonte temporal de la "entrada demasiado temprana"
  • Taiwán (ITRI y TSMC):En los años 70, el Instituto Estatal de Tecnología Industrial (ITRI) introdujo tecnología de semiconductores desde Estados Unidos, y en 1987 estableció TSMC separándose de ITRI. Identificó el crecimiento a largo plazo del mercado de semiconductores y la transformación de la estructura industrial hacia la división entre diseño y manufactura, haciendo una apuesta estatal en la manufactura especializada (foundry), un nivel que no existía en ese momento (Mathews, 1997)

Los puntos comunes que trascienden las 4 categorías anteriores son los siguientes

  • No hace predicciones únicas:Los viernes por la tarde de Hamming, el criterio de mercado de Sequoia, la unidad de escenarios de Shell y el RAHS de Singapur cuentan todos ellos con mecanismos permanentes para continuar recogiendo señales
  • Reacciona rápidamente a señales de tecnología y regulación:NVIDIA, Netflix, DARPA y Taiwán reaccionan todos antes de que los cambios en las curvas de costo o la estructura industrial aparezcan en los números
  • Continúa monitoreando y actualizando incluso después de apostar:El seguimiento continuo de la utilización de GPU por investigadores mientras NVIDIA mantenía la inversión, así como la decisión de Intel de retirarse, son ejemplos de verificación y actualización posteriores a la predicción
  • Diferencia los horizontes temporales según el rol:Investigadores y Estados responden a la misma señal en horizontes de décadas, VCs en horizontes de 10 años y empresas en horizontes de 5-10 años, siendo quienes entran más temprano los que asumen mayores rezagos (Comin & Hobijn, 2010)

Tendencias de investigación reciente en predicción de mercados en crecimiento

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

3 contextos que cambiaron la perspectiva

  • Avance de datos y métodos de cálculo:Textos como artículos, patentes, ofertas de empleo y actas de conferencias de ganancias se han vuelto legibles por máquina y pueden procesarse a gran escala mediante aprendizaje profundo. La pregunta "¿dónde se abre un nuevo dominio?" que antes dependía del juicio de expertos o de pocos estudios de caso ha hecho la transición a una ciencia empírica verificada con millones de puntos de datos (Bloom et al., 2021; Ebadi, Auger & Gauthier, 2022)
  • Torneos de predicción como base experimental:El torneo de predicción geopolítica realizado por IARPA, la agencia de información estadounidense, desde 2011 produjo los primeros datos a gran escala midiendo y comparando la precisión de miles de predictores en la misma pregunta, convirtiéndose en la base para verificar estadísticamente "quién, con qué método y con cuánta precisión puede predecir" (Mellers et al., 2014; Tetlock, Mellers & Scoblic, 2017)
  • Dos transformaciones tecnológicas: transición energética e IA generalista:El hecho de que los costos de la energía solar y las baterías hayan bajado constantemente a un ritmo que superó las predicciones de organismos principales proporcionó una gran cantidad de material para verificaciones posteriores de métodos de predicción (Meng et al., 2021). Simultáneamente, la aparición de grandes modelos de lenguaje generó una explosión en la demanda de predicciones de penetración sobre "¿en qué industrias y cuándo se difundirá esta tecnología generalista?" convirtiéndose en sí misma en objeto de investigación (Eloundou et al., 2024)

A continuación, se proporciona una visión general de las tendencias 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 costo y rendimiento de una tecnología no era predecible. Desde mediados de los años 2010, se ha acumulado investigación verificando predicciones basadas en curvas de experiencia (ley de Wright) utilizando historiales de costo de más de 50 tecnologías, demostrando que se puede calcular un intervalo de confianza incluyendo la distribución de error de predicción (Farmer & Lafond, 2016; Lafond et al., 2018). Lo decisivo fue un estudio que comparó estimaciones de expertos con predicciones de modelos estadísticos para tecnologías energéticas, mostrando que el modelo estadístico era más preciso que los expertos, que sistemáticamente subestimaban la reducción de costos (Meng et al., 2021). Utilizando este conocimiento para predecir probabilísticamente la reducción de costos de energía solar, eólica y baterías se llega a la conclusión de que acelelar la transición energética reduce el costo total (Way et al., 2022)
  • Extensión a tecnologías sin mercado:El alcance de la predicción se ha expandido de tecnologías con historial de costos a tecnologías sin mercado aún. Se ha desarrollado un método para estimar tasas de mejora por campo tecnológico a partir de datos de patentes, prediciendo tasas de mejora anuales para 1.757 dominios tecnológicos (Singh, Triulzi & Magey, 2021). Para tecnologías emergentes en sí mismas, se propuso un marco que las define mediante cinco atributos: novedad radical, crecimiento relativamente rápido, consistencia, impacto notable e incertidumbre (Rotolo, Hicks & Martin, 2015), y se demostró que aplicar múltiples indicadores de patentes mediante aprendizaje automático en este marco permite clasificar en etapas tempranas tecnologías que posteriormente crecerían (Lee et al., 2018). También se han desarrollado métodos de aprendizaje profundo que detectan señales débiles en textos de artículos, patentes y noticias (Zhou et al., 2020; Ebadi, Auger & Gauthier, 2022), siendo implementados en operaciones anuales por el Centro Común de Investigación de la UE (European Commission Joint Research Centre, 2024)
  • Punto de llegada:Como punto de llegada, ahora es posible responder a preguntas como "¿cuándo será económicamente viable esa tecnología?" y "¿cuál es la siguiente tecnología en surgir?" no con intuición de expertos sino con base estadística. De las limitaciones de predicción de mercado descritas posteriormente, tanto la trampa de la extrapolación lineal como la subestimación de expertos pueden corregirse con este método. Los datos y métodos están disponibles públicamente, permitiendo que investigadores individuales y pequeñas empresas realicen exploraciones del mismo nivel

Difusión y demanda

  • Seguimiento de difusión mediante datos de texto:La adopción de nuevas tecnologías solía medirse después de que ventas o tasas de penetración aparecieran en estadísticas. Entrando en los años 2020, se desarrolló un método combinando actas de conferencias de ganancias corporativas, patentes e información de empleos para rastrear 29 tecnologías disruptivas, identificando a qué empresas, ciudades y cuándo se difundieron. Se demostró que el empleo en nuevas tecnologías se concentra inicialmente en pocas ciudades avanzadas y se dispersa con el tiempo (Bloom et al., 2021). Un estudio utilizando ofertas de empleo con aprendizaje automático para verificar si una tecnología cumple con condiciones de tecnología generalista (mejora rápida, penetración en amplias industrias, inducción de innovaciones complementarias) confirmó que posee características más fuertes como tecnología generalista comparada con otras nuevas tecnologías (Goldfarb, Taska & Teodoridis, 2023). Para grandes modelos de lenguaje, se estimó el alcance del mercado laboral afectado a partir de la composición de tareas por ocupación, estimándose que aproximadamente el 80% de los trabajadores serían afectados parcialmente en sus funciones (Eloundou et al., 2024). Se demostró que los datos públicos de empleos y conferencias de ganancias funcionan como indicadores adelantados con varios años de ventaja sobre las estadísticas de mercado
  • Prueba causal de que la demanda impulsa la invención:Desde el lado de la demanda, se verificó causalmente si "la predicción de tamaño de mercado futuro realmente impulsa la dirección de la invención". En la industria farmacéutica, campos de enfermedades con mayor tamaño de mercado predicho por datos demográficos generan más desarrollo de fármacos (Acemoglu & Linn, 2004), estimándose una elasticidad donde el aumento del 1% en tamaño de mercado genera aumento de aproximadamente 0,2% en cantidad de fármacos nuevos (Dubois et al., 2015). En la industria automotriz, fabricantes en países con precios de combustible más altos incrementan patentes de tecnologías limpias como electrificación en lugar de motores de combustión interna (Aghion et al., 2016), y se encontró evidencia de que la demanda impulsa incluso hasta la localización de producción, con mayor carga de enfermedad en países correlacionando con mayor producción y exportación de fármacos para tratarla (Costinot et al., 2019). La predicción de mercado incluye no solo "¿acertará?" sino también la pregunta competitiva de "¿entrarán otros con la misma predicción?"
  • Ruta y tiempo de la ciencia al mercado:También se ha comenzado a medir la ruta y tiempo desde la ciencia hasta el mercado. Un estudio analizando redes de citas de 4,8 millones de patentes y 32 millones de artículos mostró que las patentes de mayor valor de mercado están más cercanas a la ciencia básica y los artículos de mayor impacto están más cercanos a aplicaciones tecnológicas (Ahmadpoor & Jones, 2017), con bases de datos establecidas de artículos citados por patentes permitiendo rastrear a gran escala qué ciencia de qué campos se utiliza en la industria (Marx & Fuegi, 2020). Por otro lado, se demostró que para que la inversión en tecnologías generalistas se refleje en productividad se requiere inversión en activos intangibles complementarios como procesos de negocio, personal y datos, período durante el cual estadísticamente la productividad desciende temporalmente en la "curva J" (Brynjolfsson, Rock & Syverson, 2021). Para la IA generalista, de esta línea de investigación se predice que la optimización de procesos de negocio y datos, más que la mejora de rendimiento de modelos fundacionales, se convertirá en el factor limitante de la difusión

Frontera de investigación

  • Disminución de logros disruptivos y rigidez de campos maduros: Los grandes datos también están comenzando a responder preguntas como dónde se abren nuevas áreas de investigación y dónde deberían apostar los investigadores. Un estudio que analizó 45 millones de artículos y 3,9 millones de patentes mostró que la proporción de logros "disruptivos" que renuevan el conocimiento existente continúa disminuyendo en todos los campos (Park, Leahey & Funk, 2023), y también se confirmó que cuanto más maduros son los campos, más difícil es que se establezcan ideas nuevas (Chu & Evans, 2021). Por parte de los investigadores, mientras que la estrategia conservadora de concentrarse en áreas de tendencia ya establecidas es dominante, millones de artículos demuestran que las apuestas en nuevas áreas generan alto impacto (Foster, Rzhetsky & Evans, 2015)
  • Brecha temporal en la evaluación de novedad: Existe una brecha temporal en la evaluación de la novedad. Los artículos con alta novedad que incluyen combinaciones inusuales muestran un patrón de "reconocimiento tardío", siendo menos citados a corto plazo pero teniendo alta influencia a largo plazo (Wang, Veugelers & Stephan, 2017), y los artículos con mayor impacto tenían una estructura que combinaba conocimiento estándar con solo una combinación inusual (Uzzi et al., 2013). Sin embargo, también se ha confirmado a gran escala la "penalidad por cambio de dirección": cuando los investigadores cambian hacia temas alejados de su especialidad, el impacto de sus logros disminuye (Hill et al., 2025), por lo que es más racional que la entrada a nuevas áreas se realice de forma adyacente a la acumulación propia
  • Conclusión: En resumen, existe una regularidad de que las nuevas áreas tienden a abrirse no en el centro de grandes campos maduros, sino en los límites entre campos o en campos pequeños. El "mercado en crecimiento" para investigadores e inventores es, según el estado actual del conocimiento, un área limítrofe adyacente a su especialidad y aún no congestionada

Juicio humano e IA

  • Comparación de métodos de agregación: Al recopilar juicios humanos para hacer predicciones, los datos de torneos de predicción verificaron qué método de recopilación y agregación es más preciso. Las "encuestas de predicción" en las que se pide a los participantes que den probabilidades directamente y se agregan estadísticamente mostraron precisión igual o superior a los mercados de predicción (Atanasov et al., 2017), y también se demostró que la precisión aumenta cuando se agrega la "polarización", que empuja las probabilidades promediadas hacia 0 o 1 (Satopää et al., 2014). Para el método Delphi también, una revisión organizó las condiciones para mejorar la precisión (diversidad de participantes, calidad de la retroalimentación, número de iteraciones) (Rowe & Wright, 1999). La implicación práctica es que la agregación estadística de probabilidades anónimas es más precisa que el consenso en reuniones, y se puede lograr una precisión equivalente sin los costos operativos de gestionar un mercado de predicción
  • Surgimiento y limitaciones de los LLM: Desde 2023, los grandes modelos de lenguaje (LLM) han surgido como predictores. Un conjunto de 12 tipos diferentes de LLM mostró una precisión estadísticamente indistinguible de la inteligencia colectiva de 925 humanos (Schoenegger et al., 2024a), y los LLM reforzados con búsqueda de información actualizada y procedimientos de razonamiento optimizados se están acercando al desempeño de grupos de predicción humanos en preguntas individuales (Halawi et al., 2024). En experimentos donde se proporcionó un asistente LLM a predictores humanos, la precisión mejoró significativamente con y sin el asistente (Schoenegger et al., 2024b). Por otro lado, en comparaciones en puntos de referencia continuamente actualizados, se confirmó que incluso los LLM más avanzados aún no alcanzan a los superpreductores entrenados (Karger et al., 2024), quedando lejos de una automatización completa
  • Conclusión: La conclusión es que la IA reduce dramáticamente el costo de los procesos previos a la predicción como exploración, presentación de tasas base y creación de borradores de escenarios, mientras que por el momento es más preciso que humanos entrenados realicen el juicio de probabilidad final y la decisión de actualización. La división del trabajo de "IA explora, humanos juzgan, IA supervisa, humanos actualizan" es la estructura más precisa que muestra la investigación actual. El nivel de escaneo que antes solo podían hacer estados y capitalistas de riesgo ahora está al alcance de investigadores individuales y empresas comerciales generales gracias a esta división del trabajo

Limitaciones de la predicción del mercado en crecimiento

Hasta aquí hemos organizado las fuentes, métodos, práctica e investigación más reciente para discernir mercados en crecimiento. Finalmente, se organizan las limitaciones inherentes a la predicción del mercado. Las limitaciones se dividen en cuatro: percepción humana, estructura del mercado, autorreferencia de la predicción, y datos y métodos

Limitaciones de la percepción

  • Precisión predictiva de expertos: Las predicciones de expertos se han demostrado que son prácticamente equivalentes a adivinar, en validaciones extensas a largo plazo. Un estudio que rastreó aproximadamente 28.000 predicciones de 284 expertos durante 20 años mostró que la tasa de acierto de los expertos era prácticamente igual a la de un "chimpancé lanzando dardos", los tipos que explican todo con una gran teoría (tipo erizo) tenían peor desempeño, y los tipos que incorporan flexiblemente información variada (tipo zorro) eran relativamente superiores (Tetlock, 2005). En predicciones de mercado, una encuesta encargada por AT&T a principios de los años 80 predijo que el número de suscriptores de telefonía móvil en Estados Unidos en 2000 sería de aproximadamente 900.000, más de 100 veces por debajo del resultado real de aproximadamente 109 millones (The Economist, 1999). Para la energía solar también, las predicciones de adopción de agencias principales consistentemente quedaban por debajo de los resultados reales, y cuando los resultados superaban las predicciones, las predicciones del año siguiente no se incrementaban suficientemente (Creutzig et al., 2017)
  • Regularidad en las distorsiones: Hay regularidad en la dirección de las distorsiones. Primero, mientras que la difusión de tecnología avanza en curvas S o exponencialmente, los humanos proyectan las tendencias recientes en línea recta, lo que resulta en el error de "sobreestimar cambios en 2 años e infraestimar cambios 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 en tecnologías de energía (Meng et al., 2021). Segundo, la innovación disruptiva tiene bajo desempeño y mercado pequeño en el momento de su llegada, por lo que cuando se basa en el análisis de voces de clientes existentes y datos de mercados existentes, se juzga como "insignificante" (Christensen, 1997). Tercero, cuando se construye una predicción "desde adentro" acumulando los propios planes, la falacia de planificación causa una distorsión sistemáticamente optimista. Un análisis de 258 proyectos públicos mostró que el 90% subestimó costos (Kahneman & Tversky, 1979; Flyvbjerg, Holm & Buhl, 2002)
  • Conservadurismo de los investigadores: Los investigadores tienen el mismo tipo de distorsión. Tienden a adoptar estrategias conservadoras concentrándose en áreas de tendencia ya establecidas, pero mientras que las apuestas en nuevas áreas tienen alta tasa de fracaso, el impacto cuando tienen éxito es grande, y millones de artículos muestran que como colectivo, la elección conservadora es excesiva (Foster, Rzhetsky & Evans, 2015). En áreas donde el crecimiento ya es obvio para todos, la competencia es intensa y las ganancias de la entrada temprana se pierden; solo las predicciones fuera del consenso generan retornos excesivos (Thiel & Masters, 2014)

Limitaciones estructurales

  • Distinción entre riesgo e incertidumbre: Se ha distinguido el "riesgo" predecible de la "incertidumbre" impredecible. Mientras que el riesgo permite calcular probabilidades a partir de frecuencias pasadas, la incertidumbre en la que no existe un pasado referencial (la incertidumbre de Knight) no puede definir la probabilidad en sí, y el surgimiento de nuevos mercados frecuentemente pertenece a la última categoría (Knight, 1921). Además, en áreas donde la distribución de resultados se desvía significativamente de la distribución normal, eventos raros determinan 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 la invención 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, pequeños accidentes iniciales determinan ganadores de manera impredecible ex ante. Debido a que los efectos de red o aprendizaje refuerzan la ventaja de la tecnología que se difundió primero, estándares técnicamente inferiores pueden dominar el mercado. Este proceso ha sido modelado teóricamente (Arthur, 1989) e ilustrado por la historia de cómo la disposición de teclado QWERTY se consolidó sin ser técnicamente óptima (David, 1985). Es decir, mientras que "qué mercado crecerá" puede predecirse, "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 euforia y burbujas. Las cinco revoluciones tecnológicas desde la Revolución Industrial formaron todas burbujas en la fase de introducción cuando el capital financiero fluyó en exceso, pasando a la fase de despliegue después de colapsos (Perez, 2002). Incluso si se predice correctamente el crecimiento del mercado, si se participa e invierte durante la fase de burbuja, se incurre en pérdidas. La corrección de la predicción y la corrección del momento y precio de entrada deben verificarse por separado

Limitaciones de la autorreferencia

  • Profecía autocumplida: La predicción de fenómenos sociales es alterada por el hecho mismo de ser predicha, cambiando el comportamiento del objeto. Esta estructura de "profecía autocumplida" es una observación clásica de la sociología (Merton, 1948) y se aplica directamente a predicciones de mercado. Cuando la expectativa de que "este mercado crecerá" se comparte ampliamente, hay una avalancha de participantes que realizan el crecimiento, pero las ganancias por participante desaparecen. Se ha confirmado causalmente en industrias farmacéuticas y automotrices que las expectativas del tamaño futuro del mercado realmente impulsan invenciones y entrada (Acemoglu & Linn, 2004; Dubois et al., 2015; Aghion et al., 2016)
  • Problema de lo ya incorporado en el precio: En el contexto de inversión, esta limitación aparece como el problema de "lo ya incorporado en el precio". Las expectativas basadas en información pública ya se reflejan en el precio, por lo que el crecimiento que todos conocen no genera retornos excesivos (Fama, 1970). El que las inversiones en industrias y empresas en crecimiento resulten en retornos inesperadamente bajos, la "trampa del crecimiento", se debe a que las expectativas de crecimiento se incorporan en el precio de las acciones, pagando un precio excesivamente alto (Siegel, 2005). Discernir crecimiento y obtener ganancias de ese crecimiento son problemas separados
  • Ley de Goodhart: Cuando un indicador se convierte en objetivo, el indicador pierde su valor como indicador. La ley que establece que "cuando una estadística se convierte en objetivo de política, pierde su confiabilidad como estadística" (Goodhart, 1984) también se aplica a indicadores adelantados. Si se conoce ampliamente que solicitudes de patentes o anuncios de empleo son "señales de mercados en crecimiento", aumentan las solicitudes y anuncios conscientes de esto, y la señal se convierte en ruido. Los indicadores adelantados poseen su mayor poder predictivo solo en el período anterior a que sean reconocidos como indicadores

Limitaciones de datos y métodos

  • Los mercados nuevos no tienen datos: Los métodos cuantitativos requieren datos históricos, pero los mercados nuevos no tienen, por definición, un pasado. Los coeficientes de los modelos de difusión no pueden estimarse de manera estable hasta que la tasa de difusión alcanza el 10-20% (Bass, 1969; Sultan, Farley & Lehmann, 1990), y antes de eso se depende de la predicción por clase de referencia, que toma prestados los coeficientes de casos similares (Kahneman & Tversky, 1979). Sin embargo, la elección de qué se considera "similar" influye en los resultados, 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 competiciones de predicción a gran escala con 100,000 series temporales, los métodos de aprendizaje automático puro tuvieron un desempeño inferior a los métodos estadísticos simples, y la combinación de múltiples métodos fue más precisa (Makridakis, Spiliotis & Assimakopoulos, 2018; Makridakis et al., 2020). En cuanto a los grandes modelos de lenguaje, se reporta que equivalen a la inteligencia colectiva humana, pero al mismo tiempo se ha confirmado que aún no alcanzan a los superpreductores capacitados en benchmarks que se actualizan continuamente (Schoenegger et al., 2024a; Karger et al., 2024).
  • Falsos positivos en la detección de señales: La detección de señales siempre conlleva el problema de los falsos positivos. La definición misma de tecnologías emergentes contiene incertidumbre (Rotolo, Hicks & Martin, 2015), y no es raro que tecnologías que han captado atención pierdan impulso posteriormente, fenómeno conocido como "hype". El "ciclo de hype", que describe la transición de expectativas sobre tecnologías, se utiliza ampliamente en la práctica, pero se ha señalado que su forma carece de respaldo empírico sólido para su generalización (Dedehayir & Steinert, 2016). La mayoría de las señales débiles son, retrospectivamente, ruido que no condujo a nada.

Punto de llegada considerando las limitaciones

  • Probabilidad, actualización y combinación: Las limitaciones anteriores no son razones para abandonar la predicción, sino razones para cambiar cómo se usa. Primero, el resultado de una predicción no debe ser un punto sino una distribución de probabilidad, que debe tratarse con un margen. Segundo, la probabilidad debe actualizarse cada vez que entra nueva información, y aferrarse a una predicción una vez emitida es el mayor factor de fracaso. La ventaja de aproximadamente el 30% que los predictores capacitados obtuvieron sobre los analistas de inteligencia provino principalmente de este hábito de actualización (Mellers et al., 2014; Tetlock & Gardner, 2015). Tercero, confiar en una única metodología en lugar de combinar múltiples enfoques es una conclusión respaldada consistentemente tanto por medio siglo de investigación en predicción como por las competiciones más recientes (Armstrong, 2001; Makridakis et al., 2020).
  • Complementación mediante prospectiva: La incertidumbre que no puede abordarse con predicción (forecasting) se aborda con prospectiva (foresight). Para futuros impredecibles, es más racional describir múltiples escenarios, monitorear indicadores adelantados y preparar toma de decisiones que funcione bajo cualquier escenario que apostar por una única predicción (Schoemaker, 1995; Wack, 1985). Las predicciones fallan porque el método es deficiente, y los métodos pueden mejorarse. Sin embargo, incluso los métodos mejorados tienen limitaciones, y el diseño de la toma de decisiones que asume estas limitaciones se convierte en el siguiente paso después de la predicción.

Conclusión

De esta manera, hemos sistematizado los enfoques para encontrar mercados en crecimiento. Los métodos aquí sistematizados no pueden predecir con certeza los mercados en crecimiento, pero mediante un enfoque científico, pueden predecirlos con la mayor probabilidad posible. Se considera que pueden aplicarse como enfoque para predecir qué tipo de mercados surgirán en la era de la IA en el futuro.

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 demuestra que el tamaño de mercado anticipado por la demografía 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 demuestra que el aumento de precios del combustible incrementa las patentes de tecnología limpia en fabricantes de automóviles)
  • Aguilar, F. J. (1967). Scanning the business environment. Macmillan. (Obra que sistematizó el escaneo del entorno externo empresarial y se convirtió 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 a través de redes de citación de patentes y artículos, demostrando que las patentes con mayor valor de mercado están más 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 reorganiza todas las industrias)
  • Ansoff, H. I. (1975). Managing strategic surprise by response to weak signals. California Management Review, 18(2), 21–33. (Artículo que propuso la respuesta a las "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 compiló los principios de investigación en predicción y demostró 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 de los mercados de predicción y sus posibilidades de política pública)
  • Arthur, W. B. (1989). Competing technologies, increasing returns, and lock-in by historical events. Economic Journal, 99(394), 116–131. (Artículo que teorizó que bajo rendimientos crecientes, la casualidad inicial determina al ganador, lo que hace difícil 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 demuestra que encuestas de predicción estadísticamente agregadas muestran una precisión igual o superior a la de 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 formalizó la difusión de nuevos productos con 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 predicciones de suscriptores de televisión por satélite utilizando el modelo Bass antes del lanzamiento del producto, con resultados casi idénticos a los reales)
  • 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 a partir de texto de explicaciones en 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 demostró que las tecnologías de propósito general generan crecimiento a través de cadenas de innovación complementaria)
  • Bryar, C., & Carr, B. (2021). Working backwards: Insights, stories, and secrets from inside Amazon. St. Martin's Press. (Obra en la que un miembro interno explica el proceso de cálculo regresivo 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 muestra la curva J desde cuando la inversión en tecnologías de propósito general se refleja en la productividad a través de 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 reportó que el mercado de predicción interno de HP superó los pronósticos 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 muestra por qué la innovación disruptiva no es visible 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 explica la teoría del trabajo que redefinir el mercado basándose en lo que los clientes quieren «hacer»)
  • 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 muestra que cuanto más maduro 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 analiza el proceso de promulgación de la regulación ZEV de California de 1990 y muestra el punto de partida donde la regulación guió el mercado de vehículos eléctricos)
  • Comin, D., & Hobijn, B. (2010). An exploration of technology diffusion. American Economic Review, 100(5), 2031–2059.(Artículo que muestra que el retraso desde la invención hasta la difusión es de un promedio de 45 años, y que esa diferencia explica las brechas 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 muestra que los países con mayor carga de enfermedades aumentan la producción y exportación de medicamentos para tratarlas, demostrando 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 muestra que los mercados de predicción internos de Google y Ford funcionan como probabilidades calibradas y corrigen el sesgo optimista de los pronósticos 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 analiza las razones por las que las predicciones de adopción de energía solar de las principales instituciones han subestimado sistemáticamente)
  • 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 reporta 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 muestra, usando como ejemplo la distribución QWERTY, que un formato técnicamente no óptimo puede dominar el mercado a través de la dependencia de la trayectoria)
  • 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 muestra la estructura temporal de las tecnologías de propósito general a partir de la historia de cómo el efecto productivo 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 muestra por qué las organizaciones pierden señales débiles y los 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 organiza que la evidencia de investigación es débil para si la forma del ciclo de expectativas puede generalizarse empíricamente)
  • Drucker, P. F. (1997). The future that has already happened. Harvard Business Review, 75(5), 20–24.(Artículo que muestra la idea de usar los datos demográficos como «el futuro que ya ha sucedido» para la previsión)
  • 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 estima una elasticidad donde una expansión del 1% en el tamaño del mercado aumenta el número de nuevos medicamentos en 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 muestra un método para detectar tecnologías emergentes y su evolución utilizando aprendizaje profundo y análisis de señales débiles)
  • The Economist. (1999, October 7). Cutting the cord.(Artículo que reporta un caso donde las predicciones del mercado de telefonía móvil de los años ochenta fueron más de 100 veces inferiores a los resultados reales)
  • 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 estima el alcance del mercado laboral que los grandes modelos de lenguaje pueden afectar 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 que la UE opera anualmente para la 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 organiza la hipótesis de mercado eficiente 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 muestra que la predicción probabilística de costos tecnológicos basada en la curva de experiencia tiene precisión práctica)
  • Felin, T., & Zenger, T. R. (2017). The theory-based view: Economic actors as theorists. Strategy Science, 2(4), 258–271.(Artículo que presenta la visión estratégica basada en teoría: que la promesa de un mercado solo se hace visible a través de 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 aplica la predicción de clase de referencia a la práctica y muestra métodos para abordar los errores 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 muestra que el 90% de 258 proyectos de infraestructura sufrieron sobrecostos, sustentando 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 reportó que el Mercado Electrónico de Iowa predijo los resultados electorales con mayor precisión 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.(Artículo que demostró en millones de trabajos que, si bien domina la selección conservadora de temas entre investigadores, las apuestas en nuevos campos generan mayor 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.(Artículo que analizó el mecanismo mediante el cual DARPA invierte en campos tecnológicos en etapas anteriores a la existencia del mercado)
  • Garfield, E. (1955). Citation indexes for science: A new dimension in documentation through association of ideas. Science, 122(3159), 108–111.(Artículo que propuso el índice de citas de trabajos científicos y estableció los fundamentos de la cienciometría)
  • Gates, B. (1996). The road ahead (Rev. ed.). Penguin Books.(Obra que señaló la tendencia humana a sobreestimar los cambios a corto plazo e infravalorar 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.(Artículo que verificó, utilizando datos de anuncios de empleo en línea, si el aprendizaje automático cumple las condiciones de una tecnología de uso general)
  • Goldin, C. (2006). The quiet revolution that transformed women's employment, education, and family. American Economic Review, 96(2), 1–21.(Artículo que analizó la expansión del empleo y la formación de carreras profesionales 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.(Artículo que aclaró los factores y ponderaciones en las decisiones de inversión de capitalistas de riesgo a través de una encuesta a 885 VCs)
  • Goodhart, C. A. E. (1984). Monetary theory and practice: The UK experience. Macmillan.(Obra que demostró la "Ley de Goodhart": cuando una medida estadística se convierte en objetivo político, pierde confiabilidad como indicador)
  • 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.(Artículo que demostró que la previsión de ventas de nuevos productos electrónicos utilizando analogía de productos similares es más precisa que la predicción basada únicamente en el criterio)
  • Graham, P. (2012). How to get startup ideas. Y Combinator.(Ensayo que presentó un método de descubrimiento de ideas empresariales: "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.(Artículo 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 demostró a partir del análisis de más de 200 empresas que el momento es el factor más importante para el éxito)
  • 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 protagonista analiza el cambio de la industria de PC de integración vertical a división horizontal y la migración de beneficios)
  • Habegger, B. (2010). Strategic foresight in public policy: Reviewing the experiences of the UK, Singapore, and the Netherlands. Futures, 42(1), 49–58.(Artículo que comparó sistemas de prospectiva de diferentes gobiernos, incluyendo 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.(Artículo que demostró que los LLM reforzados con búsqueda informativa alcanzan una precisión cercana a la de grupos de predicción humana)
  • Hall, B. H., Jaffe, A., & Trajtenberg, M. (2005). Market value and patent citations. RAND Journal of Economics, 36(1), 16–38.(Artículo que demostró empíricamente que las patentes con mayor número de citas tienen una mayor contribución al valor empresarial)
  • Hamming, R. W. (1986). You and your research [Lecture]. Bell Communications Research Colloquium Seminar.(Conferencia que argumentó que los investigadores que logran grandes resultados seleccionan problemas importantes y entran temprano en campos en desarrollo)
  • Hayek, F. A. (1945). The use of knowledge in society. American Economic Review, 35(4), 519–530.(Artículo que fundamentó la teoría de los mercados de predicción al argumentar que los precios tienen la función de agregar conocimiento disperso)
  • Hill, R., Yin, Y., Stein, C., Wang, X., Wang, D., & Jones, B. F. (2025). The pivot penalty in research. Nature, 642, 999–1006.(Artículo que demostró con datos a gran escala que el impacto disminuye cuando los investigadores se desvían de su especialidad hacia temas nuevos)
  • 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.(Artículo que analizó el proceso de aprobación de la Ley de Energías Renovables alemana y cómo ésta impulsó el mercado de energía solar)
  • Kahn, H., & Wiener, A. J. (1967). The year 2000: A framework for speculation on the next thirty-three years. Macmillan.(Obra clásica en planificación de escenarios que sistematizó la metodología de escenarios proveniente del Instituto RAND)
  • Kahneman, D., & Tversky, A. (1979). Intuitive prediction: Biases and corrective procedures. TIMS Studies in Management Science, 12, 313–327.(Artículo que presentó el sesgo de planificación y procedimientos correctivos 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.(Artículo que, mediante un benchmark continuamente actualizado, demostró que los LLM de última generación aún no alcanzan el nivel de los superpredictor)
  • 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.(Artículo que presentó el método de nucleósidos modificados que fundamentó las vacunas de ARNm, siendo objeto del Premio Nobel en 2023)
  • Keating, G. (2012). Netflixed: The epic battle for America's eyeballs. Portfolio/Penguin.(Obra que describe cómo Netflix, desde su fundación, anticipó la transición al 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.(Artículo que demostró que los retornos de VC siguen una distribución sesgada que depende de pocos grandes éxitos, permitiendo que la inversión funcione como experimento)
  • Kharas, H. (2017). The unprecedented expansion of the global middle class: An update (Global Economy & Development Working Paper No. 100). Brookings Institution.(Artículo que estimó la rápida expansión de la población de clase media mundial y su concentración en Asia)
  • Knight, F. H. (1921). Risk, uncertainty and profit. Houghton Mifflin.(Clásico de la economía que distingue entre riesgo con probabilidad calculable e incertidumbre no calculable)
  • Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097–1105.(Artículo que marcó el inicio del auge del aprendizaje profundo, donde redes neuronales profundas entrenadas con GPU ganaron abrumadoramente en reconocimiento de imágenes)
  • 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.(Artículo que propone un método de predicción con distribución de probabilidad basado en curvas de experiencia, verificado 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.(Artículo que presenta un método para identificar tecnologías emergentes tempranamente usando 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.(Artículo que demuestra que la regulación de emisiones en EE. UU. indujo solicitudes de patentes de tecnologías de tratamiento de gases de escape en la industria automotriz)
  • Levitt, T. (1983). The marketing imagination. Free Press.(Obra que popularizó la perspectiva de que "los clientes no quieren taladros, quieren agujeros")
  • 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.(Artículo que demuestra que el método de usuarios líderes en 3M generó aproximadamente 8 veces más potencial de ventas que métodos convencionales)
  • Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and machine learning forecasting methods: Concerns and ways forward. PLoS ONE, 13(3), e0194889.(Artículo que organiza las limitaciones del aprendizaje automático en predicción, mostrando que métodos puros de aprendizaje automático pueden ser superados por métodos estadísticos simples)
  • 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.(Artículo que reporta que en una competencia de predicción con 100,000 series temporales, la combinación de múltiples métodos fue la más precisa)
  • Marx, M., & Fuegi, A. (2020). Reliance on science: Worldwide front-page patent citations to scientific articles. Strategic Management Journal, 41(9), 1572–1594.(Artículo que construyó una base de datos de artículos científicos citados por patentes, permitiendo rastrear la conexión ciencia-industria a gran escala)
  • Mathews, J. A. (1997). A Silicon Valley of the East: Creating Taiwan's semiconductor industry. California Management Review, 39(4), 26–54.(Artículo que analiza cómo el gobierno de Taiwan 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 clave que componen el iPhone provienen de financiamiento de investigación pública, discutiendo el papel de la inversión estatal anticipada)
  • 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.(Artículo que demuestra en un torneo de predicción que la capacitación, trabajo en equipo y actualización de probabilidades aumentan significativamente la precisión predictiva)
  • 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.(Artículo que muestra en predicciones de costos de tecnologías energéticas que los modelos estadísticos superan estimaciones de expertos, y que los expertos subestiman reducciones de costos)
  • Merton, R. K. (1948). The self-fulfilling prophecy. Antioch Review, 8(2), 193–210.(Artículo que formaliza la "profecía autorrealizable": cuando una predicción cambia el comportamiento de su objeto y se realiza a sí misma)
  • Myers, K. (2020). The elasticity of science. American Economic Journal: Applied Economics, 12(4), 103–134.(Artículo que demuestra con datos de NIH que los investigadores desplazan sus temas según fondos de investigación con fines específicos)
  • Nagy, B., Farmer, J. D., Bui, Q. M., & Trancik, J. E. (2013). Statistical basis for predicting technological progress. PLoS ONE, 8(2), e52669.(Artículo que verifica el poder predictivo de la ley de Wright con 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.(Artículo que muestra en 45 millones de artículos y 3.9 millones de patentes que la proporción de resultados disruptivos sigue disminuyendo)
  • Perez, C. (2002). Technological revolutions and financial capital: The dynamics of bubbles and golden ages. Edward Elgar.(Obra que muestra mediante 5 ondas cómo las revoluciones tecnológicas atraviesan fases de introducción, burbuja, punto de inflexión y despliegue)
  • Popp, D. (2002). Induced innovation and energy prices. American Economic Review, 92(1), 160–180.(Artículo que demuestra que aumentos en precios de energía inducen solicitudes de patentes en tecnologías de eficiencia energética)
  • 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.(Artículo que sostiene que regulaciones bien diseñadas estimulan 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.(Artículo que muestra cómo GPU acelera significativamente el entrenamiento del aprendizaje profundo, sirviendo como señal adelantada de demanda de computación GPU)
  • Rogers, E. M. (1962). Diffusion of innovations. Free Press.(Obra original de teoría de difusión que muestra que la difusión de innovaciones sigue una curva 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.(Artículo que demostró que las empresas con capacidad de foresight corporativo mostraron altas tasas de rentabilidad y crecimiento 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.(Artículo que organizó el ámbito de investigación del foresight corporativo y posicionó 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 definió la tecnología emergente mediante cinco atributos y proporcionó 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 verificó la precisión predictiva del método Delphi mediante revisión de investigaciones empíricas)
  • Ryan, B., & Gross, N. C. (1943). The diffusion of hybrid seed corn in two Iowa communities. Rural Sociology, 8(1), 15–24.(Origen de la investigación de difusión que descubrió por primera vez que la adopción de innovaciones describe 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 demostró que la precisión mejora cuando las predicciones de probabilidad colectivas se polarizan y se agregan)
  • Scherer, F. M., & Harhoff, D. (2000). Technology policy for a world of skew-distributed outcomes. Research Policy, 29(4–5), 559–566.(Artículo que demostró que el valor económico de las invenciones tiene una distribución extremadamente sesgada, donde una pequeña cantidad concentra la mayor parte del valor)
  • Schmookler, J. (1966). Invention and economic growth. Harvard University Press.(Obra clásica de la teoría de la demanda que demostró que la dirección de la invención 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 organizó 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 mostró métodos para detectar e interpretar organizacionalmente señales débiles)
  • 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 demostró que la precisión predictiva de los humanos mejora significativamente cuando se les proporciona un asistente 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 demostró que el conjunto de LLM tiene una precisión predictiva comparable a la inteligencia colectiva humana)
  • Schwartz, P. (1991). The art of the long view: Planning for the future in an uncertain world. Doubleday.(Obra que sistematizó la práctica de planificación de escenarios de Shell y describió la preparación para la caída 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 demostró con datos a largo plazo la "trampa del crecimiento" en la que las inversiones en industrias en crecimiento resultan en retornos bajos)
  • 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 predijo las tasas de mejora anuales de 1,757 áreas tecnológicas 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.(Metanálisis de 213 estudios de aplicación del modelo Bass que mostró los valores típicos del coeficiente de innovación y el coeficiente de imitación)
  • Taleb, N. N. (2007). The black swan: The impact of the highly improbable. Random House.(Obra que argumenta que en regiones donde la distribución de resultados se desvía de la distribución normal, 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 rastreó durante 20 años la precisión predictiva de expertos y demostró sus limitaciones y posibilidades de mejora)
  • Tetlock, P. E., & Gardner, D. (2015). Superforecasting: The art and science of prediction. Crown.(Obra que sistematizó la predicción como una 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 propuso los torneos de predicción como medio para introducir el pensamiento probabilístico en los debates de políticas)
  • Thiel, P., & Masters, B. (2014). Zero to one: Notes on startups, or how to build the future. Crown Business.(Obra que discute la inversión en "verdades ocultas" que se desvían del consenso)
  • Uzzi, B., Mukherjee, S., Stringer, M., & Jones, B. (2013). Atypical combinations and scientific impact. Science, 342(6157), 468–472.(Artículo que demostró que los artículos de alto impacto tienen una estructura que combina conocimiento convencional con una única combinación atípica)
  • Valentine, D. (2010). View from the top [Lecture]. Stanford Graduate School of Business.(Conferencia en la que el fundador de Sequoia Capital presentó la visión de que el tamaño del mercado es el primer criterio en las 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 demostró que el 77% de la innovación en instrumentos científicos proviene de los usuarios, convirtiéndose en el origen del método de usuarios líderes)
  • von Hippel, E. (1986). Lead users: A source of novel product concepts. Management Science, 32(7), 791–805.(Artículo original del método de usuarios líderes que demostró 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 reportó cómo la división de dispositivos médicos de 3M obtuvo conceptos de nuevos productos utilizando el método de usuarios líderes)
  • Wack, P. (1985). Scenarios: Uncharted waters ahead. Harvard Business Review, 63(5), 72–89.(Artículo en el que un participante reportó 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 demostró que los artículos altamente novedosos 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.(Documento que demuestra, a partir de pronósticos probabilísticos basados 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 lectura 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 aplicados gracias a su inversión anticipada en CUDA.)
  • Wolfers, J., & Zitzewitz, E. (2004). Prediction markets. Journal of Economic Perspectives, 18(2), 107–126.(Documento que revisa 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.(Documento original de la ley de Wright que descubrió la relación entre la cantidad acumulada producida 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.(Documento que presenta un método para predecir tecnologías emergentes mediante aumentación 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.(Documento que demuestra que el costo de las baterías de iones de litio ha disminuido siguiendo 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 público que muestra la evolución 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 aproximadamente cada cinco años desde 1971.)

Compartir este artículo