Pláticas con Claude – Crear la “Psicohistoria”
Sería posible desarrollar con la tecnología moderna IA, matemáticas e historia documentada, desarrollar algo como la psicohistoria de Asimov en sus libros de ciencia ficción?
Sí y no, y la distinción importa mucho.
Lo que ya existe y se le parece
La analogía más directa es la cliodinámica de Peter Turchin: modelar la historia con ecuaciones diferenciales y datos estructurados. Su grupo mantiene Seshat: Global History Databank, que permite contrastar teorías sobre evolución social y crisis de forma comparativa, y su teoría demográfico-estructural conecta bienestar popular, competencia entre élites, capacidad estatal e inestabilidad política. En 2010 publicó en Nature una predicción de inestabilidad creciente en EE.UU. y Europa occidental para la década de 2020 — cuestionable metodológicamente, pero no trivialmente errada. Peter Turchin
Y la IA ya está metida ahí: hasta 2024 los datos de Seshat se recolectaban a mano; desde 2025 usan LLMs en un esquema tipo “sándwich”, con la generación automática de datos encapsulada entre dos capas de trabajo humano, precisamente porque no se puede confiar ciegamente en el modelo. Substack
Por el lado del pronóstico de eventos, la evidencia es medible. En ForecastBench, los superpronosticadores humanos obtienen Brier ≈ 0.096 frente a ≈ 0.122 del mejor LLM, y a enero de 2026 los humanos siguen en el primer lugar del leaderboard, aunque las mejores submissions externas ya desplazaron a las configuraciones base de GPT-5, o3 y Claude. La extrapolación lineal de la tendencia sitúa la paridad LLM-superpronosticador hacia finales de 2026, con intervalo de confianza del 95% entre diciembre de 2025 y enero de 2028. Eso es real y es mucho. Pero es pronóstico a 6-18 meses sobre preguntas bien especificadas, no psicohistoria. ForecastBench: A Dynamic Benchmark of AI Forecasting Capabilities +2
Por qué la psicohistoria de Asimov es imposible en el sentido fuerte
Hay cuatro obstáculos, y tres son estructurales, no de cómputo ni de datos:
- Reflexividad. Asimov lo sabía: puso como axioma explícito que la población no debe conocer las predicciones. En economía esto tiene nombre formal — la crítica de Lucas: los parámetros de un modelo de comportamiento agregado cambian cuando los agentes incorporan el modelo a sus expectativas. Un pronóstico público es una intervención, no una observación. No es un bug corregible; es lógicamente inherente.
- Caos determinista. Aunque tuvieras las ecuaciones exactas, la sensibilidad a condiciones iniciales impone un horizonte de predicción finito. La analogía útil es tiempo vs clima: nadie predice si lloverá en Cuernavaca el 14 de marzo de 2031, pero sí se puede afirmar con confianza que marzo será seco. La psicohistoria realizable es climatología social, no meteorología social. Asimov hacía meteorología con fechas y lugares.
- Impredecibilidad del conocimiento futuro. El argumento de Popper en La miseria del historicismo: no puedes predecir el contenido del conocimiento científico futuro sin ya poseerlo, y como ese conocimiento condiciona el curso histórico, la historia no es predecible en detalle. La IA misma es el ejemplo vivo: es el factor que más rompe cualquier modelo histórico entrenado con datos pre-2020.
- n pequeña. Hay quizá unas decenas de colapsos imperiales bien documentados, con fuentes sesgadas por supervivencia, escritas por vencedores, y sin contrafactuales. Los LLMs multiplican la velocidad de codificación de esos datos, no la cantidad de historia que ocurrió. Y estos modelos interpolan patrones bien; extrapolan mal a regímenes sin precedente — que es justo donde se juega una crisis civilizatoria.
Lo que sí es construible hoy
Un sistema de pronóstico estructural probabilístico: variables agregadas de movimiento lento (demografía, urbanización, dependencia energética, presión fiscal, desigualdad, sobreproducción de élites), modeladas con series históricas + simulación basada en agentes + un ensemble de LLMs para extracción de datos y generación de escenarios, con salida en forma de “probabilidad P de inestabilidad significativa en ventana de N años”, calibrada y puntuada con Brier score contra resultados reales.
Eso ya existe en versiones parciales — ViEWS de Uppsala para riesgo de conflicto armado, los modelos de riesgo político de organismos multilaterales, el propio trabajo de Turchin. El epistemólogo correcto para calibrar expectativas no es la mecánica celeste sino la sismología: sabes dónde está la falla, sabes que la tensión se acumula, puedes dar probabilidades en ventanas de décadas, y no puedes decirte la fecha.
La ironía es que Asimov ya había resuelto esto narrativamente: inventó al Mulo — el evento de cola individual que rompe el modelo — y luego a la Segunda Fundación, que tenía que intervenir en secreto y continuamente para mantener el Plan en curso. Es decir, admitió dentro de la propia ficción que el modelo no se sostiene sin corrección activa y sin ocultarle el modelo a los modelados. Ese reconocimiento es la parte más rigurosa de la saga.
Sources:
- LLMs Are Closing the Gap on Human Superforecasters — Forecasting Research Institute
- ForecastBench: A Dynamic Benchmark of AI Forecasting Capabilities
- Seshat and AI — Cliodynamica, Peter Turchin
- Cliodynamics — Peter Turchin
- AI Forecasting in 2026: What 11 Analyses Say
Series de artículos 
Comentarios recientes