Los mercados de predicción han funcionado durante mucho tiempo como bolas de cristal de colaboración colectiva, destilando información dispersa para pronosticar elecciones, cambios económicos y avances tecnológicos. Pero en la ciencia, trascienden la mera predicción, convirtiéndose en laboratorios vivientes donde se prueban, refinan e incentivan económicamente hipótesis en tiempo real. Este artículo profundiza en la revolución epistémica impulsada por los mercados de predicción científica: su potencial para abordar las deficiencias sistémicas de la investigación, redefinir los mecanismos de validación y redefinir el significado de generar conocimiento en un mundo abierto.

La mercantilización de la verdad

¿Qué pasaría si la verdad científica no la dictaran comités y factores de impacto, sino un mercado abierto donde las hipótesis suben o bajan en función de apuestas en tiempo real?

Durante siglos, la validación científica ha dependido de la revisión estática por pares, la aprobación institucional y el prestigio académico: sistemas plagados de sesgos, obstáculos e incentivos políticos. ¿El resultado? Una crisis de reproducibilidad, una avalancha de estudios con poca potencia estadística y un sistema donde la financiación dicta las prioridades de investigación en lugar del mérito epistémico real. Panadero, 2016 ; Björk y otros, 2010 ; Fang y Casadevall, 2012 ; Larivière y otros, 2015 ; Romero, 2019 ).

Los mercados de predicción introducen una alternativa radical: una estructura de incentivos financieros para la producción de conocimiento, donde las ideas no solo se publican, sino que se someten a pruebas de resistencia, se refinan y se validan mediante inteligencia colectiva descentralizada. Son antifrágiles: prosperan en la incertidumbre, adaptándose continuamente a nuevos datos y perspectivas.

La columna vertebral teórica

Los mercados de predicción, aclamados durante mucho tiempo como motores de inteligencia colectiva, han sido vistos desde hace tiempo como una fuerza disruptiva en la previsión científica y la toma de decisiones. Hanson, 1995 ; Buckley, 2014 ; Almenberg, Kittlitz y Pfeiffer, 2009 Al destilar conocimiento fragmentado en pronósticos fluidos y en tiempo real, estos mercados convierten la incertidumbre en una señal dinámica y en evolución, que cambia con cada nuevo punto de datos.

En esencia, los mercados de predicción encarnan la "sabiduría de las multitudes" a toda marcha: un sistema descentralizado donde las probabilidades se ajustan en tiempo real, haciendo eco de los principios de la epistemología bayesiana ( Hsu, 2011 En lugar de opiniones expertas estáticas, impulsan el conocimiento, reformulando continuamente las creencias a medida que la evidencia fluye. ¿El resultado? Un modelo científico participativo y autocorrectivo, donde la verdad no se dicta, sino que emerge, se adapta y compite en un espacio abierto de ideas.

El fundamento epistémico de los mercados de predicción resuena con la filosofía de la ciencia de Karl Popper, en particular su visión de que el progreso científico se desarrolla mediante conjeturas y refutaciones, un proceso de compromiso crítico en lugar de depender de la experiencia aislada. Los mercados de predicción proporcionan un entorno estructurado donde diversas perspectivas convergen, compiten y refinan hipótesis de forma descentralizada. Robin Hanson (1995) , uno de los primeros defensores de los mercados de predicción en la ciencia, observó: «Los mercados no son solo lugares donde se intercambian bienes, sino plataformas para la agregación de conocimiento». Al transformar los juicios individuales en conocimiento colectivo, los mercados de predicción ofrecen una alternativa dinámica a los sistemas tradicionales de evaluación basados en expertos.

Además, estos mercados encarnan la teoría del conocimiento hayekiana, que postula que el conocimiento disperso, debidamente agregado, permite una toma de decisiones más precisa y eficiente que el control centralizado. Los mercados de predicción liberan la validación científica de las instituciones jerárquicas, transfiriendo el poder a un sistema descentralizado y abierto donde el conocimiento se produce, se prueba y se perfecciona colectivamente. Más que una simple herramienta, conforman una infraestructura epistémica viva : transparente, participativa y en constante evolución con cada nueva evidencia.

La idea central: Los mercados de predicción como herramientas epistémicas

Los mercados de predicción funcionan como mecanismos descentralizados para recopilar información. Los participantes apuestan a la probabilidad de un resultado, y la inteligencia colectiva del mercado ajusta los precios para reflejar el escenario más probable.

En el contexto científico, los mercados de predicción desempeñan un papel único como herramientas epistémicas: sistemas para generar, probar y refinar el conocimiento. Al crear mercados en torno a hipótesis científicas, los participantes apuestan a si las afirmaciones serán validadas experimentalmente, lo que ofrece una evaluación dinámica y en tiempo real de su credibilidad.

Al pasar de los sistemas tradicionales de evaluación impulsados por expertos a los pronósticos impulsados por el mercado, los mercados de predicción científica cumplen varias funciones epistémicas críticas:

• Agregación de información: los mercados de predicción se destacan en la consolidación de conocimiento descentralizado proveniente de diversas fuentes, lo que a menudo conduce a pronósticos más precisos que las evaluaciones individuales.
• Integración de conocimiento disperso: La ciencia es profundamente especializada, con expertos centrados en dominios específicos. Los mercados de predicción permiten que tanto especialistas como expertos externos contribuyan a una plataforma de pronóstico compartida, aprovechando perspectivas diversas. Budescu y Chen, 2015 ).
• Creación de consenso: en disciplinas con desacuerdos científicos significativos, los mercados de predicción sintetizan diversos puntos de vista en un único precio de mercado, ofreciendo una medida de creencia colectiva que puede ser más confiable que los metanálisis tradicionales o los paneles de expertos. Wolfers y Zitzewitz, 2004 ).

El efecto motor epistémico: la piel financiera en el juego

¿Qué pasa cuando la verdad tiene un precio?

En la ciencia tradicional, los errores suelen persistir porque nadie recibe sanciones económicas por equivocarse. Los revisores expertos no pierden dinero al aprobar un artículo deficiente. Los editores de revistas no pagan por publicar estudios deficientes. En el ámbito académico, uno puede equivocarse durante años y aun así obtener la titularidad.

Los mercados de predicción transforman las reglas del juego al imponer la precisión mediante incentivos financieros. Cuando el dinero está en juego, la ideología cede ante la verdad: los participantes son recompensados por predecir correctamente los resultados, no por defender sesgos institucionales o impulsar narrativas. Esto crea un poderoso motor epistémico, donde acertar es rentable y equivocarse tiene consecuencias reales.

En este sistema, la validación científica se convierte en un experimento abierto y de alto riesgo, donde las ideas surgen y fracasan según su verdadero poder predictivo, no por la aprobación institucional. En lugar de apelar a la autoridad, el mercado solo recompensa una cosa: acertar con la realidad.

Abordar la crisis de reproducibilidad en la ciencia

Una de las promesas más importantes de los mercados de predicción es su potencial para abordar la crisis de reproducibilidad, un problema que socava la credibilidad de la investigación científica debido a la incapacidad generalizada de replicar los hallazgos publicados. Gordon y otros, 2021 ; Munafo y otros, 2015 ; Holzmeister y otros, 2024 ).

Un estudio de referencia que utilizó mercados de predicción para evaluar 44 estudios psicológicos demostró que las evaluaciones impulsadas por el mercado podían predecir eficazmente los resultados de replicación, superando a los métodos de encuesta tradicionales ( Dreber y otros, 2015 Al permitir que los participantes apuesten sobre la probabilidad de replicaciones exitosas, los mercados de predicción ofrecen un mecanismo rentable para priorizar los esfuerzos de replicación. Los estudios con menores probabilidades de replicación, según la evaluación del mercado, pueden ser marcados para un análisis más detallado, mientras que los estudios de alta confianza pueden priorizarse para su aplicación práctica.

Este enfoque cambia el guion de la validación científica y reemplaza el lento proceso de replicación posterior a la publicación con un control de calidad dinámico y preventivo, dirigiendo los recursos hacia donde más importan y garantizando que la investigación innovadora reciba la atención que merece.

Más allá de la revisión por pares: un nuevo modelo de validación científica

El sistema tradicional de revisión por pares, si bien es fundamental para la publicación científica, suele ser criticado por ser lento, opaco y susceptible a sesgos como el refuerzo del statu quo y el pensamiento colectivo. Los mercados de predicciones ofrecen una alternativa: un sistema participativo y transparente para la validación científica que opera en tiempo real.

Robin Hanson (1995) Concibió los mercados de predicción como herramientas transformadoras para un consenso científico, de forma similar a cómo la blockchain de Satoshi Nakamoto revolucionó las transacciones financieras. Argumentó que los mercados de predicción pueden ser para la ciencia lo que las blockchains son para las finanzas: un sistema descentralizado y transparente para la agregación de confianza e información. En este sentido, los mercados de predicción se alinean con el espíritu de la Ciencia Descentralizada (DeSci), que busca democratizar y automatizar la infraestructura científica.

Este cambio podría conducir a un nuevo paradigma en la validación de la investigación, donde la credibilidad científica no se determine únicamente mediante la revisión estática por pares, sino que se evalúe dinámicamente en mercados de predicción que se actualizan continuamente con base en nueva evidencia. En este mundo, la verdad no surge de la autoridad, sino que compite en un mercado epistémico abierto, donde solo las ideas más sólidas sobreviven.

Las ventajas de los mercados de predicción en la ciencia

🟡 Modelos dinámicos de autocorrección

A diferencia de las opiniones estáticas de expertos o las encuestas, los mercados de predicción se actualizan continuamente a medida que surge nueva información, lo que permite ajustes en tiempo real de los pronósticos científicos. Esta característica los hace especialmente valiosos en áreas de investigación con rápida evolución.

🟡 Reducir los sesgos cognitivos

Las evaluaciones científicas tradicionales suelen ceder ante el peso de las jerarquías académicas, los conflictos de intereses y la inercia colectiva. Al vincular los incentivos financieros a la precisión de los pronósticos, los mercados de predicción superan el sesgo institucional y premian la objetividad frente al pensamiento convencional.

🟡 Optimización de la asignación de recursos

La financiación científica suele distribuirse en función del rendimiento de la investigación previa y la reputación institucional, en lugar del impacto potencial. Los mercados de predicción ofrecen una alternativa al cuantificar el valor esperado de las propuestas de investigación en tiempo real. Las agencias de financiación pueden aprovechar esta información para priorizar los proyectos con el mayor impacto previsto, lo que hace más eficiente la asignación de recursos. Dreber y otros, 2015 ).

🟡 Señales tempranas de avances científicos

Un mercado de predicciones fluido y activo puede servir como indicador temprano de cambios en el consenso científico. En lugar de esperar a los ciclos formales de publicación y revisión por pares, los investigadores pueden responder dinámicamente a las señales emergentes del mercado, adaptando su trabajo a la evolución de la evidencia.

🟡 Fomentar la transparencia y la ciencia abierta

Los mercados de predicción convierten la previsión colectiva en un debate público y dinámico, lo que amplía la transparencia del discurso científico. Al combinarse con iniciativas de ciencia abierta, crean un sistema descentralizado para la validación de hipótesis, fomentando una cultura de investigación que se basa en el rigor, la colaboración y la rendición de cuentas.

Uniendo la teoría y la práctica: los obstáculos para los mercados de predicción científica

A pesar de su potencial teórico, los mercados de predicción científica enfrentan importantes obstáculos prácticos para su implementación. Los primeros intentos se han topado con la limitada participación, la baja liquidez y el atractivo de nicho , lo que les ha impedido alcanzar la masa crítica necesaria para un impacto sostenido.

Una de las plataformas de mayor trayectoria, Intercambio de previsión , ha organizado mercados sobre temas como el calentamiento global y los niveles atmosféricos de CO₂ desde 1994. Sin embargo, su influencia ha sido marginal. Como Thicke (2017) Como se observó, el mercado del calentamiento global solo registró siete transacciones en 2015, lo que destaca la dificultad de involucrar a suficientes participantes para generar una liquidez significativa.

Similarmente, iPredict , una plataforma con sede en Nueva Zelanda, intentó lanzar mercados basados en avances científicos, como el descubrimiento de nuevos elementos de la tabla periódica o el redescubrimiento de especies extintas. Si bien conceptualmente ambiciosos, estos mercados no lograron atraer un interés sostenido, en gran medida debido a la falta de respaldo institucional e incentivos para la participación. La ausencia de mecanismos formalizados para integrar los mercados de predicción en la toma de decisiones científicas ha dificultado su adopción.

Por el contrario, SciCast , un proyecto de mercado de predicciones liderado por la Universidad George Mason y financiado por IARPA, demostró el potencial de las predicciones científicas para superar las predicciones de expertos individuales. Mediante un sistema de incentivos basado en tokens, SciCast logró involucrar a los participantes y ilustró el poder de la inteligencia colectiva para predecir resultados científicos. Almenberg, Kittlitz y Pfeiffer (2009) Se señaló que* los mercados de predicción pueden democratizar el conocimiento y desafiar a los guardianes tradicionales de la validación científica.

Sin embargo, a pesar de estos resultados prometedores, SciCast ha permanecido inactivo durante casi una década, lo que refleja la lucha más amplia por mantener la participación activa en los mercados de predicción científica.

La promesa de la descentralización

El auge de las plataformas descentralizadas ha revitalizado los mercados de predicción científica, liberándose de las restricciones institucionales y las restricciones heredadas. Las plataformas basadas en criptomonedas como Polimercado —que superó los 30 millones de dólares en valor total bloqueado (TVL) y los 1000 millones de dólares en volumen de comercio acumulado para 2024— demuestra la escalabilidad y el atractivo de la predicción descentralizada. Con el auge de las predicciones científicas, Polymarket se ha convertido en un centro para diversos participantes, lo que demuestra que, con los incentivos y el diseño adecuados, los mercados de predicción pueden superar sus limitaciones pasadas. Hoy en día, domina los mercados de predicción web3, superando 600 millones de dólares en volumen y atrayendo a más de 150.000 usuarios, consolidando su papel como un indicador de probabilidad de eventos convencional.

Mercados de erizos , una plataforma de predicción en auge basada en Solana, se está expandiendo hacia la predicción científica, desafiando a Polymarket, dominado por Ethereum. Inicialmente centrada en política, deportes y finanzas, ahora es pionera en los mercados de predicción de longevidad, permitiendo apuestas en experimentos de extensión de la vida de ratones a través de una asociación con ciencia de las bombas .

Sin embargo, el camino hacia la previsión científica descentralizada no ha sido fácil. Augur , uno de los primeros mercados de predicción basados en blockchain, mostró inicialmente un gran potencial, pero fracasó debido a problemas como apuestas poco éticas y una experiencia de usuario deficiente, lo que provocó una pérdida de confianza. Estos errores subrayan la necesidad de marcos éticos y una moderación sólida, especialmente en los mercados científicos, donde la credibilidad es primordial. Como podría argumentar Imre Lakatos, el éxito de estas plataformas depende de su capacidad para funcionar como " programas de investigación progresivos": sistemas rigurosos y autocorrectivos que alinean la integridad metodológica con información significativa.

Direcciones futuras de los mercados de predicción científica

La adopción generalizada de los mercados de predicción científica se enfrenta a diversos desafíos, como las preocupaciones regulatorias (ya que algunas jurisdicciones pueden clasificarlos como plataformas de apuestas), los problemas de liquidez (para garantizar una participación suficiente que genere pronósticos significativos) y la necesidad de mecanismos de resolución robustos para verificar los resultados científicos. Para maximizar su impacto, las futuras implementaciones deberían considerar:

• Resolución de IA y oráculos inteligentes: aprovechamiento de la inteligencia artificial y los oráculos descentralizados para automatizar la verificación de resultados científicos, reduciendo la subjetividad y aumentando la confianza en las resoluciones del mercado.
• Modelos híbridos que combinan la revisión por pares y las previsiones de mercado: las revistas y los organismos de financiación podrían complementar los procesos de revisión tradicionales con evaluaciones de probabilidad basadas en el mercado.
• Creadores de mercado automatizados (AMM) para la ciencia: utilización de técnicas algorítmicas de creación de mercado, como las reglas de puntuación de mercado logarítmicas (LMSR), para garantizar la liquidez y la facilidad de participación (Hanson, 2003).
• Integración con plataformas de ciencia abierta: la incorporación de mercados de predicción en plataformas de investigación de acceso abierto existentes puede fomentar una mayor participación y transparencia.
• Iniciativas educativas y de divulgación: familiarizar a los investigadores con la mecánica y los beneficios de los mercados de predicción será crucial para su adopción.

Desafíos y soluciones: El lado oscuro del conocimiento mercantilizado

Toda revolución conlleva caos, riesgos y consecuencias imprevistas. Si bien los mercados de predicción ofrecen velocidad, transparencia e inteligencia descentralizada, también abren la puerta a la manipulación, los dilemas éticos y las minas terrestres regulatorias. Si la ciencia se convierte en un mercado de apuestas, ¿qué ocurre cuando se manipula el sistema? ¿Cuando los incentivos se desvían de la búsqueda de la verdad a la maximización de las ganancias? ¿Cuando los mercados refuerzan los sesgos en lugar de desmantelarlos?

Conclusión

Los mercados de predicción no son solo una nueva herramienta en el arsenal científico, sino una resistencia contra la maquinaria lenta, opaca y jerárquica de la validación tradicional. Más que un mecanismo de pronóstico, conforman un motor epistémico dinámico que prospera gracias a la descentralización, la transparencia y el pulso colectivo de la inteligencia en tiempo real.

Si se consolidan, los mercados de predicción científica no solo modificarán el sistema existente, sino que reescribirán su ADN. En un mundo donde la desinformación se propaga más rápido que el descubrimiento, y el consenso es frágil y controvertido, estos mercados ofrecen una alternativa audaz: una red dinámica y autocorrectiva donde la verdad no se dicta desde arriba, sino que surge orgánicamente del razonamiento colectivo. Esto no es una revisión por pares 2.0; es algo mucho más radical: un mercado de ideas abierto, evolutivo y antifrágil, donde el conocimiento se prueba, perfecciona y reinventa continuamente.

Referencias

Almenberg, J., Kittlitz, K. y Pfeiffer, T. (2009). Mercados de predicción para la ciencia. Revista de Comportamiento Económico y Organización, 80 (1), 105–117.

Arrow, K. J., Forsythe, R., Gorham, M., Hahn, R., Hanson, R., Ledyard, J., Levmore, S., et al. (2008). La promesa de los mercados de predicción. Science, 320 (5878), 877–878. https://doi.org/10.1126/science.1157675

Budescu, DV, y Chen, E. (2015). Identificación de expertos para mejorar las previsiones de multitudes. Management Science, 61 (2), 267–280.

Buckley, C. (2014). El papel de los mercados de predicción en la ciencia y la política. Journal of Forecasting, 33 (4), 287–304.

Chen, Y., Kash, I., Ruberry, M. y Shnayder, V. (2011). Mercados de decisión con buenos incentivos. En Actas de Internet y Economía de Redes (pp. 72-83). Springer.

Dreber, A., Pfeiffer, J., Almenberg, J. y Wilson, B. (2015). Uso de mercados de predicción para estimar la reproducibilidad de la investigación científica. Actas de la Academia Nacional de Ciencias, 112 (50), 15343–15347. https://doi.org/10.1073/pnas.1516179112

Gordon, M., Viganola, D., Dreber, A., Johannesson, M. y Pfeiffer, T. (2021). Predicción de la replicabilidad: análisis de datos de encuestas y predicciones de mercado de proyectos de pronóstico a gran escala. PLOS ONE, 16 (4), e0248780. https://doi.org/10.1371/journal.pone.0248780

Hanson, R. (1995). ¿Podría el juego salvar a la ciencia? Fomentando un consenso honesto. Epistemología Social, 9 (1), 3–33. https://doi.org/10.1080/02691729508578768

Hanson, R. (1999). Mercados de decisión. IEEE Intelligent Systems, 14 (3), 16–19.

Hanson, R. (2003). Diseño de mercado de información combinatoria. Information Systems Frontiers, 5 (1), 107–119. https://doi.org/10.1023/A:1022046409482

Hanson, R., O'Leary, DE, y Zitzewitz, E. (2006). ¿Podría el juego salvar la ciencia? Fomentando un consenso honesto. Research Policy, 35 (4), 557–570.

Holzmeister, F., Johannesson, M., Camerer, CF, Chen, Y., Ho, T., Hoogeveen, S., et al. (2024). Examen de la replicabilidad de experimentos en línea seleccionados por un mercado de decisión. Nature Human Behaviour. https://doi.org/10.1038/s41562-024-02062-9

Hoogeveen, S., Sarafoglou, A., y Wagenmakers, E.-J. (2020). El público general puede predecir qué estudios de ciencias sociales se replicarán con éxito. Avances en Métodos y Prácticas en Psicología, 3 (3), 267–285.

Hsu, E. (2011). Mercados de predicción para la ciencia. Revista de Comportamiento Económico y Organización, 80 (1), 105–117. https://ir.law.fsu.edu/articles/497/

Ioannidis, JPA (2005). ¿Por qué la mayoría de los hallazgos de investigación publicados son falsos? PLOS Medicine, 2 (8), e124.

Litfin, T., Chen, K.-Y., y Price, E. (2014). Implementando la predicción de multitudes: El proyecto SciCast. Análisis de Decisiones, 11 (4), 193–210.

Marcoci, A., et al. (2023). Predicción de la replicabilidad de las afirmaciones de las ciencias sociales y del comportamiento del Proyecto de Replicación de Preimpresiones sobre la COVID-19 con grupos estructurados de expertos y noveles. Preimpresión de MetaArXiv. https://doi.org/10.31222/osf.io/xdsjf

Munafo, MR, Pfeiffer, T., Altmejd, A., Heikensten, E., Almenberg, J., Bird, A., et al. (2015). Uso de mercados de predicción para pronosticar evaluaciones de investigación. Royal Society Open Science, 2 (10), 150287. https://doi.org/10.1098/rsos.150287

Pfeiffer, T., y Almenberg, J. (2015). Mercados de predicción para la ciencia: ¿Está justificada la exageración? Nature, 526 (7575), 179–182.

Potthoff, M. (2007). El potencial de los mercados de predicción en la ciencia. Futures, 39 (1), 45–53.

Spears, T., y el equipo de Metaculus. (2020). Inteligencia colectiva en la previsión: La plataforma Metaculus. Journal of Forecasting, 39 (4), 589–602.

Surowiecki, J. (2004). La sabiduría de las multitudes. Anchor Books.

Tetlock, PE, y Gardner, D. (2015). Superpredicción: El arte y la ciencia de la predicción. Crown.

Thicke, M. (2017). Los límites de los mercados de predicción para el consenso científico. Estudios en Historia y Filosofía de la Ciencia, 58 (1), 50–58. https://philpapers.org/rec/THIPMF-2

Tziralis, G., y Tatsiopoulos, I. (2012). Mercados de predicción: Una revisión extensa de la literatura. Journal of Prediction Markets, 1 (1), 75–91.

Van Noorden, R. (2014). Financiación mundial de la investigación: ¿qué se recorta? Naturaleza, 505 (7485), 618–619. https://doi.org/10.1038/505618a

Vaughan-Williams, D. (2019). Mercados de predicción y agregación de información en la ciencia. Journal of Economic Perspectives, 33 (4), 75–98.

Wolfers, J. y Zitzewitz, E. (2004). Mercados de predicción. Revista de perspectivas económicas, 18 (2), 107–126.

Wang, W. y Pfeiffer, T. (2022). Mercados de decisiones basados en valores. En Actas de Inteligencia Artificial Distribuida, 13170 , 79–92. Springer.