Las predicciones tecnología fallidas más sonadas no las hicieron charlatanes de feria, sino ejecutivos de Fortune 500, analistas de Gartner y fundadores de empresas que figuraban en portadas de Time. Eso es lo que hace que fallen con tanta espectacularidad: vienen avaladas por credenciales impresionantes y por millones de dólares de inversión, y aun así se estrellan contra la realidad como si nadie hubiera consultado a un solo usuario real antes de publicar el informe.
Vale la pena detenerse en los fracasos de las previsiones tecnológicas recientes, no para reírse de nadie, sino porque cada predicción fallida revela algo sobre cómo la industria tecnológica piensa, o deja de pensar, sobre el comportamiento humano.
¿Por qué los expertos siguen fallando tan seguido?
Los expertos fallan porque confunden disponibilidad técnica con adopción real. Que una tecnología funcione en un laboratorio no significa que la gente quiera usarla, que pueda permitírsela o que encaje en sus rutinas. Los analistas tienden a proyectar curvas de crecimiento que asumen comportamientos ideales de usuarios que, en la práctica, son impredecibles, conservadores y, a menudo, simplemente no están interesados.
A eso hay que añadir el incentivo estructural del sector: predecir que algo será enorme genera titulares, atrae inversión y posiciona al analista como visionario. Predecir que algo no funcionará da mucho menos rédito profesional. El sesgo está incorporado en el sistema desde antes de que nadie teclee la primera palabra del informe.
El metaverso es el caso más reciente y más estruendoso. En 2021, Meta apostó su reputación e invertió más de 36.000 millones de dólares en construir un universo virtual donde las personas trabajarían, socializarían y comprarían. Para 2025, Horizon Worlds, el espacio social de Meta, arrastraba cifras de usuarios activos que la propia compañía se negó a publicar durante meses. Mark Zuckerberg llegó a reconocer internamente que la plataforma tenía problemas graves de retención. El metaverso no murió porque la tecnología fallara: murió porque a la mayoría de la gente no le apetecía ponerse unas gafas voluminosas para asistir a una reunión de trabajo con un avatar sin piernas.
¿Qué pasó con los coches autónomos que iban a estar en todas partes?
Los vehículos autónomos no están en todas partes porque el problema de conducir en entornos reales resultó ser órdenes de magnitud más complejo de lo que se anticipó. En 2015 y 2016, una oleada de declaraciones de empresas como Waymo, Tesla, General Motors y Uber prometía flotas de taxis sin conductor para 2020 o 2021 como fecha límite. Elon Musk llegó a afirmar en 2019 que Tesla tendría un millón de robotaxis en la calle para 2020.
Lo que ocurrió en cambio fue que Uber vendió su división de vehículos autónomos a Aurora en 2020 después de años de pérdidas y un accidente mortal en Tempe, Arizona, en 2018. General Motors acumula pérdidas de miles de millones en Cruise y tuvo que suspender operaciones en San Francisco en 2023 tras un incidente grave con un peatón. Waymo sigue operando en zonas geográficas muy limitadas bajo condiciones controladas, que es un logro real, aunque muy distinto al futuro universal que se anunció.
El problema no fue solo técnico. Fue que los modelos de IA para conducción autónoma necesitan cantidades ingentes de situaciones excepcionales para aprender, y el mundo real está lleno de ellas: una bolsa de plástico en mitad de la autopista, un policía haciendo señas distintas a las del semáforo, una obra que bloquea el carril señalizado. Cada kilómetro que parece fácil esconde docenas de casos límite.
Lo interesante es que algo parecido sucede con otras tecnologías que parecían imparables y que, al chocar con la complejidad del mundo real, se frenaron de golpe. Cuando se analiza cómo puede evolucionar el trabajo en los próximos años, queda claro que los escenarios más optimistas casi siempre subestiman la fricción humana e institucional.
El fracaso silencioso de las ciudades inteligentes
Las ciudades inteligentes fueron la promesa de la década de 2010. Sensores en cada farola, datos fluyendo en tiempo real, tráfico optimizado por algoritmos y servicios públicos que anticipaban las necesidades de los ciudadanos. El proyecto Sidewalk Toronto, impulsado por Sidewalk Labs, filial de Alphabet, iba a ser la prueba de concepto definitiva: un barrio construido desde cero con tecnología integrada en cada centímetro.
El proyecto fue cancelado en 2020. Sidewalk Labs argumentó razones económicas relacionadas con la pandemia, pero los documentos internos filtrados y las investigaciones periodísticas mostraban algo más profundo: la resistencia de los ciudadanos, los reguladores y los propios políticos locales ante la idea de ceder datos urbanos a una empresa privada sin un marco claro de gobernanza. La tecnología estaba lista. La confianza, no.
Casos similares se repitieron en ciudades de todo el mundo. Las redes de sensores se instalaron, los contratos se firmaron y los dashboards se pusieron en marcha, pero la integración real entre sistemas, la interoperabilidad entre proveedores y la implicación genuina de los vecinos resultaron ser problemas que ningún algoritmo resolvió. Como señala un análisis sobre cómo las ciudades procesan datos de comportamiento ciudadano, la parte técnica suele avanzar mucho más rápido que la parte política y social.
Blockchain para todo: la predicción que no llegó a casi ningún lado
Entre 2017 y 2019, la palabra blockchain apareció en los planes estratégicos de empresas que fabricaban desde zapatos hasta seguros de cosecha. La tecnología iba a garantizar la trazabilidad de cadenas de suministro enteras, a eliminar intermediarios en el sector financiero y a dar a los ciudadanos control total sobre sus identidades digitales. Los pilotos se multiplicaron. Los casos de uso reales, mucho menos.
La mayoría de esos proyectos no escalaron porque blockchain resuelve un problema muy específico: el de establecer confianza entre partes que no se conocen y no quieren depender de un intermediario central. Cuando hay un intermediario dispuesto y una relación de confianza preexistente, una base de datos normal funciona igual de bien y cuesta mucho menos. Muchas empresas adoptaron blockchain para parecer innovadoras, no porque el problema que querían resolver lo requiriera.
Hubo excepciones reales. La tokenización de ciertos activos financieros, los registros notariales en algunos países y los contratos inteligentes en contextos muy concretos demostraron utilidad tangible. Pero eso es muy diferente al escenario donde blockchain transforma sectores completos sin criptomonedas de por medio, que era la promesa más extendida. La distancia entre el piloto y el despliegue masivo resultó insalvable en la mayoría de los sectores.
Los wearables médicos vivieron un arco parecido. Las predicciones de 2018 y 2019 situaban los dispositivos de monitorización continua de salud como el nuevo estándar de la medicina preventiva: millones de personas llevarían sensores que detectarían enfermedades crónicas antes de que dieran síntomas, y las aseguradoras ajustarían las primas en tiempo real con esos datos. La tecnología avanzó, los Apple Watch añadieron electrocardiogramas y los Fitbit proliferaron, pero la relación entre wearables y aseguradoras de salud sigue siendo mucho más tentativa de lo que se prometió. Los sistemas de salud tardaron más en integrar datos de dispositivos personales, y los problemas de privacidad frenaron lo que parecía inevitable.
La inteligencia artificial que iba a sustituir trabajos… y los que realmente tocó
Los informes de McKinsey, Oxford y el Foro Económico Mundial de entre 2016 y 2020 coincidían en porcentajes escalofriantes: entre el 40 y el 60 por ciento de los empleos actuales serían automatizables en un plazo de diez a quince años. Los trabajos de cuello blanco repetitivos, la contabilidad rutinaria, la revisión jurídica básica, la gestión de llamadas de atención al cliente. Todo eso desaparecería.
Lo que ha ocurrido hasta ahora es más matizado. Los modelos de lenguaje de gran escala como GPT-4 o Claude sí han empezado a asumir tareas concretas: primeros borradores de documentos, clasificación de correos, generación de código en lenguajes estándar. Pero la sustitución masiva de empleos no se ha materializado a la velocidad ni con la brutalidad que los informes auguraban. Lo que ha ocurrido en muchos sectores es una reorganización: menos personas hacen más, pero los puestos no han desaparecido de golpe.
Eso no significa que no vaya a ocurrir. Significa que los plazos estaban mal calculados y que la naturaleza del cambio es diferente a la prevista. Los traductores humanos, por ejemplo, fueron señalados como una de las primeras víctimas de la IA, y aunque el software de traducción automática ya supera a muchos profesionales en textos técnicos estándar, la demanda de traductores especializados en textos literarios, jurídicos o médicos no ha colapsado. La realidad del mercado laboral siempre es más complicada que la del modelo.
Los influencers digitales generados por inteligencia artificial también aparecieron en muchas predicciones como el fin del creador humano. La realidad es que los avatares virtuales sí mueven dinero real en ciertos nichos, pero no han desplazado a los creadores humanos: los complementan o compiten en segmentos muy específicos. Otra vez, la predicción capturó una tendencia real pero exageró su alcance y velocidad.
¿Qué dice todo esto sobre las próximas predicciones que nos están vendiendo ahora?
Las predicciones tecnología fallidas de la última década comparten un patrón: sobreestiman la velocidad de adopción y subestiman la fricción humana, regulatoria y económica. No es que los tecnólogos sean ingenuos; es que el sistema de incentivos recompensa el optimismo y penaliza el escepticismo público.
Hoy las predicciones calientes giran alrededor de la inteligencia artificial general, la computación cuántica y la fusión nuclear comercial. Todas ellas tienen bases científicas sólidas y progresos reales. La computación cuántica, sin ir más lejos, ya plantea amenazas concretas a los sistemas de cifrado actuales, aunque el calendario en el que eso se convertirá en un problema cotidiano sigue siendo incierto.
La pregunta que vale la pena hacerse, mirando el historial, es cuánto de lo que se está prometiendo para 2030 o 2035 se parece más a los coches autónomos de 2016 que al iPhone de 2007. Porque el iPhone también fue una predicción, solo que esa sí se cumplió, y con creces. La diferencia entre una y otra no siempre es evidente cuando el producto todavía no existe y el analista lleva corbata.
Hay otra cara del problema que rara vez se menciona: el coste ambiental de las tecnologías fallidas. Los centros de datos que procesaron millones de transacciones de blockchain que nunca escalaron, los prototipos de vehículos autónomos quemados en pruebas que acabaron en nada, el hardware de metaverso fabricado y desechado. Cada predicción fallida tiene también una factura energética y de recursos. El consumo de agua y energía de la infraestructura tecnológica pocas veces aparece en los informes de predicción, pero debería.
Preguntas frecuentes
¿Por qué los analistas y expertos fallan tanto al predecir el futuro tecnológico?
Principalmente porque confunden que algo sea técnicamente posible con que vaya a adoptarse masivamente. Los informes también sufren un sesgo de selección: predecir grandes cambios genera atención e inversión, mientras que el escepticismo no tiene recompensa mediática. Eso empuja al sector hacia el optimismo sistemático, independientemente de lo que digan los datos de adopción real.
¿El metaverso fracasó definitivamente o solo se retrasó?
Es difícil saberlo con certeza. Lo que sí está documentado es que Horizon Worlds no alcanzó los objetivos de usuarios que Meta se había marcado internamente, y que la inversión de más de 36.000 millones de dólares no produjo el producto que se prometió. Si la tecnología de realidad virtual madura y los precios bajan drásticamente, alguna forma de metaverso podría emerger, aunque probablemente muy distinta a la que se anunció.
¿Los coches autónomos van a llegar algún día o es una promesa permanente?
La conducción autónoma en condiciones muy controladas ya existe y funciona, como demuestra Waymo en Phoenix o San Francisco bajo ciertas restricciones. El problema es la escala y los entornos no controlados. Los avances son reales, pero los plazos que se dieron entre 2015 y 2019 eran claramente irreales. Un despliegue amplio puede ocurrir, aunque con décadas de retraso respecto a lo prometido.
¿Cómo puedo distinguir una predicción tecnológica seria de una que probablemente fallará?
Busca si la predicción menciona barreras de adopción, costes reales para el usuario y obstáculos regulatorios. Si una previsión solo habla de lo que la tecnología puede hacer sin mencionar por qué la gente podría no quererla o no poder permitírsela, es una señal de alerta. Las predicciones honestas también suelen incluir rangos de tiempo amplios, no fechas exactas.
¿Qué tecnologías prometidas hoy tienen más probabilidades de seguir el mismo camino?
Sin datos concretos no es posible afirmarlo, pero el patrón histórico sugiere precaución con cualquier tecnología cuya adopción masiva dependa de cambios simultáneos en infraestructura, regulación y comportamiento del usuario. La inteligencia artificial general, la fusión nuclear comercial y ciertas aplicaciones de computación cuántica comparten esa característica y merecen seguirse con escepticismo activo, no con rechazo ni con fe ciega.
