El Banco de la República probó GPT-4o y Gemini 2.5 Pro para pronosticar la inflación: rinden más con datos en tiempo real

Un Borrador de Economía del Banco de la República, publicado el 16 de octubre de 2026, muestra que los modelos de lenguaje producen pronósticos de inflación más realistas cuando, además de datos históricos, reciben información reciente y una estructura económica clara.

El Banco de la República publicó el viernes 16 de octubre de 2026 un documento de trabajo en el que cuatro de sus investigadores ponen a prueba dos modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés), GPT-4o de OpenAI y Gemini 2.5 Pro de Google, para pronosticar la inflación en Colombia. La conclusión principal es directa: los pronósticos mejoran cuando los modelos no se alimentan solo de datos históricos, sino también de información económica en tiempo real y de eventos recientes. Para una pyme, el hallazgo importa porque describe, paso a paso, cómo pedirle a una herramienta de inteligencia artificial (IA) un pronóstico útil de precios o costos, y qué errores evitar.

El estudio se titula Experimentando con los LLM para el pronóstico de la inflación en Colombia y forma parte de la serie Borradores de Economía, que edita la Subgerencia de Estudios Económicos del banco. Sus autores son Aarón Levi Garavito-Acosta, Wilmer Osvaldo Martinez-Rivera, Juan José Ospina-Tejeiro y Edgar Caicedo-García. Como todo documento de esta serie, es un trabajo provisional: las opiniones son responsabilidad de los autores y no comprometen al Banco de la República ni a su Junta Directiva.

Qué probaron los investigadores del Banco de la República

El equipo diseñó un experimento secuencial con seis configuraciones, numeradas del paso 0 al paso 5. Cada paso le entrega al modelo más información y más estructura económica que el anterior, de modo que se puede medir cuánto cambia el pronóstico a medida que la IA sabe más y razona con más reglas.

Los pasos 0 y 1 son ejercicios centrados únicamente en la inflación. En los pasos 2 y 3, los modelos ya deben producir de forma conjunta y coherente trayectorias para cuatro variables: inflación, tasa de cambio, tasa de política monetaria y crecimiento del producto interno bruto (PIB). En esos pasos se suman de forma progresiva series históricas y variables de contexto. Los pasos 4 y 5 añaden relaciones macroeconómicas explícitas, es decir, le dicen al modelo cómo se conectan las variables entre sí, junto con procedimientos de validación y revisión de consistencia.

El paso 5 es la configuración más completa. Según la versión en inglés del documento, en esa etapa el modelo busca en la web información nacional e internacional reciente, identifica y cuantifica choques, evalúa por qué canales se transmiten a los precios y condiciona sus pronósticos a esos choques.

Un pronóstico diario a 24 meses con explicación incluida

Un detalle práctico del estudio es la forma en que se ejecuta. Cada configuración corre todos los días mediante un flujo de trabajo programado en Python que consulta las interfaces de programación de aplicaciones (API) de OpenAI y de Google. El resultado diario es un pronóstico mensual de inflación a 24 meses, acompañado de una explicación cualitativa de lo que el modelo tuvo en cuenta.

La explicación es tan importante como la cifra. Un número sin justificación sirve de poco para decidir; un número con los factores que lo empujan permite a quien lo usa estar de acuerdo, discrepar o ajustar. Esa lógica aplica igual a un gerente financiero de una mediana empresa que a un analista de un banco central.

En la página en español del documento el primer modelo aparece escrito como GPT-4º; la versión en inglés lo identifica como GPT-4o, que es la denominación que usamos en esta nota.

Por qué guardar cada pronóstico con fecha evita hacerse trampa

Los autores presentan su trabajo como un marco estandarizado, controlado y reproducible para pronosticar en tiempo real con LLM. La diferencia frente a buena parte de los estudios previos es que esos trabajos suelen evaluar los modelos de forma retrospectiva: le piden a la IA que pronostique un periodo que ya pasó. El problema es que el modelo pudo haber aprendido durante su entrenamiento lo que realmente ocurrió, y entonces el pronóstico parece mejor de lo que es.

Para reducir ese riesgo, conocido como sesgo de anticipación o filtración de información, el banco guarda cada ejecución con su fecha y conserva las versiones históricas de los datos que usó. Así, cuando se evalúe un pronóstico, se sabrá exactamente qué información tenía el modelo ese día.

La lección para una empresa es sencilla: si va a usar IA para proyectar ventas, costos o precios, guarde cada pronóstico con la fecha en que lo hizo y los datos que entregó. Solo así podrá comparar después lo proyectado con lo real y saber si la herramienta le está ayudando o le está diciendo lo que ya sabía.

Más información cambia la forma del pronóstico, no solo el número

El resultado central del documento es que la información disponible modifica de manera notable la trayectoria y la persistencia de los pronósticos. Con poca información, en los pasos 0 a 3, las trayectorias convergen con relativa rapidez y de forma casi monótona hacia la meta de inflación del 3 % que tiene el Banco de la República. Dicho de otro modo, un modelo con pocos datos tiende a suponer que todo vuelve pronto a la normalidad.

Con más información y estructura, en los pasos 4 y 5, los perfiles se vuelven más persistentes y no monótonos: la inflación pronosticada sube al principio y luego desciende de forma gradual, y al final del horizonte de 24 meses todavía queda por encima de la meta del 3 %.

La configuración más completa identifica de forma repetida como factores de presión los precios internacionales del petróleo, de los alimentos y de los fertilizantes, los costos de transporte y las disrupciones en las cadenas globales de suministro. En el frente interno señala el ajuste del salario mínimo y la indexación, las expectativas de inflación y una demanda fuerte.

Cómo se comparan con lo que esperan los analistas

Para darle un punto de referencia, los autores contrastaron sus resultados con la Encuesta Mensual de Expectativas de Analistas Económicos del Banco de la República. Las trayectorias de las configuraciones más completas son cualitativamente similares a las que reporta esa encuesta, aunque tienden a ubicarse por encima durante parte de 2026.

El documento no presenta los modelos de lenguaje como sustitutos de los métodos tradicionales ni de los analistas. Lo que muestra es que, bien alimentados, producen escenarios con una forma razonable y con una narrativa que se puede revisar. Esa es una distinción útil para cualquier empresario que esté evaluando si confiar sus decisiones a una herramienta de IA: el valor está en el proceso disciplinado, no en una respuesta mágica.

Si quiere profundizar en lo que el propio banco ha dicho sobre el camino de la inflación hacia su meta, puede leer nuestra nota sobre la advertencia del Banco de la República al Congreso sobre la meta del 3%.

Lo que una pyme puede copiar del método del banco

Ninguna pyme necesita pronosticar la inflación nacional, pero muchas sí necesitan anticipar cuánto les costarán sus insumos o a qué precio deben vender el próximo trimestre. El diseño por pasos del Banco de la República ofrece una plantilla que se puede adaptar con herramientas de IA disponibles en el mercado, con o sin programación.

Un restaurante, por ejemplo, puede pedirle a un asistente de IA que proyecte el costo de su canasta de ingredientes. Si solo le entrega el histórico de compras, obtendrá algo parecido a los pasos 0 y 1: una curva que vuelve rápido a la normalidad. Si además le describe los choques recientes que ha visto en alimentos, transporte o gas, y le pide que explique cómo cada uno se traslada a su menú, se acercará a la lógica del paso 5.

Una distribuidora de materiales de construcción o una ferretería puede aplicar la misma idea a sus listas de precios: separar lo que depende de la tasa de cambio, lo que depende del transporte y lo que se indexa con el salario mínimo, y pedir al modelo trayectorias coherentes para cada componente. Una empresa de transporte de carga, por su parte, puede construir escenarios de costo por kilómetro conectando combustible, peajes y salarios.

Antes de empezar, este chequeo práctico le ayuda a no repetir los errores que el estudio intenta corregir:

• Entregue al modelo su histórico propio y, por separado, la información reciente que considere relevante, citando de dónde sale cada dato.

• Pida trayectorias de varias variables relacionadas a la vez, no un número aislado, y exija que sean coherentes entre sí.

• Exija siempre una explicación de los factores que mueven el pronóstico y revísela con su equipo.

• Guarde cada pronóstico con la fecha y los datos usados para compararlo luego con lo que realmente pasó.

• Repita el ejercicio con frecuencia fija, como hace el banco a diario, para detectar cambios de tendencia a tiempo.

Los límites que conviene tener presentes antes de confiar en la IA

El propio banco advierte que se trata de un borrador provisional. Además, los resultados descritos en la página del documento son cualitativos: hablan de formas de trayectoria y de comparación con la encuesta de analistas, no de un modelo que haya acertado una cifra concreta. Por eso, la lectura correcta para una empresa no es que la IA ya pronostica mejor que los expertos, sino que la calidad del pronóstico depende de la calidad y la actualidad de la información que se le da.

También hay un riesgo operativo. Cuando un modelo busca información en la web, como en el paso 5, puede encontrar datos desactualizados o poco confiables. El banco mitiga esto con validaciones de consistencia; una pyme debería hacer lo mismo revisando las fuentes que el asistente dice haber usado y priorizando cifras oficiales.

Por último, un pronóstico no reemplaza el criterio del negocio. La experiencia del comprador que conoce a sus proveedores o del vendedor que siente la demanda en el punto de venta sigue siendo información valiosa que vale la pena incorporar al ejercicio. Si su empresa está dando sus primeros pasos con IA, le puede servir revisar cómo usan la IA generativa las empresas de Honduras y por qué pocas tienen una estrategia y qué aprendieron 94 proyectos de datos abiertos e IA en Colombia.

El mensaje de fondo del Banco de la República es útil para cualquier tamaño de empresa: la IA rinde cuando se le pide trabajar con método, con información fresca, con reglas claras sobre cómo se relacionan las variables y con un registro que permita aprender de los errores. Empiece por un solo costo crítico de su negocio, aplique el esquema por pasos durante algunos meses y compare: ese registro le dirá si la herramienta merece un lugar en sus decisiones de precios.

Fuente principal: Banco de la República, "Experimentando con los LLM para el pronóstico de la inflación en Colombia" (Borradores de Economía), publicado el 16 de octubre de 2026. Información complementaria: Banco de la República, "Experimenting with Large Language Models for Inflation Forecasting in Colombia", versión en inglés del mismo documento.

Preguntas frecuentes sobre el uso de IA para pronosticar la inflación

¿Qué publicó el Banco de la República sobre inteligencia artificial e inflación?

Publicó el 16 de octubre de 2026 un Borrador de Economía que evalúa los modelos de lenguaje GPT-4o y Gemini 2.5 Pro para pronosticar la inflación en Colombia.

¿Quiénes son los autores del estudio?

Aarón Levi Garavito-Acosta, Wilmer Osvaldo Martinez-Rivera, Juan José Ospina-Tejeiro y Edgar Caicedo-García.

¿Cuál es la principal conclusión del documento?

Los pronósticos de los modelos mejoran cuando, además de datos históricos, incorporan información económica en tiempo real y eventos recientes.

¿Cuántas configuraciones probaron los investigadores?

Seis, numeradas del paso 0 al paso 5, cada una con más información y más estructura macroeconómica que la anterior.

¿Qué hace la configuración más completa?

En el paso 5 el modelo busca información reciente en la web, identifica y cuantifica choques, evalúa sus canales de transmisión y condiciona los pronósticos a ellos.

¿Con qué frecuencia y a qué plazo se generan los pronósticos?

Cada configuración se ejecuta a diario y produce pronósticos mensuales de inflación a 24 meses, con una explicación cualitativa.

¿Los modelos pronostican que la inflación llega a la meta del 3 %?

Las configuraciones con poca información convergen rápido hacia el 3 %, pero las más completas terminan el horizonte con la inflación por encima de esa meta.

¿Qué factores identificó la IA como presiones sobre los precios?

Precios internacionales del petróleo, alimentos y fertilizantes, costos de transporte, disrupciones en cadenas de suministro, salario mínimo e indexación, expectativas y una demanda fuerte.

¿Cómo se comparan los resultados con los de los analistas?

Las trayectorias más completas son cualitativamente similares a la Encuesta Mensual de Expectativas de Analistas Económicos del banco, aunque se ubican por encima durante parte de 2026.

¿El estudio representa la posición oficial del Banco de la República?

No. Es un documento provisional y sus opiniones son responsabilidad de los autores, no del banco ni de su Junta Directiva.

¿Cómo puede una pyme aplicar este método?

Entregando al asistente de IA su histórico y la información reciente relevante, pidiendo trayectorias coherentes de varias variables con explicación, y guardando cada pronóstico con fecha para compararlo con la realidad.

¿Dónde se puede consultar el documento completo?

En la página de Borradores de Economía del Banco de la República, que ofrece la descarga en inglés.