📈 economics

Universality and Predictability of Technology Diffusion

Al analizar 120 tecnologías maduras, este artículo demuestra que un proceso de Bertalanffy-Richards universal puede pronosticar con precisión la difusión de tecnologías en curva S con décadas de antelación, revelando que la energía solar y la eólica probablemente alcanzarán el dominio global para 2050 mucho antes de lo que predicen los escenarios climáticos actuales.

Autores originales: Benjamin Wagenvoort, François Lafond, Joel Dyer, James Doyne Farmer

Publicado 2026-08-24

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Benjamin Wagenvoort, François Lafond, Joel Dyer, James Doyne Farmer

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Cada nueva tecnología parece tener su propia historia única. Algunas llegan silenciosamente, otras estallan en la escena y la mayoría termina asentándose en un ritmo constante a medida que se convierten en parte de la vida diaria. Durante décadas, científicos y economistas han intentado encontrar una regla única que explique este patrón, una ley universal que prediga con qué rapidez una nueva invención se extenderá de un puñado de usuarios a todo el mundo. Esta cuestión no es solo una curiosidad académica; es una cuestión de supervivencia para nuestro planeta. Mientras la humanidad compite por reemplazar los combustibles fósiles con energía renovable, saber exactamente con qué rapidez se pueden desplegar los paneles solares y las turbinas eólicas es la diferencia entre alcanzar los objetivos climáticos y fracasar en ellos. Sin embargo, los intentos pasados de pronosticar estas transiciones han sido a menudo erróneos, dejando a los planificadores adivinando si una tecnología despegará o se desvanecerá.

Un equipo de investigadores de la Universidad de Oxford ha abordado ahora esta incertidumbre analizando la historia no como una colección de historias únicas, sino como un enorme conjunto de datos de patrones. Recopilaron información sobre 120 tecnologías diferentes que ya han alcanzado la madurez, desde canales antiguos hasta teléfonos móviles modernos. Al estudiar estos trayectos completados, descubrieron que, a pesar de sus diferentes orígenes y propósitos, todas estas tecnologías siguen una forma notablemente similar a medida que crecen. Esta forma, a menudo llamada curva en S, comienza con un crecimiento lento, se acelera hacia un auge rápido y luego se ralentiza de nuevo a medida que el mercado se satura. Los investigadores descubrieron que este patrón es tan consistente que puede describirse mediante un único proceso matemático, el cual llaman el modelo de Bertalanffy-Richards. Este modelo actúa como un mapa fiable, permitiéndoles predecir la trayectoria futura de una nueva tecnología con un nivel de precisión conocido, incluso cuando solo disponen de una pequeña cantidad de datos iniciales.

Para probar si este mapa funciona, el equipo utilizó un método llamado pronóstico bayesiano, que permite actualizar sus predicciones a medida que llega nueva información. Ejecutaron miles de simulaciones, fingiendo que estaban en el pasado e intentando pronosticar el futuro basándose únicamente en los datos disponibles en ese momento. Descubrieron que su modelo podía predecir el tamaño final de la adopción de una tecnología con una precisión sorprendente. Incluso observando una tecnología que solo había alcanzado el cinco por ciento de su mercado potencial, el modelo podía pronosticar su tamaño futuro dentro de un factor de dos. Esto significa que, si una tecnología finalmente alcanza los 100 millones de usuarios, el modelo predeciría un número entre 50 millones y 200 millones, un nivel de precisión que es raro en los pronósticos a largo plazo. Los investigadores también compararon su método con otras herramientas de pronóstico populares y descubrieron que esos métodos más antiguos a menudo producían resultados que eran sistemáticamente demasiado bajos o demasiado seguros, pasando por alto el verdadero potencial de la tecnología.

El equipo aplicó entonces este nuevo y validado método a las dos tecnologías más críticas para nuestro futuro energético: los paneles solares fotovoltaicos y las turbinas eólicas. Los resultados desafían la sabiduría predominante que se encuentra en muchos informes climáticos importantes. Mientras que los escenarios actuales de grupos como el Panel Intergubernamental sobre Cambio Climático y la Agencia Internacional de la Energía suelen asumir un crecimiento moderado para ambos, el análisis del equipo de Oxford sugiere un resultado muy diferente para la energía solar. Su pronóstico mediano indica que, para 2050, la energía solar podría suministrar aproximadamente 85 exavatios de energía útil anualmente. Esta es una cifra que eclipsa las expectativas actuales; es aproximadamente equivalente a la cantidad total de energía útil consumida por toda la sociedad humana hoy en día. En contraste, su pronóstico para la energía eólica es más modesto, prediciendo un suministro de unos 5 exavatios, lo que es significativamente inferior a los escenarios optimistas presentados a menudo en documentos de políticas.

El estudio sugiere que el mundo probablemente verá una transición mucho más rápida hacia la energía solar de lo que se cree ampliamente, cumpliendo potencialmente los ambiciosos objetivos climáticos antes de lo previsto. Los investigadores señalan que este rápido crecimiento no está garantizado únicamente por la política, sino que es impulsado por la dinámica inherente de cómo se propagan las tecnologías exitosas. Encontraron que la energía solar se encuentra actualmente en una fase en la que su crecimiento es todavía indistinguible de un rápido aumento exponencial, lo que dificulta saber exactamente cuándo comenzará a ralentizarse. Sin embargo, los datos sugieren fuertemente que los límites superiores de la adopción solar son mucho más altos de lo que asumen los modelos actuales. Esto no significa que la transición vaya a ser fácil o que todos los obstáculos vayan a desaparecer, pero sí proporciona una razón científicamente fundamentada para el optimismo. El estudio concluye que, al comprender las leyes universales de la difusión tecnológica, podemos ir más allá de las conjeturas y tomar decisiones de inversión y planificación basadas en una imagen más clara y precisa de lo que es posible.

Resumen Técnico: Universalidad y Predictibilidad de la Difusión Tecnológica

Planteamiento del Problema

Pronosticar el crecimiento y la difusión de las tecnologías es crítico para la planificación y la inversión, particularmente en sectores como las energías renovables y la inteligencia artificial. Históricamente, se ha observado que el crecimiento tecnológico sigue "curvas en S", caracterizadas por un crecimiento inicial lento, una aceleración rápida y una eventual saturación. Sin embargo, la forma funcional precisa que rige este crecimiento ha sido objeto de debate, habiéndose propuesto varios modelos (por ejemplo, logístico, Gompertz, Bass), pero ninguno ha logrado un consenso.

Los intentos previos de pronóstico han sufrido de dos limitaciones principales:

Falta de Verdad Fundamental (Ground Truth): Los estudios a menudo se basaron en tecnologías inmaduras donde el nivel de saturación final es desconocido, lo que imposibilita la validación de los pronósticos frente a la realidad.
Precisión Poco Fiable: El simple ajuste de curvas en S ha arrojado históricamente resultados pesimistas o inexactos, y los métodos probabilísticos carecían de una validación rigurosa fuera de la muestra contra tecnologías maduras.

Consecuentemente, la universalidad de los procesos de difusión tecnológica y la capacidad de realizar pronósticos con una precisión conocida seguían siendo altamente inciertas.

Metodología

Los autores abordan estas brechas mediante un enfoque empírico y estadístico integral:

1. Ensamblaje de Datos

El estudio construye una base de datos de 120 tecnologías maduras (que van desde canales hasta teléfonos móviles), seleccionadas porque han alcanzado al menos el 80% de su despliegue asintótico estimado. Este conjunto de datos de "verdad fundamental" permite un riguroso backtesting. La búsqueda inicial arrojó 1,362 series temporales, las cuales fueron filtradas para asegurar la robustez frente al sesgo de selección.

2. Selección de Modelos y Formulación Estocástica

Los autores prueban varias formas funcionales para la tasa de crecimiento $r(t)$ dentro de la ecuación diferencial $dY(t)/dt = r(t)Y(t)$. Identifican el proceso de Bertalanffy-Richards (B-R) como el modelo superior, definido por:
$r(t) = k(1 - (Y(t)/L)^\beta)$
donde $L$ es el despliegue asintótico, $k$ es la tasa de crecimiento inicial y $\beta$ es un parámetro de forma. Los autores encuentran que $\beta = 2/3$ es un valor universal robusto.

Para dar cuenta de las características de los datos del mundo real (no estacionariedad, autocorrelación y heterocedasticidad), el modelo determinista se redefine como un proceso estocástico:
$Y(t) = \frac{L}{[1 + \exp(-\beta k(t - t_0) + \beta\sigma(\epsilon_t + \rho\epsilon_{t-1}))]^{1/\beta}}$
donde $\sigma$ representa la amplitud del ruido y $\rho$ es un parámetro de autocorrelación. El ruido es multiplicativo, lo que resulta en una distribución aproximadamente log-normal para $Y(t)$ .

3. Pronóstico Bayesiano y Validación

Los autores emplean inferencia Bayesiana empírica para generar pronósticos probabilísticos.

Priors (Distribuciones a priori): Los priors para la tasa de crecimiento $k$ y la volatilidad del ruido $\sigma$ se derivan del análisis de la muestra completa de las de 120 tecnologías.
Parámetros Universales: Para mejorar la estabilidad de los pronósticos, los autores asumen valores universales para el parámetro de forma ( $\beta = 2/3$ ) y la autocorrelación ( $\rho = 0.8$ ), en lugar de estimar cada uno individualmente para cada tecnología.
Backtesting: Se realiza un extenso backtesting fuera de la muestra. Los pronósticos se generan en diversos orígenes de difusión (5%, 10%, 25%, 50%) y se comparan contra los datos realizados en el futuro.
Métricas: La precisión se mide utilizando el Error Absoluto de Logaritmo de la Mediana (MedALE). La calibración se evalúa mediante gráficos de cuantiles-cuantiles (Q-Q) y la Transformada de Integral de Probabilidad (PIT) para asegurar que las distribuciones de los pronósticos estén bien calibradas.
Datos Sustitutos (Surrogate Data): Se utiliza un método de conjunto de datos sustitutos para probar la significancia estadística, comparando los resultados empíricos contra un modelo idealizado donde cada tecnología sigue estrictamente el proceso B-R.

Resultados Clave

1. Formas de la Curva en S y su Universalidad

Cuando las 120 tecnologías se reescalan en coordenadas no dimensionales (normalizando tiempo, escala y crecimiento inicial), sus trayectorias de crecimiento colapsan en una única curva.

El modelo de Bertalanffy-Richards con $\beta = 2/3$ explica el 93% de la varianza en los datos.
Esto sugiere que, si bien factores idiosincrásicos afectan parámetros específicos (como $k$ o $L$ ), la forma subyacente de la trayectoria de crecimiento es notablemente universal a través de diversas tecnologías.

2. Precisión de los Pronósticos

Pronósticos Puntuales: El modelo B-R supera a los modelos Logístico ( $\beta=1$ ) y de Gompertz. Los pronósticos puntuales realizados desde un origen de difusión del 5% son típicamente precisos dentro de un factor de dos (MedALE < 100%), incluso para horizontes que se extienden por décadas en el futuro.
Comparación de Modelos: El modelo de Gompertz exhibe un sesgo fuerte específicamente en el origen de difusión del 5%, lo que significa que sus pronósticos son sistemáticamente demasiado bajos y es fuertemente excesivamente confiado en este contexto. Aunque muestra errores de pronóstico algo menores para horizontos cortos en general, el modelo B-R es sustancialmente mejor para horizontos más allá del 50%. El modelo Logístico tiene un mejor desempeño que el de Gompertz, pero es generalmente superado por el B-R, particularmente en horizontos más largos.
Calibración: Los pronósticos probabilísticos están bien calibrados. Tras un ajuste menor para ampliar la distribución predictiva y considerar la especificación errónea del modelo, la cobertura empírica cae dentro de los intervalos de confianza esperados.

3. Pronósticos para Energía Solar Fotovoltaica y Eólica

Aplicando el método validado a la energía solar fotovoltaica (PV) y la energía eólica (medida en energía útil, PWh/año):

Solar PV: El pronóstico de la mediana para 2050 es aproximadamente 85 PWh/año (intervalo del 90%: 18–290 PWh/año). Esto es comparable al consumo total de energía útil global actual. Los autores señalan que la solar se encuentra actualmente en una fase exponencial ruidosa, lo que hace que el límite superior del pronóstico sea altamente incierto.
Eólica: El pronóstico de la mediana para 2050 es aproximadamente 5 PWh/año (intervalo del 90%: 4–17 PWh/año).
Comparación con Escenarios: El pronóstico de la mediana de los autores es más de 10 veces mayor que la mediana de los escenarios del IPCC AR6, IEA y NGFS (que proyectan ~8 PWh/año). Por el contrario, el pronóstico eólico es aproximadamente la mitad del escenario típico del IPCC. El estudio concluye que los escenarios actuales son probablemente demasiado pesimistas respecto a la solar y demasiado optimistas respecto a la eólica.

Significado y Reivindicaciones

El artículo afirma resolver cuestiones de larga data sobre la naturaleza de la difusión tecnológica al demostrar que:

La Universalidad Existe: El crecimiento tecnológico sigue una forma de curva en S universal descrita bien por el proceso de Bertalanffy-Richards con $\beta \approx 2/3$ .
Predictibilidad con Precisión Conocida: Es posible pronosticar la adopción futura de tecnología con una precisión cuantificable, incluso desde etapas tempranas (5% de difusión), siempre que el proceso siga una curva en S.
Avance Metodológico: El estudio proporciona un marco validado y estadísticamente riguroso para el pronóstico que supera a los modelos populares existentes (Logístico, Gompertz, Bass).
Implicaciones para la Transición Energética: Los resultados sugieren que las metas climáticas ambiciosas que involucran energía solar pueden alcanzarse más rápido de lo que creen los escenarios políticos actuales, reduciendo potencialmente la dependencia de tecnologías de emisiones negativas.

Los autores reconocen limitaciones, incluyendo el posible sesgo de selección hacia tecnologías exitosas, la exclusión de variables auxiliares (costo, política) en los pronósticos incondicionales, y la suposición de una asíntota constante. Sin embargo, sostienen que los métodos desarrollados ofrecen una base sólida para guiar la inversión y la planificación de tecnologías emergentes, extendiéndose más allá de la energía hacia campos como la IA.