Una inversora le dice a su asesor que tiene una alta tolerancia al riesgo. Lo dice en serio. Luego, los mercados caen bruscamente y ella vende todo. No mentía. Simplemente no sabía cómo reaccionaría bajo presión. Es la brecha entre lo que se dice y lo que se hace: la diferencia entre lo que la gente dice que hará y lo que realmente hace cuando las circunstancias cambian. Se manifiesta en la contratación, la sanidad, las citas y la investigación de mercado, y es un problema creciente para una economía que se basa cada vez más en predicciones sobre las personas.
Por ello, Elisabeth McKay , fundadora de PredictiveMind, se propuso abordar esta brecha durante 12 años de análisis de datos de cohortes del Método Break. ¿El resultado? PredictiveMind, una herramienta de evaluación que predice los resultados del comportamiento y los patrones de toma de decisiones en adultos.
Y la auténtica razón de este proyecto es que McKay estaba y sigue interesada en comprender mejor por qué las personas actúan en contra de sus propios objetivos. Durante la última década, ha investigado cómo la percepción, la toma de decisiones, la respuesta al estrés, la comunicación y el autosabotaje operan de manera sistemática. Su premisa inicial es simple: «La honestidad intencional y la autopercepción precisa no son lo mismo».
Por qué la IA necesita un mejor modelo de personas
La IA, el análisis predictivo y la personalización están transformando la forma en que las empresas toman decisiones sobre clientes, empleados y pacientes. Sin embargo, gran parte de los datos humanos que alimentan estos sistemas aún provienen de autoinformes: encuestas, cuestionarios, pruebas de personalidad y preferencias declaradas. Los datos históricos son útiles, pero predicen mejor la repetición que el cambio.
McKay argumenta que esto deja un punto ciego inherente. La racionalización, la memoria selectiva y la protección de la identidad pueden influir en la respuesta de una persona antes de que la dé, sin ninguna intención de engañar. «Si las máquinas están mejorando en la predicción», pregunta, «¿les hemos proporcionado un modelo suficientemente preciso de las personas que intentan predecir?».
De la reconfiguración a la predicción
La trayectoria de McKay en el mundo de la tecnología fue poco convencional. En 2014, fundó Break Method, un programa de reestructuración emocional centrado en comprender por qué las personas actúan repetidamente en contra de sus propios objetivos. En 2018, amplió su trabajo al sistema penitenciario, donde los patrones de percepción y toma de decisiones tienen consecuencias importantes. Con el tiempo, desarrolló Brain Pattern Mapping, una metodología para identificar patrones recurrentes en la percepción, la respuesta al estrés y la toma de decisiones, y en 2022 lanzó una plataforma tecnológica para escalarla. Dicha plataforma se convirtió en PredictiveMind.
Midiendo la brecha
El diseño de PredictiveMind es su característica más interesante. El sistema primero crea un modelo de comportamiento a partir de aproximadamente 135 datos sobre el historial de desarrollo, que la empresa describe como preguntas de baja interpretación sobre los antecedentes de una persona, más que sobre cómo se percibe a sí misma. Solo después recopila alrededor de 73 datos sobre la autopercepción, que no alteran la predicción original.
El Índice de Variación de Comportamiento de la empresa mide dónde discrepan ambas partes. Las evaluaciones tradicionales podrían considerar esa discrepancia como un error. PredictiveMind la interpreta como una señal: un indicador de posibles puntos ciegos y de las condiciones bajo las cuales el comportamiento de una persona puede diferir de sus intenciones declaradas. En otras palabras, el producto está diseñado para medir directamente la brecha entre lo que se dice y lo que se hace.
Dónde se está aplicando
En lugar de vender una única prueba estándar, la empresa crea paneles personalizados basados en las preguntas de comportamiento de cada cliente. Su trabajo actual se centra en los servicios financieros, donde modela cómo la confianza del cliente, la percepción del riesgo y la toma de decisiones pueden variar ante la tensión del mercado. También se utiliza en la selección de personal, donde los empleadores reciben resultados conductuales en lugar de los datos subyacentes del candidato.
El siguiente paso en la hoja de ruta es el de las citas online, donde las plataformas dependen en gran medida de las preferencias declaradas, seguido de posibles aplicaciones en el sector sanitario, como la anticipación de qué pacientes tienen más probabilidades de abandonar el tratamiento. «La industria cambia», afirma McKay. «El problema humano permanece inalterable».
La evidencia y sus límites
Para una empresa que promete predicciones, la clave está en las pruebas. PredictiveMind señala que ha atendido a más de 20.000 personas mediante su metodología desde 2014, y que cuenta con una base de datos interna de aproximadamente 2000 participantes, en la que el 98,3 % afirmó que su perfil reflejaba con precisión sus patrones de comportamiento.
PredictiveMind no presenta información basada en la personalidad. Los informes exponen áreas de autoengaño, puntos ciegos, temas recurrentes de conflicto y cómo esto impacta las relaciones y la carrera de manera distinta, motivaciones subyacentes y temas internos de rumiación. Cada una de estas áreas es compleja, no es superficial ni fácil de observar. McKay explica el impacto de este enfoque: “Cuando los clientes o asesores experimentan los datos de su panel, por lo general sienten que son tan precisos que incluso exponen lo que intentan ocultar o disimular bien. A menudo les hablamos de las partes de sí mismos que ocultan. De esta manera, la validación de la precisión es muy diferente a la de alguien que lee una evaluación de personalidad y llega a un acuerdo genérico con algo en parte debido al sesgo de confirmación.
En los primeros años del desarrollo del algoritmo, pasamos del 25 % a menos del 5 %. Actualmente, nos encontramos en la fase de un modelo que no requiere intervención humana y que opera con un 0,3 % de patrones anómalos que necesitan supervisión humana. Los datos se validan mediante un tercero, lo que demuestra la madurez del modelo. La evidencia externa más sólida es un estudio piloto de 2025 publicado en JMIR Formative Research con 175 participantes del Método Break, que reveló que las puntuaciones promedio de salud mental autoinformadas aumentaron de 2,07 a 3,92 después del programa. El estudio fue revisado por pares, pero evaluó el método original, no la tecnología predictiva, y utilizó un diseño de un solo grupo sin grupo de control, una limitación que los autores reconocen.
El siguiente hito es la validación independiente, que compara las predicciones con el comportamiento observado a lo largo del tiempo. «La próxima prioridad de investigación de McKay es el avance de CDAT, un marco teórico que explora cómo las experiencias tempranas del desarrollo establecen secuencias de comportamiento predecibles bajo estrés, incluyendo cómo esas secuencias se mantienen consistentes o divergen en diferentes entornos. La validación independiente sigue siendo un componente importante para establecer la credibilidad científica más amplia de este marco».
La prueba de ética
La situación se complica cuando la predicción se combina con la contratación y las finanzas. Un sistema que se basa en el historial de desarrollo para anticipar el comportamiento adulto plantea interrogantes sobre el consentimiento, la equidad y el uso de sus resultados.
PredictiveMind afirma que su evaluación es conductual, no clínica. No diagnostica ni detecta trastornos de salud mental, se informa a los candidatos con antelación sobre cómo se utilizarán sus datos y los empleadores solo ven los resultados relevantes para el empleo. McKay deja claro que la tecnología nunca debe utilizarse para manipular, castigar o predeterminar el futuro de nadie.
Los reguladores siguen de cerca este sector. La Ley de IA de la UE clasifica la IA utilizada en la selección de personal como de alto riesgo. La ciudad de Nueva York exige auditorías de sesgo en las herramientas de contratación automatizadas, y los empleadores estadounidenses deben garantizar que las evaluaciones no funcionen como exámenes médicos o de discapacidad. Para cualquier herramienta de predicción del comportamiento, la prueba decisiva será demostrar que no discrimina a los candidatos por género, etnia o neurodiversidad.
¿Quién audita el predictor?
El mensaje central de McKay es que el comportamiento humano es menos aleatorio de lo que suponemos. Es muy posible que tenga razón. Las organizaciones han dedicado décadas a tomar decisiones basándose en lo que la gente dice de sí misma, y la brecha entre lo que se dice y lo que se hace es real, costosa y, en gran medida, no se mide.
Pero cuanto más potente es la predicción, más importante es quién la verifica. Si la IA necesita un mejor modelo de las personas, las personas necesitan mejores maneras de verificar los modelos que afirman conocerlas. Ese es el reto para PredictiveMind y para todas las empresas que desarrollan en este sector emergente.
