Los equipos de compras quieren previsiones que puedan defender ante un director financiero. Ese listón está más alto que un gráfico con una línea encima. Supone saber qué hay detrás de la línea: qué datos de entrada usa el modelo, de dónde salen y por qué la curva se ha movido esta mañana cuando ayer no se movió.
Este artículo recorre cómo construye Vesper sus previsiones de precios con IA, la arquitectura, las cuatro capas de datos de entrada y las fuentes que alimentan una previsión concreta: el WPC80 estadounidense en calidad instantánea, el concentrado de proteína de suero de referencia que se usa en nutrición deportiva, bebidas RTD y alimentos enriquecidos.
Si la metodología que hay detrás de las previsiones de materias primas con IA siempre le ha parecido una caja negra, este es el artículo que la abre.
Leer una previsión de Vesper: qué está viendo
El gráfico anterior es el widget de previsión registrado el 29 de abril de 2026 para el WPC80 instantáneo estadounidense, cotizado en USD por libra y anclado en el índice de referencia propio de Vesper, el VPI, en base EXW. Hay cuatro elementos que leer.
La línea azul continua es la serie histórica de precios, es decir, a cuánto se ha negociado realmente el WPC80 instantáneo estadounidense en los últimos doce meses. La línea discontinua que arranca donde termina la serie histórica es la curva de previsión de la IA, que proyecta el precio seis meses hacia delante. La banda sombreada alrededor de la línea discontinua es el intervalo de confianza, el rango que el modelo considera plausible en cada punto de la previsión. Cuanto más estrecha es la banda, más seguro está el modelo.
Pase el cursor por cualquier punto de la línea histórica y una descripción emergente mostrará dos cifras una al lado de la otra: el precio real en esa fecha y el que el modelo había previsto para ella un mes antes. El 12 de noviembre de 2025, por ejemplo, la previsión a un mes del modelo era de 6,07 USD/lb frente a un precio real de 6,35 USD/lb, una desviación del 4,4 %. El 15 de abril de 2026, la previsión era de 10,38 USD/lb frente a un real de 10,80 USD/lb, una desviación del 3,9 %. Ambas acertaron la dirección y ambas quedaron dentro de la banda de error media del modelo. Esa es la comprobación de precisión dentro del propio producto: cualquier comprador puede contrastar el modelo con la realidad sin salir de la pantalla.
La cifra del 96 % de precisión histórica que aparece a la derecha resume ese patrón en los dos últimos años de previsiones a un mes sobre esta serie. La métrica es el MAPE (error porcentual absoluto medio), lo que significa que, en promedio, el modelo se quedó a un cuatro por ciento aproximadamente del precio realizado. El selector permite consultar la misma cifra de precisión para horizontes de tres, seis y doce meses; la precisión se degrada a medida que se alarga el horizonte, que es lo que cabe esperar de cualquier modelo de previsión honesto.
En el conjunto de las más de 4.000 series de materias primas que cubre Vesper, los promedios de toda la plataforma son del 97 % a un mes, el 94 % a tres meses, el 91 % a seis meses, el 88 % a nueve meses y el 85 % a doce meses: la degradación ordenada que debería producir un modelo honesto. Para el WPC80 instantáneo estadounidense en concreto, las cifras son del 96 % a un mes, el 88 % a tres meses y el 79 % a seis meses. La distancia entre el WPC80 y el promedio de la plataforma se amplía a medida que se alarga el horizonte, y eso también es informativo: el WPC80 es más volátil que la materia prima media que cubre Vesper, así que el modelo se pone a prueba con más dureza en los horizontes largos que en, digamos, un índice de referencia más estable de queso o mantequilla.
Y ahora, la parte que la mayoría de los interesados quiere ver respondida: ¿cómo se traza la línea discontinua?
La arquitectura: modelos fundacionales para series temporales
Las previsiones de Vesper se apoyan en modelos fundacionales para series temporales, una arquitectura que refleja el funcionamiento de los grandes modelos de lenguaje aplicados al texto, pero llevada a datos numéricos a lo largo del tiempo.
Los modelos fundacionales se preentrenan con conjuntos de datos enormes de muchos dominios antes de ver siquiera su materia prima concreta. En los modelos de lenguaje, eso son miles de millones de páginas de texto. En series temporales, son miles de millones de datos procedentes de mercados financieros, precios de la energía, patrones meteorológicos, rendimientos agrícolas y una larga lista de otros conjuntos de datos temporales. Cuando el modelo se afina específicamente sobre el WPC80 estadounidense, ya ha aprendido el aspecto que suelen tener en los datos de precios los shocks de oferta, la estacionalidad, los ciclos de demanda y los cambios de régimen, aunque nunca antes hubiera visto una sola observación de WPC80.
Es una decisión arquitectónica con consecuencias. Los enfoques de previsión más antiguos, ARIMA, el suavizado exponencial, los primeros modelos de aprendizaje automático, tratan cada materia prima como un sistema cerrado. Aprenden del historial de esa única serie y lo extrapolan hacia delante. Los modelos fundacionales, en cambio, transfieren el conocimiento de patrones entre series. Por eso una previsión para un producto relativamente de nicho como el WPC80 instantáneo, que se negocia en volúmenes menores que, por ejemplo, la mantequilla o la leche de clase III, puede apoyarse igualmente en patrones que el modelo ha interiorizado a partir de miles de series relacionadas y no relacionadas.
Después, el modelo se enriquece con los datos de entrenamiento propios de Vesper y se afina sobre la dinámica específica de las materias primas agrícolas. El resultado es una capa de previsión transparente por diseño: el usuario ve los datos de entrada y los supuestos que alimentan la curva en lugar de recibir una salida de caja negra.
Dónde se sitúan las previsiones con IA de Vesper en el espectro metodológico
Prever los precios de las materias primas no es una disciplina nueva. Los métodos que conocen los equipos de compras se sitúan en un espectro sobre el que el enfoque de modelos fundacionales se apoya, en lugar de sustituirlo.
El nivel más básico se limita a los fundamentales: balances de oferta y demanda, tasas de inflación, precios de la energía, tipos de cambio, meteorología. Es el estándar de la mesa de análisis y acierta en muchas cosas. Un nivel más avanzado superpone indicadores técnicos: RSI, bandas de Bollinger, MACD, medias móviles, osciladores estocásticos y herramientas similares tomadas de los mercados financieros y aplicadas a las series de materias primas. Ambos niveles puede ejecutarlos una persona con hojas de cálculo y disciplina.
La previsión con IA empieza donde termina el enfoque humano. Incluye todo lo que aportan los fundamentales y los indicadores técnicos, y añade tres cosas que un proceso manual no alcanza: correlaciones entre materias primas a lo largo de miles de series relacionadas y no relacionadas, patrones derivados por la máquina dentro de esas correlaciones e indicadores «aprendidos» que el propio modelo identifica, relaciones entre variables que ningún manual habría señalado. Ese es el nivel en el que operan las previsiones de Vesper, sobre más de 4.000 series de precios de materias primas.
La cuestión no es que los métodos más antiguos estén equivocados; son la base. La previsión con IA los suma, y la ganancia de precisión es la que cabe esperar cuando cada capa aporta información nueva.
Las cuatro capas de datos que hay detrás de una previsión
Una vez entrenado, el modelo utiliza cuatro categorías de datos de entrada para producir la curva a plazo. Para el WPC80 instantáneo estadounidense, esas capas son las siguientes.
Patrones de precios. El punto de partida es la propia serie, el registro histórico de la negociación del WPC80 instantáneo estadounidense en el VPI de Vesper. A su alrededor, el modelo lee también series adyacentes y relacionadas: WPC34, WPI, MPC, caseína, lactosa, los precios del queso en bloque estadounidense y la leche de clase III de CME. El WPC80 no se negocia de forma aislada. El suero es un coproducto de la elaboración de queso, así que la economía quesera influye directamente en la disponibilidad de suero. El WPI y el WPC34 son sustitutos en distintos escalones de contenido proteico; cuando los compradores suben o bajan por esa escala, esas series se mueven juntas y el modelo capta la relación.
Fundamentales de mercado. Esta es la capa de oferta y demanda, y es donde reside la mayor parte del poder explicativo. Para las proteínas de suero estadounidenses, el modelo ingiere datos del informe USDA NASS Milk Production (mensual), del informe USDA Dairy Products (producción mensual de queso, mantequilla, NFDM y suero), del informe USDA Cold Storage (existencias de productos lácteos) y de los datos de exportación del USDA FAS (adónde va el suero estadounidense; China, México y el Sudeste Asiático son los motores de volumen). También entran los datos de producción de la UE del Observatorio del Mercado de la Leche europeo y las cifras lácteas de DCANZ en Nueva Zelanda, ya que la oferta global afecta a los precios de exportación estadounidenses. Los costos de los piensos de las series de maíz, harina de soja y DDGS de CBOT entran en el modelo porque configuran el margen de la producción de leche, que configura la oferta de leche, que configura aguas abajo la oferta de suero.
Indicadores técnicos. El modelo lee las señales técnicas clásicas aplicadas a la serie del WPC80: el MACD para el momentum, las medias móviles para la dirección de la tendencia, el RSI para las condiciones de sobrecompra y sobreventa, junto con las bandas de Bollinger y los osciladores estocásticos. Todas ellas están además expuestas directamente a los usuarios dentro de la vista de análisis técnico de Vesper, pero a efectos de previsión alimentan el modelo. No son decisivas por sí solas, aunque afinan las previsiones de horizonte corto cuando escasean los datos fundamentales entre publicaciones del USDA.
Indicadores macroeconómicos. Señales más amplias que afectan a la formación de precios de las materias primas en todas las categorías: el índice del dólar estadounidense (que configura la competitividad exportadora del suero estadounidense), los precios de la energía (un insumo de fabricación relevante para el secado por atomización del suero) y los indicadores macro de demanda ligados a las categorías de alimentación funcional. Cuando Vesper cuenta con datos de socios, por ejemplo las tarifas de flete de Upply o los datos de costos de fabricación sectoriales de IBISWorld, entran también aquí.
El modelo pondera las cuatro capas en conjunto. Ningún dato de entrada dicta por sí solo la curva.
Qué muestra ahora mismo la capa técnica del WPC80 estadounidense
Como Vesper expone la capa técnica directamente en la plataforma, un comprador puede leer las mismas señales que lee el modelo. Para el WPC80 instantáneo estadounidense, a finales de abril de 2026, el cuadro es el siguiente.
El precio se negocia a 10,90 USD/lb, muy por encima tanto de la media móvil de 100 días (8,81 USD/lb) como de la de 150 días (7,98 USD/lb). En términos interanuales sube un 126 %. La señal del MACD es alcista, en +1,2, con un momentum positivo que sigue creciendo. El RSI marca 100, fuertemente sobrecomprado, muy por encima del umbral de 70 que suele señalar un mercado que se ha adelantado a sí mismo.
Leídas en conjunto, esas señales describen un mercado que ha subido con fuerza, se ha desacoplado de su tendencia de medio plazo y ahora muestra agotamiento de final de ciclo. Tanto si el siguiente movimiento es una consolidación lateral como si es un retroceso más brusco, la capa técnica está diciendo a los compradores que el recorrido al alza se ha quedado fino.
Es el mismo cuadro que dibuja la curva de previsión de la IA en el widget de previsión: un descenso suave a lo largo de los próximos seis meses a medida que el precio se deshincha de vuelta hacia la tendencia. La capa de fundamentales y la capa técnica coinciden en la dirección, y eso es lo que genera convicción en la curva. Si discreparan, la previsión reflejaría esa tensión y la banda de confianza se ensancharía.
Aquí es donde los indicadores técnicos aportan de verdad al trabajo de compras. No como señales de negociación autónomas, sino como comprobación de realidad frente a la visión de los fundamentales. Los fundamentales lácteos pueden sostener un precio más alto; los indicadores técnicos le dicen si el mercado ya lo ha descontado.
De dónde salen los datos
La arquitectura de datos de Vesper está estratificada de forma deliberada para que cada dato de entrada pueda rastrearse hasta su fuente. La previsión del WPC80 estadounidense se apoya en una pila que va de los datos públicos de referencia, pasando por los datos licenciados y de socios, hasta los índices de referencia propios.
La capa pública abarca los informes del USDA, AHDB, ZuivelNL, Kempten y los organismos equivalentes en las regiones donde opera Vesper, las mismas fuentes primarias en las que ya confían los equipos de compras estadounidenses. La capa de futuros añade CME (lácteos, cereales, ganado), EEX (mantequilla y leche desnatada en polvo europeas) y NZX (lácteos neozelandeses). La capa de socios aporta datos licenciados de Oilworld, Fastmarkets, IBISWorld, Barchart, Upply y Euronext. La capa propia es el Vesper Price Index, índices de referencia independientes para productos de nicho en los que no existe descubrimiento público de precios, incluida la serie de WPC80 instantáneo que ancla este artículo.
Para una previsión del WPC80 estadounidense en concreto, el VPI es la serie de precios primaria, el informe USDA Dairy Products es la señal primaria de oferta, la leche de clase III de CME es la señal primaria de economía láctea, y el maíz y la harina de soja de CBOT anclan la capa de costo de los piensos. La misma lógica se aplica a los más de 4.000 productos que cubre Vesper: distinta materia prima, distinta mezcla de informes públicos, contratos de futuros, fuentes de socios e índices propios, pero el mismo principio arquitectónico.
Por qué la visión de la IA y la del analista se mantienen separadas
Merece la pena señalar una decisión de diseño: Vesper separa deliberadamente la previsión de la IA del comentario del analista.
La curva de previsión de la IA está, por construcción, libre de opinión de analista. Refleja los datos y solo los datos. El equipo de analistas de Vesper elabora informes de mercado en lenguaje claro, el porqué del movimiento, junto a la previsión, pero la visión del analista nunca se mezcla con la propia curva.
La razón es la confianza de los equipos de compras. Cuando un comprador pregunta qué cree Vesper que va a pasar con el WPC80 en los próximos seis meses, hay dos respuestas y el comprador puede ver ambas. La IA dice una cosa, el analista dice otra, y donde coinciden, la convicción es alta. Donde divergen, esa es la señal para profundizar. Los competidores que funden la visión de la IA y la del analista en una sola salida eliminan esa señal, y los equipos de compras nos han dicho repetidamente que esa separación es lo que genera confianza en la previsión.
Cómo leer el gráfico para tomar decisiones de compra
Dos partes del gráfico importan más que ninguna cuando un comprador dimensiona un compromiso a plazo: la banda de confianza sobre la curva a plazo y las descripciones emergentes de predicciones históricas sobre la línea pasada.
En la banda de confianza es donde viven realmente las decisiones de compra. Una banda estrecha al principio del horizonte de previsión que se ensancha más adelante es la forma normal: el modelo está más seguro del mes que viene que del tercer trimestre del año próximo, y así debe ser. Cuando la banda se ensancha a una velocidad inusual, el modelo está señalando que los datos de entrada envían mensajes contradictorios y que conviene esperar más revisiones en las próximas previsiones. Cuando la banda se mantiene inusualmente estrecha, los datos de entrada están alineados y la convicción es alta. Un comprador que asume un compromiso físico a plazo para el tercer trimestre no está apostando a que el precio caiga exactamente sobre la línea central discontinua; está dimensionando su cobertura frente al rango que describe la banda.
Las descripciones emergentes de predicciones históricas son la forma en que esa banda se gana la credibilidad en primer lugar. Que la cifra de titular del 96 % signifique algo para su equipo es mucho más fácil de juzgar después de comprobar cinco o diez predicciones pasadas en una serie que realmente compra. Elija unos cuantos meses de los dos últimos años, pase el cursor por la línea y lea el par de valores previsto y real. Si el modelo ha seguido bien su materia prima, la convicción para actuar sobre la curva a plazo llega sola.
A qué se reduce todo esto
Una previsión de materias primas fiable tiene tres cosas funcionando a la vez: una arquitectura de modelo capaz de generalizar entre series, una pila de datos de entrada transparente que se remonta a fuentes conocidas, y la disciplina de mantener separadas la curva de la IA y la visión del analista humano para que cada una pueda evaluarse por sus propios méritos.
