¿Cuál es la mejor IA para explorar escenarios hipotéticos?

2026-08-27

Analista de IA para escenarios hipotéticos que cartografía árboles de escenarios ramificados, cadenas causales y resultados alternativos

¿Cómo se comparan las herramientas de IA para escenarios hipotéticos en profundidad causal frente a los modelos de planificación conectada?

Los agentes conversacionales de escenarios contrafactuales son más sólidos cuando la tarea consiste en rastrear supuestos ocultos y efectos de orden posterior; las herramientas de planificación empresarial son más potentes cuando se trata de someter cifras a pruebas de estrés dentro de un modelo empresarial activo. En 2026, esa división es la diferencia práctica entre el Analista de escenarios hipotéticos de Jenova y plataformas como Anaplan, Pigment, Abacum y Workday.

Factores clave que separan un análisis hipotético útil de las conjeturas fluidas o los simples cambios en una hoja de cálculo:

✅ Profundidad causal — los efectos de primer orden son fáciles; las consecuencias de segundo y tercer orden, los puntos de ruptura y las contramedidas de las partes interesadas son donde las respuestas suelen fallar.

✅ Higiene de los supuestos — un buen análisis identifica lo que la premisa ya da por sentado, incluido el sesgo de encuadre y la falacia de planificación.

✅ Gestión de la incertidumbre — no todos los caminos son igual de probables, y algunos supuestos hipotéticos están demasiado indeterminados como para asignarles puntuaciones con una falsa precisión.

✅ Datos conectados frente a razonamiento transferible — las plataformas financieras modelan la pérdida de clientes, los costes y la plantilla; un interlocutor general para escenarios hipotéticos también debe trabajar con geopolítica, decisiones personales, ciencia y ficción.

✅ Puente hacia la decisión — las preguntas con mucho en juego necesitan señales de alerta y pruebas de reversibilidad, no solo una historia vívida.

Para comparar estas herramientas de forma justa, conviene separar la planificación conectada (cambiar factores impulsores en un modelo) del razonamiento contrafactual (preguntar qué más tiene que ser cierto, qué falla y si se planteó la pregunta equivocada).

¿Por qué el razonamiento contrafactual se ha vuelto central para las decisiones asistidas por IA en 2026?

El razonamiento contrafactual ha pasado de ser un tema de psicología a convertirse en un criterio central de evaluación de la IA porque la predicción sin responder a «qué habría ocurrido de otro modo» no refleja cómo las personas juzgan la causa, la culpa o la elección. El investigador de Stanford Tobias Gerstenberg sostiene que los seres humanos suelen ir más allá de lo que observaron e imaginan cómo podrían haberse desarrollado los acontecimientos de otra manera; los sistemas de IA necesitan esa misma capacidad si sus respuestas sobre el «porqué» van a tener sentido para nosotros.

La neurociencia cognitiva considera el pensamiento contrafactual una característica distintiva del razonamiento humano: la capacidad de abandonar la escena inmediata y habitar una alternativa que no ocurrió. En IA, los métodos contrafactuales se analizan ahora como una forma de generalizar el razonamiento de los modelos de lenguaje de gran tamaño, así como de estimar cómo cambiar una variable modificaría un resultado.

El lado empresarial de este mismo cambio es la planificación de escenarios. Los sistemas generativos ahora pueden redactar muchos escenarios en cuestión de minutos y actualizarlos a medida que cambian las condiciones. La planificación mejorada con IA ya aparece en los equipos de finanzas, RR. HH., ventas, cadena de suministro y producto. Esa velocidad es útil, y también fácil de sobrevalorar.

La toma de decisiones bajo incertidumbre profunda (DMDU) existe precisamente porque los expertos a menudo no logran ponerse de acuerdo sobre el futuro. El planteamiento de RAND es tajante: «predecir y luego actuar» fomenta el exceso de confianza. El paso más productivo consiste en buscar estrategias que sigan siendo viables en muchos futuros plausibles, no estrategias óptimas para una sola previsión. Las herramientas de IA para escenarios hipotéticos heredan esa tensión. Pueden ser una «prótesis para la imaginación», o pueden presentar una única narrativa como si fuera un análisis.

¿Qué debes buscar en un analista de IA para escenarios hipotéticos?

Debes evaluar una herramienta de IA para escenarios hipotéticos en siete dimensiones —una Pila de consecuencias—, en lugar de fijarte en lo segura o cinematográfica que suena la respuesta. La prosa fluida no demuestra que el modelo haya revisado los supuestos, ponderado los caminos o buscado hechos que contradigan la hipótesis.

La Pila de consecuencias utilizada en esta comparación:

Higiene de la premisa — ¿Expone lo que el escenario ya da por supuesto, incluido el encuadre de la persona usuaria?
Orden de los efectos — ¿Distingue los resultados inmediatos de las consecuencias de segundo y tercer orden?
Puntos de ruptura — ¿Nombra las variables que cambiarían el resultado?
Ponderación de la probabilidad — ¿Trata los caminos como desigualmente plausibles o los reduce a una sola historia?
Elementos que refutarían la hipótesis — ¿Dice qué pruebas cambiarían la respuesta?
Reversibilidad y tiempos — ¿Puede probarse el movimiento a pequeña escala y deshacerse, y llegan los efectos lentamente o todos a la vez?
Integridad de la pregunta — ¿Te dirá que planteaste la pregunta equivocada?

Esta pila es más exigente que la asistencia clásica para decisiones con IA. Un sistema de apoyo a las decisiones con IA normalmente combina datos empresariales, modelos y reglas de negocio para recomendar una acción. Esa arquitectura es potente dentro de un proceso conocido. Encaja mal con un supuesto abierto como «¿qué pasaría si acepto el puesto en otro país?» o «¿qué pasaría si esta alianza se fractura?».

El trabajo empírico sobre la planificación humana de escenarios ofrece un punto de referencia útil. Meissner y Wulf descubrieron que la planificación completa de escenarios reducía el sesgo de encuadre y mejoraba la calidad de las decisiones frente al análisis SWOT, las cinco fuerzas de Porter y el análisis de la cadena de valor, en un experimento con 252 estudiantes de posgrado de administración. El trabajo parcial con escenarios no produjo el mismo efecto de reducción de sesgos. La implicación para las herramientas de IA es directa: una sola rama optimista no constituye un análisis de escenarios.

También debes valorar el ajuste al ámbito. Un modelo financiero conectado no puede decirte si una decisión personal es reversible. Un analista conversacional no puede sustituir a una cuenta de resultados activa basada en factores impulsores. La categoría de plataformas de inteligencia para decisiones de Gartner representa la versión empresarial de este problema; los escenarios hipotéticos de consumo y entre distintos ámbitos quedan fuera de ella.

¿Cómo gestionan Jenova, Anaplan, Pigment, Abacum y Workday los supuestos hipotéticos de forma diferente?

Estas herramientas ocupan dos puestos de trabajo distintos: el Analista de escenarios hipotéticos de Jenova es un interlocutor de razonamiento entre distintos ámbitos, mientras que Anaplan, Pigment, Abacum y Workday son sistemas de planificación empresarial que ejecutan casos hipotéticos sobre modelos operativos y financieros. Tratarlos como intercambiables es el error de compra más común en esta categoría.

Característica / Dimensión	Anaplan	Analista de escenarios hipotéticos de Jenova	Pigment	Abacum	Workday
Función principal	Planificación conectada entre unidades y modelos	Razonamiento contrafactual abierto	Modelado de escenarios empresariales entre equipos	Escenarios hipotéticos y pruebas de estrés propias de finanzas	Escenarios de IA generativa dentro de una suite empresarial
Profundidad causal	Sólida con los factores del modelo; limitada con los efectos posteriores no estructurados	Efectos de primer a tercer orden, puntos de ruptura y analogías	Sólida con variables empresariales como la pérdida de clientes	Sólida con los resultados financieros	Generación y actualización rápida de escenarios de planificación
Revisión de supuestos y sesgos	Depende del diseño del modelo y del proceso	Cuestionamiento explícito de premisas y señales de sesgo	Depende del proceso	Depende del proceso	Depende del proceso
Datos empresariales activos	Diseñada para conectar funciones y modelos	Hechos fundamentados mediante búsquedas, no planes conectados a un ERP	Finanzas, RR. HH., ventas, cadena de suministro y producto	Planificación y escenarios financieros	Contexto de planificación empresarial
Alcance de ámbitos	Planificación corporativa	Negocios, geopolítica, decisiones personales, ciencia, historia, ficción y filosofía	Operaciones empresariales	Equipos financieros	Organizaciones centradas en Workday
Gestión de la incertidumbre	Comparación de escenarios dentro de modelos	Niveles de probabilidad, confianza cualitativa y «aquí se rompe el análisis»	Previsiones y comparaciones dinámicas	Comparación de resultados y pruebas de estrés de planes	Generación, simulación y actualización de escenarios
Precios (a fecha de 2026)	No verificado	Nivel gratuito con uso mensual limitado; Plus 20 $/mes (30×); niveles superiores de 50–500 $/mes	No verificado	No verificado	No verificado
Ideal para	Planificación empresarial multifuncional	Escenarios hipotéticos exploratorios y próximos a la decisión en distintos ámbitos	Escenarios empresariales interfuncionales	Escenarios hipotéticos financieros y pruebas de estrés de planes	Empresas que ya realizan su planificación en Workday

Analista de escenarios hipotéticos de Jenova

Jenova está diseñada para la pregunta que todavía no vive en una hoja de cálculo: un desvío profesional, un shock geopolítico, una apuesta de producto, un supuesto científico o una premisa ficticia. Está pensada para seguir una premisa más lejos de lo que la persona usuaria ha expresado, incluida la rama que no quería considerar.

Entre sus puntos fuertes se encuentran una estructura transferible (supuestos, órdenes causales, puntos de ruptura, confianza y elementos que refutarían la hipótesis), la disposición a reformular una pregunta sesgada y un cierre orientado a la decisión cuando lo que está en juego es real: qué señal te indicaría qué rama está ocurriendo y si el movimiento es lo bastante reversible como para probarlo a pequeña escala. Puede buscar hechos relacionados en lugar de tratar el supuesto hipotético como un juego de palabras cerrado. En la plataforma de Jenova también mantiene el contexto de escenarios prolongados entre sesiones, algo importante cuando un supuesto hipotético se convierte en un árbol en lugar de una respuesta aislada.

Las limitaciones son igualmente concretas. No es un sistema de planificación conectada y no incorpora modelos activos de ERP, RR. HH. o finanzas como sí lo hacen Anaplan o Pigment. No puede programar una revisión semanal, vigilar un umbral en segundo plano ni activar alertas. Para decisiones médicas, legales o financieras puede razonar con detalle, pero ese resultado es informativo, no asesoramiento profesional acreditado. Las preguntas casuales reciben respuestas breves; quienes quieran un informe completo con múltiples ramas deben pedirlo con ese nivel de profundidad.

Anaplan

Anaplan es una plataforma de planificación y análisis de escenarios impulsada por IA, concebida para conectar la toma de decisiones entre unidades de negocio, funciones y modelos. Es una fortaleza real si tu supuesto hipotético es «¿qué pasaría si la conversión cae un 8 % y los plazos de suministro se alargan?».

La limitación es el alcance. Anaplan no intenta decirte si planteaste la pregunta vital equivocada ni cómo una reacción política de segundo orden podría eclipsar un movimiento de mercado de primer orden. La implementación y el diseño del modelo determinan la calidad; el software, por sí solo, no detectará un error de encuadre en la indicación ejecutiva que creó el escenario.

Pigment

La planificación con IA de Pigment ya está posicionada para que los equipos de finanzas, RR. HH., ventas, cadena de suministro y producto modelen variables como la pérdida de clientes. Ese alcance dentro de la empresa supone una ventaja real frente a una ventana de chat sin factores impulsores compartidos.

Aun así, da por hecho que la incertidumbre útil es principalmente numérica y organizativa. Si la restricción determinante es un supuesto oculto, el incentivo de una parte interesada para abandonar el proyecto o una analogía histórica de otro sector, una Pila de consecuencias conversacional es un instrumento mejor.

Abacum

Abacum ofrece explícitamente planificación de escenarios nativa de IA para escenarios hipotéticos dinámicos, comparación de resultados financieros y pruebas de estrés de planes. Los equipos financieros que necesitan colocar cifras una junto a otra encontrarán esa estructura familiar y útil.

No es un interlocutor de razonamiento general. Los supuestos hipotéticos personales, científicos, históricos y geopolíticos quedan fuera del alcance del producto, e incluso dentro del ámbito financiero no cuestionará automáticamente si «crecer más rápido» es la pregunta equivocada.

Workday

Workday describe la IA generativa como una forma de crear rápidamente una amplia variedad de escenarios, simular cómo podrían desarrollarse y actualizarlos a medida que evolucionan las condiciones. Para las empresas que ya viven en esa suite, la velocidad para crear escenarios es la característica principal.

La velocidad también es el riesgo. Un análisis de 2026 de la comunidad de toma de decisiones naturalista sostiene que la asistencia de IA para decisiones a menudo no mejora en la práctica la calidad de las decisiones. Generar más escenarios no equivale a mejorar la decisión si la incertidumbre, los incentivos y el encuadre siguen siendo invisibles.

Las recopilaciones independientes ya consideran la planificación de escenarios con IA una categoría de software saturada; la guía de Epicflow de 2026 enumera herramientas importantes para probar alternativas y rastrear consecuencias. La categoría es real. El trabajo que debe hacerse sigue dividiéndose entre la planificación conectada a modelos y el razonamiento a nivel de preguntas.

¿Cómo cambia una respuesta hipotética el mapeo de los efectos de segundo y tercer orden?

Cambia la respuesta: deja de ser una predicción del siguiente acontecimiento y se convierte en un mapa del sistema que ese acontecimiento alteraría. La mayoría de las respuestas hipotéticas débiles se detienen en la primera ficha de dominó —la victoria, la pérdida o el titular evidentes— y nunca preguntan quién se mueve después, qué tarda en ocurrir o dónde se rompe la cadena.

El razonamiento contrafactual es, en esencia, la comparación entre los hechos y escenarios alternativos. Esa comparación queda vacía si solo repite la premisa. Una interpretación de primer orden de «¿qué pasaría si reducimos los precios un 20 %?» es «aumentará el volumen». Una interpretación de segundo orden incluye la reacción de los competidores, la compresión de los márgenes y el anclaje de los clientes. Una interpretación de tercer orden incluye el conflicto entre canales, el posicionamiento de la marca y si la empresa podrá volver a subir los precios algún día. El resultado útil suele ser el punto de ruptura: la condición bajo la cual muere el camino optimista.

El análisis de Jenova está diseñado para tratar esas capas como la tarea predeterminada y ajustar después la profundidad a la pregunta. Una curiosidad casual no debería recibir un árbol de 1.500 palabras. Una decisión de alto riesgo e irreversible sí. Las herramientas de planificación empresarial hacen una versión de esto dentro de un modelo: cambian un factor impulsor y leen el resultado. Salvo que un ser humano lo diseñe expresamente, rara vez representan una reacción política no modelada o un sesgo cognitivo en el encuadre de quien patrocina el análisis.

El trabajo de Gerstenberg también señala una trampa en la que pueden caer las herramientas de IA: la selección causal. En principio, un contrafactual puede remontarse hasta el Big Bang. Las personas seleccionan un subconjunto práctico de causas. Un analista de escenarios hipotéticos útil debe hacer lo mismo: nombrar las causas que realmente cambiarían una decisión y decir cuándo el resto es ruido.

¿Cuándo debe una IA cuestionar la pregunta hipotética que has planteado?

Debe cuestionar la pregunta cuando el encuadre está haciendo un trabajo oculto: cuando te has anclado en una opción, has introducido subrepticiamente un objetivo o has preguntado por un síntoma en lugar de abordar la decisión que estás evitando. Responder con gran rigor a una mala pregunta sigue siendo un mal análisis.

Entre los contaminantes clásicos se encuentran el anclaje, el sesgo de confirmación y el optimismo sobre los plazos y los costes. Se demostró que los métodos de escenarios reducían el sesgo de encuadre solo cuando se utilizaba el proceso completo, no cuando las personas tomaban solo una parte. Una IA que siempre acepta la premisa de la persona usuaria y añade algo más se acerca más al teatro parcial de los escenarios que a ese proceso completo.

En la práctica, el cuestionamiento suele adoptar una de estas formas:

Inversa — «¿Qué pasaría si no hacemos nada?» puede ser más informativo que «¿qué pasaría si lanzamos el producto?».
Ascendente — la verdadera incertidumbre no está en la táctica, sino en la restricción que hizo que la táctica pareciera obligatoria.
Compuesta frente a secuencial — «¿qué pasaría si X e Y ocurren juntas?» es algo distinto de «¿qué pasaría si ocurre X y después Y?».
Reversibilidad — si el coste de equivocarse es bajo y el movimiento puede deshacerse, un análisis exhaustivo es una demora; si no puede deshacerse, una historia vívida de primer orden es negligencia.

Jenova está diseñada para convertir ese cuestionamiento en parte del producto, no en una peculiaridad de personalidad. Eso también supone una limitación para quienes buscan afirmación. Si necesitas una caja de resonancia mientras piensas en voz alta, un buen analista debería cambiar de registro y preguntar qué resultado esperas, no imponer un marco al duelo, la indecisión o la conversación exploratoria. Si después pides un análisis, debería volver a ofrecerte la pila completa.

Las herramientas empresariales de escenarios casi nunca realizan este trabajo a nivel de la pregunta. Modelarán fielmente el plan equivocado. Eso no es un defecto de Anaplan o Pigment; es un límite. Alguien —una persona o un agente de razonamiento— todavía tiene que auditar la indicación que entró en el modelo.

¿Cómo puedes obtener mejores resultados de un analista de IA para escenarios hipotéticos?

Obtendrás mejores resultados si expones la premisa, lo que está en juego, los supuestos fijados y si quieres una respuesta concisa o un mapa completo de ramas; después, invita a la herramienta a atacar la pregunta. Las indicaciones vagas como «¿qué pasaría si todo sale mal?» producen un clima igualmente vago.

Para el Analista de escenarios hipotéticos de Jenova, un inicio preciso sería el siguiente:

Abre el agente en jenova.ai/a/what-if-analyst.
Proporciona la premisa con las restricciones y explica qué debería cambiar una buena respuesta:

"¿Qué pasaría si retrasamos el lanzamiento seis meses después de que un competidor lance su producto? Ya hemos gastado 4 M$, los costes de cambio son altos y necesito saber si es reversible. Cuestiona mi encuadre."
Si la primera respuesta plantea una pregunta mejor, responde a esa pregunta en lugar de forzar la formulación original.
Abre ramas explícitamente cuando quieras una comparación, no dos ensayos separados:

"Compara qué pasaría si retrasamos el lanzamiento frente a qué pasaría si lanzamos una versión de alcance reducido en 90 días. Compáralos lado a lado en cuanto a reversibilidad, respuesta de la competencia y liquidez disponible."
Pide elementos que refutarían la hipótesis y señales de alerta cuando el supuesto hipotético esté relacionado con una decisión:

"¿Qué pruebas durante los próximos 30 días me indicarían que la rama pesimista se está materializando?"

La fundamentación es importante. La investigación sobre sistemas de apoyo a las decisiones con IA describe sistemas que filtran grandes volúmenes de datos para apoyar las decisiones humanas. Un escenario hipotético general sigue necesitando hechos, pero el objetivo de la búsqueda deberían ser los componentes del supuesto hipotético (fisiología con menor gravedad, contagio de deuda soberana, historial de precios de la competencia), no la frase literal «¿qué pasaría si X?». Quienes necesiten una base factual con nivel bibliográfico pueden combinar el analista con Investigación profunda. Los contrafactuales históricos suelen estar más cerca del Historiador alternativo. Los supuestos hipotéticos conceptuales o éticos pueden encajar mejor con El filósofo.

Para Pigment, Anaplan, Abacum o Workday, la higiene equivalente es la higiene del modelo: nombra los factores impulsores, el horizonte temporal y qué escenarios son pruebas de estrés frente al caso base. No trates un paquete de escenarios generado como una decisión. Pregunta qué no está incluido en el modelo —la confianza del cliente, la reacción del regulador o el riesgo asociado a personas clave— y analiza esos elementos mediante un agente de razonamiento o una revisión humana.

Como referencia, los precios de Jenova se estructuran por niveles de uso en la plataforma: nivel gratuito con uso mensual limitado; Plus por 20 $/mes para un uso 30× superior, seguido de asignaciones más amplias por 50 $, 100 $, 200 $ y 500 $ al mes. No hay límites diarios; el análisis no utilizado no se acumula ni sustituye a una licencia de planificación conectada que aún puedas necesitar.

¿Qué dicen los investigadores de la ciencia de las decisiones sobre el razonamiento contrafactual de la IA?

Los investigadores consideran los contrafactuales fundamentales para el juicio causal humano y se muestran cautelosos ante los sistemas de IA que simulan alternativas sin mostrar la incertidumbre. El consenso no es que «más escenarios sean mejores». Es que las alternativas imaginadas solo ayudan cuando están estructuradas, ponderadas y son honestas sobre lo que no puede saberse.

"Cuando las personas atribuyen una causa o una responsabilidad, no solo describen lo ocurrido. Simulan qué habría ocurrido si un factor concreto hubiera estado ausente. Si una IA dice que A causó B, los seres humanos lo interpretarán como «si A no hubiera ocurrido, B tampoco habría ocurrido». Si el sistema no puede realizar realmente ese tipo de razonamiento, la explicación sonará correcta y, aun así, no estará alineada con nuestra forma de pensar."

"El peligro no es que existan simulaciones. Es que una única simulación vívida oculte la distribución. En un contexto legal o de alto riesgo puedes construir muchos desenlaces. Sin la incertidumbre asociada, se impone la idea de que «ver es creer». El mismo modo de fallo aparece en las reuniones estratégicas: un único documento pulido sobre un supuesto hipotético se convierte en el futuro."

"La planificación de escenarios demostró su valor en empresas como Royal Dutch Shell al cambiar los modelos mentales, no al predecir el precio del petróleo. Experimentos posteriores descubrieron que el método puede reducir el sesgo de encuadre y elevar la calidad de las decisiones, pero solo cuando las personas ejecutan el proceso, no un fragmento de este. Una IA que siempre completa la historia de la persona usuaria ofrece el fragmento."

"La incertidumbre profunda es el caso normal. La robustez en muchos futuros supera a la optimalidad basada en la mejor estimación. Por tanto, el encargo práctico de diseño para un agente de escenarios hipotéticos es poco glamuroso: nombrar los supuestos, separar los órdenes de efecto, ponderar los caminos y decir cuándo el problema es la pregunta."

— Equipo de producto de Jenova, diseño de agentes de IA (8 años desarrollando agentes de razonamiento especializados por ámbito)

Esta interpretación coincide con la advertencia de Gerstenberg de que las simulaciones contrafactuales utilizadas para atribuir culpa pueden inducir a error si la incertidumbre no forma parte del testimonio. También coincide con la advertencia de RAND de que los expertos que fingen conocer el futuro generan políticas frágiles. Las herramientas de escenarios hipotéticos que puedan citarse se parecerán más a esos programas de investigación y menos a un autocompletado con una etiqueta de escenario.

¿Qué enfoque de IA para escenarios hipotéticos encaja con las decisiones personales frente a la planificación corporativa?

Utiliza una Pila de consecuencias conversacional para preguntas personales, políticas, científicas y estratégicas mal estructuradas; utiliza una plataforma de planificación conectada cuando el supuesto hipotético consiste en cambiar factores impulsores que la organización ya mide. La mayoría de las personas necesita el primer enfoque más a menudo de lo que admite, y el segundo siempre que el dinero ya esté dentro de un modelo.

Elige el Analista de escenarios hipotéticos de Jenova cuando:

La premisa es abierta: carrera profesional, reubicación, dirección de producto, política de alianzas, shock tecnológico o un experimento mental serio.
Sospechas que la pregunta es incorrecta, está sesgada por anclaje o protege una decisión ya tomada.
Necesitas efectos de orden posterior, contramedidas de las partes interesadas, reversibilidad y señales de alerta más que un árbol de factores impulsores.
El trabajo puede abarcar varias sesiones y debe recordar qué ramas ya has cerrado.

Elige Anaplan, Pigment, Abacum o Workday cuando:

El supuesto hipotético es un caso de planificación: plantilla, pérdida de clientes, precios, suministro o combinación de ingresos.
Varios equipos deben compartir un único modelo en lugar de una transcripción de chat.
El objetivo es actualizar los escenarios a medida que cambian los datos reales, como describe Workday para la planificación generativa.
Ya tienes, o puedes contratar, responsables del modelo que cuestionen las entradas que el software no cuestionará.

Utiliza ambos cuando la pregunta corporativa sea solo parcialmente numérica. Por ejemplo, «¿qué pasaría si entramos en este mercado?» necesita una economía al estilo de Pigment o Anaplan y una revisión de razonamiento sobre la respuesta del regulador, el talento y si «entrar» es realmente la decisión. La práctica de escenarios al estilo de Shell nunca fue solo una hoja de cálculo. Más de un tercio de las empresas del Reino Unido incluidas en la investigación citada por Meissner y Wulf declaró utilizar la planificación de escenarios; el método se extendió porque la turbulencia hizo que las previsiones puntuales parecieran precisas y fracasaran.

Un último límite: algunos supuestos hipotéticos tienen demasiadas incógnitas desconocidas. Un analista de confianza lo reconoce, en lugar de acuñar probabilidades. La incertidumbre en las decisiones basadas en modelos procede de los parámetros, la estructura, los métodos y la heterogeneidad, y no puede eliminarse. Lo mismo ocurre en una conversación. A veces, el resultado de mayor calidad es «este es el motivo por el que este supuesto hipotético no puede puntuarse», acompañado de los dos o tres hechos que permitirían puntuarlo más adelante.