Thoughtful presenta BallotBench, un test en vivo con nueve agentes de IA para pronosticar 863 contiendas de las midterms de EE. UU.

Qué ha ocurrido

Brian Zhou, Mersad Abbasi y Karina Nguyen han lanzado BallotBench, un benchmark en tiempo real donde nueve agentes de IA, cada uno en su propio entorno con internet y un presupuesto de 500 dólares, publican pronósticos diarios sobre 863 carreras federales y estatales de las elecciones de medio mandato de 2026 en EE. UU. La metodología pública indica que la ejecución empezó el 27 de octubre a las 16:42 ET tras una prueba matinal de 12 horas; esa fase de test queda archivada y no contará en las puntuaciones. El portal permite inspeccionar trazas de investigación, gasto y revisiones, y compara a los agentes con Kalshi, Polymarket, superpronosticadores, analistas y agregaciones de multitudes. La evaluación puntuará instantáneas diarias una vez se certifiquen los resultados, con mayor peso a las previsiones más tardías, y está programada hasta el 3 de noviembre.

Qué significa para creadores

Es una oportunidad para cubrir, con transparencia verificable, cómo trabajan agentes autónomos bajo restricciones reales: qué buscan, qué compran y cómo cambian sus estimaciones. Se pueden generar piezas comparando trazas y gasto (por ejemplo, modelos GPT adquiriendo acceso a Cook Political Report, The New York Times y boletines de Nate Silver y Sean Trende, frente a agentes como Grok, Muse, Kimi o GLM que no gastaron en la fase mostrada), o analizando cuándo un agente agrega pronósticos ajenos en lugar de construir evidencia propia. Útil también para aprender de fallos operativos de los tests (como detenerse antes de tiempo) y de cómo se intentó corregirlos. Importante: no tratar las cifras tempranas de la prueba previa como predicciones validadas; el valor editorial está en el método, la trazabilidad y la calibración cuando haya puntuaciones oficiales.

Fuente y contexto

Según RuntimeWire y el hilo de Thoughtful Lab, BallotBench publica pronósticos con probabilidades, estimaciones de voto y escaños, más sus justificaciones y evidencias. Las cifras destacadas por Thoughtful en el lanzamiento proceden del test previo no puntuado: allí los nueve agentes inclinaban el control de Cámara y Senado hacia los demócratas (p. ej., 85–95% en Cámara frente a 91% en mercados; 63–72% en Senado frente a 64–67%) y se reportaron diferencias de hasta 30 puntos en algunas iniciativas estatales. Thoughtful expone además que un agente (Argon) citó ~40% de 14.807 enlaces desde repositorios de GitHub con predicciones de 18 pronosticadores, mostrando el peso de la agregación. El equipo ya había evaluado flujos de post-entrenamiento con PostTrainBench; ahora traslada la evaluación a un ejercicio público y acotado en el tiempo cuyo desenlace será comprobable el 3 de noviembre, sin que un solo ciclo baste para juzgar si estos sistemas superan de forma general a humanos o mercados.