¿Los algoritmos de aprendizaje automático funcionan mejor que el análisis estadístico de supervivencia al predecir decisiones de jubilación? Este artículo exploratorio aborda la pregunta mediante la construcción de un pseudo-panel con datos de jubilación de la Encuesta de Salud, Envejecimiento y Jubilación en Europa (SHARE). El análisis consta de dos pasos metodológicos promovidos por la naturaleza de los datos. En primer lugar, se compara un modelo de supervivencia de Cox discreto de transiciones a la jubilación con covariables dependientes del tiempo con un modelo de Cox sin covariables dependientes del tiempo y un bosque aleatorio de supervivencia. En segundo lugar, el modelo de mejor rendimiento (Cox con covariables dependientes del tiempo) se compara con bosques aleatorios adaptados a covariables dependientes del tiempo mediante simulaciones. Los resultados del análisis no favorecen claramente un método único; mientras que los algoritmos de aprendizaje automático tienen un mayor poder predictivo, las variables que utilizan en sus predicciones no muestran necesariamente relaciones causales con la variable de resultado. Por lo tanto, los dos métodos deben verse como complementos en lugar de sustitutos. Además, las simulaciones arrojan una nueva luz sobre el papel de algunas variables, como la educación y la salud, en las decisiones de jubilación. Esto representa contribuciones tanto sustantivas como metodológicas a la literatura sobre la modelización de la jubilación.