Predicciones factibles y confiables de flujos turbulentos separados son un requisito para abordar con éxito la mayoría de los problemas de aeroespacial y energía eólica. Los enfoques computacionales existentes, como la simulación de grandes remolinos (LES) o los métodos de Navier-Stokes promediados por Reynolds (RANS), han sufrido durante décadas de problemas bien conocidos de costo computacional y confiabilidad en este sentido. Un enfoque muy popular para abordar estas cuestiones es el uso de métodos de aprendizaje automático (ML) para mejorar las predicciones de RANS. Una alternativa es el uso de métodos de simulación de error mínimo (simulación de remolinos continuos (CES), que puede verse como un método dinámico de ML) en el marco de métodos de simulación que resuelven parcial o totalmente. Se presentan aquí características distintivas de los dos enfoques considerando una variedad de simulaciones de flujos separados complejos. La conclusión es que los métodos CES de error mínimo tienen un rendimiento claramente superior a los métodos ML-RANS. Lo más importante, y en contraste con los métodos ML-RANS, se demuestra que CES es aplicable a casos no involucrados en el desarrollo del modelo. La razón de tal rendimiento superior de CES se identifica aquí: es la capacidad de CES para tener en cuenta adecuadamente las relaciones causales inducidas por la estructura de los flujos turbulentos separados.