Actualmente, debido a la amplia disponibilidad de gigantescas redes de información y la aplicación beneficiosa del análisis de grafos en varios campos científicos, la necesidad de algoritmos de detección de comunidades eficientes y altamente escalables nunca ha sido más esencial. A pesar de la cantidad significativa de investigaciones publicadas, los métodos existentes, como el de Girvan-Newman, la centralidad de betweenness en caminatas aleatorias, la centralidad de vértices, InfoMap, el agrupamiento espectral, etc., han demostrado ser prácticamente incapaces de manejar grafos sociales de la vida real debido a las restricciones computacionales intrínsecas que conducen a un rendimiento mediocre y una mala escalabilidad. El propósito de este artículo es introducir una nueva metodología de detección de comunidades distribuida que, de acuerdo con el concepto de predicción de comunidades, aprovecha la complejidad reducida y la varianza disminuida de los métodos de conjunto de bagging, para desvelar la jerarquía comunitaria subyacente. El enfoque propuesto ha sido exhaustivamente probado, meticulosamente comparado con diferentes algoritmos clásicos de detección de comunidades y ha demostrado ser excepcionalmente escalable, eminentemente eficiente y prometedoramente preciso en la revelación de la estructura comunitaria subyacente.