Este documento tiene como objetivo determinar si existe un caso para promover un nuevo estándar para la práctica de pronósticos a través de la aplicación innovadora de inteligencia artificial generativa (Gen-AI) para predecir el futuro. Hoy en día, los pronósticos pueden generarse a través de modelos de Gen-AI sin necesidad de un entendimiento profundo de la teoría, práctica o programación de pronósticos. Por lo tanto, utilizando tres conjuntos de datos, presentamos un análisis comparativo de los pronósticos de los modelos de Gen-AI frente a los pronósticos de siete modelos univariantes y automatizados del paquete de pronósticos en R, abarcando tanto técnicas de pronóstico paramétricas como no paramétricas. En algunos casos, encontramos evidencia estadísticamente significativa para concluir que los pronósticos de los modelos de Gen-AI pueden superar a los pronósticos de estándares populares como ARIMA estacional, ingenuo estacional, suavizado exponencial y pronósticos Theta (por nombrar algunos). Nuestros hallazgos también indican que la precisión de los pronósticos de los modelos de Gen-AI puede variar no solo en función de la estructura de datos subyacente, sino también de la calidad de la ingeniería de prompts (lo que resalta la importancia continua de la educación en pronósticos), con la precisión del pronóstico pareciendo mejorar a horizontes más largos. Por lo tanto, encontramos alguna evidencia que apoya la promoción de pronósticos de modelos de Gen-AI como estándares en la práctica de pronósticos futuros. Sin embargo, en la actualidad, se advierte a los usuarios sobre problemas de fiabilidad y que Gen-AI puede ser una caja negra en algunos casos.