Contexto: La combinación de pronósticos es un importante método que se usa cuando están disponibles los pronósticos de varios modelos alternativos, con el objetivo de mejorar la precisión del pronóstico. El ensamble mediante el promedio es un método de inteligencia computacional bien conocido para agregar los pronósticos de varios expertos. Ambas metodologías comparten principios y técnicas similares en un grado importante; sin embargo, no hay estudios orientados a determinar el estado actual de las investigaciones y las prácticas en dicha área común. Objetivo: Este trabajo pretende establecer el estado actual de las investigaciones sobre las metodologías de combinación de pronósticos cuando, al menos, uno de los expertos o modelos de pronóstico o cuando el método de combinación, son herramientas de inteligencia artificial como redes neuronales artificiales, sistemas difusos o neuro-difusos. Método: Se realizó el mapeo sistemático de 70 estudios usando ocho preguntas de investigación (los artículos seleccionados en el mapeo sistemática, se pueden encontrar comentados en el Apéndice A). Resultados: La mayoría de los trabajos están orientados a proponer nuevas metodologías para desarrollar ensambles o combinación de pronósticos, y la diversificación es usualmente alcanzada variando un aspecto en los datos o en los expertos; sin embargo, hay preguntas muy importantes que no han sido contestadas: ¿Cuál método es mejor?, ¿Para cuáles casos?, ¿Cómo se deben seleccionar los expertos? Conclusión: Conclusión: Es necesario realizar estudios posteriores para responder las preguntas anteriores y para ganar una mejor comprensión de estas metodologías./Abstract. Context: Forecast combination is an important and well-known method used when the forecasts of different alterative models are available, with the aim of improving the forecast accuracy. Ensemble–averaging is a well-known computational intelligence method for aggregate the forecasts of several experts. Both methodologies share similar principles and techniques in an important degree; however, there are not studies focused on determinate the current state of the research and practice in the common area. Objective: This work is focused on determining the state–of–the–art about the methodologies of forecast combination when, at least, one of the experts or forecasting models or when the combiner are computational intelligence tools as artificial neural networks, fuzzy or neuro-fuzzy systems. Method: We realize a systematic mapping of 70 studies using eight research questions. Results: Most of the work is devoted to propose new methodologies for developing ensembles or combining forecasts and diversification is usually achieved by varying one aspect in the data or in the experts; however, important questions are not answered: which method is better? For which cases? How the experts must be selected?. Conclusion: It is necessary to conduct studies for solving the previous questions and for gaining a better comprehension of these methodologies.