Cuando un Nobel de Economía se encuentra con la inteligencia artificial: la visita de Guido Imbens que conecta causalidad y machine learning

¿Qué tienen en común un algoritmo de recomendación de Netflix y las políticas públicas que determinan quién recibe ayuda social? Más de lo que parece a simple vista: ambos necesitan establecer relaciones de causa y efecto en un mar de datos correlacionados. Esta pregunta fundamental es precisamente la especialidad de Guido Imbens, premio Nobel de Economía 2021, quien visita la Universidad de Chile en un momento crucial donde la inteligencia artificial y la econometría convergen de maneras inesperadas. Su llegada no es casual: mientras los modelos de IA se vuelven cada vez más sofisticados en predecir patrones, la pregunta sobre qué causa realmente esos patrones se vuelve más urgente que nunca.

La revolución silenciosa de la inferencia causal

Guido Imbens compartió el Nobel de Economía junto a Joshua Angrist y David Card por sus contribuciones metodológicas al análisis de relaciones causales, un campo que durante décadas fue el santo grial de las ciencias sociales y que ahora se ha convertido en la frontera más candente de la inteligencia artificial. Su trabajo permitió responder preguntas aparentemente imposibles: ¿cuál es el efecto real de un año adicional de educación en los ingresos futuros? ¿Cómo sabemos si un programa social funciona realmente o si los beneficiarios ya estaban predispuestos al éxito? Estas metodologías, desarrolladas en las últimas tres décadas, están experimentando un renacimiento inesperado en la era del machine learning.

La visita de Imbens a la Universidad de Chile incluye actividades tanto académicas como vinculadas a la industria, un formato que refleja perfectamente la doble vida que hoy tienen las herramientas de inferencia causal. En el ámbito académico, sus métodos siguen siendo fundamentales para la investigación empírica en economía, salud pública y ciencias sociales. Pero en la industria tecnológica, empresas como Google, Meta y Amazon han incorporado equipos completos de científicos especializados en causalidad para mejorar sus sistemas de IA, intentando ir más allá de la simple correlación que domina el aprendizaje automático tradicional.

Lo que hace particularmente relevante esta visita es el contexto latinoamericano. Chile ha emergido como un polo de investigación en IA en la región, con iniciativas como el Centro Nacional de Inteligencia Artificial (CENIA) y una creciente comunidad de investigadores que trabajan en la intersección entre economía computacional y aprendizaje automático. La Universidad de Chile, en particular, ha sido pionera en aplicar métodos econométricos avanzados a problemas de políticas públicas, creando un terreno fértil para el diálogo entre la tradición de Imbens y las nuevas posibilidades que ofrece la IA.

Por qué la causalidad importa en la era de los datos masivos

Los modelos de inteligencia artificial actuales son extraordinariamente buenos identificando patrones: pueden predecir qué producto comprarás, qué contenido te mantendrá en una plataforma, o incluso qué candidatos a un empleo tienen perfiles similares a empleados exitosos del pasado. Sin embargo, estos sistemas operan principalmente en el reino de la correlación, no de la causalidad. Un algoritmo puede notar que las personas que compran pañales también compran cerveza, pero no puede decirnos por qué, ni si intervenir en uno afectaría al otro, ni si esa relación es espuria producto de una tercera variable como "tener un bebé pequeño en casa".

Este vacío tiene consecuencias reales y medibles. Cuando un sistema de IA para contratación discrimina contra ciertos grupos demográficos, no basta con identificar la correlación entre características protegidas y decisiones de contratación; necesitamos entender las cadenas causales que producen ese sesgo para poder intervenir efectivamente. Cuando un algoritmo de asignación de recursos de salud sistemáticamente subestima las necesidades de pacientes negros —como ocurrió en un famoso caso en Estados Unidos— el problema no es simplemente estadístico, sino causal: el algoritmo confundía correlación histórica con necesidad real.

"La pregunta no es si un algoritmo puede predecir un resultado, sino si podemos confiar en que entiende qué lo causa. Sin causalidad, la IA es como un oráculo que acierta sin saber por qué, y esa ignorancia tiene un precio cuando intentamos intervenir en el mundo real."

Las herramientas desarrolladas por Imbens y sus colegas —variables instrumentales, diseños de regresión discontinua, métodos de matching— ofrecen un arsenal metodológico para abordar estas preguntas causales incluso cuando no podemos realizar experimentos controlados. En el contexto de la IA, estos métodos están siendo reimaginados y escalados. Investigadores en el campo emergente del "causal machine learning" están desarrollando algoritmos que no solo predicen, sino que estiman efectos causales a partir de datos observacionales, combinando la flexibilidad del aprendizaje profundo con el rigor de la inferencia causal.

El puente entre academia e industria que Chile necesita

La estructura de la visita de Imbens, que incluye explícitamente actividades vinculadas tanto a la academia como a la industria, señala una necesidad crítica en el ecosistema tecnológico latinoamericano. Mientras que en Silicon Valley y otros centros tecnológicos globales la transferencia de conocimiento entre investigación académica y aplicación industrial es relativamente fluida, en América Latina esta brecha sigue siendo significativa. Las empresas tecnológicas de la región frecuentemente adoptan herramientas de IA sin la profundidad metodológica necesaria para aplicarlas críticamente, mientras que la investigación académica a veces permanece desconectada de los problemas prácticos que enfrenta la industria.

Chile tiene ventajas particulares para cerrar esta brecha. El país cuenta con una tradición sólida en econometría aplicada, instituciones académicas de investigación reconocidas internacionalmente, y un sector privado cada vez más interesado en aplicaciones sofisticadas de ciencia de datos. La intersección entre inferencia causal e inteligencia artificial representa exactamente el tipo de área donde la colaboración academia-industria puede generar valor tanto en términos de investigación fundamental como de aplicaciones concretas. Desde la optimización de políticas públicas basadas en evidencia hasta el diseño de sistemas de recomendación más robustos y explicables, las oportunidades son vastas.

Además, el contexto latinoamericano presenta desafíos únicos que requieren aproximaciones causales sofisticadas. La informalidad laboral, la heterogeneidad en el acceso a servicios, las brechas de datos y la necesidad de maximizar el impacto de recursos limitados en políticas sociales son todos problemas donde la combinación de IA y métodos causales puede tener un impacto transformador. La visita de un referente mundial como Imbens puede catalizar colaboraciones que aborden estos desafíos específicos, en lugar de simplemente importar soluciones diseñadas para contextos diferentes.

El futuro de la IA explicable pasa por la causalidad

Uno de los debates más urgentes en inteligencia artificial contemporánea es el de la explicabilidad: ¿cómo hacemos que los sistemas de IA sean comprensibles y auditables, especialmente cuando toman decisiones que afectan vidas humanas? Las aproximaciones tradicionales a la "IA explicable" se han centrado en hacer transparentes las operaciones internas de los modelos —mostrar qué neuronas se activan, qué características son más importantes— pero estas explicaciones son fundamentalmente correlacionales. Saber que un modelo de crédito considera fuertemente el código postal no nos dice si vivir en ese código postal causa peor solvencia crediticia o si simplemente está correlacionado con otras variables.

La inferencia causal ofrece un marco más robusto para la explicabilidad. Una explicación causal no solo identifica qué factores se asocian con una decisión, sino que establece qué factores la causan y, crucialmente, qué pasaría si interviniéramos en esos factores. Este tipo de explicación es mucho más útil para la rendición de cuentas y la mejora de sistemas. Si un algoritmo niega un préstamo, una explicación causal podría indicar exactamente qué cambios en la situación del solicitante cambiarían la decisión, información que es tanto más justa para el individuo como más útil para evaluar si el sistema está operando apropiadamente.

La convergencia entre el trabajo de Imbens y la IA moderna no es meramente teórica. Empresas tecnológicas líderes están invirtiendo significativamente en equipos de causalidad. Microsoft Research tiene grupos dedicados a causal inference en machine learning. Google ha publicado extensamente sobre cómo integrar razonamiento causal en sistemas de recomendación. Startups especializadas en causal AI están emergiendo, ofreciendo herramientas que prometen llevar estos métodos a organizaciones sin equipos de investigación masivos. La pregunta para ecosistemas como el chileno es si participarán en esta ola como creadores de conocimiento y tecnología, o simplemente como consumidores.

Contexto clave

Inferencia causal vs. correlación: La mayoría de los algoritmos de machine learning identifican correlaciones: patrones estadísticos donde dos variables tienden a moverse juntas. La inferencia causal va más allá, intentando establecer si cambios en una variable producen cambios en otra. Por ejemplo, un algoritmo podría notar que las personas que leen noticias de tecnología tienden a comprar más gadgets (correlación), pero la inferencia causal preguntaría si leer esas noticias causa las compras, o si ambas son resultado de un interés preexistente en tecnología. Esta distinción es crucial porque solo las relaciones causales nos permiten predecir qué pasará si intervenimos en el sistema.

Variables instrumentales y experimentos naturales: Una de las contribuciones clave de Imbens fue perfeccionar el uso de variables instrumentales, una técnica que permite estimar efectos causales incluso sin experimentos controlados. La idea es encontrar una variable que afecte el tratamiento (lo que queremos estudiar) pero que no afecte directamente el resultado, excepto a través del tratamiento. Por ejemplo, para estudiar el efecto de la educación en los ingresos, se podría usar como instrumento la distancia a la universidad más cercana: afecta cuánta educación recibes, pero no debería afectar directamente tus ingresos futuros excepto a través de la educación. Estos métodos son especialmente valiosos en IA porque los datos del mundo real rara vez provienen de experimentos perfectamente controlados.

Causal machine learning: Este campo emergente combina la flexibilidad de los algoritmos de aprendizaje automático con el rigor de la inferencia causal. Mientras que el machine learning tradicional optimiza predicciones, el causal machine learning busca estimar efectos causales heterogéneos: cómo varía el efecto de una intervención entre diferentes individuos o contextos. Por ejemplo, en lugar de simplemente predecir qué tratamiento médico funcionará mejor en promedio, estos métodos pueden estimar qué tratamiento funcionará mejor para cada paciente específico, teniendo en cuenta sus características únicas. Esto requiere algoritmos que puedan manejar la complejidad de los datos modernos mientras respetan los principios de la inferencia causal.

Para profundizar

• Sesgos algorítmicos y cadenas causales — Los sistemas de IA frecuentemente perpetúan o amplifican sesgos existentes, pero eliminarlos requiere entender las cadenas causales que los producen. Investigar cómo los métodos de Imbens podrían aplicarse para identificar y cortar estas cadenas causales representa una frontera crucial para la IA ética y justa.
• Políticas públicas basadas en IA causal en América Latina — La región enfrenta desafíos únicos en educación, salud y reducción de pobreza donde recursos limitados deben maximizarse. Explorar cómo la combinación de big data, IA y métodos causales podría transformar el diseño e implementación de políticas sociales es una área con potencial transformador para millones de personas.
• El problema de la generalización causal en sistemas de IA — Un modelo puede aprender relaciones causales en un contexto, pero ¿cuándo podemos confiar en que esas relaciones se mantendrán en contextos diferentes? Esta pregunta, fundamental para desplegar IA de manera responsable, conecta la filosofía de la ciencia con la ingeniería de sistemas y permanece ampliamente sin resolver.