Alumni presentó investigación sobre el uso disciplinado de la inteligencia artificial en economía

Adams Ceballos, alumni de la Facultad de Ciencias Económicas y Administrativas y actual investigador de la School of Forestry, Fisheries, and Geomatic Sciences de la Universidad de Florida, Estados Unidos, participó el pasado jueves en el Programa de Seminarios de Investigación del Departamento de Economía. Su presentación, titulada «¿Puede una caja negra abrir un mecanismo opaco? Un experimento disciplinado con modelos de lenguaje de gran escala sobre propiedad y externalidades», propone un método para usar inteligencia artificial en investigación económica sin caer en sus principales riesgos de fiabilidad.

El modelo como mapa

El trabajo de Ceballos propone tratar a los modelos de lenguaje o LLM —la tecnología detrás de herramientas como ChatGPT— no como un agente con criterio propio, sino como un «compresor» del registro escrito de cómo esas decisiones se han razonado: la literatura científica, la regulación y los comentarios de la industria. En la práctica, funciona como un mapa de cómo razonan los expertos sobre un problema, no como alguien que efectivamente decide.

Dado que estos modelos pueden generar alucinaciones, el método somete cada explicación candidata a tres filtros antes de considerarla válida: primero, el del diseño, que descarta que el resultado sea solo una falla de cómo se formuló la pregunta —lo que el estudio llama un artefacto—; segundo, el de la teoría, que exige que la explicación tenga sentido económico; y tercero, el de los datos reales, que confronta la predicción del modelo con información de terreno en Noruega que este nunca vio.

Caso de prueba

El piojo de mar, principal agente causante de la caligidosis, se dispersa por las corrientes marinas, por lo que una granja que no trata la plaga suele convertirse en una fuente de contagio para las vecinas. La hipótesis que motiva el estudio plantea que un dueño que concentra la propiedad de varias granjas cercanas internaliza ese costo compartido y, por lo tanto, tiene mayores incentivos para tratarla que un dueño con una sola granja.

Para poner a prueba esta y otras explicaciones, el experimento —ejecutado sobre cuatro modelos de lenguaje de código abierto y datos reales de 10 granjas de salmón en una zona de Noruega— recreó «universos paralelos» idénticos en todo salvo en un elemento: la concentración de la propiedad, para aislar su efecto sobre la decisión de tratamiento.

Un hallazgo que no era tal

En una primera aproximación, dos de los cuatro modelos utilizados mostraron que los dueños con propiedad concentrada trataban menos sus granjas frente al piojo, un resultado que coincidía con lo observado en terreno. Sin embargo, al descomponer ese resultado, el equipo de Ceballos encontró que era un artefacto: se producía porque, cuando debían decidir sobre varias granjas a la vez, los modelos emitían su veredicto antes de razonarlo. Al invertir el orden —pidiéndoles primero explicar su razonamiento y solo después decidir—, el efecto desapareció por completo. Aislado ese sesgo, el efecto propio de la concentración de la propiedad resultó nulo en tres de los cuatro modelos.

Ese proceso —convertir un hallazgo inicial «convincente pero falso» en un resultado nulo tras someterlo a controles rigurosos— es lo que el estudio llama un «nulo disciplinado»: una forma de evitar que reguladores o empresas tomen decisiones basadas en patrones que solo existen como errores de los modelos de IA, y no como fenómenos reales.

El aporte del estudio no fue encontrar una nueva relación económica, sino demostrar que la coordinación entre dueños de granjas probablemente ocurre por otras vías —como métodos preventivos no químicos— que la evidencia actual todavía no logra capturar con precisión. Aun así, Ceballos planteó que la lógica del método es aplicable al problema del cáligus en la salmonicultura chilena:

«Esta información permitiría a los reguladores saber de qué hilos tirar para reducir las cargas químicas y dirigir a la industria de manera más precisa, evitando regulaciones que, aunque parezcan adecuadas, no logran resultados concretos», explicó.