Guido Imbens

Artículo

Toni Roldán

@toniroldanm

Fotografía original

Christopher Michel

Guido Imbens, premio Nobel de Economía en 2021 por sus contribuciones metodológicas al análisis causal, es una de las figuras más influyentes de la economía empírica contemporánea. Profesor en Stanford y referente en econometría aplicada, ha contribuido decisivamente a transformar la forma en que economistas y responsables públicos evalúan políticas públicas y extraen inferencias causales a partir de datos observacionales. Aprovechando que pasa unos días en Valencia para ser jurado de los Premios Jaume I de economía, hablamos sobre el legado de la revolución empírica en economía, las limitaciones de la evidencia en política, el impacto de la inteligencia artificial en la investigación, la educación y el mercado laboral y sobre los riesgos y oportunidades que afrontan las universidades en Europa y Estados Unidos.

En este hotel hay 25 premios Nobel, además de usted y ya es el segundo año que viene. Más allá de tener un coeficiente intelectual muy alto, ¿hay algún rasgo que tengan en común los ganadores del Nobel?

Creo que la mayoría son personas enormemente curiosas. Les interesa constantemente lo que ocurre en la ciencia y en el mundo, no solo en su campo específico. En general, son personas muy interesantes y divertidas con las que conversar.

¿Y cómo llegó usted a la economía?

Fue más accidental de lo que la gente imagina. En realidad, me interesaban mucho las matemáticas, pero mi hermano ya estaba estudiando matemáticas y yo quería hacer algo distinto. Mi profesor de Economía en el instituto me dio un libro de Jan Tinbergen y me dijo: «Deberías echarle un vistazo a la econometría. Tiene mucha matemática, pero también aplicaciones prácticas y relevancia social. Creo que te gustará». Leí el libro. No entendí todo ni me impresionó especialmente. Pero en Holanda tienes que elegir tu carrera pronto, todavía en el instituto. Así que solicité plaza en Econometría, me admitieron y nunca volví a mirar atrás.

Usted ha sido una de las personas más influentes en lo que se ha venido a llamar la revolución empírica en economía. Cuando me metí en política, mi partido era un gran defensor de las políticas basadas en evidencias. Pero mi experiencia fue bastante distinta. En el Parlamento el peso de las evidencias palidecía frente los argumentos identitarios o partidistas. La evidencia se usaba como herramienta para justificar posiciones políticas decididas de antemano. ¿Cree que la agenda de la evidencia ha tenido éxito? ¿O quizá los economistas deberíamos haber dedicado más atención a la economía política y a factores conductuales que limitan la adopción de la evidencia?

Sin duda hay elementos de economía política muy importantes. Pero también creo que, gracias a todo el trabajo realizado en economía durante las últimas décadas, la evidencia empírica ha penetrado más en los debates de política pública. Por supuesto, los políticos siempre seleccionan la evidencia que favorece sus posiciones y la enfatizan más de la cuenta. Eso seguirá ocurriendo. Ahora bien, algunos resultados sí han tenido impacto. En economía del desarrollo, por ejemplo, la evidencia experimental ha influido claramente en las políticas. Tal vez el efecto no haya sido tan grande como muchos esperábamos, pero sí ha existido. No hemos transformado la política de la manera que algunos soñaban, pero creo que estamos mejor que si todo ese trabajo no se hubiera hecho.

«Hay muchas predicciones muy contundentes sobre el futuro de la IA, pero la realidad es que nadie lo sabe realmente»

Pasemos al mundo de la inteligencia artificial. ¿Conoce el proyecto Automating Policy Evaluation del Social Catalyst Lab de Zúrich, dirigido por David Yanagizawa-Drott? Básicamente han hecho una plataforma con IA generativa que automatiza todo el proceso de producción de investigación científica en economía (incluyendo la exploración de experimentos naturales en bases de datos públicas). 

Lo conozco, pero no lo he estudiado en detalle. Lo que sí es evidente es que la IA va a cambiar muchas cosas. En Stanford, en pleno Silicon Valley, es el tema de conversación permanente. Los estudiantes de doctorado no saben qué habilidades seguirán siendo valiosas dentro de unos años. Hay muchas predicciones muy contundentes sobre el futuro de la IA, pero la realidad es que nadie lo sabe realmente. Es probable que tenga efectos muy importantes sobre el mercado laboral y la economía; lo difícil es anticipar exactamente cuáles.

Lo que sí hemos visto recientemente es que la IA se ha vuelto extraordinariamente buena programando. Hace apenas un año parecía evidente que aprender a programar era una de las habilidades más valiosas que podía adquirir un estudiante. Mis propios hijos están en la universidad y durante mucho tiempo dimos por hecho que estudiar informática era una apuesta segura. De repente, eso ha cambiado. Las habilidades básicas de programación han perdido parte de su valor porque cualquiera puede programar con ayuda de la IA.

Y, sin embargo, nadie hablaba de esto hace unos años. Geoffrey Hinton advertía hace años de que la IA sustituiría a los radiólogos. Ocho años después, los radiólogos están mejor pagados que nunca y hay más demanda de ellos que antes. Eso demuestra lo difícil que resulta predecir el impacto de la IA, incluso en profesiones muy concretas.

Toni Roldán conversa con Guido Imbens. Fotografía: Vicent Bosch

Una manera de ver esto es que estas herramientas permiten a cualquiera llegar al 90% del camino en muchas tareas, pero que el último 10% va a seguir dependiendo de tener juicio experto. Es un argumento parecido al que plantea David Autor. ¿Lo ve así?

En algunos ámbitos sí. La evidencia en centros de atención telefónica, consultoría y otros entornos empresariales muestra que la IA puede aumentar mucho la productividad, sobre todo entre quienes parten de niveles de experiencia más bajos. Las personas que están empezando pueden volverse mucho más productivas. Al mismo tiempo, la IA parece especialmente útil en tareas relativamente estructuradas. Cuando las tareas son muy poco definidas, muy inusuales o se salen de lo habitual, su utilidad disminuye.

Hace unas semanas organizamos en Stanford una conferencia sobre matemáticas e inteligencia artificial. Uno de los participantes fue Terence Tao, probablemente el matemático más destacado del mundo. Explicó cómo usa la IA en su investigación y cómo le resulta enormemente útil. No porque resuelva los problemas por él, sino porque conoce muchísimo más que cualquier ser humano. Le sugería teoremas y resultados que él no conocía, no porque fueran inaccesibles, sino porque nadie puede retener una cantidad así de conocimiento en la cabeza.

La IA es extraordinaria identificando conexiones entre ideas. Lo interesante es que todavía no sabemos si esto elevará el nivel general de todos o si, por el contrario, aumentará la desigualdad al hacer mucho más productivas a personas como Tao. Aún no tenemos conclusiones generales.

En parte el efecto dependerá del grupo de tareas que formen cada empleo. Por ejemplo, un abogado automatiza buena parte de la búsqueda de información, resumen de jurisprudencia. Pero un buen abogado seguirá teniendo que convencer a un jurado, persuadir a un cliente o liderar un equipo. Esas son habilidades genuinamente humanas.

Es un excelente ejemplo. Pero muchos trabajos iniciales en los despachos –buscar jurisprudencia, revisar documentos, analizar precedentes– sí podrían desaparecer. Y eso plantea un problema importante. Si desaparecen esos trabajos de entrada, ¿cómo formaremos a los futuros abogados? Veo preocupaciones similares en la universidad. Algunos colegas dicen que ya no necesitan asistentes de investigación o estudiantes predoctorales porque la IA hace gran parte del trabajo. Pero si dejamos de contratar y formar a esas personas, ¿de dónde saldrán los futuros profesores? Es una preocupación muy seria.

«Me cuesta imaginar avances revolucionarios en ciencias sociales [por la IA] comparables a los que veremos en biomedicina»

¿Cree que gracias a la IA veremos una aceleración masiva del descubrimiento científico?

Creo que sí, al menos en determinadas áreas. Ya lo hemos visto con AlphaFold y el plegamiento de proteínas. Muchos procesos de descubrimiento científico consisten en explorar espacios enormes de posibilidades de forma estructurada, y ahí la IA puede ser extraordinariamente poderosa. Algo parecido ocurrió en el ajedrez: no se trata solo de fuerza bruta, sino de recorrer de manera inteligente un número inmenso de opciones.

En las ciencias sociales es distinto. Aquí formular la pregunta correcta suele ser más importante que responder una pregunta ya establecida. No veo tan claramente cómo la IA va a resolver problemas como la inflación. Puede ayudarnos a procesar grandes cantidades de datos y detectar tendencias con más rapidez, pero a menudo el verdadero cuello de botella es otro.

Disponemos de enormes cantidades de datos privados que no pueden utilizarse por restricciones legales e institucionales. Si pudiéramos acceder a ellos, comprenderíamos mucho mejor la economía. Por eso me cuesta imaginar avances revolucionarios en ciencias sociales comparables a los que veremos en biomedicina. En medicina sí espero grandes progresos: tendremos enormes conjuntos de compuestos químicos y enfermedades, y una capacidad creciente para identificar combinaciones eficaces entre ambos. Ahí veremos avances muy importantes.

Toni Roldán conversa con Guido Imbens. Fotografía: Vicent Bosch

Hace poco envié un artículo académico a revisión y antes de enviarlo le pedí una revisión a una herramienta de IA. Me contestaron con exactamente los mismos puntos que la IA me había sugerido. ¿Cómo cree que la IA afectará al proceso de revisión científica? Empieza a parecer un circuito algo extraño.

Es una cuestión fascinante. Por un lado, estas herramientas mejoran mucho los artículos. Fui editor durante seis años de una de las principales revistas académicas, Econometrica, y veía constantemente manuscritos mal escritos, con notaciones inconsistentes, errores tipográficos o símbolos utilizados de forma confusa.

Herramientas como Refine ayudan muchísimo a corregir esos problemas antes de la publicación. Pero existe un riesgo. Si la IA hace a los investigadores mucho más productivos y pasamos de escribir dos artículos al año a escribir diez, el sistema académico no tiene capacidad para absorber semejante volumen.

La revisión por pares es, en gran medida, un proceso voluntario. No disponemos de recursos para evaluar una explosión masiva del número de artículos. Tendremos que repensar el sistema. Probablemente los revisores científicos dedicarán menos tiempo a comprobar detalles técnicos y más tiempo a ejercer juicio científico: determinar si una idea es importante, interesante o relevante. Las tareas mecánicas podrán delegarse en la IA.

«[En el ámbito científico], las tareas mecánicas podrán delegarse en la IA»

Yo trabajo haciendo experimentos aleatorizados (RCTs). Dígame que eso estará más protegido frente a la automatización.

Estoy de acuerdo. La idea de los «cuellos de botella» es muy importante. La IA hará muchísimo más fáciles algunas tareas: programar, analizar información o redactar. Pero no hará necesariamente más fácil recopilar nuevos datos. Y aquello que siga siendo escaso será precisamente lo que adquiera más valor. Por eso, quienes trabajan produciendo datos originales o generando nueva evidencia empírica probablemente conservarán una ventaja importante.

¿Ha cambiado radicalmente su forma de enseñar? ¿Cómo está reaccionando Stanford?

Todavía estamos intentando entender qué hacer. El gran desafío es que aprender requiere esfuerzo cognitivo intenso. Antes era relativamente sencillo obligar a los estudiantes a pensar. Les dabas un problema difícil y tenían que resolverlo por sí mismos. Recuerdo un estudiante que me escribió un correo a las tres de la mañana diciendo que uno de mis ejercicios no tenía solución. Tres horas después me envió otro mensaje: «Ignore el correo anterior. Ya encontré la solución». Ese estudiante pasó horas golpeándose contra el problema hasta resolverlo. Estoy seguro de que nunca olvidó aquella experiencia.

Ahora es diferente. Les das un problema y tienen al lado una máquina que les susurra constantemente: «Yo sé la respuesta. Te la puedo dar ahora mismo». El reto consiste en encontrar mecanismos que sigan incentivando el esfuerzo intelectual.

Creo que tendremos que movernos hacia formas de enseñanza mucho más basadas en la discusión, donde los estudiantes tengan que explicar y defender lo que han aprendido. Si tienen que discutirlo públicamente en clase, resulta más difícil fingir que han hecho el trabajo. Las pequeñas clases tipo liberal arts podrían adaptarse mejor a este nuevo entorno que las clases masivas que tenemos ahora. Confiar en códigos de honor ya no funciona. Hay un uso generalizado de estas herramientas y no parece razonable pedir a los estudiantes que resistan una tentación que está literalmente sentada a su lado ofreciéndoles la respuesta.

«Tendremos que movernos hacia formas de enseñanza basadas en la discusión»

Última pregunta. Con todas las tensiones actuales entre el Gobierno estadounidense y las universidades de élite, ¿cree que Europa tiene una oportunidad para atraer talento?

Creo que el equilibrio está empezando a cambiar. Cada vez más personas consideran seriamente la posibilidad de desarrollar su carrera en Europa. Los estudiantes de doctorado ya no están tan convencidos de que Estados Unidos sea automáticamente la mejor opción. Muchos jóvenes investigadores están examinando oportunidades europeas con mucha más atención. Y creo que esta tendencia continuará mientras se mantengan las políticas actuales.

Pero incluso más allá de eso, pienso que Estados Unidos se ha causado un daño considerable a sí mismo. La historia demuestra que las políticas públicas pueden afectar profundamente a los sistemas universitarios. Basta mirar Alemania en los años treinta. Las universidades alemanas eran extraordinarias en los años veinte. Las decisiones políticas posteriores alteraron ese ecosistema de forma permanente. Eso debería servirnos de advertencia.