Storyboard

ID:('ky', 1775)

Storyboard

Consideremos el problema de identificar qué alimentos contribuyen a aumentar la presión sanguínea. Si un sistema de inteligencia artificial analiza miles de artículos científicos donde se describen hábitos alimentarios y mediciones de presión arterial, encontrará que algunos alimentos aparecen asociados con un aumento de la presión, mientras que otros muestran una asociación con una disminución. Además, podrá estimar la intensidad de estas asociaciones y la frecuencia con que son reportadas en la literatura científica. El resultado es un mapa que sugiere qué alimentos convendría consumir o evitar en personas que padecen hipertensión.

Un aspecto interesante es que no todas las asociaciones tienen el mismo significado. En algunos casos existe un mecanismo fisiológico conocido que conecta directamente el alimento con la presión arterial. En otros, la relación es indirecta y está mediada por otros factores. Un ejemplo es la sal, que puede elevar la presión sanguínea de forma directa, pero también aparece asociada al consumo de alimentos ultraprocesados, los cuales, a su vez, contienen otros componentes capaces de influir sobre la presión arterial. En consecuencia, la inteligencia artificial identifica correctamente los patrones presentes en los datos, pero todavía no distingue por sí sola si una asociación corresponde a una relación causal directa, a un efecto indirecto o simplemente a una correlación producida por otros factores. Esa interpretación requiere construir un modelo causal que explique el mecanismo físico o fisiológico subyacente.

ID:('gp', 541)

Storyboard

A continuación se presenta el mismo diagrama en una forma más técnica, incorporando algunos detalles que deben considerarse para interpretarlo correctamente. En particular, DASH corresponde a Dietary Approaches to Stop Hypertension ("Enfoques dietarios para detener la hipertensión"), una estrategia nutricional diseñada para reducir el riesgo de hipertensión arterial.

Es importante destacar que las líneas punteadas representan relaciones de comportamiento o composición de la dieta, y no mecanismos fisiológicos directos sobre la presión arterial.

•DASH diet pattern Sodium/Salt (0.60)

No significa que la dieta DASH reduzca fisiológicamente el sodio del organismo. Indica que las personas que siguen este patrón alimentario tienden a consumir menos sodio. Se trata de una relación conductual entre la dieta y la ingesta de sal.

•Saturated fats Ultra-processed foods (0.40)

Tampoco representa una relación causal directa. Los alimentos ultraprocesados suelen constituir una fuente importante de grasas saturadas, por lo que el vínculo refleja una asociación estructural entre ambas variables dietarias.

•DASH diet pattern Potassium (0.65)

Del mismo modo, la dieta DASH no "produce" potasio. Lo que ocurre es que promueve un mayor consumo de frutas, verduras y otros alimentos ricos en este mineral, aumentando así su ingesta.

En otras palabras, las líneas punteadas indican que una variable modifica la probabilidad o el nivel de otra variable como consecuencia de hábitos alimentarios o de la composición de la dieta, pero no representan un mecanismo fisiológico directo que actúe sobre la presión arterial.

Esta distinción es fundamental para construir modelos causales. Si no se diferencia entre un mecanismo fisiológico y una simple asociación de comportamiento, un sistema de inteligencia artificial puede interpretar incorrectamente una relación estadística como si fuera una relación de causa y efecto, llegando a conclusiones erróneas sobre el origen del fenómeno estudiado.

ID:('gp', 542)

Storyboard

Al analizar la información utilizada para entrenar un sistema de inteligencia artificial, podemos observar que algunos alimentos suelen consumirse mientras se realizan determinadas actividades, como ver televisión.

El riesgo aparece cuando el sistema identifica esta coincidencia como si fuera una relación causal. En este caso podría llegar a concluir que:

Ver televisión aumenta la presión sanguínea.

Sin embargo, los datos no contienen ninguna evidencia que respalde esa afirmación. Lo único que muestran es que ambas situaciones ocurren con frecuencia al mismo tiempo. La verdadera causa podría estar asociada al consumo de alimentos ricos en sal, grasas o azúcares, que son habituales durante esa actividad, y no al hecho de mirar televisión.

Este ejemplo ilustra una de las principales limitaciones de los sistemas actuales de inteligencia artificial. Son extraordinariamente eficientes para descubrir patrones y correlaciones, pero, si no disponen de un modelo causal que describa cómo funciona el sistema estudiado, pueden interpretar una simple coincidencia como si representara una relación de causa y efecto. Precisamente por esta razón, la construcción de modelos causales continúa siendo una tarea fundamental donde el conocimiento científico y la comprensión física del problema siguen siendo indispensables.

ID:('gp', 539)

Storyboard

Si ahora diagramamos este segundo caso, debemos incorporar el efecto del ritual de ver televisión. En primer lugar, es necesario representar que durante esta actividad aumenta el consumo de alimentos ricos en sodio, lo que efectivamente incrementa la presión arterial.

El problema aparece cuando el sistema de inteligencia artificial detecta una segunda asociación entre ver televisión y presión arterial elevada. Como seres humanos sabemos que esta implicación es incorrecta: mirar televisión, por sí mismo, no constituye un mecanismo fisiológico capaz de aumentar la presión. La asociación surge únicamente porque ambas variables suelen presentarse simultáneamente debido a un tercer factor: el mayor consumo de alimentos salados durante ese ritual.

En otras palabras, el sistema identifica correctamente un patrón estadístico, pero interpreta erróneamente una coincidencia como si fuera una relación causal. Este tipo de error, conocido como una trampa de "Cargo Cult", consiste en atribuir un efecto a una causa aparente que simplemente acompaña al fenómeno, mientras el verdadero mecanismo permanece oculto. Este concepto se explica con mayor detalle en la siguiente sección.

ID:('gp', 538)

Storyboard

Uno de los errores más comunes en el razonamiento es suponer que algo es la causa de un evento simplemente porque frecuentemente aparece junto con él. Como dice el refrán: "Si lo único que tienes es un martillo, todo parece un clavo". Tendemos a ver las relaciones que esperamos encontrar, incluso cuando en realidad no existen.

El físico Richard Feynman se refirió a este tipo de error como ciencia del culto a la carga. El nombre proviene de acontecimientos que tuvieron lugar en varias islas del Pacífico durante y después de la Segunda Guerra Mundial. Los habitantes locales ayudaron a las fuerzas aliadas a construir y mantener pistas de aterrizaje en la jungla. Observaron que, una vez terminadas las pistas, llegaban regularmente aviones con valiosos suministros para los militares, algunos de los cuales también eran compartidos con la población local.

Sin comprender el verdadero mecanismo causal (la logística militar global que trajo el avión), llegaron a la conclusión de que la construcción de una pista de aterrizaje provocó la llegada de aviones cargados de carga. Después de que terminó la guerra y los militares se marcharon, algunos isleños continuaron construyendo pistas, imitaciones de torres de control e incluso radios de madera, convencidos de que los aviones de carga regresarían pronto. Por supuesto, nunca lo hicieron. Habían reproducido los elementos visibles del proceso ignorando por completo su causa subyacente.

Ésta es la esencia de la ciencia Cargo Cult: confundir una correlación con una relación causal. La asociación observada es real, pero la explicación es errónea.

Hoy en día, existe una preocupación similar en medicina con respecto al uso de la inteligencia artificial. Los sistemas de IA modernos son excepcionalmente buenos para descubrir patrones estadísticos, pero no distinguen automáticamente entre correlación y causalidad. Como resultado, pueden asociar síntomas con enfermedades incluso cuando la relación aparente es indirecta, coincidente o producida por un tercer factor no observado. Si dichas asociaciones se interpretan como causales sin mayor validación, pueden conducir a diagnósticos incorrectos, tratamientos inapropiados o incluso a la automedicación por parte de pacientes que confían acríticamente en las recomendaciones generadas por la IA.

Por esta razón, la IA debe verse como una herramienta poderosa para generar hipótesis, mientras que establecer relaciones causales sigue siendo responsabilidad de los modelos científicos, los experimentos y la validación clínica.

ID:('gp', 540)

Storyboard

Cuando un sistema de inteligencia artificial analiza grandes volúmenes de información médica, es capaz de identificar con gran precisión qué síntomas aparecen junto a determinadas enfermedades y cómo evolucionan los pacientes a lo largo del tiempo. Sin embargo, reconocer que dos eventos ocurren simultáneamente no implica necesariamente que uno sea la causa del otro. Esta diferencia es especialmente crítica en medicina, donde una interpretación incorrecta puede conducir a un diagnóstico erróneo y, en consecuencia, a un tratamiento inadecuado.

La figura muestra un caso típico asociado al tratamiento de una infección viral. El contagio produce una infección activa que desencadena la respuesta del sistema inmune. Como consecuencia aparecen la fiebre y otros síntomas, mientras que el paso del tiempo y la acción de las defensas permiten finalmente eliminar el virus y lograr la recuperación. Paralelamente, un medicamento antipirético reduce la fiebre y el malestar, mejorando la percepción subjetiva del paciente, pero sin actuar directamente sobre la infección que originó el problema.

Si un sistema de inteligencia artificial se basa únicamente en las asociaciones presentes en los datos, puede concluir erróneamente que la administración del medicamento es la causa de la recuperación o que la desaparición de la fiebre significa que la infección ha sido eliminada. En realidad, el antipirético modifica un marcador del proceso la temperatura corporal, mientras que la recuperación depende principalmente de la evolución natural de la enfermedad y de la respuesta inmunológica del organismo. De forma similar, fiebre y síntomas suelen aparecer juntos porque ambos son consecuencia de la activación de las defensas, no porque uno produzca necesariamente al otro.

Este ejemplo muestra que un sistema basado exclusivamente en correlaciones puede confundir coincidencias estadísticas con relaciones causales. En medicina este tipo de error deja de ser un simple problema académico: puede comprometer directamente la salud del paciente. Un diagnóstico incorrecto puede retrasar el tratamiento adecuado, inducir el uso innecesario de medicamentos o generar una falsa sensación de recuperación cuando la infección continúa activa. Por esta razón, los resultados entregados por una inteligencia artificial deben interpretarse siempre a la luz de modelos fisiológicos y causales que expliquen el mecanismo real de la enfermedad, evitando que una correlación estadística sea confundida con una causa biológica.

ID:('gp', 543)

Storyboard

La medicina no solo requiere identificar patrones, sino también comprender los mecanismos que los producen. Los sistemas modernos de inteligencia artificial son extraordinariamente eficaces para descubrir asociaciones entre síntomas, tratamientos y evolución clínica. Sin embargo, cuando estas asociaciones se interpretan como relaciones de causa y efecto sin considerar el funcionamiento fisiológico del organismo, pueden aparecer errores diagnósticos importantes. La siguiente figura resume dos situaciones típicas donde este problema se manifiesta.

El Caso 1z muestra la relación entre la percepción de mejoría y el uso de medicamentos. A primera vista ambas variables parecen estar directamente relacionadas, pero la dirección causal no puede determinarse únicamente observando los datos. Una persona puede dejar de tomar el medicamento porque siente que ya está mejor, pero también puede percibir una mejoría después de suspenderlo, ya sea por la evolución natural de la enfermedad o por la desaparición de efectos secundarios. En consecuencia, preguntar "¿cuál de las dos variables causa a la otra?" es una pregunta mal planteada. Ambas forman parte de un ciclo de retroalimentación donde la conducta del paciente modifica la información observada, dificultando distinguir la verdadera dirección causal.

El Caso 2 presenta un problema aún más importante. La percepción de mejoría y la recuperación real suelen evolucionar de manera similar durante una enfermedad, lo que lleva fácilmente a asumir que una implica la otra. Sin embargo, ambas son consecuencias de un tercer proceso: la evolución temporal de la enfermedad y la respuesta del sistema inmune. Es perfectamente posible que un paciente se sienta mucho mejor mientras la infección continúa activa, o que aún presente malestar cuando el organismo ya ha eliminado prácticamente el agente infeccioso. La percepción subjetiva constituye, por tanto, un indicador imperfecto del estado fisiológico real.

Estos dos ejemplos ilustran una limitación fundamental de los sistemas basados exclusivamente en correlaciones. La inteligencia artificial puede identificar correctamente que dos variables aparecen juntas con alta frecuencia, pero no puede determinar por sí sola si existe una relación causal directa, una influencia indirecta o simplemente un efecto común originado por un tercer mecanismo. En medicina, esta diferencia resulta crítica, ya que una interpretación equivocada puede conducir a diagnósticos erróneos, tratamientos inadecuados o una falsa sensación de recuperación que comprometa la salud del paciente. Por esta razón, las asociaciones descubiertas por una IA deben complementarse siempre con modelos causales que representen explícitamente los mecanismos fisiológicos involucrados.

ID:('gp', 544)

Storyboard

Aunque la mayor parte del proceso fisiológico representado en la figura está bien establecido, existen dos relaciones que no pueden resolverse únicamente analizando los datos observados. Estas constituyen ejemplos típicos de problemas que enfrentan los sistemas modernos de inteligencia artificial cuando intentan inferir causalidad a partir de correlaciones estadísticas.

La primera incertidumbre corresponde a la relación entre la percepción de mejoría y el uso del medicamento. Los datos muestran que ambas variables están relacionadas, pero no permiten establecer cuál ocurre primero. Un paciente puede dejar de tomar el medicamento porque siente que ya está mejor, pero también puede percibir una mejoría después de suspenderlo debido a la evolución natural de la enfermedad o a otros factores. Ambas explicaciones son compatibles con las observaciones, por lo que la dirección causal permanece indeterminada.

La segunda incertidumbre surge al utilizar la percepción de mejoría como indicador del verdadero estado fisiológico del paciente. Una persona puede sentirse mejor antes de que la infección haya sido completamente eliminada o, por el contrario, continuar sintiéndose mal cuando el organismo ya ha controlado la enfermedad. En consecuencia, la percepción subjetiva constituye un proxy imperfecto de la recuperación real y no puede interpretarse automáticamente como evidencia de que el proceso infeccioso ha terminado.

Estas dos incertidumbres ilustran una limitación fundamental de los sistemas basados únicamente en correlaciones. La inteligencia artificial puede identificar correctamente que determinadas variables aparecen asociadas, pero no puede determinar por sí sola la dirección de la causalidad ni establecer si una variable representa simplemente un indicador indirecto del verdadero proceso fisiológico. Resolver estas dudas requiere incorporar modelos causales que describan explícitamente los mecanismos biológicos involucrados, permitiendo distinguir entre coincidencias estadísticas y relaciones de causa y efecto.

ID:('gp', 545)

Storyboard

Aunque el modelo fisiológico representado en la figura describe correctamente la evolución de una infección viral, también pone de manifiesto tres puntos donde un sistema de inteligencia artificial puede interpretar erróneamente las relaciones presentes en los datos. Estos errores no se originan por falta de información, sino porque las correlaciones observadas pueden inducir conclusiones causales equivocadas cuando no se dispone de un modelo explícito del mecanismo biológico.

La figura identifica tres zonas críticas. La primera trampa aparece en la región superior izquierda, donde el medicamento parece estar asociado con la recuperación. La proximidad temporal entre ambos eventos puede llevar a concluir que el fármaco es la causa directa de la recuperación, cuando en realidad ambos procesos están influenciados por la evolución natural de la enfermedad y la respuesta inmunológica.

La segunda trampa se encuentra en la parte inferior izquierda, entre la fiebre y los síntomas asociados. Estas dos variables suelen aparecer y desaparecer conjuntamente, lo que puede sugerir que una provoca a la otra. Sin embargo, ambas son manifestaciones del mismo proceso fisiológico: la activación del sistema inmune.

La tercera trampa aparece en la parte superior derecha, donde la disminución de la fiebre inducida por el medicamento puede confundirse con una disminución de la infección activa. En este caso se interpreta erróneamente un marcador como si representara el mecanismo que origina la enfermedad.

Estas tres situaciones representan los principales tipos de errores que pueden producirse cuando un sistema aprende únicamente a partir de asociaciones estadísticas. Aunque el modelo identifica correctamente dónde aparecen las correlaciones, todavía no distingue si corresponden a una relación causal directa, a una causa común o simplemente a un indicador indirecto del proceso fisiológico. En las siguientes secciones se analizará cada una de estas trampas por separado, mostrando por qué resultan tan difíciles de detectar y cómo pueden evitarse mediante modelos causales explícitos.

ID:('gp', 546)

Storyboard

Los sistemas modernos de inteligencia artificial son extremadamente eficaces para descubrir patrones y asociaciones presentes en grandes volúmenes de información médica. Sin embargo, identificar que dos variables aparecen relacionadas no significa necesariamente que exista una relación de causa y efecto entre ellas. Cuando un modelo aprende únicamente a partir de correlaciones estadísticas, puede construir explicaciones aparentemente correctas que, desde el punto de vista fisiológico, son completamente erróneas. La figura resume tres de las trampas causales más frecuentes que aparecen durante este proceso.

La primera trampa corresponde al problema de la confusión por una causa común (confounding). El medicamento y la recuperación suelen aparecer asociados porque ambos evolucionan simultáneamente durante la enfermedad. Esto puede llevar al sistema a concluir que el medicamento es la causa directa de la recuperación, cuando en realidad la evolución temporal y la respuesta del sistema inmune constituyen el verdadero mecanismo que explica ambos fenómenos.

La segunda trampa corresponde a la clásica confusión entre correlación y causalidad. La fiebre y los síntomas aparecen juntos durante la infección, pero ello no implica que uno produzca al otro. Ambos son respuestas desencadenadas por la activación del sistema inmunológico. El hecho de que dos variables evolucionen de manera similar no demuestra que exista una relación causal directa entre ellas.

La tercera trampa consiste en confundir un marcador clínico con el mecanismo fisiológico que produce la enfermedad. Los medicamentos antipiréticos reducen la fiebre, pero no eliminan necesariamente la infección responsable del cuadro clínico. Si un sistema interpreta la disminución de la temperatura como evidencia de que la infección también ha desaparecido, estará confundiendo una variable de observación con la verdadera causa del problema.

Estos tres errores representan mecanismos completamente distintos y, por lo tanto, requieren soluciones diferentes. Todos ellos pueden aparecer incluso cuando los datos utilizados para entrenar el sistema son correctos y abundantes. La diferencia radica en que las correlaciones describen cómo evolucionan conjuntamente las variables, mientras que los modelos causales intentan explicar por qué evolucionan de esa manera. Distinguir entre ambas perspectivas constituye uno de los principales desafíos para desarrollar sistemas de inteligencia artificial confiables en aplicaciones médicas y científicas.

ID:('gp', 547)

Storyboard

Una vez que las incertidumbres y las tres trampas causales se incorporan al análisis, resulta fácil concentrarse en relaciones aparentes entre medicamentos, síntomas o recuperación y perder de vista el mecanismo más importante de todo el sistema. Paradójicamente, mientras la inteligencia artificial identifica numerosas correlaciones, puede pasar por alto la interacción fisiológica que realmente controla la evolución de la enfermedad.

La figura muestra que prácticamente toda la atención se centra en interpretar si el medicamento produce la recuperación, si la fiebre explica los síntomas o si la disminución de la temperatura implica que la infección está desapareciendo. Todas estas preguntas son razonables desde el punto de vista estadístico, pero desvían la atención del verdadero mecanismo regulador.

En realidad, el elemento central del sistema no corresponde a ninguno de estos efectos aislados, sino a la interacción continua entre la respuesta inmunológica y la fiebre. Ambas variables forman un sistema de retroalimentación que evoluciona conjuntamente y determina gran parte de la dinámica de la infección. Cuando este mecanismo no se representa explícitamente, el análisis termina fragmentándose en relaciones parciales que parecen importantes, pero que describen únicamente consecuencias del proceso principal.

Esta situación ilustra una limitación habitual de los modelos basados exclusivamente en datos: pueden identificar correctamente múltiples asociaciones locales y, sin embargo, perder la estructura global que organiza todo el sistema. El resultado es un modelo que explica numerosos detalles, pero que omite precisamente el mecanismo que coordina la evolución fisiológica de la enfermedad.

La siguiente sección se concentra exclusivamente en este proceso de retroalimentación entre la respuesta inmunológica y la fiebre, mostrando por qué constituye el verdadero núcleo causal del sistema y cómo su incorporación modifica completamente la interpretación del resto de las relaciones observadas.

ID:('gp', 548)

Storyboard

Después de eliminar las falsas relaciones causales y las asociaciones engañosas, emerge el mecanismo que realmente gobierna una parte importante de la respuesta del organismo frente a una infección. A diferencia de los ejemplos anteriores, aquí no existe una simple relación unidireccional de causa y efecto, sino un sistema de retroalimentación positiva en el que dos procesos fisiológicos se potencian mutuamente.

Cuando un virus invade el organismo, el sistema inmunológico detecta la infección y activa una compleja respuesta defensiva. Entre las numerosas moléculas liberadas se encuentran las citocinas pirógenas, las cuales modifican el centro regulador de la temperatura en el hipotálamo y producen fiebre. En este sentido, la fiebre no constituye una enfermedad ni un síntoma aislado, sino una consecuencia directa de la activación del sistema inmune.

Sin embargo, el proceso no termina allí. El aumento de la temperatura corporal produce múltiples efectos beneficiosos sobre la respuesta inmunológica. Diversos tipos de células defensivas incrementan su actividad, la movilidad de los leucocitos mejora y numerosos procesos metabólicos del sistema inmune se vuelven más eficientes. Paralelamente, muchos virus reducen su capacidad de replicación cuando la temperatura corporal aumenta, dificultando la propagación de la infección.

Como consecuencia, la fiebre fortalece precisamente al sistema inmunológico que la originó. Se establece así un bucle de retroalimentación en el que las defensas producen fiebre y la fiebre, a su vez, mejora la capacidad defensiva del organismo. Ninguna de las dos variables puede entenderse correctamente de forma aislada, ya que ambas evolucionan conjuntamente formando un único mecanismo dinámico.

Este tipo de comportamiento representa una diferencia fundamental respecto a las relaciones analizadas anteriormente. No existe una única variable que pueda identificarse como "la causa" y otra como "el efecto". Ambas participan simultáneamente en un proceso de regulación mutua cuyo objetivo final es aumentar la probabilidad de controlar la infección. Desde el punto de vista de la física de sistemas, este mecanismo constituye un sistema dinámico acoplado, donde la evolución de cada componente depende continuamente del estado del otro.

Reconocer este tipo de estructuras resulta fundamental para construir modelos causales correctos. Un análisis basado únicamente en correlaciones difícilmente podrá descubrir este mecanismo de retroalimentación, mientras que un modelo fundamentado en la fisiología permite explicar no solo la aparición de la fiebre, sino también su papel funcional dentro de la estrategia de defensa desarrollada por el organismo frente a la infección.

ID:('gp', 549)

Storyboard

Un ejemplo clínico simple revela muchas de las limitaciones fundamentales que enfrentan los sistemas de inteligencia artificial actuales cuando aprenden exclusivamente a partir de datos de observación. Aunque los modelos estadísticos pueden identificar numerosas relaciones entre variables, no todas corresponden a verdaderos mecanismos causales. A lo largo de las secciones anteriores hemos separado progresivamente los procesos fisiológicos bien establecidos de las relaciones inciertas, las trampas estadísticas y los mecanismos de retroalimentación genuinos.

El diagrama completo resume esta progresión. Las flechas sólidas representan relaciones fisiológicas que están bien respaldadas por el conocimiento médico actual, como la secuencia del contagio a la infección viral, la activación de la respuesta inmune, el desarrollo de fiebre y síntomas asociados, y la eventual recuperación. Estos constituyen la columna vertebral causal del sistema.

A esta estructura se superponen dos incertidumbres causales. La primera se refiere a la relación entre la mejora percibida y la medicación: ¿el paciente deja de tomar la medicación porque se siente mejor o se siente mejor después de suspenderla? El segundo se refiere a si sentirse mejor refleja realmente una recuperación fisiológica, lo que ilustra que la percepción subjetiva es a menudo un indicador imperfecto del estado biológico subyacente.

El modelo también destaca tres trampas causales principales. El primero es confuso, donde la medicación parece causar recuperación a pesar de que ambas están impulsadas por la evolución natural de la enfermedad y la respuesta inmune. La segunda es la clásica confusión entre correlación y causalidad, donde la fiebre y los síntomas parecen relacionados simplemente porque ambos se originan en el mismo proceso fisiológico. El tercero consiste en confundir un marcador clínico con el mecanismo subyacente, asumiendo que bajar la fiebre significa necesariamente eliminar la infección.

Finalmente, una vez que se reconocen estas incertidumbres y trampas estadísticas, el verdadero principio organizador del sistema se vuelve visible: el circuito de retroalimentación entre la respuesta inmune y la fiebre. En lugar de ser un simple síntoma, la fiebre fortalece activamente la función inmune y al mismo tiempo dificulta la replicación viral. Esta interacción de circuito cerrado representa el principal mecanismo fisiológico que coordina la respuesta del cuerpo a la infección.

Este ejemplo ilustra una lección más amplia que se extiende mucho más allá de la medicina. La inteligencia artificial puede descubrir regularidades estadísticas con éxito, pero comprender sistemas complejos requiere identificar la arquitectura causal que genera esas observaciones. Por lo tanto, construir modelos científicos confiables exige pasar de las correlaciones a mecanismos causales explícitos capaces de distinguir los procesos biológicos genuinos de las asociaciones estadísticas coincidentes.

ID:('gp', 550)

Storyboard

En condiciones geopolíticas normales, el mercado petrolero mundial se rige principalmente por el equilibrio entre la oferta y la demanda físicas. El petróleo crudo se produce en múltiples regiones del mundo, incluidos los países árabes y muchas otras naciones productoras, y fluye continuamente hacia el mercado internacional. Al mismo tiempo, los principales consumidores del mundo incluidos China y el resto del mundo retiran petróleo de este suministro común de acuerdo con su actividad económica. Las reservas estratégicas de petróleo permanecen cerradas y se utilizan sólo durante perturbaciones excepcionales para estabilizar el mercado.

La parte superior del diagrama representa este flujo físico de petróleo. El petróleo de los productores árabes y de otras fuentes ingresa al stock global, mientras que los consumidores lo retiran continuamente a través del comercio internacional. En circunstancias normales, este equilibrio entre producción y consumo determina el inventario disponible, una de las principales variables que influye en los precios de mercado.

Sin embargo, el mercado no responde únicamente a los movimientos físicos del petróleo. La parte inferior de la figura ilustra el flujo de información que evalúan simultáneamente los sistemas comerciales modernos impulsados por IA. Los informes de los periodistas que cubren los acontecimientos sobre el terreno, junto con los informativos, los análisis de expertos, las declaraciones oficiales y los acontecimientos diplomáticos, alimentan continuamente una base de datos de información que describe la situación geopolítica.

La inteligencia artificial combina estos dos flujos de información (el estado físico del mercado petrolero y la información que describe eventos geopolíticos) para estimar la evolución futura de la oferta y la demanda de petróleo. Durante los períodos de conflicto armado, generalmente aumenta la incertidumbre sobre la producción futura, el transporte o la estabilidad política. Incluso antes de que se produzca cualquier interrupción física, esta incertidumbre aumenta el riesgo percibido de escasez futura, lo que hace que los sistemas comerciales basados en inteligencia artificial anticipen condiciones de oferta más estrictas.

Como consecuencia, el precio de mercado del petróleo tiende a aumentar durante las crisis geopolíticas. En esta situación, el aumento no está necesariamente impulsado por una reducción inmediata de la producción de petróleo, sino más bien por las expectativas generadas por la información que ingresa al mercado. Por lo tanto, el precio del petróleo surge de la interacción entre la oferta y la demanda físicas, por un lado, y la información sobre acontecimientos futuros, por el otro, lo que hace que ambos componentes sean esenciales para comprender el comportamiento de los mercados energéticos modernos.

ID:('gp', 551)

Storyboard

La teoría clásica del mercado sugiere que una reducción en el suministro de petróleo durante un período de escalada de conflicto geopolítico debería producir un aumento sustancial en los precios del petróleo. Durante el primer semestre de 2026, sin embargo, el mercado mostró un comportamiento mucho más complejo. Varios factores físicos que normalmente impulsan los precios al alza estuvieron presentes simultáneamente, pero el aumento observado en los precios del petróleo siguió siendo sorprendentemente modesto, lo que generó interrogantes entre los analistas sobre los mecanismos que impulsan el mercado.

Desde la perspectiva del mercado físico del petróleo, se produjeron varios cambios importantes simultáneamente. Los envíos de petróleo árabe se redujeron sustancialmente como consecuencia de la interrupción de las exportaciones a través del Estrecho de Ormuz. En circunstancias normales, tal reducción restringiría la oferta global y aumentaría significativamente los precios. Al mismo tiempo, sin embargo, Estados Unidos liberó petróleo de su Reserva Estratégica de Petróleo, compensando parcialmente la producción árabe faltante. También surgió un segundo factor estabilizador: durante aproximadamente dos meses China redujo drásticamente sus compras de petróleo, disminuyendo temporalmente la demanda mundial y desacelerando el agotamiento de los inventarios mundiales de petróleo.

Mientras tanto, la situación geopolítica siguió deteriorándose. Las operaciones militares no cesaron; en cambio, se intensificaron gradualmente, aumentando la incertidumbre sobre la futura producción de petróleo, las rutas de transporte y la estabilidad regional. Según las expectativas convencionales del mercado, esta creciente incertidumbre debería haber generado una presión alcista aún más fuerte sobre los precios.

Sin embargo, el mercado reaccionó de manera muy diferente. A pesar de la reducción de las exportaciones árabes, la continuación del conflicto militar y la persistente incertidumbre geopolítica, el precio del petróleo aumentó sólo modestamente. Este comportamiento inesperado sorprendió a muchos participantes del mercado porque parecía inconsistente con la evolución física de la oferta, la demanda y el riesgo geopolítico.

ID:('gp', 552)

Storyboard

Durante muchos años se supuso que los sistemas de comercio algorítmico reaccionaban principalmente a indicadores económicos objetivos como la producción, los inventarios, las tasas de interés y los eventos geopolíticos. Sin embargo, la rápida adopción de los modelos de lenguaje grande (LLM) ha introducido una nueva fuente de vulnerabilidad: los algoritmos financieros ahora interpretan el lenguaje utilizado en los titulares de las noticias antes de tomar decisiones de inversión. Como consecuencia, manipular la redacción de las noticias se ha convertido en un mecanismo potencial para influir en el comportamiento del mercado sin cambiar la realidad económica subyacente.

La figura resume el trabajo de Rizvani et al. ("Adversarial News and Lost Profits: Manipifying Headlines in LLM-Driven Algorithmic Trading"), que demuestran experimentalmente que los sistemas comerciales basados en LLM pueden verse influenciados sistemáticamente mediante modificaciones cuidadosamente diseñadas de los titulares financieros. Es importante destacar que estas manipulaciones son casi invisibles para los lectores humanos. El contenido semántico de las noticias permanece esencialmente sin cambios, mientras que alteraciones sutiles en la redacción, la codificación de caracteres o el texto oculto son suficientes para modificar la forma en que el modelo lingüístico interpreta la información.

Los titulares manipulados luego se procesan mediante el mismo canal utilizado por los sistemas comerciales modernos impulsados por inteligencia artificial. Primero, el modelo de lenguaje convierte las noticias en representaciones numéricas. Estas representaciones se combinan con indicadores de mercado tradicionales, como precios históricos y modelos de pronóstico, produciendo una puntuación de sentimiento que, en última instancia, influye en las decisiones automatizadas de compra, retención o venta. Aunque los hechos económicos no han cambiado, el sistema de inteligencia artificial puede interpretar el titular modificado como más optimista o más pesimista que el original.

Los experimentos presentados en el artículo muestran que este efecto no es meramente teórico. Durante largos períodos de evaluación, los titulares manipulados por adversarios degradaron constantemente el rendimiento de los sistemas comerciales de IA, produciendo pérdidas significativas en comparación con sistemas idénticos que operaban con noticias no modificadas. Los resultados proporcionan evidencia experimental de que los mercados financieros que utilizan motores de decisión basados en LLM pueden verse influenciados mediante manipulaciones lingüísticas cuidadosamente diseñadas en lugar de mediante cambios en las condiciones económicas subyacentes.

Este trabajo establece un principio importante para los mercados financieros modernos: la información se ha convertido en parte del mercado mismo. Los sistemas de IA ya no responden sólo a eventos físicos o variables económicas, sino también al lenguaje específico utilizado para describir esos eventos. En consecuencia, controlar o influir en el flujo de información puede alterar el comportamiento del mercado incluso cuando la realidad subyacente permanece sin cambios. Esta observación proporciona la base para analizar situaciones del mundo real en las que las comunicaciones públicas, las declaraciones oficiales o los mensajes de las redes sociales pueden contribuir a moldear las expectativas del mercado, tema que se examina en la siguiente sección.

ID:('gp', 553)

Storyboard

La investigación presentada en la sección anterior demuestra que los sistemas de trading basados en LLM pueden ser influenciados mediante la redacción de la información que reciben.

Durante el conflicto de Oriente Medio, el presidente Donald Trump publicó repetidamente mensajes en Truth Social enfatizando avances diplomáticos, negociaciones exitosas, estabilidad futura y expectativas de que los precios del petróleo no aumentarían significativamente. En numerosos casos estos mensajes fueron emitidos durante períodos en que los mercados financieros permanecían abiertos y los sistemas automáticos incorporaban nueva información para actualizar sus expectativas.

En paralelo, varios analistas observaron que determinados acontecimientos militares relevantes ocurrieron fuera de las horas de mayor actividad bursátil. Esta secuencia temporal ha dado origen a la hipótesis de que el flujo de información pública y el calendario de los acontecimientos pudieron reducir temporalmente el impacto alcista que normalmente habría producido el deterioro de la situación geopolítica.

Esta interpretación resulta especialmente interesante porque coincide con el mecanismo descrito en el trabajo de Rizvani et al.: los algoritmos modernos ya no responden únicamente a la realidad física del mercado, sino también al lenguaje utilizado para describir esa realidad. En consecuencia, si los mensajes públicos son suficientemente influyentes, pueden modificar las expectativas incorporadas por los sistemas automáticos antes de que cambien las variables físicas del mercado.

ID:('gp', 554)

Storyboard

Hasta ahora hemos analizado cómo los mercados pueden reaccionar a la información, cómo los sistemas de inteligencia artificial pueden ser influenciados mediante el lenguaje y cómo determinados patrones de comunicación pueden afectar las expectativas económicas. Sin embargo, una pregunta más amplia permanece abierta: ¿quién influye realmente sobre quién?

En cualquier negociación importante, comprender el comportamiento del oponente constituye una ventaja estratégica. Si una persona responde de manera predecible frente a determinados estímulos halagos, provocaciones, amenazas, reconocimiento público o presión mediática, quienes interactúan con ella pueden intentar utilizar esos patrones para orientar sus decisiones. En teoría de juegos y negociación internacional, identificar estos mecanismos forma parte del análisis habitual del comportamiento de los distintos actores.

Diversos comentaristas políticos han señalado que Donald Trump presenta patrones de comportamiento relativamente consistentes frente a ciertos tipos de estímulos. Independientemente de si estas interpretaciones son correctas o no, la mera posibilidad plantea una pregunta interesante: si hoy sabemos que es posible influir en algoritmos mediante la información que reciben, ¿hasta qué punto también es posible influir en las personas comprendiendo previamente cómo toman sus decisiones?

ID:('gp', 555)