IA causal para la sequía: repartir agua entre campo y ciudad

Casi todo el aprendizaje automático te dice qué cosas van juntas. Un modelo de IA causal para la sequía intenta decirte qué causa qué, que es el único tipo de respuesta que sirve para decidir. En julio de 2026, Feras Batarseh, profesor asociado del Departamento de Ingeniería de Sistemas Biológicos de Virginia Tech, con la doctoranda Lauren Pincus y el investigador Dan Sobien, publicó un enfoque de modelado causal en el Journal of Water Resources Planning and Management (DOI 10.1061/JWRMD5.WRENG-7120) que integra ubicaciones de plantas de semiconductores, patrones de riego, indicadores de estrés hídrico y datos climáticos de los 50 estados. El propio ejemplo de Batarseh sobre lo que responde el modelo: “cómo agregar una planta de fabricación en Arizona podría afectar la capacidad de riego en estados vecinos”.

Puntos clave

• Los modelos de correlación describen patrones. Los modelos causales estiman qué cambiaría si intervinieras. Esa diferencia decide si un modelo puede sostener una decisión de política pública.
• El sistema de Virginia Tech cubre los 50 estados e integra datos de plantas de semiconductores, métricas de eficiencia de riego, indicadores de estrés hídrico y datos agrícolas, hidrológicos y climáticos.
• Las pruebas de escenarios incluyeron agregar plantas de chips en estados con estrés hídrico y mejorar la eficiencia del riego entre 10 % y 20 %, con el hallazgo de que las ganancias de eficiencia “podrían crear espacio para crecimiento industrial sin aumentar el estrés hídrico”.
• La agricultura representa cerca del 70 % de las extracciones de agua dulce en Estados Unidos, así que el riego es donde un cambio porcentual pequeño mueve más agua.
• Las plantas de semiconductores se concentran en estados áridos (Arizona, California, Texas), y por eso el equilibrio entre campo y fábrica se volvió un problema de modelado.

Por qué la sequía es un problema de reparto, no solo de lluvia

La sequía se siente como un evento del clima. En la práctica, es una crisis de contabilidad. Una cuenca tiene cierta cantidad de agua, los derechos legales sobre esa agua superan lo que hay, y alguien decide a quién se le recorta.

Dos números enmarcan la versión estadounidense. La agricultura usa cerca del 70 % de las extracciones de agua dulce. Y la fabricación de semiconductores, uno de los usuarios industriales de agua que crece más rápido, se concentra exactamente en los estados más secos (Arizona, California, Texas). Una planta de chips moderna usa millones de galones al día, buena parte como agua ultrapura para enjuagar obleas.

Como señala el equipo de Virginia Tech, “las decisiones sobre agua en Estados Unidos rara vez operan en aislamiento” entre fronteras estatales, de cuenca y federales. El río Colorado es el caso de manual: siete estados, dos países y un acuerdo escrito cuando el río llevaba más agua de la que lleva hoy. Eso hace que la pregunta “¿qué le pasa a Nevada si Arizona hace X?” sea urgente y genuinamente difícil.

Qué calcula la IA causal para la sequía y en qué difiere de predecir

La versión de correlación. Entrena un modelo con datos históricos: uso de agua, lluvia, rendimientos de cultivo, producción industrial. Aprende asociaciones estadísticas y predice bien la demanda del año próximo. Pregúntale “¿y si agregamos una planta?” y no tiene respuesta, porque puede no existir un evento así en sus datos de entrenamiento y, aunque existan casos parecidos, el modelo aprendió que las plantas y el alto uso de agua aparecen juntos sin saber hacia dónde apunta la flecha.

La versión causal. Empiezas especificando una estructura: un grafo de qué variables pueden influir en cuáles. La lluvia afecta la humedad del suelo. La humedad del suelo afecta la demanda de riego. La demanda de riego más la demanda industrial afectan el descenso de los embalses. El descenso de los embalses afecta los recortes de asignación. Después usas datos para estimar la fuerza de cada flecha.

Por qué importa el grafo. Cuando ya tienes flechas dirigidas con fuerzas estimadas, puedes hacer algo que un modelo de correlación no puede: intervenir. Fija “demanda industrial de agua en el condado de Maricopa” en un valor nuevo, propaga el efecto por el grafo y lee qué pasa aguas abajo. Eso es un contrafactual calculado, no una búsqueda de patrones.

Qué integró el modelo. Ubicaciones y operaciones de plantas de semiconductores. Patrones y métricas de eficiencia de riego. Indicadores de estrés hídrico. Datos agrícolas, hidrológicos y climáticos. Los 50 estados. La cobertura es el punto: los efectos que cruzan fronteras no se ven en un modelo de una sola cuenca.

Qué encontró. Que mejoras de eficiencia de riego de 10 % a 20 % podrían crear espacio para crecimiento industrial sin aumentar el estrés hídrico. Es decir: el equilibrio entre campo y fábrica no es fijo, depende de qué tan eficientemente opere el usuario más grande.

Qué no puede hacer. La cobertura publicada reconoce restricciones sin cuantificarlas: la infraestructura hídrica envejecida y las vulnerabilidades de ciberseguridad en sistemas de agua quedan fuera del alcance del modelo. Y la limitación más profunda de todo modelado causal es que el grafo es una suposición humana. Equivoca la dirección de una flecha, u omite una variable que influye en otras dos, y los efectos estimados están mal de un modo que el modelo no puede detectar solo con datos. La inferencia causal no elimina el juicio; lo vuelve explícito.

La analogía: el interruptor y el alumbrado público

Cada atardecer se prende el alumbrado público y la gente prende las lámparas de su casa. Un modelo de correlación nota que ocurren juntos y predice uno a partir del otro con precisión durante años.

Ahora pregunta: si desenrosco todos los focos del alumbrado público, ¿la gente va a dejar de prender sus lámparas?

El modelo de correlación no tiene manera de responder. Uno causal sí, porque alguien dibujó el grafo: el atardecer causa el alumbrado, y el atardecer causa las lámparas, y el alumbrado no causa las lámparas. Las flechas cargan información que la correlación nunca tuvo.

Para el agua, “desenroscar el foco” es agregar una fábrica, cambiar una regla de riego o recortar una asignación. Esa respuesta no se aprende mirando, solo con un modelo que codifica hacia dónde apuntan las flechas.

Cuatro escenarios, cuatro respuestas distintas

Escenario	Qué dice un modelo de correlación	Qué estima un modelo causal
Agregar una planta de chips en un condado árido	Predice más uso de agua donde hay plantas, sin mecanismo	Propaga el aumento de demanda por el descenso del embalse hasta la capacidad de riego del estado vecino
Mejorar la eficiencia de riego 10–20 %	Nota que las cuencas eficientes usan menos agua	Libera capacidad que puede absorber crecimiento industrial sin subir el estrés hídrico
Un año seco prolongado	Pronostica demanda a partir de años secos pasados	Separa el efecto de la lluvia del efecto de la política, y así se ve qué recorte sirvió
Cambiar una regla de asignación en plena sequía	No hay evento comparable en los datos	Simula la intervención directo, como un cambio en un nodo del grafo

Mira la cuarta fila. Esa es la razón del ejercicio completo: un cambio de política es, por definición, un evento sin precedente en los datos, y los modelos de correlación son peores justo en las preguntas que hacen quienes deciden.

Cómo enseñarle esto a tu hijo

De 5 a 8 años: el juego de los dos vasos

Llena un vaso con agua y deja que tu hijo riegue una planta. Pregúntale qué pasó. Después pon dos macetas, dile que una se riega y la otra no, y revisen las dos en tres días. Esa es una intervención controlada, la forma más simple de razonamiento causal, y es la diferencia entre notar que las plantas mojadas se ven sanas y saber que regar causa salud.

De 9 a 12 años: encontrar la causa falsa

Dale tres correlaciones reales y que identifique la flecha en cada una: venta de helados y visitas a la piscina, horas de tarea y notas de examen, venta de paraguas y accidentes de tránsito. En cada caso pregúntale cuál podría ser la tercera cosa escondida. El verano. La motivación. La lluvia. Nombrar el factor de confusión es toda la habilidad, y los niños se vuelven buenos rápido cuando conocen la palabra.

De 13 en adelante: dibujar el grafo del agua

Que tu hijo dibuje un grafo causal del uso de agua de tu casa: nodos para lluvia, riego del jardín, duchas, lavar platos, lavar ropa y un total. Que dibuje flechas. Después pídele que identifique la intervención que más reduciría el total y explique por cuáles flechas viaja el efecto. Después revisen los números reales: los datos de WaterSense de la EPA sobre uso doméstico por artefacto probablemente lo sorprendan, y comparar su corazonada con los datos es la lección.

La pregunta que debes hacer: “Si dos cosas siempre pasan juntas, ¿cuál es la prueba que te dice cuál está causando a la otra?”

¿Y en América Latina?

La región tiene sus propias versiones exactas de este problema. El Valle de México extrae agua del acuífero a un ritmo que hunde la ciudad varios centímetros por año. El río Colorado llega a Baja California con una fracción de su caudal, y el reparto entre Estados Unidos y México es un tratado, no un modelo. En Chile, el Código de Aguas y los derechos de agua transables han puesto a la agricultura de exportación, la minería y el consumo humano en competencia directa en el norte semiárido. En el norte de Perú y el nordeste brasileño, El Niño alterna inundación con sequía sobre los mismos campos.

Todos esos son problemas de flechas, no de correlaciones: quién afecta a quién, y qué pasa si cambias una regla. Y también son problemas de datos, porque un modelo causal necesita medir a los usuarios para estimar la fuerza de cada flecha, y buena parte de la extracción de agua en la región no está medida. En el plano educativo, ciencias fue el único dominio que se mantuvo o mejoró en PISA 2025 en Colombia (414, +3) y México (414, +4), según Infobae, y la gestión de recursos hídricos es una de las carreras donde ese interés se traduce en trabajo inmediato.

Qué hacer en casa

Enseñar el factor de confusión, no el eslogan

“Correlación no es causalidad” es una frase que los niños repiten sin entender. “¿Cuál es la tercera cosa escondida?” es una pregunta que sí pueden usar. Háganla con los titulares, con sus propias creencias, con estadísticas del fútbol. Se transfiere a todas partes.

Medir el agua de tu casa

Lee el medidor de agua dos días seguidos, a la misma hora. Después cambia una cosa, duchas más cortas o dejar de regar, y vuelve a leer. Acabas de correr una intervención y medir el tamaño del efecto, que es exactamente lo que hace el modelo causal en 50 estados.

Conectarlo con la conversación de sequía que ya tienen

Si viven en una zona con restricciones o con tandeo de agua, este es el modelo detrás de esas reglas, o el modelo que debería estar. Nuestro artículo sobre IA y riego de precisión cubre el lado del campo, donde vive el 70 %.

Contrastar lo causal con los modelos de patrones

Las otras historias de agua e IA de este grupo se basan en patrones: el modelo fundacional de inundaciones aprende formas de curvas, y hasta el modelo hidrológico híbrido aprende parámetros. La IA causal es una tercera categoría, dirigida a decisiones y no a pronósticos. Saber que hay tres tipos distintos es más útil que conocer uno a fondo.

Lo que no debes hacer

No le digas a tu hijo que un modelo causal “sabe” la causa. Asume una estructura que dibujaron humanos y después estima qué tan fuerte es cada flecha supuesta. Si la estructura está mal, las respuestas están confiadamente mal. Eso no es razón para desconfiar del método; es la razón por la que el método necesita expertos del dominio, y eso es algo bueno que aprenda sobre carreras.

Qué observar en los próximos 3 meses

• Semana 4: tu hijo puede nombrar la tercera variable escondida en al menos dos de los ejemplos clásicos de correlación, sin ayuda.
• Mes 2, señales de alerta: empieza a usar “eso causa esto” para cualquier cosa que ocurra junto, que es la falla opuesta. Pídele la intervención que lo probaría.
• Mes 3, autoevaluación: pídele que proponga una política de agua para su ciudad y que diga sobre qué flecha de su grafo actúa. Si puede seguir el efecto dos pasos aguas abajo, está haciendo lo que hace el modelo de Virginia Tech, en un grafo más chico.

Preguntas frecuentes

¿Qué es la IA causal, en una frase?

Aprendizaje automático que estima relaciones dirigidas de causa y efecto entre variables, no solo las asociaciones estadísticas entre ellas, lo que le permite responder “qué pasaría si cambiáramos X” en vez de solo “qué suele acompañar a X”.

¿Por qué las plantas de semiconductores usan tanta agua?

La fabricación de chips requiere agua ultrapura para enjuagar obleas entre pasos de proceso, y una planta grande puede usar millones de galones al día. El trabajo de Virginia Tech destaca que estas instalaciones se concentran en Arizona, California y Texas, entre los estados con más estrés hídrico, lo que crea competencia directa con la agricultura.

¿De verdad la agricultura usa el 70 % del agua?

Esa es la cifra citada en la cobertura de Virginia Tech para las extracciones de agua dulce atribuibles a la agricultura en Estados Unidos. Como la agricultura es el usuario dominante, mejoras porcentuales pequeñas ahí liberan más agua absoluta que mejoras grandes en cualquier otro sector.

¿Un modelo causal puede equivocarse?

Sí, y de una forma específica. El grafo causal refleja suposiciones humanas sobre qué variables influyen en cuáles. Un factor de confusión omitido o una flecha invertida producen estimaciones que se ven precisas y están mal. Los datos por sí solos no pueden detectar eso por completo, y por eso el modelado causal depende de experiencia en el tema de una manera que la pura predicción no.

¿Esto cambiaría algo para mi familia?

De forma indirecta, a través de las reglas de agua bajo las que viven. Si un estado o una región adopta política de asignación informada por modelado causal que cruza fronteras, en vez de negociación cuenca por cuenca, las restricciones que ve tu casa durante una sequía podrían estar mejor dirigidas. Es un efecto institucional lento, no algo que notes el verano que viene.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. Batarseh, F., Pincus, L., & Sobien, D. (2026). IA causal para el modelado de asignación de agua en EE. UU. Journal of Water Resources Planning and Management. DOI 10.1061/JWRMD5.WRENG-7120. Cobertura: https://phys.org/news/2026-07-national-drought-deepens-ai-demands.html
2. U.S. Environmental Protection Agency. WaterSense: datos de uso doméstico de agua. https://www.epa.gov/watersense
3. U.S. Geological Survey. Uso del agua en Estados Unidos. https://www.usgs.gov/mission-areas/water-resources/science/water-use-united-states
4. NOAA Office of Water Prediction. “About the National Water Model.” https://water.noaa.gov/about/nwm
5. Shen, C., et al. (2025). Modelo global de hidrología diferenciable. Nature Communications. Resumen de Penn State: https://www.psu.edu/news/research/story/ai-powered-model-predicts-floods-improves-water-management-worldwide
6. Infobae. (2026, 8 de septiembre). “Pruebas PISA: los países de América Latina profundizan su retroceso educativo.” https://www.infobae.com/america/america-latina/2026/09/08/pruebas-pisa-los-paises-de-america-latina-profundizan-su-retroceso-educativo/