Tabla de contenido
IA causal vs. correlación: por qué importa para el agua
IA causal explicada: cómo el modelo de sequía de Virginia Tech pregunta qué pasaría si, y una lección de cocina sobre correlación y causa para tus hijos.
Casi toda la IA predice. Una familia más chica y más difícil responde otra pregunta: ¿qué pasaría si hiciéramos algo distinto? La IA causal, en una frase, es aprendizaje automático construido sobre un modelo explícito de causa y efecto, capaz de responder preguntas contrafactuales en vez de solo pronosticar patrones. Investigadores de Virginia Tech publicaron exactamente ese tipo de modelo en julio de 2026 para la asignación de agua en Estados Unidos, y el caso de prueba es perfecto para una conversación de sobremesa: si construyes una planta de fabricación de semiconductores en Arizona, ¿qué pasa con la capacidad de riego de los estados vecinos?
Puntos clave
- Un modelo de correlación aprende qué va con qué. Un modelo causal representa qué hace que pase qué, y puede simular intervenciones.
- El equipo de Feras Batarseh en Virginia Tech (con Lauren Pincus y Dan Sobien) publicó en el Journal of Water Resources Planning and Management en 2026, DOI 10.1061/JWRMD5.WRENG-7120.
- El modelo usa modelado causal estructural entre disponibilidad de agua, necesidades de los cultivos, expansión de semiconductores y cuencas regionales, y simula escenarios contrafactuales.
- Números de contexto del estudio: la agricultura se lleva alrededor del 70 % de las extracciones de agua dulce en EE. UU., y las plantas de semiconductores se concentran en estados áridos (Arizona, California, Texas).
- Tu hijo aprende la distinción con helados y natación en quince minutos, y es posiblemente la idea estadística más útil que un chico de 12 años puede tener propia.
Qué construyó el equipo de Virginia Tech
Publicado el 10 de julio de 2026 y cubierto por Phys.org, el trabajo salió de Feras Batarseh, profesor asociado del Departamento de Ingeniería de Sistemas Biológicos de Virginia Tech, con la doctoranda Lauren Pincus y el investigador Dan Sobien. El paper apareció en el Journal of Water Resources Planning and Management.
Los datos reúnen las instalaciones de semiconductores de los 50 estados, patrones de riego, indicadores de estrés hídrico y datos agrícolas, hidrológicos y climáticos. El método es lo interesante: modelado causal estructural que conecta disponibilidad de agua, necesidades de cultivos, expansión industrial y cuencas regionales en un grafo de causas, y después corre contrafactuales. El ejemplo que el equipo usó públicamente es concreto: agregar una planta de fabricación en Arizona podría afectar la capacidad de riego en estados vecinos. Un modelo de correlación no puede responder eso, porque no existe registro histórico de que esa planta se construyera. Un modelo causal sí, porque codifica las vías por las que el agua se mueve y se reclama.
La frase útil de Batarseh es que las decisiones sobre agua en Estados Unidos “rara vez operan en aislamiento”. El paper reporta que las estrategias de optimización que identifica podrían dar entre 10 y 20 % de ganancia de eficiencia hídrica en riego inteligente. Dos advertencias honestas: el artículo que reporta el trabajo no detalla la metodología de validación, y un modelo causal vale solo lo que vale el grafo causal que dibujó un humano. Esa segunda limitación es la que hay que enseñar.
IA causal: tres niveles de pregunta
Judea Pearl, que ganó el premio Turing por este trabajo, organiza el razonamiento causal en una escalera de tres escalones. Es el marco más claro que existe, y un chico de secundaria lo puede sostener.
Escalón 1: ver (asociación). “¿Qué probabilidad hay de que el embalse esté bajo, dado que es agosto?” Es lo que hace casi todo el aprendizaje automático. Solo necesitas datos observados.
Escalón 2: hacer (intervención). “¿Qué le pasa al embalse si recortamos un 10 % la asignación agrícola?” Esto necesita un modelo de mecanismo. Los datos observacionales solos no alcanzan, porque en los datos los recortes de asignación ocurrieron por razones, en general porque ya había sequía. El recorte y la sequía están enredados.
Escalón 3: imaginar (contrafactual). “¿El embalse habría aguantado si hubiéramos recortado la asignación en marzo?” Una pregunta sobre un mundo que no pasó. Requiere los supuestos más fuertes y da las respuestas más útiles para políticas públicas.
La maquinaria de los escalones 2 y 3 es un modelo causal estructural, dibujado en general como un grafo dirigido: los nodos son variables, las flechas son influencias causales. La lluvia causa humedad del suelo. La humedad del suelo causa demanda de agua de los cultivos. La extracción industrial y la agrícola causan las dos el descenso del acuífero. Una vez que tienes ese grafo, la matemática que desarrolló Pearl y otros te dice qué ajustes estadísticos producen una estimación causal válida y qué comparaciones están irremediablemente confundidas.
Acá va la parte que mantiene honesta a la gente. El grafo lo hacen humanos. Existen métodos para aprender estructura causal de los datos (descubrimiento causal) y ayudan, pero no reemplazan el conocimiento del dominio. Dibuja la flecha equivocada y tu modelo va a responder un contrafactual mal con total confianza. Un modelo de correlación equivocado suele ser obviamente absurdo fuera de su rango. Un modelo causal equivocado se equivoca de una forma que parece una explicación. Ese contraste es más filoso de lo que admite casi toda la cobertura de IA.
¿Y por qué importa para la educación de un chico? Porque toda la habilidad de leer bien un titular se reduce a saber en qué escalón está una afirmación. “Los adolescentes que usan más IA sacan peor puntaje en ciencias” es un hallazgo del escalón 1, y la OCDE lo dijo explícitamente cuando publicó PISA 2025 el 8 de septiembre de 2026: son asociaciones, no causalidad. Cualquier papá vio ese mismo hallazgo reportado como si fuera del escalón 2. La escalera es la vacuna.
Cómo enseñarle esto a tu hijo
De 5 a 8 años: helados y natación
Muéstrale dos hechos: en enero se venden más helados, y en enero más gente va a la piscina. Pregúntale: ¿el helado hace que la gente nade? Se va a reír y va a decir que no, que es por el calor. Felicitaciones, acaba de identificar una variable confusora. Ponle nombre: “el calor es la causa real, y hace subir las dos cosas juntas”. Dibújalo con tres círculos y dos flechas. Un niño de cinco años puede dibujar un grafo causal.
De 9 a 12 años: el experimento de intervención
Elige algo de tu casa con una causa plausible, como una planta que se marchita. Que tu hijo escriba dos historias causales que compitan (le falta agua, le sobra sol). Después hagan una intervención de verdad: cambien una cosa por una semana y mantengan la otra igual. Eso es lo que significa “hacer” en el escalón 2, y hacerlo físicamente fija el concepto como ninguna guía de ejercicios. Pregúntale por qué tuvieron que cambiar solo una cosa.
De 13 en adelante: reescribir un titular de tres formas
Dale a tu adolescente un hallazgo correlacional real, como el resultado de PISA 2025 de que los estudiantes que usan IA para resumir, redactar e investigar sacan peor puntaje en ciencias. Que escriba tres frases: una afirmación honesta de escalón 1, una afirmación de escalón 2 que los datos no soportan, y una descripción del experimento que habría que hacer para probar causalidad de verdad. Después pregúntale si ese experimento sería ético. Es un ejercicio de nivel universitario que un chico motivado de 14 hace bien.
La pregunta que debes hacer: “¿Qué otra cosa podría estar causando estas dos cosas al mismo tiempo?”
Correlación vs. causa, lado a lado
| Tipo de pregunta | Ejemplo | Qué necesita | Qué puede responder | Modo de falla |
|---|---|---|---|---|
| Asociación (escalón 1) | ¿La poca lluvia va con embalses bajos? | Datos observacionales | Pronósticos, puntajes de riesgo, patrones | Confusión tomada por causa |
| Intervención (escalón 2) | Si recortamos el riego 10 %, ¿qué pasa? | Un modelo causal más datos | Efectos de políticas antes de aplicarlas | Grafo causal equivocado da respuestas seguras y falsas |
| Contrafactual (escalón 3) | ¿La sequía habría sido peor sin el recorte? | Supuestos causales fuertes | Rendición de cuentas, evaluación retrospectiva | Incontrastable si los supuestos no se pueden verificar |
| Modelo predictivo (ML típico) | Pronosticar el caudal del próximo mes | Series históricas | Pronósticos de corto plazo | Se rompe cuando el sistema cambia |
| Experimento aleatorizado | Asignar recortes de agua al azar por distrito | Poder y permiso para aleatorizar | Respuestas causales de referencia | Muchas veces imposible o inmoral |
La última fila es la razón por la que existe la IA causal. No puedes asignar sequías al azar a los estados ni plantas de semiconductores al azar a los municipios. Cuando los experimentos son imposibles, un modelo causal más datos observacionales es el mejor sustituto disponible, y ser explícito sobre los supuestos es lo que lo vuelve ciencia.
¿Y en América Latina?
El agua es probablemente el tema donde este razonamiento se necesita más urgente en la región. Chile lleva más de una década de megasequía en la zona central, y la asignación de agua está atravesada por derechos de aprovechamiento privados, minería, agricultura de exportación y consumo humano. Perú convive con el estrés hídrico en la costa mientras el 97 % del agua está del otro lado de los Andes. Ciudad de México hunde su suelo por sobreextracción del acuífero, y Bogotá tuvo racionamiento en 2024. En todos esos casos la pregunta que importa no es “qué suele pasar en época seca”, sino “qué pasa si cambiamos esta asignación”, que es una pregunta de escalón 2.
Y ahí hay un mensaje directo para tu hijo. Los modelos causales necesitan, sí o sí, a alguien que entienda el sistema local lo suficiente para dibujar el grafo. Eso no se importa: un modelo entrenado en Arizona no sabe cómo funciona el Código de Aguas chileno ni el sistema de concesiones peruano. Los profesionales que combinan hidrología, estadística causal y conocimiento institucional local son escasos en toda la región, y el problema no va a desaparecer.
Qué hacer en casa
Instala la pregunta de la confusora como reflejo
“¿Qué otra cosa podría causar las dos?” debería ser tan automático en tu casa como “lávate las manos”. Aplica a afirmaciones escolares, deportivas, de salud y a cada estudio de IA que va a pasar por tu feed. Toma un mes de repetición y después no se va nunca.
Usa el hallazgo de PISA 2025 como caso familiar
La OCDE publicó el 8 de septiembre de 2026 que el 46 % de los estudiantes de los países OCDE usa chatbots de IA semanalmente o más para aprender, que quienes la usan para resumir y redactar sacan peor puntaje en ciencias, y que el uso “moderado” se asocia con mejores resultados que el uso nulo o intensivo. Y después aclaró que son asociaciones, no causalidad. Siéntate con tu adolescente y listen cuatro explicaciones posibles. Los estudiantes que ya tienen dificultades pueden recurrir más a la IA. Los usuarios intensivos pueden estar saltándose la práctica. Las escuelas con acceso a IA pueden diferir en otras cosas. O el uso de IA puede dañar el aprendizaje de verdad. Las cuatro están vivas.
Hagan una intervención real por mes
Cambien una cosa en la casa por una semana y midan. La hora de dormir, 30 minutos. El celular fuera del cuarto. Tarea antes de pantallas. El punto no es el resultado; es construir el instinto de que las causas se aprenden interviniendo, no observando. Nuestros textos sobre enseñarles a evaluar la IA y sobre cuestionamiento socrático y pensamiento crítico van en la misma dirección.
Dale el vocabulario en voz alta
Confusora. Intervención. Contrafactual. Son los conceptos que sostienen toda la ciencia que tu hijo va a estudiar, y en casi ningún currículo se enseñan antes de la universidad. Usarlos casualmente en la cena es una ventaja real.
Lo que no hay que hacer
No enseñes “correlación no es causalidad” como frase para recitar. Los chicos que la memorizan la usan para descartar hallazgos que no les gustan, y eso es peor que no saberla. La versión útil es la pregunta: ¿qué otra cosa podría causar las dos? Eso invita a pensar en vez de cerrar el tema.
Qué observar en los próximos 3 meses
- Semana 4: Tu hijo propone espontáneamente una variable confusora para algo que escuchó, sin que le pidas.
- Señales de alerta en el mes 2: Tu hijo usa “eso es solo correlación” para descartar evidencia, o trata un pronóstico como una afirmación causal.
- Autoevaluación del mes 3: ¿Hicieron al menos dos intervenciones de una variable? Si no, el concepto sigue siendo vocabulario y no hábito.
Preguntas frecuentes
¿La IA causal es otro tipo de red neuronal?
No necesariamente. Es otra forma de plantear el problema. Los métodos causales pueden usar redes neuronales adentro, pero agregan una representación explícita de causa y efecto, en general un grafo, más la matemática para estimar efectos desde datos observacionales. El rasgo distintivo es poder responder preguntas de intervención.
¿Por qué no todos los sistemas de IA hacen esto?
Porque es más difícil y exige conocimiento del dominio. Un modelo predictivo necesita datos. Un modelo causal necesita datos más alguien que entienda el sistema lo suficiente para decir qué variables afectan a cuáles. Esa experticia es cara y muchas veces está en disputa entre expertos.
¿Significa que los chatbots no entienden causas?
Los modelos de lenguaje absorben enormes cantidades de texto sobre causas y suelen enunciar relaciones causales correctamente porque los humanos las escribieron. Eso es distinto de tener un modelo causal validado de un sistema específico. Pregúntale a un chatbot qué le pasaría a un acuífero concreto bajo una política concreta y vas a recibir una respuesta fluida sin mecanismo detrás.
¿Cómo saben los investigadores que su grafo causal es correcto?
No lo saben del todo. Prueban implicaciones: un grafo causal implica ciertas independencias condicionales en los datos, y eso se puede verificar. También hacen análisis de sensibilidad para ver cuánto cambian las conclusiones si un supuesto está mal. Los papers causales honestos reportan eso, y es algo bueno para buscar.
¿Qué debería estudiar un adolescente al que le interese?
Estadística, en particular inferencia causal, más un dominio. Economía, epidemiología y ahora ciencias del agua y del clima son donde estos métodos se usan más fuerte. El libro divulgativo de Pearl, El libro del por qué, lo puede leer un buen estudiante de secundaria.
¿Un ahorro de 10 a 20 % significa que el problema está resuelto?
No. Es una ganancia de eficiencia modelada por mejor asignación. La agricultura usa cerca del 70 % de las extracciones de agua dulce en EE. UU., así que incluso un porcentaje modesto es significativo en términos absolutos, y no resuelve el crecimiento de la demanda industrial ni un clima que se seca. Trátalo como una palanca útil, no como solución.
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
- Phys.org. (2026, 10 de julio). “As national drought deepens, AI helps balance water demands.” https://phys.org/news/2026-07-national-drought-deepens-ai-demands.html
- Batarseh, F., Pincus, L., & Sobien, D. (2026). Journal of Water Resources Planning and Management. DOI 10.1061/JWRMD5.WRENG-7120
- Pearl, J., & Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. Basic Books.
- OCDE. (2026, 8 de septiembre). “PISA 2025: Students’ reading and mathematics performance declined sharply across the OECD.” https://www.oecd.org/en/about/news/press-releases/2026/09/pisa-2025-students-reading-and-mathematics-performance-declined-sharply-across-the-oecd.html
- OCDE. (2026). PISA 2025 Results, Volume I. https://www.oecd.org/en/publications/pisa-2025-results-volume-i_73451bc5-en.html
- 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/
- US Geological Survey. “Estimated use of water in the United States.” https://www.usgs.gov/mission-areas/water-resources/science/water-use-united-states
