Modelado causal y contrafáctico

La comparación de costos depende de lo que se intente aprender y de si la experimentación es siquiera viable. Las pruebas A/B son el estándar de oro cuando es posible aleatorizar, pero muchas decisiones empresariales no pueden someterse a prueba: no se pueden asignar precios aleatoriamente a segmentos de clientes durante meses, abrir o cerrar tiendas al azar, ni denegar préstamos de forma aleatoria para medir el impacto dispar. En esos casos, la comparación no es la inferencia causal frente a las pruebas A/B, sino la inferencia causal frente a las suposiciones. Para decisiones donde sí se pueden realizar experimentos, la inferencia causal a partir de datos observacionales suele complementar las pruebas A/B midiendo efectos a largo plazo, estimando efectos de tratamiento heterogéneos entre subgrupos y cerrando la brecha cuando los tamaños de muestra del experimento son demasiado pequeños para un análisis de subgrupos fiable. El alcance de los proyectos suele abarcar desde un análisis causal enfocado en un único tratamiento (elucidación del grafo, estimación, análisis de sensibilidad y documentación) hasta una canalización causal de producción con monitorización automatizada. El argumento del ROI resulta más evidente cuando el costo de la intervención es elevado: si gasta millones en promociones, modificaciones de precios o cambios de políticas, conocer qué subgrupos responden realmente frente a quiénes habrían actuado de todos modos amortiza el proyecto con rapidez.

Se trata de una limitación conocida, no de un error de software. CausaLens publicó investigaciones que demuestran que NOTEARS carece de invarianza de escala: cambiar las unidades de una variable (de metros a centímetros, de dólares a miles) altera el grafo descubierto. El algoritmo utiliza una penalización L1 en los pesos de las aristas, y el reescalado modifica dichos pesos, lo que altera qué aristas sobreviven a la penalización. DECI y otros métodos de descubrimiento causal neuronal resuelven parcialmente esto, pero introducen sus propios problemas con datos de tipo mixto y valores faltantes. El problema de fondo es que el descubrimiento causal totalmente automatizado únicamente a partir de datos observacionales sigue siendo un problema de investigación abierto. Estos algoritmos asumen que no existen confusores no medidos, algo que ningún conjunto de datos empresarial puede garantizar. Utilizamos el descubrimiento automatizado como un generador de hipótesis: se ejecuta, se identifican las aristas candidatas y luego los expertos de dominio validan o rechazan cada una. El grafo de producción se construye de manera colaborativa con las personas que comprenden el proceso de generación de datos, realizando comprobaciones formales de identificabilidad antes de iniciar cualquier estimación.

Casi siempre se trata de un problema de implementación de cross-fitting. El machine learning doble/desesgado requiere que los modelos secundarios (nuisance models: propensión al tratamiento y regresión de resultados) se ajusten en particiones de datos (folds) diferentes a las utilizadas para la estimación causal final. Si el cross-fitting no se implementa correctamente, o si el número de particiones es demasiado bajo, los modelos secundarios se sobreajustan a la muestra de estimación, y las estimaciones de CATE resultantes quedan determinadas por ese sobreajuste en lugar de por una verdadera heterogeneidad del efecto del tratamiento. Diagnosticamos esto comprobando la calidad de la predicción en la primera etapa en todas las particiones, evaluando la estabilidad de la estimación bajo diferentes recuentos de particiones y semillas aleatorias, y verificando que la condición de ortogonalidad de Neyman se cumpla en la práctica. Si los modelos de primera etapa son predictores deficientes del tratamiento o del resultado, la ortogonalización que hace funcionar a DML se quiebra. En tal caso, la solución no consiste en añadir más particiones, sino en mejorar los modelos secundarios, o bien en recurrir a un método que no dependa de una fuerte predicción en la primera etapa, como las variables instrumentales o un diseño experimental directo.

Los métodos causales son el enfoque adecuado en este caso porque la pregunta regulatoria es inherentemente causal: ¿el atributo protegido causa el resultado adverso, o la disparidad estadística se explica por factores de riesgo legítimos? La Colorado AI Act, vigente a partir del 30 de junio de 2026, exige a los implementadores de IA de alto riesgo ejercer un cuidado razonable contra la discriminación algorítmica, incluidas pruebas documentadas de impacto dispar en categorías protegidas. El análisis de disparidad estadística (que compara las tasas de aprobación entre grupos) indica si existe una brecha. El análisis causal indica por qué existe: si la brecha es impulsada por el atributo protegido en sí, por variables sustitutas correlacionadas con él o por factores de suscripción legítimos que casualmente se distribuyen de manera dispar entre los grupos. Construimos esto como un análisis de mediación causal: elaboramos el DAG de cómo los atributos del solicitante fluyen a través del modelo hacia la decisión, identificamos las rutas causales directas e indirectas desde los atributos protegidos hasta los resultados, y cuantificamos qué proporción de la disparidad observada transcurre a través de cada ruta. El resultado es un documento que asigna cada afirmación causal a sus supuestos de identificación, satisfaciendo los requisitos de documentación de la ley.

Ambos estiman los efectos de tratamiento promedio condicionales (CATE), que indican quién se beneficia más de un tratamiento. Los bosques causales (Athey e Imbens) dividen los datos para maximizar directamente la heterogeneidad del efecto del tratamiento. Los meta-learners (S-Learner, T-Learner, X-Learner) readaptan modelos de ML estándar para la estimación causal entrenando modelos de resultados y calculando los efectos del tratamiento como diferencias en las predicciones. A escala empresarial, los meta-learners se imponen actualmente por practicidad. Una evaluación comparativa reciente a gran escala sobre 13,98 millones de registros de clientes demostró que S-Learner con LightGBM logró el mayor uplift, capturando el 20% superior de los clientes el 77,7% de todas las conversiones incrementales. Los bosques causales requieren submuestreo a esa escala debido a limitaciones computacionales. Los meta-learners también se integran de forma más natural en las canalizaciones de ML existentes, ya que utilizan modelos supervisados estándar como base. Evaluamos ambos enfoques con los datos de cada cliente, dado que el método óptimo depende de la estructura del efecto del tratamiento: los bosques causales pueden descubrir heterogeneidad del efecto en dimensiones inesperadas, mientras que los meta-learners aprovechan la potencia predictiva del gradient boosting para entornos donde el patrón del efecto del tratamiento es más suave.

Las violaciones de positividad significan que, para ciertas combinaciones de covariables, cada unidad observada recibió o no recibió el tratamiento. La ponderación de probabilidad inversa estándar amplifica el ruido de forma catastrófica para puntuaciones de propensión cercanas a cero, produciendo estimaciones de efectos de tratamiento dominadas por un puñado de ponderaciones extremas. Diagnosticamos la positividad antes de la estimación examinando la distribución de las puntuaciones de propensión e identificando regiones con superposición mínima entre los grupos de tratamiento y control. La solución depende del tipo de violación. Para violaciones prácticas (ciertos segmentos rara vez reciben el tratamiento pero este es viable), las ponderaciones de superposición o el recorte restringen la estimación a la región donde ambos grupos de tratamiento tienen una representación adecuada, y documentamos con claridad qué subpoblaciones tienen estimaciones fiables frente a cuáles están extrapoladas. Para violaciones estructurales (ciertos segmentos nunca pueden recibir el tratamiento), la propia pregunta causal carece de una definición adecuada para esos grupos, y la respuesta honesta es excluirlos del estimando en lugar de pretender estimar algo que los datos no pueden respaldar.

Este es uno de los casos de uso más sólidos para el control sintético. Se dispone de una unidad tratada (el mercado donde abrió la nueva tienda) y ningún grupo de control aleatorizado. El método de control sintético construye una combinación ponderada de mercados no tratados que coincide con la trayectoria previa a la intervención del mercado tratado en variables de resultado clave. El efecto del tratamiento es la divergencia entre el rendimiento real del mercado tratado tras la apertura y el rendimiento previsto por el control sintético. El método funciona bien cuando se cuenta con suficientes mercados donantes con características similares y un período previo a la intervención lo bastante amplio para validar la correspondencia. Falla cuando ninguna combinación de mercados de control puede reproducir la tendencia previa del mercado tratado, o cuando otras intervenciones (aperturas de competidores, perturbaciones macroeconómicas) afectan al mercado tratado simultáneamente. Implementamos el control sintético con pruebas de placebo (aplicando el método a mercados no tratados para verificar que no detecte efectos espurios) y diagnósticos de ajuste de tendencias previas que cuantifican la calidad del emparejamiento antes de analizar los resultados posteriores a la intervención.

CausaLens proporciona una plataforma de inteligencia de decisiones no-code con capacidades de descubrimiento causal, estimación y optimización, respaldada por más de M en financiación y experiencia en despliegues empresariales. El ecosistema PyWhy (DoWhy, EconML) es de código abierto, respaldado por Microsoft Research, con aproximadamente 24.000 estrellas en GitHub en todo el ecosistema y una amplia adopción en la comunidad. La decisión entre plataforma o código abierto depende de la experiencia en inferencia causal de su equipo y de su tolerancia a la opacidad metodológica. Si cuenta con los conocimientos estadísticos para validar supuestos, diagnosticar fallos e interpretar análisis de sensibilidad, PyWhy le brinda control absoluto sin costo de licencias. Si busca una interfaz gestionada y confía en las decisiones metodológicas de la plataforma, CausaLens reduce el esfuerzo de ingeniería. El riesgo de cualquier plataforma radica en que abstrae la metodología, y la inferencia causal es precisamente el ámbito donde las elecciones metodológicas (estructura del grafo, selección del estimador, análisis de sensibilidad) son estructurales. Trabajamos con ambos: desarrollando sobre PyWhy cuando el cliente cuenta con capacidad de ingeniería, e integrando con CausaLens cuando el cliente ya ha invertido en la plataforma. La capa metodológica es idéntica independientemente de las herramientas.

El riesgo radica en tomar una decisión de negocio con total confianza basada en una estimación que podría explicarse en su totalidad por un factor de confusión no medido. Cada estimación causal observacional asume que se han medido todos los confusores relevantes. Esa suposición es imposible de contrastar. El análisis de sensibilidad cuantifica qué tan equivocado se podría estar: los E-values indican la fuerza mínima de confusión (riesgo relativo) que una variable no medida necesitaría tener tanto con el tratamiento como con el resultado para anular la estimación. Los Rosenbaum bounds proporcionan la cantidad máxima de sesgo oculto compatible con que su intervalo de confianza aún excluya el cero. Sin estos, una estimación de CATE de un +15% de conversión incremental podría ser real, o bien un artefacto derivado de una única variable no medida. Incluimos el análisis de sensibilidad en cada entregable causal, no como un apéndice sino como la métrica primordial de credibilidad. En presentaciones regulatorias, esto no es optativo: documentar la solidez de las afirmaciones causales frente a la confusión no medida es un requisito fundamental para demostrar cuidado razonable bajo marcos como la Colorado AI Act.