Sendhil Mullainathan: El economista de IA
Escribe Bob Simison / F&D FMI – La IA es demasiado importante para dejarla a los científicos informáticos. Así lo dice el economista conductual del MIT Sendhil Mullainathan, que lleva más de una década aplicando la inteligencia artificial a la investigación económica. Los algoritmos, dice, tienen el potencial de mejorar drásticamente la toma de decisiones humanas en aspectos importantes, desde buscar empleo hasta fijar fianzas en un tribunal o entender las señales de una prueba cardíaca.
“La economía está especialmente adaptada a este momento”, dijo en una entrevista. “Simplemente no es posible construir un algoritmo sin enfrentarse a la necesidad de tomar la extrañeza cursi y cualitativa de la vida y compararla con el formalismo rígido que se necesita.”
Mullainathan, nacido en la India, de 52 años, está “uniendo la economía entre lo que hicimos en el siglo pasado y lo que haremos en el próximo siglo”, dijo el economista David Laibson, uno de los profesores de Mullainathan en los años 90 en Harvard.
Mullainathan ha liderado investigaciones sobre la psicología de la memoria, la toma de decisiones por parte de los jueces y la economía de la escasez. Los juristas en la ciudad de Nueva York utilizan algoritmos basados en sus hallazgos para fijar fianzas. En 2002, con 29 años, ganó una subvención de 500.000 dólares de la Fundación MacArthur, en cuyo consejo formó parte durante 12 años hasta junio pasado.
“Su trabajo es tan citado como el de cualquiera” en un punto profesional comparable, dijo el economista de Harvard Lawrence Katz, presidente de la American Economic Association. “No se me ocurre nada más estimulante intelectualmente que una breve conversación con Sendhil sobre lo que sea que tenga en mente.”
Que podría ser casi cualquier cosa. Amigos y colegas citan su extensa investigación sobre helados y cafés. En una ocasión llevó a colegas en un recorrido de dos horas por las principales heladerías de bocadillos de Chicago. Mullainathan también ha realizado su propia investigación sobre nutrición y ejercicio.
“Sendhil se sumerge en todo tan a fondo”, dijo Bec Weeks, una científica del comportamiento australiana de la Universidad de Chicago que ha sido su colega de investigación y, más recientemente, su compañera de vida. “Siempre tiene un millón de buenas ideas. Entender cómo se comportan los humanos es el enigma central en torno al que gira su mente.”
Llegando a América
Eso surge de sus experiencias vitales. El camino de Mullainathan hacia la cima de su profesión comenzó en un pueblo con poca electricidad en el estado indio de Tamil Nadu, al sur de Chennai. Su familia poseía tierras, lo que la convertía en una de las familias más acomodadas de un pueblo pobre. Su padre, Mark, logró terminar la universidad y acceder a un programa de doctorado en ingeniería aeronáutica en Caltech. Se fue cuando Sendhil tenía 3 años. No había teléfonos en el pueblo, así que el padre de Sendhil enviaba grabaciones de audio con actualizaciones sobre lo que hacía.
Cuatro años después, el mayor de los Mullainathan obtuvo visados para traer a Sendhil y a su madre, Sheila, a Los Ángeles. Ese fue el final de los estudios doctorales de Mark, ya que empezó a trabajar para mantener a la familia como ingeniero aeroespacial en empresas del sur de California, incluyendo McDonnell Douglas y Boeing.
Cuando Sendhil tenía 10 años, el presidente Ronald Reagan emitió una orden exigiendo una autorización de seguridad para ese tipo de trabajo, despidiendo a Mark porque aún no era ciudadano estadounidense. Aunque Mark y Sheila construyeron una carrera como emprendedores en serie, poseyendo y gestionando videoclubes y vendiendo ordenadores, fue traumático para el joven Sendhil.
“Aprendí que el mundo no tiene fondo, y recuerdo ese momento tan distinto”, dijo Mullainathan. “Me obsesioné con lo del desempleo.” De alguna manera, eso le llevó a su carrera académica. “Recuerdo haber oído en el instituto que en el instituto lo académico se llama plaza fija”, dijo. “No puedes perder tu trabajo. Yo pensé: Ese es el trabajo que quiero.”
“No me fue muy bien en el instituto”, dijo Mullainathan, porque “mi mente no es muy buena con cosas como sustantivos y memorización.” Las matemáticas, en cambio, estaban “todas conectadas; es razonamiento.”
Tras realizar la prueba de preparación universitaria del PSAT, Mullainathan recibió un folleto de la Clarkson School en Potsdam, Nueva York, uno de los programas de early college más antiguos de Estados Unidos. Pudo terminar el instituto allí mientras cursaba cursos universitarios avanzados de matemáticas. Solicitó la solicitud, entró y contó a sus padres sobre su plan. Aunque se sorprendieron, estuvieron de acuerdo “porque una cosa que siempre hacían era priorizar cualquier gasto educativo”, dijo. Así que, con 16 años, se fue a 3.000 millas de distancia, a un lugar donde las temperaturas suelen bajar muy por debajo de cero.
Más tarde, trasladándose a Cornell, Mullainathan continuó centrándose en matemáticas pero añadió carreras en informática y economía. “Lo que hacía que la economía fuera diferente de las matemáticas y fantástica era que era un intento de intentar comprender las complejidades del mundo”, dijo. Le fascinaba intentar explicar anomalías económicas, como por qué los promotores de Los Ángeles vendían casas por sorteo en lugar de simplemente subir los precios.
Economía conductual
Para la escuela de posgrado, Mullainathan entró en el programa de doctorado en informática del MIT, pero aplazaron el inicio un año. Quería probar el programa de doctorado en economía de Harvard. Se mantuvo firme durante los siguientes cinco años y completó su doctorado en 1998.
En un campo donde el referente de la influencia de una publicación son 1.000 citas de otros académicos, el perfil de Google Scholar de Mullainathan lista más de una docena de obras con varias veces más. Su obra ha sido citada casi 100.000 veces, o casi tan a menudo como la de la laureada con el Nobel Esther Duflo. Mullainathan ha ocupado cargos académicos en Harvard, la Universidad de Chicago y el MIT.
La economía conductual puede parecer un enfoque anómalo para alguien obsesionado con las matemáticas y la informática. Pero durante sus estudios doctorales, dijo Mullainathan, llegó a la conclusión de que, como economista, debía desarrollar una comprensión de la psicología humana.
“¿Cómo se supone que vamos a tomar todas las rarezas, las rarezas, las debilidades, la riqueza y la inescrutabilidad de los seres humanos y, en última instancia, plasmarlas en nuestra comprensión de la economía?” preguntó. “Tenemos que reconocer que los seres humanos somos increíblemente complicados de formas incomprensibles.”
Mullainathan ha dedicado su carrera a profundizar en las complejidades del comportamiento humano, a veces con resultados inesperados. Durante mucho tiempo se aceptó que las empresas diseñaban paquetes salariales para recompensar a los CEOs por aumentar el valor de una empresa. Pero en 2001 Mullainathan y su frecuente colaboradora Marianne Bertrand, de la Universidad de Chicago, demostraron que “el salario de los CEOs responde significativamente a la suerte”, como los movimientos en los precios del petróleo.
Bertrand y Mullainathan enviaron posteriormente currículums ficticios en respuesta a anuncios de empleo en Chicago y Boston, asignando al azar nombres que creían que sonaban blancos o negros. Descubrieron que quienes tenían nombres que suenan a blanco recibían un 50 % más de llamadas de vuelta, según informaron en un artículo de 2004, “¿Son Emily y Greg más empleables que Lakisha y Jamal?”
Mullainathan y el psicólogo de Princeton Eldar Shafir pasaron casi una década realizando experimentos sobre la psicología y la economía de la escasez, ya sea de tiempo, dinero, alimentos u otros recursos. Esto dio lugar a su influyente libro de 2013 Escasez: La nueva ciencia de tener menos y cómo define nuestras vidas.
Hasta hoy, los autores dan charlas sobre el libro, dijo Shafir. Los investigadores descubrieron que la escasez afecta de forma drástica al funcionamiento del cerebro, haciendo que la gente se obsesione con lo que escase. Esto absorbe ancho de banda cognitivo, de modo que la mente no funciona a plena capacidad, y las personas quedan atrapadas en un ciclo de escasez, descubrieron los autores.
La finalización del libro hace 13 años despejó las cubiertas para que Mullainathan eligiera su próximo enfoque de investigación.
Enfoque en la IA
“Me desperté un martes por la mañana sin nada que hacer”, dijo. Su respuesta fue buscar una línea de investigación que estuviera muy alejada de los caminos habituales.
“Intento elegir cosas que estén muy, muy lejos de donde está la gente”, dijo. “Tengo un principio: si estás cerca de donde están las personas, no es tan eficiente, porque hay mucha gente inteligente en esta profesión.”
Ese enfoque hace que Mullainathan sea único, dijo el economista de Stanford Jann Spiess, colaborador de investigación y exalumno. “Cada pocos años, da un paso atrás y reevalúa lo que está haciendo”, dijo Spiess. Es parte de lo que hace de Mullainathan “una de las personas más inteligentes e innovadoras de la economía.”
En 2012, había poca expectación por la IA fuera de la informática, dijo Mullainathan. “No estaba en la lista de nadie”, dijo. “Quería trabajar en algo que pudiera doblar la curva de forma significativa.”
Mullainathan comenzó a aplicar el aprendizaje automático—un tipo de IA que despliega algoritmos diseñados para aprender a partir de datos—para estudiar la toma de decisiones humana. En 2017, él y cuatro colegas publicaron un artículo que examinaba si el aprendizaje automático podría mejorar las decisiones de fianza o cárcel por parte de los jueces. Utilizaron un algoritmo para analizar el riesgo de que los acusados huyeran o cometieran otro delito, aplicándolo a una base de datos con más de 700.000 personas detenidas entre 2008 y 2013 en la ciudad de Nueva York.
Descubrieron que los jueces tomaban rutinariamente la decisión equivocada, a menudo liberando a los acusados bajo fianza que el algoritmo incluía en la categoría de alto riesgo. “Los jueces están sujetos a la falacia del jugador”, dijo Jens Ludwig, de la Universidad de Chicago, uno de los investigadores. Es decir, como un jugador de ruleta que predice tras cuatro rojos que el siguiente resultado será negro, los juristas que ven a cuatro acusados de alto riesgo seguidos tienden a liberar al quinto bajo fianza, independientemente del perfil de riesgo objetivo.
Los investigadores estimaron que el uso de un algoritmo de evaluación de riesgos podría ayudar a reducir la delincuencia en un 25 por ciento, sin cambios en el número de personas detenidas, o disminuir la población carcelaria en un 42 por ciento sin aumentar la delincuencia. Los investigadores desarrollaron una herramienta de IA que los jueces de la ciudad de Nueva York utilizan hoy para facilitar su toma de decisiones, explicó Ludwig.
“Esto es una revolución en economía conductual”, dijo Ludwig. “Sendhil tiene el potencial de transformar nuestra comprensión de la toma de decisiones humana y crear herramientas para mejorarla. Es ese tipo de visionario.”
En un artículo de 2024, Ludwig y Mullainathan utilizan IA para demostrar que las fotos policiales de los acusados pueden predecir con fiabilidad las sentencias de los jueces sobre cárcel o fianza. Basándose en datos de Carolina del Norte, los investigadores descubrieron que las personas que parecen bien arregladas en sus fotos de arresto o que tienen rostros más anchos o redondeados tienen más probabilidades de ser liberadas bajo fianza que de ser retenidas hasta su juicio.
Aunque el hallazgo pueda parecer intuitivo, fue “una conexión que nadie notó”, incluidos los defensores públicos y los propios jueces, dijo Mullainathan.
Los algoritmos a veces detectan “conexiones poco plausibles” que la gente no detecta, dijo Mullainathan. “Es una escala a la que la mente humana no puede operar, y una tediosidad que la mente humana no puede manejar”, dijo.
Citó un experimento que utilizaba IA para comparar electrocardiogramas de personas que murieron por paro cardíaco súbito con ECGs similares a los de personas que no lo hicieron. El algoritmo detectó diferencias mínimas en las pruebas que los médicos no detectaron. Esto podría ayudar a identificar a las personas con más probabilidades de morir por paro cardíaco súbito que podrían ser candidatas a un marcapasos, dijo Mullainathan.
Bicicletas para la mente
Tras seis años en la Universidad de Chicago, Mullainathan regresó al MIT en 2024 como profesora en los departamentos de economía, ingeniería eléctrica e informática. Lidera una iniciativa llamada “The Bike Shop @ MIT”, utilizando algoritmos para construir “bicicletas para la mente”.
La imagen proviene de un gráfico publicado en el número de marzo de 1973 de Scientific American comparando la eficiencia de los animales en movimiento. “Hombre en bicicleta” fue, con diferencia, el más eficiente. El hallazgo, escribe Mullainathan, ofrecía “una visión de lo que deberían ser los ordenadores: bicicletas para la mente.”
Mullainathan y sus colegas están llevando a cabo un experimento con estudiantes de matemáticas en la India. “Enseñar es un gran salto de lectura”, dijo Ashesh Rambachan del MIT y colaborador en el proyecto. “Los profesores no entienden lo que los alumnos no entienden. Un algoritmo podría ayudarles con eso.”
Rambachan, Mullainathan y colaboradores de investigación en India están recopilando miles de ejemplos de trabajos de estudiantes sobre deberes de matemáticas. Planean usar IA para identificar en qué fallan los estudiantes, de modo que puedan crear un algoritmo que mapee la “cartografía de la confusión”. El objetivo es ayudar a los profesores a que los estudiantes encuentren su camino, dijo Mullainathan. Podría “cambiar la forma en que pensamos sobre la mente estudiantil.”
“La economía”, dijo Mullainathan, “necesita enfrentarse a la naturaleza fragmentada de nuestros modelos de economía y de por qué la gente se comporta y toma las decisiones que toma. Los algoritmos son la nueva planta de fábrica de la ciencia. Tienen la capacidad de ayudarnos a unir los modelos. Creo que nos ayudarán a transformar las cuestiones filosóficas en ciencia definitiva en los próximos 20 años.”
BOB SIMISON es un escritor freelance que anteriormente trabajó en el Wall Street Journal, el Detroit News y Bloomberg News.
