La IA con la que NTU quiere poner a prueba las ayudas antes de repartirlas

Que una persona utilice un vale no significa necesariamente que haya gastado más: podría haberlo destinado a una compra que ya pensaba hacer. Esa diferencia es la que un equipo de la Universidad Tecnológica de Nanyang (NTU), en Singapur, quiere ayudar a evaluar antes de que los responsables públicos pongan en marcha una ayuda.25

¿Qué pondría a prueba el simulador?

El equipo de la Nanyang Business School —Hyeokkoo Eric Kwon, Jaecheol Park, Mo Jiayun y Kayoung Shin— desarrolla un sistema para comparar posibles respuestas a medidas como un vale de 100 dólares. Sus simulaciones intentarían estimar si los hogares ahorran, aumentan su gasto total o cambian lo que compran. La pregunta no es solo cuántos vales se canjean, sino cuánto gasto adicional generan.25

OpenAI registra la investigación con el nombre Privacy-Preserving LLM Agents for Auditable Government Policy Simulation («Agentes basados en grandes modelos de lenguaje que preservan la privacidad para simular políticas públicas auditables»). Ese es el título del proyecto; según la información publicada, la herramienta todavía no tiene nombre.85

¿De dónde saldrían las respuestas de los agentes?

El sistema propuesto se apoyaría en historiales de transacciones anonimizados de alrededor de 1,5 millones de usuarios de una aplicación de presupuestos surcoreana no identificada, correspondientes al periodo 2023-2025. Con ellos, los investigadores buscan representar distintas situaciones económicas y pautas de consumo mediante agentes de IA.23

Según la descripción del proceso, la aplicación obtiene información de las transacciones a través de notificaciones bancarias. Después se eliminan los identificadores y se agrupan en intervalos datos como los ingresos, los importes gastados y las horas de compra. Además, las características de cada perfil deben coincidir con las de al menos tres, cinco o diez usuarios, según su sensibilidad. Son medidas para reducir el riesgo de revelar el historial financiero de una persona, no una garantía absoluta contra su reidentificación.2

La ventaja que se pretende poner a prueba es la flexibilidad: en lugar de asignar la misma regla de gasto a todos los integrantes de un grupo, un agente podría responder a varios rasgos a la vez, como la combinación de edad e ingresos. Por ahora, eso es una hipótesis de trabajo, no una demostración de que prediga mejor que los modelos basados en encuestas o reglas fijas.23

¿Cómo comprobarán si acierta?

El equipo prevé comparar las simulaciones con el gasto observado antes y después de las ayudas distribuidas en Corea del Sur en julio y septiembre de 2025. Esas ayudas solo podían utilizarse en comercios autorizados y debían gastarse antes de noviembre de ese año. El episodio ofrece una referencia real para contrastar las compras y los cambios de gasto previstos por los agentes.2

La comparación también puede sacar a la luz comportamientos inverosímiles o explicaciones inventadas por la IA. Pero demostrar una ventaja predictiva exigiría anticipar resultados que el sistema no haya visto, medirlo frente a modelos convencionales pertinentes y tener en cuenta otros factores que afecten al consumo. La información disponible no detalla un protocolo de evaluación ni ofrece tasas de error publicadas: la mayor precisión sigue siendo un objetivo de investigación.23

¿Cuándo podría estar disponible?

OpenAI seleccionó el proyecto entre 14 iniciativas, a partir de más de 400 propuestas. Kwon cifra la ayuda en 100.000 dólares estadounidenses; según la información publicada, se divide a partes iguales entre dinero y créditos para usar los modelos de OpenAI, destinados a unos seis meses de desarrollo y pruebas.8104

El equipo apunta a febrero de 2027 para publicar una versión de código abierto y espera adaptarla a distintas poblaciones. También planea incorporar perfiles que reflejen intereses y opiniones políticas, así como explicaciones de las predicciones.4 Que el sistema funcione con datos de otros lugares —o que sus explicaciones correspondan a pronósticos fiables— tendrá que comprobarse, no darse por hecho.