Concha Bielza, catedrática de la Universidad Politécnica de Madrid y codirectora de su Grupo de Inteligencia Computacional, recibe este año el Premio AEPIA y ofrece una conferencia en CAEPIA 2026, el congreso español de inteligencia artificial que se celebra en Jaén del 11 al 13 de noviembre. Su charla se titula «Bayesian Networks: from predictions to explanations, causality and counterfactuals». Le hemos hecho seis preguntas por escrito, en cristiano, el 10 de noviembre. Estas son sus respuestas, resumidas; lo que va entre comillas son sus palabras literales.
Enhorabuena por el Premio AEPIA 2026: ¿qué significa para ti después de tantos años con redes bayesianas?
«Este premio lo recibo con enorme satisfacción», responde. Lo agradece de forma especial porque viene de la comunidad española de inteligencia artificial, de la que se siente parte desde hace muchos años, y lo ve también como un reconocimiento al trabajo colectivo de su grupo, a los estudiantes de doctorado que han formado y a sus colaboradores.
Su relación con las redes bayesianas «viene de lejos»: ya en su tesis doctoral, en los años noventa, trabajaba en la toma de decisiones bajo incertidumbre. Poco después desarrollaron un sistema de ayuda a la decisión clínica para la ictericia neonatal, en el que ya les preocupaba no solo recomendar un tratamiento, sino explicar por qué se recomendaba. Hoy, dice, esos modelos siguen sirviendo para cuestiones que están en el centro del debate: la interpretabilidad, la explicabilidad y la causalidad.
Para quien no sabe de estadística: ¿qué es una red bayesiana y en qué se distingue de un modelo que solo predice?
Es un modelo que representa las relaciones probabilísticas entre un conjunto de variables. Bielza propone imaginarla como «un mapa en el que las variables están conectadas mediante flechas» que ayudan a ver cómo se relacionan unas con otras. Su virtud principal es que permite razonar con incertidumbre, incluso con información incompleta.
Un ejemplo de medicina: se puede estimar la probabilidad de una enfermedad a partir de síntomas y pruebas, pero también hacer el camino inverso, conocer un diagnóstico y preguntarse qué síntomas serían más probables o qué prueba adicional sería más útil. Frente a los modelos que solo predicen, permiten además ver qué información aporta cada variable y cómo cambia una conclusión al incorporar nuevos datos: además de una respuesta, se puede investigar cómo se ha llegado a ella.
Hoy todo el mundo habla de IA que genera texto: ¿qué diferencia hay entre que una IA acierte y que entienda por qué ocurren las cosas?
Una IA puede hacer predicciones muy precisas sin conocer las causas de lo que predice: identifica patrones y asociaciones en enormes cantidades de datos, pero eso no significa que comprenda los mecanismos que los producen. Dos fenómenos pueden aparecer juntos sin que uno sea la causa del otro, y esa distinción entre correlación y causalidad es fundamental cuando se quiere usar la IA para tomar decisiones.
Para entender el porqué hay que plantear preguntas distintas: qué sucedería si interviniéramos sobre una variable y qué habría ocurrido si las circunstancias hubieran sido otras. Y para responderlas, advierte, no basta con disponer de muchos datos: hacen falta modelos causales y supuestos que justifiquen las relaciones. Uno de los grandes retos actuales, concluye, es una IA que no solo acierte, sino que «nos ayude a comprender por qué ocurren las cosas y a fundamentar nuestras decisiones».
Con un ejemplo cotidiano: si a una persona le deniegan un crédito, ¿qué le diría una IA así?
En lugar de limitarse a decir que la solicitud ha sido denegada, podría indicar qué tendría que cambiar el solicitante para que el modelo predijera un resultado favorable. Por ejemplo: «Si redujeras tus deudas en una determinada cantidad, el modelo predeciría la aprobación de tu solicitud». Eso es una explicación contrafactual: una situación alternativa, lo más próxima posible a la original, en la que la predicción cambia.
Pero no vale cualquier cambio: no tendría sentido recomendar a alguien que duplique de golpe sus ingresos o que cambie características personales que no dependen de su voluntad. Lo interesante es encontrar cambios que estén a su alcance. Una de sus líneas de investigación va un paso más allá: no solo decir qué debería ser diferente, sino cómo llegar a esa situación mediante una secuencia de acciones factibles, teniendo en cuenta las relaciones entre las variables y el esfuerzo necesario.
Su trabajo toca la neurociencia, la industria y la ciberseguridad: ¿dónde cambiará antes la vida de la gente entender las causas?
Bielza ve un gran potencial en la salud, especialmente en la prevención y la medicina personalizada. Su grupo ha trabajado con datos de enfermedades neurológicas como el Alzheimer, el Parkinson o la epilepsia para identificar biomarcadores, caracterizar perfiles de pacientes y predecir la evolución de la enfermedad o su calidad de vida. Comprender los mecanismos, explica, permitiría identificar factores sobre los que actuar y evaluar qué intervenciones serían más beneficiosas para cada paciente, aunque eso exige validar con cuidado las relaciones causales.
En la industria, han desarrollado modelos para anticipar fallos y estimar cuándo hay que hacer mantenimiento; el siguiente paso es entender qué provoca esos fallos y cómo evitarlos, pasando del mantenimiento predictivo al prescriptivo. Y en la ciberseguridad industrial, comprender cómo se producen los ataques y qué vulnerabilidades aprovechan ayuda a anticiparlos y a diseñar mejores protecciones. «Es difícil señalar un único ámbito», resume.
¿Qué te gustaría que se llevara a casa quien te escuche en Jaén?
Que la inteligencia artificial puede ofrecer «mucho más que predicciones precisas». En su conferencia usará las redes bayesianas para mostrar que se pueden hacer preguntas muy distintas a un mismo modelo: qué relaciones representa, cómo cambia nuestro conocimiento al recibir nueva información, qué explica una observación o qué información hace falta para decidir. Y, bajo determinados supuestos, dar un paso más hacia las preguntas causales y contrafactuales: lo que sucedería si interviniéramos.
Su deseo, dice, es despertar el interés por avanzar hacia una IA «que no se limite a proporcionar respuestas, sino que nos ayude a comprenderlas y cuestionarlas».
Concha Bielza es catedrática de la Universidad Politécnica de Madrid, codirectora de su Grupo de Inteligencia Computacional y Premio AEPIA 2026. Responde por escrito a La Prensa IA. Foto cortesía de la entrevistada.
Contenido elaborado con la asistencia tecnológica de IBERIA y supervisión editorial. Fermín Sánchez es el responsable editorial de LaPrensaIA, diario de divulgación sobre inteligencia artificial. Cubrimos la actualidad de la IA con criterio propio —tecnología, empresas y sociedad— de forma clara para el público no técnico.
