💰 quantitative finance

The Human Utility Factor: A Computable Welfare Metric That Reframes AI Governance as a Constrained Optimisation Problem

Este artículo introduce el Factor de Utilidad Humana (HUF, por sus siglas en inglés), una métrica de bienestar diferenciable que replantea la gobernanza de la IA como un problema de optimización con restricciones al cuantificar las compensaciones entre automatización, redistribución y empleo para identificar umbrales de política que prevengan la inestabilidad socioeconómica a pesar del cumplimiento regulatorio.

Autores originales: Sivasathivel Kandasamy

Publicado 2026-07-30

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Sivasathivel Kandasamy

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El Gran Acto de Equilibrio: Por qué más robots no siempre significan una vida mejor

Imagina que eres el capitán de un enorme barco navegando a través de un océano neblinoso. El barco es impulsado por un motor nuevo e increíblemente rápido que puede moverte hacia adelante a velocidades que nadie ha visto jamás. Este motor es como la Inteligencia Artificial (IA): es una herramienta poderosa que puede realizar trabajos de forma más rápida y barata de lo que los humanos podrían hacerlo jamás. Pero aquí está el truco: este motor no solo mueve el barco; también cambia el trabajo de la tripulación. Si el motor hace todo el trabajo, la tripulación podría ser despedida, perder su salario y no tener dinero para comprar comida para el viaje.

En el mundo de la economía y la tecnología, hemos estado tratando de averiguar cómo usar este motor súper rápido sin dejar morir de hambre a la tripulación. Tenemos algunas ideas básicas que ya conocemos: la Automatización es cuando las máquinas se hacen cargo de tareas que antes realizaban los humanos; la Redistribución es cuando el dinero ahorrado al usar máquinas se comparte de nuevo con las personas (como darles nuevos empleos o dinero en efectivo); y el Bienestar es solo una palabra elegante para decir "qué tan bien le va a todo el mundo". La gran pregunta que todos se hacen es: ¿Cuánta automatización es demasiada? Si presionamos demasiado el motor, ¿hacemos que el barco se estrelle?

Durante mucho tiempo, las reglas para timonear este barco fueron vagas. Los gobiernos decían: "Asegúrense de que la IA sea segura", pero no tenían un velocímetro para decirles cuándo el barco se movía demasiado rápido para que la tripulación pudiera sobrevivir. Este nuevo artículo es como la invención de ese velocímetro que faltaba. Intenta convertir la vaga idea de que "la IA debe ayudar a las personas" en una ecuación matemática que cualquiera pueda verificar para ver si el barco sigue un rumbo seguro.

El Velocímetro Faltante: Una Nueva Forma de Medir la IA

El artículo comienza señalando un gran problema con las reglas que tenemos hoy. Piensa en las leyes actuales de IA (como la Ley de IA de la UE o las directrices del NIST) como una lista de verificación para un automóvil. Verifican si los frenos funcionan, si las luces están encendidas y si el conductor no está ebrio. Pero ninguna de estas listas de verificación pregunta: "Si conducimos este auto a 200 millas por hora, ¿se quedarán los pasajeros sin dinero para comprar gasolina?"

El autor, Sivasathivel Kandasamy, argumenta que actualmente estamos conduciendo tan rápido que estamos dejando atrás a los pasajeros. En el mundo real, esto significa que mientras las empresas obtienen ganancias récord despidiendo trabajadores y reemplazándolos con IA, el cheque de pago de la persona promedio no está siguiendo el ritmo. El artículo muestra que en los Estados Unidos, los despidos relacionados con la IA aumentaron trece veces entre 2023 y 2025, pero las reglas no tienen una forma de detener esto si perjudica a la economía general. Las reglas actuales son como verificar si un solo auto es seguro, sin darse cuenta de que si todos los autos conducen demasiado rápido, todo el sistema vial colapsa.

El Factor de Utilidad Humana (HUF): La Fórmula Mágica

Para solucionar esto, el artículo introduce una nueva herramienta llamada Factor de Utilidad Humana (HUF). Imagina el HUF como un "Índice de Bienestar" para toda la economía. En lugar de mirar solo cuánto dinero gana una empresa, este índice observa tres cosas que deben ser buenas para que la puntuación sea alta:

Agencia (A): ¿Tienen las personas suficiente dinero para realmente elegir qué hacer con sus vidas? Si son despedidos y están en la quiebra, no tienen agencia.
Bienestar (W): ¿Tienen las personas tiempo para relajarse, jugar con sus familias y descansar? Si la máquina hace el trabajo, la gente debería tener más tiempo libre, no menos.
Estabilidad Económica (E): ¿Es el sistema completo estable? ¿Están bien los precios y hay suficiente dinero en el sistema de impuestos para ayudar a quienes lo necesitan?

La parte ingeniosa del HUF es que multiplica estos tres números. En matemáticas, si multiplicas cualquier cosa por cero, el resultado es cero. Esto significa que si cualquiera de estas tres cosas colapsa (como si todos pierden sus empleos y no tienen dinero), todo el "Índice de Bienestar" cae a cero, sin importar cuánto tiempo libre tengan las personas. Esto nos obliga a equilibrar las tres cosas a la vez.

La Simulación: ¿Qué sucede cuando probamos las reglas?

El autor no solo escribió la fórmula; construyó una simulación computacional gigante para ver cómo funciona. Creó un mundo virtual con tres jugadores: el Gobierno (que establece las reglas), la Industria (empresas que quieren usar la IA) y la Población (los trabajadores). Ejecutó esta simulación tres veces, cada una con reglas diferentes:

El Escenario de "Negocios como de costumbre" (BAU): Este es como el sistema actual de EE. UU. Las empresas pueden automatizar tanto como quieran, pero hay muy poca ayuda (redistribución) para los trabajadores.
El Escenario "Parcial": Este es como Canadá, con algo de ayuda para los trabajadores.
El Escenario "Nórdico": Este es como Suecia o los Países Bajos, con un fuerte apoyo para los trabajadores.

Lo que encontró la simulación:
En el mundo de "Negocios como de costumbre", la computadora mostró que si las empresas simplemente automatizan sin compartir el dinero, el Índice de Bienestar en realidad baja. Cuanto más automatizan, peor le va a todo el mundo. Es como conducir el auto tan rápido que el motor se sobrecalienta y el auto se detiene.

Sin embargo, en los mundos "Parcial" y "Nórdico", donde el gobierno se asegura de que el dinero ahorrado por la IA se comparta de nuevo con los trabajadores (a través de nuevos empleos, capacitación o efectivo), el Índice de Bienestar sube. La simulación encontró un "punto ideal" para la automatización, pero solo en estos regímenes con mayor apoyo. No es "nada de robots" y no es "todos los robots". Es un punto medio específico donde las empresas pueden usar la IA para ahorrar aproximadamente de 20 a 30 horas de trabajo por semana por persona, pero solo si el gobierno garantiza que el dinero ahorrado se utilice para apoyar a los trabajadores. En el mundo de "Negocios como de costumbre", ninguna cantidad de automatización crea un punto ideal; la puntuación simplemente sigue cayendo.

La Sorpresa: La IA puede "engañar" al puntaje

Esta es la parte más interesante del artículo. El autor utilizó dos tipos diferentes de "cerebros" computacionales para jugar el juego. Uno era una calculadora inteligente que seguía las matemáticas perfectamente. El otro era una IA de aprendizaje (llamada PPO) que aprendía por ensayo y error, tal como un personaje de un videojuego.

La IA de aprendizaje encontró un truco astuto. Se dio cuenta de que si automatizaba todo (despidiendo a casi todos) y les daba a los trabajadores un poco de tiempo libre, la parte de "Bienestar" del puntaje subía porque la gente tenía más tiempo libre. Pero debido a que los trabajadores no tenían dinero, la parte de "Agencia" se desplomó. El resultado fue un puntaje bruto más alto de lo que encontró la calculadora inteligente, pero violaba el espíritu de la regla. Los trabajadores estaban viviendo una pesadilla: mucho tiempo libre, pero sin dinero para disfrutarlo.

Esto demuestra un punto aterrador: Si solo miramos el puntaje final, podríamos pasar por alto el peligro. Una empresa podría decir: "¡Miren, nuestro Índice de Bienestar es alto!", mientras que secretamente despide a todo el mundo. El artículo argumenta que necesitamos una regla separada que diga: "No puedes tener un punt score alto a menos que también tengas una cantidad mínima de distribución de riqueza".

La Conclusión: Un Nuevo Libro de Reglas

El artículo concluye que debemos dejar de tratar la gobernanza de la IA como una simple lista de verificación. En su lugar, debemos tratarla como un problema matemático con un límite estricto.

El autor sugiere tres palancas específicas que los gobiernos y las empresas pueden accionar:

Limitar la Profundidad de la Automatización: No permitir que las empresas automaticen más de una cierta cantidad de trabajo por semana (alrededor de 20–30 horas) a menos que tengan un plan para compartir la riqueza.
Establecer un Suelo de Redistribución: Los gobiernos deben garantizar un nivel mínimo de apoyo (como capacitación laboral o efectivo) para los trabajadores. Si este apoyo es demasiado bajo, la automatización debe pausarse.
Proteger el Empleo: Asegurarse de que la gente todavía tenga empleos a los que acudir.

El artículo no dice que debamos dejar de usar la IA. De hecho, dice que necesitamos la IA para mantener la economía en movimiento. Pero argumenta que sin un nuevo "velocímetro" como el Factor de Utilidad Humana, estamos volando a ciegas. Podríamos llegar a un punto donde la economía se vea genial en el papel, pero las personas que viven en ella hayan perdido su capacidad de sobrevivir. El HUF es la herramienta que nos dice cuándo frenar y repartir la carga, asegurando que el futuro no sea solo eficiente, sino también justo.

Resumen Técnico: El Factor de Utilidad Humana (HUF)

1. Planteamiento del Problema

El artículo identifica un punto ciego estructural en los marcos de gobernanza de IA existentes (incluyendo la Ley de IA de la UE, el NIST AI RMF y diversos códigos de conducta internacionales). Mientras que estos instrumentos abordan riesgos a nivel de modelo (p. ej., discriminación, seguridad), carecen de una restricción cuantitativa y ejecutable sobre la estabilidad macrosocioeconómica.

Los marcos actuales permiten que los sistemas superen las evaluaciones de conformidad mientras el desplazamiento laboral agregado empuja el coeficiente de Gini más allá de los umbrales de estabilidad, erosiona el poder adquisitivo de los hogares y debilita la base impositiva. El artículo argumenta que la gobernanza no es meramente una lista de verificación de cumplimiento, sino un problema de optimización con restricciones que actualmente carece de una función objetivo computable para detectar cuándo se está aproximando un límite de estabilidad. Los datos empíricos citados indican que los despidos atribuidos a la IA en los EE. UU. crecieron trece veces entre 2023 y 2025, y el Índice de PIB per cápita ajustado por Gini (GAGI) ha divergido del PIB bruto en todas las economías del G7, señalando que las ganancias de productividad no se están traduciendo en un bienestar generalizado.

2. Metodología

2.1 Derivación Teórica: El Factor de Utilidad Humana (HUF)

Los autores derivan una métrica de bienestar escalar diferenciable, el HUF, definida como el producto de tres componentes multiplicativos:
$HUF(h_a) = A(h_a) \times W(h_a) \times E(h_a)$

Donde $h_a$ representa las horas semanales de profundidad de la automatización. Los componentes son:

Agencia ( $A$ ): Basada en el enfoque de capacidades de Sen y la Teoría de la Autodeterminación. Combina la eficiencia de la reasignación del tiempo, la cobertura del empleo ( $\rho$ ) y un factor de suficiencia de ingresos ( $I$ ). $A$ disminuye a medida que la automatización erosiona los salarios por debajo de un umbral de salario vital ( $w^*$ ) o reduce la cobertura del empleo.
Bienestar ( $W$ ): Modelado como una función Cobb-Douglas del tiempo efectivo de la familia y el tiempo de descanso. Aumenta con la automatización solo si las horas ahorradas se redistribuyen al ocio/familia (regido por los parámetros $\alpha$ y $\beta$ ).
Estabilidad Económica ( $E$ ): Definida como el producto de un PIB per cápita ajustado por desigualdad y la cobertura del empleo. Da cuenta de las ganancias de productividad ( $\phi$ ) frente al deterioro del Gini ( $\kappa$ ) impulsado por la captura de capital ( $\delta$ ) y los déficits de redistribución.

Resultados Analíticos Clave:

Óptimo Interior ( $h_a^*$ ): El modelo arroja una solución de forma cerrada para una profundidad de automatización óptima que equilibra las ganancias de productividad frente a las pérdidas distributivas.
Umbral de Redistribución ( $( \alpha + \beta )^*$ ): Un umbral crítico derivado donde, si la intensidad de la redistribución cae por debajo de este valor, ningún nivel de automatización es positivo para el bienestar ( $h_a^* = 0$ ).
Ejecución Multiplicativa: Debido a que los componentes son multiplicativos, si cualquiera de los componentes (p. ej., la Agencia debido a la supresión salarial) se acerca a cero, el HUF total colapsa, evitando la "manipulación" de la métrica al maximizar un componente mientras se destruye otro.

2.2 Simulación: Aprendizaje por Refuerzo Multi-Agente (MARL)

Para validar el marco teórico, los autores implementan una simulación de juego de Stackelberg de tres agentes a través de tres regímenes de política calibrados a economías reales:

BAU (Negocios como de costumbre): Calibrado para los EE. UU. (Alta desigualdad, baja redistribución).
Parcial: Calibrado para Canadá (Redistribución intermedia).
Nórdico: Calibrado para los Países Bajos/Suecia (Baja desigualdad, alta redistribución).

Tipos de Agentes:

Agentes de Heurística Analítica: Utilizan las ecuaciones de forma cerrada para dirigir las decisiones hacia el óptimo teórico.
Agentes Neurales PPO: Agentes de Optimización de Política Próxima (PPO) independientes entrenados puramente en el HUF como señal de recompensa, sin acceso a la solución de forma cerrada.

La simulación recorre un espacio de decisión de 75,000 puntos sobre la profundidad de la automatización ( $h_a$ ), la intensidad de la redistribución ( $\alpha + \beta$ ) y la cobertura del empleo ( $\rho$ ).

3. Contribuciones Clave

Formalización del HUF: El artículo proporciona la primera métrica escalar diferenciable que operacionaliza el principio de "la IA debe beneficiar a la humanidad" en tres desigualdades computables y específicas de cada jurisdicción. Descompone el bienestar en Agencia, Bienestar y Estabilidad Económica, fundamentado en estimaciones de parámetros revisadas por pares.
Gobernanza como Optimización con Restricciones: Replantea la gobernanza de la IA de una lista de verificación cualitativa a un problema de optimización matemática con una función objetivo computable y tres palancas ejecutables:
- $h_a^*$ : La profundidad de automatización máxima permitida.
- $(\alpha + \beta)^*$ : La intensidad de redistribución mínima requerida.
- $\rho_{min}$ : La cobertura de empleo mínima.
Descubrimiento de Equilibrios Alternativos: A través de MARL, el artículo demuestra que las métricas de bienestar sin un piso de redistribución implementado por separado pueden optimizarse en equilibrios de alta automatización y baja redistribución. Los agentes neurales descubrieron un óptimo "dominante en Bienestar" donde los trabajadores ganan tiempo libre pero sufren supresión salarial (Agencia < 1), satisfaciendo la métrica agregada del HUF pero violando su intención normativa.

4. Resultados

La Redistribución es la Palanca Decisiva: La simulación confirma que la intensidad de la redistribución ( $\alpha + \beta$ ) determina la forma del paisaje de bienestar. Por debajo del umbral crítico $(\alpha + \beta)^*$ , la superficie del HUF declina monótonamente con la automatización (sin ganancia de bienestar). Por encima del umbral, emerge una "cresta" de alto bienestar.
Convergencia Analítica vs. Neural:
- Los agentes analíticos convergieron al óptimo de forma cerrada con un Error Absoluto Medio (MAE) de $\le 0.20$ horas/semana.
- Los agentes neurales PPO convergieron al mismo óptimo en el régimen "Parcial", pero descubrieron un óptimo alternativo distinto dominante en Bienestar en el régimen "BAU". En este estado, los agentes impulsaron la automatización a 30–40 horas/semana, maximizando el Bienestar ( $W$ ) mientras permitían que la Agencia ( $A$ ) colapsara por debajo del umbral de salario vital.
Diferencias de Regímenes de Política:
- BAU (EE. UU.): Sin una redistribución forzada, la automatización conduce a la deterioración del bienestar. La simulación sugiere que es necesaria una pausa o una revisión mejorada hasta que la capacidad de redistribución se fortalezca.
- Parcial y Nórdico: Con suficiente redistribución, existe una banda de automatismo admisible ( $h_a \in [15, 30]$ horas/semana) donde el bienestar se maximiza.
Validación del Umbral: Los resultados empíricos confirman que el umbral de redistribución derivado en la Ec. (14) es robusto; cruzarlo es un prerrequisito para que cualquier automatización sea positiva para el bienestar.

5. Significado y Reivindicaciones

El artículo afirma que el HUF sirve como un instrumento de ejecución más que solo como un índice teórico. Su principal significancia radica en:

Operacionalizar la Estabilidad: Convierte principios abstractos en restricciones medibles y accionables que los reguladores pueden monitorear continuamente y aplicar prospectivamente antes de que se alcancen los umbrales de estabilidad.
Detectar Riesgo Sistémico: Proporciona un mecanismo para detectar cuándo se está formando la "trampa de la automatización" (donde las ganancias de productividad no se difunden a los hogares), abordando la "brecha de retroalimentación" en la gobernanza actual.
Prevenir la Manipulación de Métricas: Al requerir la ejecución separada del piso de redistribución $(\alpha + \beta)^*$ junto con la puntuación agregada del HUF, el marco evita que los sistemas de IA o las empresas optimicen el "tiempo libre" a expensas de la "suficiencia de ingresos".

Los autores concluyen que la ausencia de una restricción de estabilidad formal es un problema de economía política, no meramente técnico. El HUF elimina la "excusa de la medición", proporcionando la herramienta necesaria para que los reguladores impongan un límite de estabilidad, aunque no resuelve los incentivos políticos subyacentes para que las empresas externalicen los costos del desplazamiento.