En el anuario de mi preparatoria, un profesor —un enamorado de la ciencia, obsesionado con la necesidad de cuidar el planeta— dejó un mensaje que en ese entonces me pareció inspirador: “Metan un gol por la ecología”. Un gol. Uno. Años después sigo pensando en esa frase, porque no pedía que nos convirtiéramos en activistas profesionales, ni en científicos del clima, ni en héroes ambientales. Pedía algo más sencillo y más difícil al mismo tiempo: participar. Mover el marcador aunque fuera un poco. Hacer algo que, sumado a lo que otras personas hicieran, cambiara la dirección del juego.
Hoy, ese gol —ese pequeño acto que hace avanzar una causa enorme— tiene un nombre técnico en mi profesión: modelos de evaluación integrada, o IAMs por sus siglas en inglés. Son herramientas que buscan entender cómo interactúan dos sistemas que solemos imaginar por separado: la economía y el clima. Hasta hace poco, estos modelos tenían que simplificar tanto la realidad que se quedaban cortos para orientar políticas públicas robustas. La complejidad era demasiada: procesos no lineales, dinámicas que cambian con el tiempo, cientos de variables interconectadas. Pero algo está cambiando.
En un documento de investigación publicado recientemente, “Climate Change Through the Lens of Macroeconomic Modeling”, Fernández-Villaverde, Gillingham y Scheidegger dan un paso decisivo. La idea es sencilla de enunciar y monumental en su significado: usar aprendizaje profundo para resolver versiones más sofisticadas de los IAMs, sin aplanar la realidad hasta volverla irreconocible. Es decir: usar IA para entender el cambio climático con la fidelidad que exige una crisis que ya no admite ni aproximaciones gruesas ni ilusiones de linealidad.
¿Por qué importa esto? Porque el cambio climático es, quizá, el problema de naturaleza no lineal más retador que enfrentamos: pequeñas variaciones generan efectos gigantescos; los impactos se acumulan de maneras impredecibles; y todo lo que hacemos —consumir, ahorrar, producir, invertir, contaminar, regular— modifica, a su vez, la trayectoria futura del planeta. Las herramientas económicas tradicionales son muy buenas para algunos problemas. Para éste, no del todo.
Los autores del documento muestran que el aprendizaje profundo puede manejar tres obstáculos que históricamente limitaban a los IAMs. La no estacionariedad: el mundo cambia, la tecnología cambia, el clima cambia, y con ellos la tendencia. Los incentivos cambian. Las no linealidades: los efectos no son proporcionales a las causas. La dimensionalidad: hay demasiadas variables relevantes como para simplificarlas sin perder la esencia.
La IA, por primera vez, permite trabajar con esas tres cosas juntas. Es el equivalente a pasar del futbol rápido en una cancha de fut-7 a jugar en el Estadio Azteca con equipo completo y reglas formales. Cambia todo. Pero hay un segundo mensaje del documento aún más poderoso: la economía, tal como está organizada, no tiene la estructura institucional para hacer investigación de largo aliento en equipo, como sí la tienen las ciencias naturales. Hacer modelos climáticos de vanguardia no es un trabajo de dos académicos y un estudiante. Requiere equipos estables durante años: economistas, físicos, programadores, expertos en datos, climatólogos. Requiere continuidad. Requiere laboratorios. Y eso, por ahora, no existe.
El resultado es que avanzamos, pero más lento de lo que podríamos. Con cada año que pasa, los costos de la inacción suben. Y, sin embargo, seguimos dependiendo de estructuras de investigación diseñadas para un tipo de ciencia que ya no alcanza. Aquí es donde regreso a mi profesor de preparatoria. Metamos un gol por la ecología. No dijo: “ganen el partido”. Ni “rebaten al adversario”. Ni “escriban ustedes solos el reglamento del torneo”. Un gol.
En mi caso, ese gol —pequeño, modesto, pero real— es hablar de esto en un espacio público. Ayudar a que más personas sepan que la IA no es sólo una curiosidad o un juguete, sino una herramienta para enfrentar el mayor reto de nuestra generación. Contar que hay equipos en el mundo intentando que la economía deje de mirar al clima como un apéndice. Explicar que necesitamos otra arquitectura de investigación, más estable y más colectiva.
