El Plan Social para el Clima

Se presentó hace unas semanas el Plan Social para el Clima, algo necesario para amortiguar el efecto de la próxima entrada en vigor del ETS2 (si es que se aprueba en el Parlamento, claro, algo además necesario para que se active el Plan Social).  No es mal momento, dado que la crisis que estamos sufriendo (y que todavía podemos seguir sufriendo durante un tiempo que puede ser largo) está generando unos impactos mayores que los que esperamos del ETS2.

Ahora al fin he podido echarle un vistazo, y aquí van mis comentarios sobre las distintas medidas propuestas:

En la parte de vivienda, me parece muy buena idea el facilitar la información y la capacidad de actuación de los vulnerables mediante la Red Actúa. También la rehabilitación exprés. Una pena que sean las medidas con menos presupuesto....porque las que se llevan más dinero no me gustan tanto.

Rehabilitación integral: muy bien si queremos crear empleo en la construcción, o si queremos solucionar problemas más amplios de accesibilidad, pero siempre hemos sabido que la rehabilitación integral es bastante más cara que la rehabilitación parcial, y bastante menos eficiente en términos de reducción de consumo de energía y de coste económico. Si el objetivo es optimizar el uso de los recursos públicos disponibles para reducir la exposición de los hogares vulnerables, hubiera sido mejor un programa focalizado en el cambio de calderas y quizá de ventanas, o directamente rehabilitación exprés.

Promoción de vivienda social: Entiendo que el objetivo es más bien asegurar que la vivienda social cumple con unos buenos requisitos de eficiencia energética...¿No tendría más sentido reformar el código técnico de la edificación?

Comunidades energéticas: lo de siempre, las comunidades energéticas en sí mismas no necesariamente proporcionan ni energía más asequible ni más eficiencia energética. Por supuesto pueden empoderar más a los consumidores, y si hay subsidios cruzados, sí pueden producir un beneficio. Pero de ahí a pensar que puedan ser un pilar para proteger a los vulnerables...

En cuanto a la movilidad rural, me parece buena idea la financiación del transporte a demanda, movilidad compartida o soluciones innovadoras que permitan solucionar la falta de acceso de este tipo de entornos al transporte público. Habrá que ver hasta donde pueden llegar, no vendría mal aprovechar para hacer pilotos bien diseñados que permitan evaluar su funcionamiento de cara al futuro.

Pero en cambio, la financiación del transporte público, que es lo que se lleva una parte significativa del presupuesto, no me parece una buena medida ni mucho menos: el problema del transporte público, como hemos visto muchas veces, no es de coste monetario, es de coste de tiempo. Y eso no se soluciona haciéndolo más barato (algo que puede de hecho generar un rebote significativo). En ese sentido, el Abono Único sí puede contribuir a hacer algo más cómodo el transporte público...aunque la evidencia tampoco es clara; y además habría que extenderlo al ámbito local.

La movilidad activa es otro de estos temas que siempre aparecen, pero que no está nada claro cómo de aplicable o útil puede ser para los hogares vulnerables. Además de que, como también he dicho algunas veces, esto no quita cuota al vehículo privado, sino al transporte público.

Mejorar la intermodalidad, o en general cualquier actuación que mejore la calidad del transporte público en términos de tiempo o comodidad (como el Abono único que señalaba antes) sí puede contribuir a lograr el cambio modal necesario. Favorecer la movilidad compartida también claramente puede contribuir a reducir el impacto de una subida de precios de los carburantes en los usuarios (no sólo los vulnerables). Otra cosa es si funcionarán o no estas medidas: en general, la movilidad compartida se incentiva haciendo más cara la individual, y no tanto facilitando la compartida...pero habrá que verlo. De nuevo, no vendría mal montar programas de evaluación independiente de estas medidas, para aprender a la vez que las desplegamos.

Y por último, electrificar el transporte por carretera también puede contribuir, desde luego, a reducir el impacto del ETS2. Focalizar las ayudas en las microempresas y autónomos es por supuesto muy deseable. Pero habría que preguntarse si el mejor uso del gasto público es la subvención a la inversión, o si, en el caso de empresas, sería más conveniente facilitar su financiación a tipos de interés muy bajos, como proponía Oikos hace tiempo, algo que puede lograr tasas de renovación parecidas a un coste muy inferior (o mejor, mucha más tasa de renovación al mismo coste)

En resumen, parece que muchas de las medidas se focalizan en los vulnerables; eso está bien y además es lo que indica el Fondo Social. Pero no hubiera estado de más aprovechar también para introducir medidas para fomentar el ahorro energético, como las que se proponían en el Libro Blanco de Reforma Fiscal, acompañándolas de compensaciones para los vulnerables. Por si vienen bien ideas, aquí van dos papers recientes de Economics for Energy, ya de despedida (cerramos este verano).

Un último comentario: dado que transporte y vivienda son en general ámbitos en los que el Estado tiene unas competencias muy limitadas, mucho de lo planteado depende de la coordinación efectiva con las Comunidades Autónomas, Diputaciones y entes locales. Ojalá se logre esto, porque si no... 

¿Para qué podemos o queremos usar la IA en investigación?

Hace unas semanas escribía sobre una razón de peso para no usar la IA para investigar: en mi opinión, utilizarla reduce el aprendizaje, que es algo fundamental para los estudiantes de doctorado, pero también para todos los investigadores, que debemos seguir aprendiendo continuamente. 

Estos días he seguido hablando con compañeros del tema, constatando que no todos en el IIT o Comillas estamos de acuerdo en esto. Algo que refleja lo que hay en el mundo, con por ejemplo Tyler Cowen en un extremo, y un grupo creciente de investigadores en otro. Así que pensé que no venía mal aclarar más mi posición (por si, como hablé con Eduardo, montábamos un debate sobre el tema). Una posición que no es absoluta: como incluso el Papa nos recuerda, al igual que muchos otros, no es tanto si queremos IA o no, sino para qué es lícito, o interesante, o conveniente, usarla. 

Por supuesto, todo esto se apoya en un supuesto fundamental: que la IA se equivoca, igual que todos nosotros. Muchas veces tratando de sonar convincente, o incluso a veces queriéndonos engañar. Y que por tanto, el uso de IA requiere supervisión, igual que todos la necesitamos, bien directa (en el caso de los investigadores en formación), o bien indirecta (en los sistemas de evaluación por pares, en el caso de los investigadores experimentados). Si la IA llegara a un punto en el que no se equivocara nunca, o en el que sus equivocaciones no fueran relevantes, entonces yo tendría que reconsiderar mi postura (más sobre esto al final).

Creo que, para empezar, es conveniente distinguir entre el uso que le puede dar un investigador con experiencia, del que le puede o debe dar un investigador en formación.

Para un investigador con experiencia, el uso de la IA puede tener distintos alcances: desde ser el equivalente a tener más asistentes de investigación a mano, ocupándose de las tareas que requieren menos criterio, como construir una base de datos; hasta usarla para rebotar ideas de investigación formuladas por el humano, que también se ocuparía de comprobar los resultados e interpretarlos; o, quizá ya en el extremo, subcontratarle todo el proceso de investigación, como de alguna forma podría ser supervisar un estudiante de doctorado con buena formación y criterio, o incluso a un investigador experimentado. Esto ya existe en economía o en biología. Aunque, eso sí, con limitaciones evidentes cuando uno se sale de tareas específicas.

Otra cosa, por supuesto, es el coste, que cada vez se va haciendo más transparente, afortunadamente. Y no sólo el coste monetario de la suscripción o de los tokens. Todos sabemos que supervisar investigadores en formación es costoso, hay que dedicarles la atención suficiente. Lo mismo pasa con la IA. Y si utilizamos la IA en modo ejército de agentes, luego viene el coste implícito de su supervisión (que Newport asimila a la paradoja de Jevons). Y esto por no hablar del impacto en las publicaciones científicas: muchos más papers, pero de peor calidad, que está llevando a editores como los de Arxiv a rechazar todo lo que esté hecho con IA. En el fondo, todo esto es parecido a lo que ya está pasando en el campo del desarrollo de software.

Pero lo que es importante es que, en todos estos casos, incluso en los más extremos, siempre hay un supervisor, al menos en teoría, que vigila que la IA no haga tonterías. Si hay buena supervisión, no veo problema esencial (aunque sí cuestiones de fondo relevantes, ver al final) en el uso de la IA. Igual que tampoco lo veo en la corrección de pruebas docentes, algo en que la IA ha demostrado ser al menos igual de buena que nosotros, y que sin embargo no se permite (aún).

La supervisión es pues para mí la clave del asunto para hablar de cómo deben usar la IA los investigadores en formación, y en el fondo, de para qué debemos formarles.

Mientras la IA siga equivocándose, creo que debemos formarles para lo que ya les formamos: para adquirir el criterio suficiente para investigar, que es el mismo que para supervisar investigación. Esto por supuesto incluye el criterio para saber en qué usar la IA (y qué herramientas utilizar) y en qué no usarla.

Algunos defienden que, como la IA es tan potente, realmente debemos formar a los doctorandos para que puedan utilizar la IA a su servicio: en las revisiones bibliográficas, en la programación, en la escritura, o incluso en el análisis de resultados y conclusiones. Es decir, para que sean directores de orquesta y con ello logren una mucha mayor productividad (que para mí no es un objetivo en este nivel). Pero un director de orquesta debe tener criterio suficiente para entender si el compás de la música es el adecuado, si alguien está desafinando...¿cómo se aprende eso si nunca se ha hecho? ¿Cómo se aprende la capacidad de saber si una revisión de la literatura está bien hecha o no si nunca se ha hecho?¿Cómo valorar la interpretación de resultados que hace la IA si nunca te has enfrentado a ese problema? ¿Qué más da ser más productivo si no se han aprendido los conceptos básicos? Esto no es como aprender a usar una calculadora: la calculadora no se equivoca, si la has programado bien. La IA sí.

Recuerda siempre Mariano el dicho ese que usamos en ICAI, y que algunos atribuyen a Confucio: "Lo que se oye se olvida, lo que se ve se recuerda, lo que se hace se aprende". Si los estudiantes de doctorado no hacen su propia revisión bibliográfica de forma crítica, si no se pelean con la interpretación de resultados, nunca lo aprenderán. Si no se exponen a la estructuración de sus ideas y la consistencia de las mismas, ese proceso que sólo tiene lugar cuando tratas de escribirlo para que otro lo entienda, tampoco lo aprenderán. Y entonces no serán capaces de supervisar a la IA. Ni siquiera podrán ser directores de orquesta. 

¿Significa esto que no deben entonces nuestros estudiantes usar la IA? No, claro. La IA claramente tiene una capacidad analítica que nos supera. Aprovechémosla. La IA también nos permite programar mejor (cuando el objeto de la investigación no es la programación en sí misma). O pulir nuestra escritura (no decirnos qué ideas incluir y cuáles no, o cómo estructurar un texto para que se entienda bien, eso como digo es parte del proceso de aprendizaje. Todas aquellas tareas mecánicas que no forman parte del proceso de aprendizaje, y que fácilmente hubiéramos subcontratado a un asistente, o a un estudiante de grado, antes de disponer de la IA, podemos seguir subcontratándolas. Pero todo lo que haga falta para aprender y formar un análisis crítico no podemos delegarlo, porque entonces no hay aprendizaje. Y sin aprendizaje no hay capacidad de supervisión futura.

Un par de cuestiones finales, quizá a desarrollar dentro de un tiempo, cuando la IA avance un poco más la primera y bastante más la segunda:

Incluso cuando la IA siga equivocándose, pero poco, y lleguemos a los extremos que mencionaba antes de subcontratación de casi todo el proceso investigador, incluida la formulación de preguntas (que, de nuevo, no evita la necesidad de formar supervisores), ¿aporta eso la misma satisfacción para el investigador? A lo mejor es más productivo y publica más (o no, si todos hacen lo mismo, otra rueda de hamster), pero, ¿seguro que mola delegar el proceso creativo, la curiosidad, la capacidad de descubrir nuevas cosas por uno mismo o sorprenderse? Para mí desde luego la carrera de investigador perdería muchos puntos, incluso aunque la IA nos permita hacer algunas de estas cosas con más eficiencia. En este mundo, ¿qué valor tiene la investigación? ¿Para qué investigamos?¿Para qué publicamos, como decía Cowen? Eso ya sin entrar en lo que sucede cuando delegamos nuestra actividad consciente en máquinas más inconscientes, como bien cuenta Erik Hoel aquí.

Y, ¿qué pasa cuando la IA deje de equivocarse, cuando ya no necesite supervisión o lo haga ella misma, el objetivo de Anthropic, por ejemplo? Pues que, entonces, habrá que reconsiderar todo lo que he dicho arriba sobre la formación doctoral. Porque, llevado a su extremo, podríamos llegar a la conclusión de que hay que dejar de investigar, y por tanto dejar de formar personas para ello: sería mucho más eficiente dejar a la IA hacerlo. Eso no quiere decir que los humanos dejaran de investigar, pero se convertiría en un hobby. Igual que hay gente a la que le gusta tocar la guitarra, sabiendo que nunca llegarán a ser un Clapton, podría haber gente que encontrara satisfacción intelectual en investigar, solo o con la ayuda de la IA, incluso aunque no puedan vivir de ello (o sí, en ese mundo con renta universal en el que las máquinas hacen todo). Aunque para esto creo que todavía queda bastante, porque como defienden aquí, hace falta bastante más que capacidad analítica para igualar a un estudiante de doctorado.

Observatorio de la Transición Justa 2026

Nueva edición de este observatorio. El resumen que me pasan, que, la verdad, coincide en mucho con mi percepción: la clave está en los aspectos distributivos, algo que debería ir incluso más allá del Plan Social para el Clima (del que espero escribir algo un día de estos).

  • Alto reconocimiento del cambio climático (78%), pero con una erosión progresiva de la certeza de su existencia desde 2023 (85%). La prioridad del cambio climático cae, desplazada por preocupaciones económicas lo que obliga a reformular la transición en términos de beneficios concretos y valor socioeconómico. La transición ecológica se percibe crecientemente como una oportunidad de empleo y desarrollo económico (56%). Se agota el marco cambio climático/transición ecológica frente a otros más movilizadores como autonomía estratégica, competitividad e industrialización. 

• Tecnologías: el apoyo a las renovables se estabiliza tras la caída del año anterior. Se mantiene un apoyo alto a la solar (84%) y la eólica (78%), crece la aceptación de la nuclear (32%). El hidrógeno verde se mantiene en niveles relevantes (69%) y los biocombustibles en un 59%, pero solo un 45% aceptaría tener una planta cerca de su casa. Sube la nuclear a un 32%. 

• Crece la importancia de la licencia social:  se debe vigilar la distancia entre el apoyo teórico y la aceptación de infraestructuras en el entorno cercano 

• Se consolida la erosión en la disposición a adoptar medidas en la vida cotidiana contra el cambio climático 

• Se mantiene el predominio del vehículo convencional y se produce una transición tecnológica lenta debido a la desigualdad socioeconómica y territorial en la adopción de vehículos híbridos.

Lecturas interesantes sobre IA

 Tengo pendiente escribir de una forma algo más extendida mi posición sobre la IA en la investigación, en parte para poder prepararme para ese debate con Eduardo Garrido :). Pero mientras, y cada vez más, siguen saliendo cosas muy interesantes, que creo que vale la pena leer para formarse una buena opinión:

- Luis Garicano y Jesús Saa-Requejo plantean un modelo para entender quién captura las rentas en la IA. Su conclusión es que donde se pueden capturar las rentas es en la implantación, y no tanto en el desarrollo de los modelos LLM. Pero sólo mientras este campo siga siendo tan competitivo como lo es ahora.

- Cal Newport, sobre la necesidad de distinguir lo bueno y lo malo de la tecnología, y actuar en consecuencia, teniendo el valor de decidir qué queremos usar y qué no. Para eso propone trabajar más en ética digital  

- Esto de distinguir lo bueno y lo malo también lo subraya Christopoulou para la educación, con una analogía muy fácil de entender, 

- Y por supuesto, León XIV.

Medición del riesgo geopolítico y su impacto

 Un paper que he descubierto en mi visita a China, porque allí en el equipo de Yang Bai lo están usando mucho, es este sobre la medición del riesgo geopolítico y de su impacto en la macroeconomía. Del American Economic Review nada menos. Está disponible en abierto si lo buscáis.

En defensa de los modelos sencillos

 Una historia divertida, pero con mucho fondo, de Tim Harford, sobre la importancia de usar modelos sencillos para interpretar el mundo, o para predecir el futuro. Algo que ya decía siempre Schelling. Eso sí, como bien señala implícitamente Harford al final: sencillo no significa simplón, ni tonto. Para poder construir un modelo sencillo hay que ser muy listo (como Schelling).

Avances en la producción de hidrógeno natural

 Parece que son dos las iniciativas más llamativas, aunque se han publicado en la misma semana: esta de unos investigadores de la Universidad de Texas que están añadiendo CO2 al agua que inyectan (algo que sirve a la vez para quitar este CO2 de enmedio), y esta de una start-up que ya está con un piloto.