Cómo los sistemas multi‑agente de Sanmay Das buscan una distribución más justa de recursos

Trayectoria y enfoque de investigación

Sanmay Das es profesor de informática en Virginia Tech y, además, Director Asociado de IA para Impacto Social en el Sanghani Center for AI and Data Analytics. Su carrera gira en torno a los sistemas multi‑agente, una rama que estudia cómo diseñar agentes capaces de tomar decisiones inteligentes cuando interactúan con otros. Desde sus inicios como estudiante de pregrado en Harvard, donde colaboró con Barbara Grosz y Avi Pfeffer en la reconciliación de intenciones, Das se interesó por la convivencia de objetivos individuales y colectivos.

Durante su doctorado, bajo la tutela de Tommy Poggio y Andrew Lo, abordó dos líneas distintivas: la creación de agentes de «market‑making» para proveer liquidez en mercados financieros y el estudio de emparejamientos de dos lados (matching). En este último caso, su curiosidad se centró en situaciones donde los agentes desconocen sus propias preferencias y deben aprenderlas mientras participan en el mercado, un tema que después volvería a ganar relevancia con la explosión de plataformas como Uber.

De la teoría a la acción social

Después del PhD, Das profundizó en mercados de predicción y en la manipulación de agentes que pueden influir en los resultados que están prediciendo. Al trasladarse a Washington University en St. Louis en 2013, conoció a Patrick Fowler y, juntos, empezaron a aplicar sus conocimientos a la problemática de la falta de vivienda. Identificaron un problema de emparejamiento con capacidad limitada: asignar diferentes tipos de intervenciones a hogares sin hogar de manera eficiente y justa.

Este trabajo se transformó en una agenda de investigación centrada en la asignación de recursos escasos, la equidad distributiva y la justicia social. Das y su equipo analizan cómo los sistemas de puntuación tradicionales, que priorizan a las personas según un ranking, pueden generar efectos adversos porque no consideran la heterogeneidad de los impactos de cada intervención. Exploran alternativas donde los grandes modelos de lenguaje (LLM) generan puntuaciones de riesgo para pacientes o familias, pero siempre comparando esos resultados con los sistemas de puntos establecidos y con la discreción de los trabajadores de primera línea.

Perspectiva práctica y desafíos de implementación

Das destaca que la integración de IA en la administración pública no es una cuestión tecnológica sino humana. Un ejemplo concreto proviene de la Ciudad de Alexandria, que buscaba una forma de coordinar cientos de servicios sociales desde un único punto de entrada. La falta de expertos que comprendan todo el abanico de ayudas crea cuellos de botella que la IA podría aliviar, siempre que se diseñe con cuidado.

Sin embargo, el académico alerta sobre los riesgos de una adopción apresurada. Cuando las herramientas de IA se lanzan sin una comprensión profunda de sus parámetros o sin calibración adecuada, pueden producir resultados injustos, tal como ocurrió al excluir a niños de programas educativos por un ajuste predeterminado del software. Estas historias de horror, aunque atribuibles al mal uso de la tecnología, alimentan la creciente resistencia al desarrollo de IA en el sector social.

Qué implica para los ejecutivos latinoamericanos

Para los líderes de empresas y gobiernos de la región, la labor de Das ofrece dos lecciones claras. Primero, la IA puede potenciar la eficiencia y la equidad en la distribución de recursos críticos —salud, educación, vivienda— siempre que se combine con procesos de toma de decisiones humanos y se mantenga una supervisión constante. Segundo, la adopción debe ser gradual y basada en pruebas piloto que evalúen tanto los resultados cuantitativos como el impacto en los trabajadores de campo, evitando la automatización sin control.

En un contexto donde la digitalización de servicios públicos avanza rápidamente, los ejecutivos pueden inspirarse en el modelo de investigación‑aplicación de Das: identificar problemas sociales concretos, usar IA para generar información útil (por ejemplo, riesgos de salud o necesidad de vivienda) y, sobre todo, diseñar reglas de interacción que alineen los intereses de los agentes automatizados con los valores de la comunidad. De este modo, la tecnología no solo se vuelve más humana, sino que también abre oportunidades para que las organizaciones lideren con responsabilidad social y mejoren sus indicadores de desempeño al atender a la población de manera más justa y eficaz.