El mecanismo de faltantes decide el éxito antes que el modelo

En un hospital público de Bogotá, un modelo de diagnóstico por imagen falla sistemáticamente en radiografías pediátricas. El problema no es la arquitectura de la red neuronal —es que el 23 % de los píxeles llegan corruptos por equipos de rayos X con quince años de servicio. El equipo de datos intentó autoencoders convolucionales y GANs para reconstruir las zonas dañadas. El resultado: una imputación estadística simple, media móvil por vecindario, superó a los modelos generativos en error de reconstrucción y en precisión diagnóstica downstream.

La escena no es anecdótica. Es la síntesis práctica de lo que expusieron Joana Cristo dos Santos, Ricardo Cardoso Pereira y Pedro Henriques Abreu en el tutorial "Data centric AI: addressing missing data imputation in image and tabular contexts" durante IJCAI-ECAI 2026 IJCAI-ECAI 2026 tutorial / workshop round-up part 1. Su conclusión central: el mecanismo de faltantes —MCAR, MAR o MNAR— dicta la estrategia; la complejidad del modelo es secundaria.

El mecanismo manda, el modelo obedece

Cuando los datos faltan completamente al azar (MCAR), casi cualquier método funciona. Cuando la ausencia depende de variables observadas (MAR), la imputación condicional captura el patrón. El verdadero dolor de cabeza es MNAR: la falta depende del propio valor no observado —pacientes graves que no se hacen la tomografía, sensores que se apagan justo cuando la vibración supera el umbral—. La mayoría de los métodos publicados ignoran MNAR o lo tratan mal.

Los organizadores del tutorial hicieron que los participantes compararan autoencoders, GANs y baselines estadísticos sobre datos tabulares e imágenes médicas con corrupciones controladas. La complejidad solo rindió frutos cuando el mecanismo de faltantes era conocido y la estructura espacial o relacional era explotable. En el resto de los casos, la media, la mediana o k-vecinos ganaron en velocidad, interpretabilidad y robustez.

Del paper al quirófano: la revisión IEEE lo confirma

Un meta-análisis de 31 estudios peer-reviewed (2021-2025) presentado en ICNCC 2025 en Fukuoka llega a la misma conclusión desde otra orilla: los flujos de trabajo data-centric superan a los model-centric en exactitud, robustez, eficiencia computacional y explicabilidad A Comprehensive Review on Automated Data-Centric AI in Computer Vision and its Applications in Healthcare Imaging. Los autores, Saif Saeed Alhebsi y Rabiah Al-Qudah, señalan que la transición de paradigma está incompleta: faltan frameworks totalmente automatizados y escalables para datasets de imagen, y la reproducibilidad sigue siendo una asignatura pendiente.

La implicación para un CTO en Santiago o México DF es directa: antes de aprobar el presupuesto para fine-tuning de un foundation model, pida una auditoría de missingness mechanism en sus datasets históricos. Si el 40 % de sus series temporales de sensores industriales son MNAR por diseño del PLC, ningún transformer va a arreglar eso.

Agentes seguros: la otra cara de la moneda

Mientras el tutorial miraba hacia adentro de los datos, el workshop SAFER —Safe agentic AI framework and ecosystem roadmapping— miraba hacia afuera: cómo gobernar agentes autónomos que toman decisiones en cadena. Mark Maybury, Wolfgang Wahlster, Josephine Liu, Francesca Rossi y Mihai Christodorescu mapearon un roadmap de ecosistema que exige trazabilidad, sandboxing y métricas de alineación continua IJCAI-ECAI 2026 tutorial / workshop round-up part 1.

La conexión es inevitable: un agente que imputa datos faltantes para decidir una cirugía o un rechazo de crédito es, de facto, un sistema agentic. Si la imputación oculta un sesgo MNAR, el agente amplifica el error en cascada. La seguridad no empieza en la política de guardrails; empieza en el perfilado de missingness.

Qué mirar en su organización mañana

• Inventario de mecanismos de faltantes por fuente de datos: etiquete MCAR/MAR/MNAR con evidencia, no con intuición.
• Baseline obligatorio: todo pipeline de imputación debe ganar a la media/mediana/k-NN en error de reconstrucción Y en métrica de negocio downstream.
• Presupuesto de complejidad: reserve GPUs para donde la estructura espacial (imágenes) o relacional (grafos de transacciones) justifique autoencoders o GANs.
• Gobernanza agentic: exija que cualquier sistema autónomo que consuma datos imputados registre el método, el mecanismo asumido y la incertidumbre residual.

La próxima vez que un proveedor le venda "IA generativa para limpieza de datos", pídale el reporte de missingness mechanism. Si no lo tiene, está vendiendo pintura para una casa con cimientos rotos.