Prediction Machines: The Simple Economics of Artificial Intelligence

Ajay Agrawal, Joshua Gans, Avi Goldfarb — 2018

Categoría: Tecnología, Datos & IA

Prediction Machines (2018) propone una idea simple y potente: la IA abarata el costo de predecir. Cuando el precio de algo cae drásticamente, cambian qué hacemos, quién lo hace y cómo se organiza la economía. Los autores—economistas de gestión—ofrecen un marco para convertir la IA en decisiones de negocio: dónde crea valor, cuándo automatizar, qué complementar con juicio humano, y cómo rediseñar procesos.

¿De qué trata exactamente? El libro separa una decisión en componentes: Datos → 2) Predicción (lo que la IA hace mejor cuando hay histórico) → 3) Juicio (definir el “payoff”: qué significa una buena decisión) → 4) Acción → 5) Resultados → 6) Feedback (mejora del sistema). La tesis central: si la predicción se vuelve barata, el cuello de botella se desplaza a datos de calidad, juicio, acciones y diseño organizacional. Ideas clave (en corto) IA = predicción barata: clasificar, estimar, completar huecos. Si puedes enmarcar una tarea como predicción, probablemente la IA la abarate. Juicio como complemento: la IA no define objetivos ni costes del error: eso es juicio (ética, regulación, marca). Cuanto más barata la predicción, más valioso el juicio. Calidad y propiedad de datos: no toda “cantidad” sirve: importa la representatividad, el sesgo y los derechos. Los “moats” reales combinan datos + procesos + relaciones. Automatizar vs. aumentar: automatiza cuando el costo del error y la variabilidad son bajas y la retroalimentación es clara. Aumenta (IA como copiloto) cuando el error es caro o ambiguo. Rediseño de procesos: la mejora no llega “pegando IA al final”: hay que repartir trabajo entre predicción, juicio y acción; quizás cambiar quién decide y en qué momento. Economía de umbrales: muchas decisiones son “sí/no” con un umbral (probabilidad mínima aceptable). Elegir ese umbral es estrategia (trade-off precisión/recall, riesgo/ingreso). Desplazamientos de valor: cuando la predicción se abarata, surgen negocios en orquestar datos, diseñar acciones y asegurar/regular riesgo. Política y responsabilidad: sesgo, explicabilidad, privacidad y empleo se vuelven decisiones de diseño, no externalidades. Qué vas a aprender con “Prediction Machines” A reformular problemas como predicciones concretas (¿qué variable falta que, si la supiéramos, decidiríamos mejor?). A separar predicción de juicio y acción, para saber qué automatizar y qué mantener humano. A elegir umbrales y métricas (precisión, recall, coste del error) alineadas con negocio y regulación. A construir ciclos de feedback que hacen a la IA cada vez más útil. A decidir make/buy/ally: modelos propios vs. APIs, y dónde está tu “moat” real. Cómo aplicar el libro en iGaming 1) Reformular decisiones como predicciones KYC/Verificación: ¿Cuál es la probabilidad de que este documento sea legítimo? Fraude y chargeback: ¿Probabilidad de transacción disputada? Churn/retención: ¿Probabilidad de que un jugador activo abandone en 14/30 días? Riesgo de daño (RG): ¿Probabilidad de patrón de juego problemático emergente? Atención al cliente: ¿Probabilidad de que este ticket escale si no lo toma un agente senior en 10 min? 2) Definir el juicio (coste del error y umbrales) Falsos positivos (bloquear a quien no debías) vs. falsos negativos (dejar pasar riesgo). Para RG y fraude, el umbral debe priorizar protección; para churn, quizás prefieras mayor recall (arriesgar incentivos “inútiles” antes que perder al cliente correcto). 3) Elegir automatizar o aumentar Automatiza: detección de duplicados obvios, scoring inicial de documentos, priorización de tickets. Aumenta: decisiones con alto coste reputacional o regulatorio (cierres de cuenta por RG, disputas complejas): IA sugiere y humanos deciden con trazabilidad. 4) Datos y gobernanza Catálogo de datos con linaje y permisos por país; eliminación de sesgos de muestreo (p. ej., subrepresentación de ciertos métodos de pago). Tablero de drift y fairness: monitorizar cuando el modelo se degrada o discrimina. Privacidad by design: minimización, retención limitada, anonimización cuando aplique. 5) Integración operativa Ciclo completo: datos → modelo → recomendación → acción en sistemas (PSP, CRM, límites) → feedback etiquetado. Explicabilidad útil: razones de la recomendación para agentes (características principales, evidencia) y para auditoría. 6) Métricas de negocio (no solo AUC) Tiempo a primer retiro, CES/NPS post-retiro, % con límites activos, chargebacks/1.000, retención por cohorte. Conecta cada modelo a 1–2 KPIs de journey; si no mueve aguja, replantéalo. Toolkit mínimo: Plantilla de caso IA: variable a predecir, umbral, coste del error, quién decide, acción automática/humana, feedback disponible. Mapa de decisiones por journey (KYC, depósitos, retiros, CRM, RG) indicando qué es predicción y qué es juicio. Guía de umbrales por país/riesgo con ejemplos de trade-offs. Contrato de datos: fuentes, derechos, calidad, sesgos, caducidad. Tablero de salud del modelo: performance, drift, fairness, impacto en KPI de negocio. Runbook de incidentes: qué hacer si el modelo falla o causa daño (rollback, comunicación, correcciones). “Prediction Machines” convierte la IA en gestión: te enseña a pensar en costos, umbrales, complementos y rediseño de procesos. La promesa no es magia, es economía aplicada: si la predicción es barata, el valor está en elegir bien qué predecir, cómo decidir y cómo actuar—con métricas, ética y aprendizaje continuo.