En l'àmbit de la intel·ligència artificial i la lògica computacional, l'estudi de la causalitat contrafàctica ha adquirit una rellevància creixent per entendre com les accions passades determinen resultats futurs. El càlcul de situacions, un formalisme de primer ordre per modelar accions i canvis, proporciona un marc ideal per analitzar aquestes relacions causals des d'una perspectiva contrafàctica. Aquest enfocament permet no només identificar quins esdeveniments van ser realment responsables d'un efecte, sinó també explorar escenaris hipotètics que haurien ocorregut si les accions haguessin estat diferents. A diferència de les formulacions clàssiques de causalitat real, com la de Halpern i Pearl, l'enfocament contrafàctic en el càlcul de situacions ofereix una expressivitat més rica en tractar amb efectes quantificats i accions complexes en un historial determinat.
La proposta de Batusov i Soutchanski va introduir el concepte de 'causa d'assoliment' en el càlcul de situacions, permetent determinar quines accions en una seqüència causal van contribuir a un efecte específic. No obstant, mancava d'una base contrafàctica sòlida. El nostre treball proposa una noció de causa basada en l'anàlisi contrafàctic, que es generalitza naturalment a una causa d'assoliment. En examinar mons contrafàctics —escenaris on algunes accions es modifiquen o eliminen— podem aïllar amb precisió els esdeveniments causals. Això és particularment útil per a efectes disjuntius, on múltiples camins poden portar al mateix resultat, un punt espinós en les definicions tradicionals de causalitat real.
Des d'una perspectiva empresarial i tecnològica, aquests conceptes no són merament teòrics. A Q2BSTUDIO, empresa de desenvolupament de programari i tecnologia, apliquem principis de raonament contrafàctic per construir agents IA avançats que prenen decisions informades en entorns dinàmics. Per exemple, en sistemes de recomanació o planificació automatitzada, un agent pot avaluar quina acció passada va ser la causa real d'un resultat desitjat —com una venda o una interrupció del servei— i aprendre d'aquests contrafàctics per millorar el seu comportament futur. Aquesta capacitat és essencial per a l'optimització de processos en sectors com la logística, les finances i la salut.
La implementació d'aquests models requereix una infraestructura robusta i escalable. Aquí és on entren en joc els serveis cloud de Azure i AWS, que ofereixen el poder computacional necessari per executar simulacions contrafàctiques massives. A Q2BSTUDIO integrem aquestes plataformes per desplegar sistemes d'anàlisi causal que processen grans volums de dades històriques i generen escenaris hipotètics en temps real. A més, la ciberseguretat es beneficia del raonament contrafàctic: en modelar atacs hipotètics, podem identificar les vulnerabilitats que haurien permès una intrusió real, enfortint així les defenses. Els nostres serveis de ciberseguretat i pentesting apliquen aquests principis per oferir protecció proactiva.
En l'àmbit del Business Intelligence, l'anàlisi contrafàctic permet a les organitzacions realitzar simulacions 'què passaria si' que van més enllà de les simples correlacions. Amb eines com Power BI, és possible visualitzar com canvis en variables clau —com preus o campanyes de màrqueting— afectarien els resultats, basant-se en models causals derivats del càlcul de situacions. Q2BSTUDIO ofereix solucions de BI amb Power BI que incorporen aquesta lògica, permetent als líders empresarials prendre decisions amb major confiança. Tot això es recolza en desenvolupaments de programari a mida, on integrem aquests formalismes en aplicacions personalitzades que s'adapten a les necessitats específiques de cada client.
L'automatització de processos també es veu potenciada per la causalitat contrafàctica. Els agents IA no només executen tasques, sinó que poden raonar sobre les conseqüències de les seves accions passades i ajustar les seves estratègies en conseqüència. A Q2BSTUDIO desenvolupem sistemes d'automatització de processos que utilitzen models causals per identificar colls d'ampolla i proposar millores, tot basat en una anàlisi rigorosa de la història d'accions. Aquesta combinació de teoria lògica i pràctica empresarial converteix la causalitat contrafàctica en una eina poderosa per a la innovació tecnològica.
En resum, l'extensió del càlcul de situacions amb una noció contrafàctica de causa obre noves possibilitats tant per a la investigació en intel·ligència artificial com per a la seva aplicació industrial. En adoptar aquest enfocament, els sistemes poden aprendre de manera més eficient, explicar les seves decisions i adaptar-se a entorns canviants. A Q2BSTUDIO estem compromesos a portar aquests avenços als nostres clients, integrant causalitat contrafàctica en solucions de programari a mida, cloud, ciberseguretat, BI i agents IA. El futur de la presa de decisions intel·ligent passa per entendre no només què va passar, sinó també què podria haver passat.
