El problema
Muchos sistemas de IA optimizan la salida, pero dejan sin optimizar la forma en que se toma la decision.
Un modelo puede tener buena precision y aun asi tomar decisiones dificiles de justificar, inestables ante cambios del contexto o incompatibles con restricciones normativas.
En la practica, aspectos como abstenerse cuando hay incertidumbre, pedir supervision humana, elegir una explicacion o limitar la adaptacion suelen tratarse como parches externos.
Ese vacio crea un problema de articulacion: sabemos medir si la respuesta fue buena, pero no siempre sabemos gobernar el proceso que la genero.
Por que es dificil
La precision no garantiza gobernanza
Un sistema puede optimizar una metrica y aun asi comportarse de forma opaca, fragil o dificil de auditar.
Las decisiones tienen varios objetivos
Rendimiento, seguridad, coste, interpretabilidad y cumplimiento normativo pueden entrar en conflicto.
La abstencion tambien es una decision
En contextos sensibles, no actuar o escalar a una persona puede ser mas correcto que forzar una respuesta.
La explicacion no deberia ser posterior
Si la explicabilidad se anade al final, el sistema puede haber elegido ya una logica imposible de inspeccionar.
La supervision debe gobernarse
Pedir siempre intervencion humana crea fatiga; no pedirla nunca aumenta el riesgo.
La meta-optimizacion puede no terminar
Si un sistema optimiza las reglas que optimizan otras reglas, necesita un punto de cierre que evite regresiones infinitas.
La idea principal
MapA separa dos dimensiones que a menudo se confunden: la utilidad del resultado y la integridad del procedimiento.
La primera responde a la pregunta: que resultado queremos obtener. La segunda responde a otra igual de importante: bajo que reglas, limites y mecanismos de supervision debe generarse ese resultado.
Para organizar esa separacion, el marco propone una jerarquia de diez niveles, desde decisiones fijas y reglas parametrizadas hasta capas de explicacion, arbitraje humano y cierre constitucional.
MapA no es otro algoritmo de IA. Es una arquitectura conceptual para describir, comparar y gobernar como decide un sistema inteligente.
Una forma sencilla de verlo
No es lo mismo saber que coche llego antes que saber si respeto las normas, si podia frenar, si explico sus maniobras y si tenia un supervisor cuando el riesgo aumento.
Como se resolvio
El trabajo define MapA como una jerarquia finita de niveles decisionales que relajan restricciones de forma progresiva.
Distinguir resultado y proceso
Se separa la optimizacion de la salida de la optimizacion del procedimiento que produce la decision.
Ordenar niveles de decision
La jerarquia L0-L9 describe desde ejecucion fija hasta gobernanza del propio sistema.
Introducir trade-offs explicitos
MapA permite tratar rendimiento, seguridad, interpretabilidad y coste como objetivos que pueden entrar en conflicto.
Formalizar la abstencion
El nivel L5 incorpora la posibilidad de no decidir cuando el riesgo o la incertidumbre lo justifican.
Integrar explicabilidad y supervision
Los niveles superiores modelan explicacion, interaccion con humanos y arbitraje como partes internas del sistema.
Cerrar la jerarquia
El nivel L9 actua como una capa constitucional que limita la evolucion del sistema y evita una meta-optimizacion sin fin.
Jerarquia L0-L9
Taxonomia de grados de libertad decisional, desde reglas fijas hasta teleologia y gobernanza.
Optimizacion multiobjetivo
Base para razonar sobre conflictos entre rendimiento, riesgo, coste, explicabilidad y cumplimiento.
Abstention surface
Representacion de la frontera donde una decision deja de ser segura y debe abstenerse o escalarse.
Governance envelope
Marco para limitar que decisiones son admisibles bajo restricciones normativas o de seguridad.
Teleological closure
Capa final que gobierna la evolucion del sistema para mantener coherencia con su proposito.
La instanciacion
El trabajo presenta una instanciacion independiente del dominio como prueba constructiva de existencia del marco.
Esa instanciacion muestra como un sistema gobernado puede alternar entre explotacion parametrica, exploracion y expansion estructural sin perder control sobre el proceso.
El objetivo no es demostrar superioridad en una tarea concreta, sino mostrar que la arquitectura permite articular y gobernar decisiones y meta-decisiones.
Que se descubrio
La propuesta muestra que muchas capacidades que hoy aparecen dispersas en IA pueden entenderse como niveles de una misma arquitectura decisional.
La abstencion, la explicabilidad, la supervision humana y la adaptacion estructural no tienen por que ser complementos externos: pueden formar parte del propio espacio de decision.
El cierre en L9 permite definir un punto estable de gobernanza para que el sistema pueda adaptarse sin perder sus restricciones fundamentales.
- MapA separa de forma explicita el objetivo de resultado y la integridad del proceso.
- La jerarquia permite clasificar sistemas segun su madurez decisional.
- La supervision humana puede modelarse como una politica de arbitraje, no solo como una excepcion.
- La explicabilidad puede convertirse en objetivo estructural y no solo en una explicacion posterior.
- El cierre teleologico evita que la meta-optimizacion derive en un bucle sin limite.
La aportacion central es cambiar la pregunta: no solo que decision toma la IA, sino que tipo de proceso esta autorizado a producir esa decision.
Por que importa
La regulacion y la adopcion real de IA exigen sistemas que puedan auditarse, explicarse y limitarse. Eso no se consigue solo reduciendo el error predictivo.
MapA ofrece un lenguaje para hablar de decisiones gobernadas en sectores donde la responsabilidad importa: salud, finanzas, industria, administracion publica o sistemas autonomos.
Tambien ayuda a disenar arquitecturas donde la intervencion humana, la abstencion o la restriccion normativa sean parte del sistema desde el inicio.
Aplicaciones reales
IA regulada
Definir capas de control y auditoria para sistemas sujetos a cumplimiento normativo.
Salud digital
Decidir cuando un sistema debe sugerir, abstenerse o escalar a un profesional.
Finanzas cuantitativas
Separar rendimiento de cartera, riesgo, explicabilidad y limites operativos.
Sistemas autonomos
Gobernar la adaptacion de agentes que actuan bajo incertidumbre y consecuencias reales.
Auditoria de IA
Clasificar la madurez decisional de un sistema y detectar que capas de gobernanza faltan.
Que podemos aprender
La siguiente frontera de la IA no es solo producir mejores respuestas, sino construir sistemas que sepan bajo que condiciones pueden decidir, explicar, abstenerse, delegar o cambiar su propia forma de decidir.
Preguntas frecuentes
MapA es un algoritmo
No. MapA se plantea como un marco articulatorio para describir y gobernar procesos de decision. Puede envolver o estructurar algoritmos existentes.
Que significa decision process as a first-class object
Significa que el proceso de decidir se trata como algo que tambien se puede disenar, medir, optimizar y auditar, no solo como un mecanismo oculto que produce una salida.
Por que es importante la abstencion
Porque en entornos de riesgo puede ser mejor no decidir automaticamente y escalar la decision a otra capa, a una persona o a un mecanismo de seguridad.
Que aporta el nivel L9
L9 actua como una capa de cierre: gobierna la evolucion de los niveles inferiores para evitar que la optimizacion rompa restricciones normativas o de seguridad.
Publicacion y recursos
Hidalgo Marin, A.J. MapA: Teleological Closure and the Decision Process as a First-Class Object of Optimization. Manuscript, 2026.