Por: Carlos A. FERREYROS SOTO
Doctor en Derecho
Universidad de Montpellier I Francia.
cferreyros@ferreyros-ferreyros.com
RESUMEN
La herramienta Futures Balance
propone una solución amigable basada en Inteligencia Artificial, que respalda
la toma de decisiones de los responsables políticos durante el proceso de
Evaluación de Impacto (EI). Fue desarrollado por el Beyond Lab de las
Naciones Unidas en colaboración con el Centro Común de Investigación de la
Comisión Europea y el Laboratorio de Políticas de la UE.
La finalidad y base conceptual de
la herramienta responde a la necesidad de respaldar a los responsables de
políticas para a evaluar de forma sistemática las implicaciones a largo plazo e
intergeneracionales de políticas e inversiones en ámbitos múltiples y
horizontes temporales, superando los ciclos políticos cortos y las visiones
estrechas de costo-beneficio. Está herramienta está conceptualmente basada en
el desarrollo regenerativo y en una “economía para el futuro”, tratando las
decisiones actuales como creadoras de activos y pasivos futuros para distintas
generaciones.
La metodología central y
funcionamiento de Futures Balance toma la metáfora y estructura de un
balance contable para mapear cómo una política genera “créditos” (activos,
oportunidades, resiliencia) y “débitos” (riesgos, cargas, bloqueos) a lo largo
del tiempo y entre distintos ámbitos de política. Mediante una interfaz
interactiva facilitada por IA, los participantes valoran y describen cualitativamente
estos efectos por horizonte temporal y dominio de política, haciendo explícitos
desde el inicio los compromisos, desbordamientos y dependencias de trayectoria.
En la práctica, la herramienta se utiliza en talleres de facilitación en los que los equipos de política co‑construyen un Balance de Futuros para una propuesta determinada, refinando iterativamente las hipótesis y explorando vías alternativas. En su estado actual de prototipo, se centra en dos funciones principales: ayudar a los usuarios a comprender los impactos a largo plazo y transversales, y apoyar el desarrollo de políticas y opciones de inversión más equitativas entre generaciones.
A fin de acceder a normas
similares y estándares europeos, las empresas, organizaciones públicas y
privadas positivas en asesorías, consultorías, capacitaciones, estudios,
evaluaciones, auditorías sobre el tema, sírvanse comunicar al correo
electrónico: cferreyros@ferreyros-ferreyros.com
______________________________________________________
INFORME DE CIENCIA PARA POLÍTICAS
La Herramienta de Balance de Futuros: Apoyo al
Análisis de Políticas con Visión de Futuro
2026
ASPECTOS DESTACADOS
El Centro Común de Investigación (JRC) ha desarrollado SÓCRATES, una herramienta informática que permite una comparación transparente y con base científica de opciones políticas en múltiples dimensiones, mediante análisis estructurado y pruebas de sensibilidad. Sin embargo, su enfoque principal reside en la fase de evaluación analítica, ofreciendo una orientación limitada durante las etapas iniciales, como la estructuración de problemas, la formulación de objetivos, la selección de criterios y la consideración explícita de horizontes temporales, donde la equidad intergeneracional permanece implícita en lugar de abordarse sistemáticamente. Esto revela la necesidad de instrumentos de apoyo complementarios que puedan guiar a los usuarios en la toma de decisiones temprana de forma estructurada, accesible y metodológicamente coherente, a la vez que se mantienen en consonancia con los estándares de políticas establecidos. También abre el camino para una asistencia de IA cuidadosamente diseñada, siempre que se garanticen plenamente la transparencia, la explicabilidad y la supervisión humana, esenciales para la confianza y la adopción institucional. La Herramienta de Equilibrio de Futuros responde a esta necesidad integrando conceptos de equidad intergeneracional en un flujo de trabajo coherente, transparente y preparado para la formulación de políticas (véase la Figura 1).
La solución propuesta
La Herramienta de Balance de Futuros traduce el vínculo conceptual entre la Equidad Intergeneracional (IGF) y el análisis de políticas basado en SMCE (véase Maydell y Smits, 2026) en una solución práctica basada en software. Diseñada como una herramienta de apoyo a las políticas asistida por IA, ayuda a estructurar el problema de las políticas, guiando su formulación, el establecimiento de objetivos, la definición de criterios y el desarrollo de opciones políticas. No reemplaza las metodologías establecidas, sino que mantiene su interoperabilidad con SÓCRATES. Su principal novedad radica en explicitar y comparar los horizontes temporales y los impactos intergeneracionales de las políticas futuras mediante una lógica de estructuración temporal específica que captura los efectos indirectos a corto, mediano y largo plazo utilizando enfoques con base científica (Maydell y Munda, 2026).
La IA asistida y explicable facilita la síntesis estructurada de evidencia cualitativa y cuantitativa, documentando supuestos y fuentes, manteniendo todos los juicios evaluativos bajo control humano. La herramienta no automatiza los juicios de valor (p. ej., la ponderación de dimensiones o la clasificación final de opciones) ni sustituye el escrutinio experto/legal. Su interfaz de usuario intuitiva facilita la aplicación de métodos avanzados de análisis de decisiones, lo que permite un análisis de contexto más sencillo y eficiente que fundamenta futuras decisiones y políticas (Gadbled et al., 2024; Umbach, 2024). El enfoque general promueve el aprendizaje institucional innovador en la interfaz entre el diseño de políticas, el análisis de decisiones y la gobernanza anticipatoria. El desarrollo actual se centra en el desarrollo de un prototipo funcional para una aplicación piloto, alineado con la terminología y los flujos de trabajo de la UE. Entre los resultados clave se incluyen la integración de la equidad intergeneracional en el diseño de políticas en la fase inicial y la consideración estructurada de diferentes horizontes temporales y efectos en múltiples dimensiones.
Integración metodológica
La herramienta Futures Balance se ha desarrollado como un instrumento exploratorio de alto nivel con el objetivo de alinearse con la normativa de la Comisión Europea y los estándares del RGPD. Al restringir su uso a la exploración de alternativas políticas en lugar de a la toma de decisiones autónoma o la redacción de textos legislativos, la herramienta garantiza un enfoque con participación humana que mitiga los riesgos asociados al sesgo y la responsabilidad legal. Para garantizar la soberanía de los datos, el marco prohíbe estrictamente el procesamiento de información no pública o sensible. Si bien se encuentra actualmente en su fase de prototipo, con mejoras iterativas de fiabilidad en curso, la herramienta está diseñada para mantener el rigor científico mediante la integración de información generada por IA en los procesos de formulación de políticas establecidos. Esta metodología, validada por el JRC, garantiza que las evaluaciones de políticas se mantengan transparentes, basadas en la evidencia y metodológicamente sólidas, apoyando una toma de decisiones coherente y con visión de futuro en las dimensiones social, tecnológica, ambiental y económica.
Recorrido ejemplar por la herramienta (caso de uso ilustrativo: Vivienda social)
Este breve recorrido ilustra cómo el prototipo actual de la Herramienta de Balance de Futuros facilita el diseño de políticas en las etapas iniciales, preparándose para la formulación de problemas, el establecimiento de objetivos, la definición de criterios y el desarrollo inicial de opciones, a la vez que explicita la equidad intergeneracional y los horizontes temporales. El ejemplo se ha simplificado deliberadamente y utiliza la vivienda social como ámbito político ilustrativo.
Paso 1: Crear una política de referencia (definición del problema y objetivos iniciales)
Los usuarios comienzan creando una nueva entrada de política con un pequeño conjunto de datos estructurados. En este ejemplo:
• Nombre de la política: Vivienda justa e innovadora
• Planteamiento del problema: El aumento del coste de la vivienda y la limitada oferta asequible impiden que los hogares de ingresos bajos y medios accedan a una vivienda estable y segura, mientras que las generaciones mayores suelen ocupar espacios de vivienda comparativamente más amplios.
• Presupuesto: 2500 millones de euros
• Descripción del presupuesto: Apoyo de la UE para la implementación de la nueva política de vivienda.
• Ámbito geográfico: Unión Europea
• Objetivos: Ampliar la disponibilidad de vivienda asequible; reducir la carga del coste de la vivienda para los hogares vulnerables.
• Población objetivo: Familias de bajos ingresos; jóvenes adultos que acceden al mercado inmobiliario
A partir de estos datos, la herramienta utiliza IA asistida para generar un escenario base (es decir, una narrativa política consistente como punto de partida). Este escenario base no constituye una recomendación, sino una referencia estructurada con la que posteriormente se pueden desarrollar y comparar alternativas. Los usuarios pueden editar cualquier campo de texto para garantizar una completa alineación con el contexto político y la terminología de la UE.
Paso 2: Generar alternativas políticas (desarrollo de opciones estructuradas)
A continuación, los usuarios crean alternativas políticas adicionales seleccionando:
• Áreas de enfoque (p. ej., Energía, Medio Ambiente, Infraestructura, Social, etc.)
• Objetivos (vinculados a las áreas de enfoque)
La herramienta propone opciones alternativas (nombre, breve descripción y razonamiento subyacente) en un formato estandarizado. Para mayor transparencia y trazabilidad, cada alternativa incluye:
• un resumen conciso,
• una breve explicación (por qué esta opción se ajusta al problema y los objetivos), y
• referencias/aportaciones de apoyo que ayudan a los usuarios a comprender cómo se construyó la alternativa.
Todo el contenido es editable. Se espera que los usuarios validen, refinen y, cuando sea necesario, corrijan el texto generado.
En el ejemplo de vivienda, se utilizaron tres opciones para la comparación posterior:
1. Línea base: Vivienda justa e innovadora (política de línea base generada)
2. Alternativa A: Programa de reutilización de suelo urbano (Área de enfoque: Transporte e infraestructura)
3. Alternativa B: Bonos de vivienda con energía renovable (Área de enfoque: Energía)
Paso 3: Comparar alternativas mediante un análisis de efectos indirectos (definición de criterios, estructuración temporal y análisis inicial de compensaciones
Una vez que existen alternativas, la herramienta permite realizar una primera evaluación comparativa mediante un análisis de efectos indirectos. Los usuarios definen:
• Dimensiones (p. ej., Económica, Social, Ambiental)
• Criterios de cada dimensión (definidos por el usuario; la herramienta también puede proponer candidatos)
• Horizontes temporales que reflejan la dinámica intergeneracional (intervalos seleccionables: 0, 2, 5, 10, 15 y 30 años)
En el caso ilustrativo, las tres alternativas se evalúan según la siguiente estructura:
1. Económica: Creación de empleo local
2. Social: Equidad entre residentes mayores y jóvenes
3. Ambiental: Reducción de las emisiones de CO₂
Para cada combinación de alternativa × criterio × marco temporal, la herramienta genera una justificación de puntuación cualitativa asistida por IA que separa explícitamente:
• posibles efectos positivos,
• posibles efectos negativos, y
• una breve síntesis que respalda una clasificación provisional (p. ej., positiva/negativa/neutra).
Fundamentalmente, la clasificación no es fija: los usuarios pueden modificarla cuando el razonamiento no sea convincente o cuando la evidencia adicional modifique la evaluación. Esto es fundamental para el diseño de la herramienta, con participación humana: la IA facilita el pensamiento estructurado y la documentación, mientras que los juicios evaluativos siguen siendo responsabilidad del analista de políticas.
La visión general resultante (ilustrada en la Figura 2) muestra cómo el rendimiento relativo de las alternativas puede variar según los criterios y a lo largo del tiempo, un requisito clave para implementar la equidad intergeneracional en las primeras etapas de la toma de decisiones.
Conclusión y próximos pasos
La Herramienta de Balance de Futuros facilita la integración transparente de la equidad intergeneracional en el análisis de políticas prospectivas. La colaboración con el Beyond Lab de las Naciones Unidas también apoya la difusión internacional y el desarrollo de capacidades en los Estados Miembros de las Naciones Unidas, lo que permite la adaptación a diferentes contextos de gobernanza, manteniendo al mismo tiempo un núcleo metodológico común basado en los principios de la SMCE. El interés inicial de Estados Miembros como España, Alemania, Países Bajos y Finlandia refleja una fuerte demanda de herramientas prácticas y metodológicamente sólidas. Más allá de las aplicaciones individuales, el proyecto contribuye al establecimiento de estándares metodológicos al demostrar cómo las consideraciones a largo plazo e intergeneracionales pueden implementarse sistemáticamente en el diseño de políticas en las etapas iniciales y alinearse coherentemente con herramientas analíticas basadas en SMCE, como SÓCRATES. De este modo, aborda las necesidades de gobernanza e innovación institucional, promoviendo prácticas de toma de decisiones estructuradas, transparentes y con visión de futuro, justas, sistemáticas y basadas en la evidencia.
Los esfuerzos de creación de prototipos se centran actualmente en optimizar las capas frontend, backend y de procesamiento de datos, a la vez que implementan la generación de escenarios basada en IA, la evaluación del impacto a largo plazo y el razonamiento asistido de políticas. La herramienta se está desarrollando para alinearse con los principios de IA confiable y los requisitos emergentes de la Ley de IA de la UE, haciendo hincapié en la transparencia, la trazabilidad y la explicabilidad. Las funcionalidades de IA se limitan a casos de uso asistidos, incluyendo la estructuración de narrativas y alternativas políticas, destacando las implicaciones intertemporales y sugiriendo posibles vías de razonamiento. Al demostrar cómo la IA asistiva y explicable puede integrarse de forma segura en los flujos de trabajo de las políticas, el proyecto también contribuye al fomento de prácticas de IA fiables en las instituciones de la UE.
Figura 1: Flujo de trabajo de evaluación de
políticas actuales y posible introducción de la herramienta Futures Balance que
permite un diálogo con SÓCRATES
Fuente: Ilustración propia del Laboratorio de Análisis de Decisiones para el Flujo de Trabajo
Fuente: Extracto ilustrativo propio de la Herramienta de Balance de Futuros, desarrollada por UN Beyond Lab en colaboración con JRC.
Azzini, I., & Munda, G. (2020). A new approach for identifying the Kemeny median ranking. European Journal
of Operational Research, 281(2), 388-401.
Basyte Ferrari, E. (2025). Appraising Policies Through
Social Multi‐Criteria Evaluation: Lessons from a Systematic Review of
Applications. European Policy Analysis.
Basyte Ferrari, E., and Ostlaender, N. (2025). 20
years of Social Multi-Criteria Evaluation in policy assessment., JRC Report
142635.
EU Policy Lab. (2025). Envisioning Intergenerational
Fairness: how future snapshots are inspiring EU strategy. European Commission.
https://policy-lab.ec.europa.eu/news/envisioning-intergenerational-fairness-how-future-snapshots-are-inspiring-eu-strategy-2025-11-27_en,
27 November 2025.
Gadbled, R., Georgakakis, D., Gstöhl, S., Schunz, S.,
& Van Woensel, L. (2024). Introduction: Future-proofing policies – How
foresight shapes European Union governance. European Law Journal, 30(3),
349–360.
Maydell, R. (2025). European Governance of Artificial
Intelligence: Bridging Uncertainty with Evidence‐Informed Policy Making. Contemporary European Politics, 3(3), e70016.
Maydell, R., Munda, G., Fütterer, M., Aldave de las Heras, L., & Beneš,
O. (2025). Multi-criteria decision support for small modular
reactors. JRC Report 140704.
Maydell, R., Smits, P. (2026). Impact Assessments and
Better Regulation in the light of Intergenerational Fairness. JRC Report
145074.
Maydell R. & Munda G. (2026). Addressing Time in
Multi Criteria Decision Analysis using Discounted Outranking Matrices, mimeo.
Munda, G. (2004). Social multi-criteria evaluation:
Methodological foundations and operational consequences. European
journal of operational research, 158(3), 662-677.
Munda, G. (2008). Social multi-criteria evaluation for
a sustainable economy. Berlin, Heidelberg: Springer Berlin Heidelberg.
Munda, G., Azzini, I., Cerreta, M., & Ostlaender, N. (2022). Socrates
Manual. KJ-NA-31-327-EN-N (online), https://doi. org/10.2760/015604 (online).
OECD. (2020). Governance for Youth, Trust and
Intergenerational Justice: Fit for all Generations? OECD
Public Governance Reviews. OECD Publishing.
Umbach, Gaby. Futures in EU governance: Anticipatory
governance, strategic foresight and EU Better Regulation. European
Law Journal 30.3 (2024): 409-421.
Autoría
Este informe de políticas fue elaborado por Richard Maydell (JRC.S.3
Laboratorio de Análisis de Decisiones) y Nicola Spano (JRC.S.1 Laboratorio de
Políticas de la UE).
Descargo de responsabilidad u otros detalles finales
La información y las opiniones expresadas en este informe de políticas son
exclusivamente de los autores y no reflejan necesariamente la postura oficial
de la Comisión Europea.
Derechos de autor
© Unión Europea, 2026
No hay comentarios:
Publicar un comentario