El desafío de obtener estimaciones causales fiables en entornos donde los datos no provienen de experimentos controlados ha llevado a la comunidad de machine learning a buscar métodos que eliminen el sesgo de selección. Una de las estrategias más extendidas es el balanceo de covariables, que ajusta la distribución de variables de confusión entre grupos tratados y de control. Sin embargo, esta práctica puede resultar insuficiente cuando el efecto del tratamiento no es homogéneo y la estructura del error de regresión incluye componentes específicos del tratamiento. Para estos casos, el enfoque correcto no es balancear únicamente funciones de las covariables, sino alinear las funciones de balanceo con el puntaje ortogonal de Neyman. Este concepto, proveniente de la teoría de inferencia semiparamétrica, garantiza que la estimación del parámetro de interés sea robusta frente a errores de especificación del modelo de regresión. La regresión de Riesz ofrece un marco práctico para implementar este principio, ya que construye funciones de base del vector completo de regresores, que incluye tanto el tratamiento como las covariables. De esta forma, el balanceo cubre todas las fuentes de variación que afectan al puntaje ortogonal, evitando desequilibrios residuales que podrían sesgar las estimaciones del efecto promedio del tratamiento. Este planteamiento es especialmente relevante en entornos empresariales donde se evalúan políticas, campañas o intervenciones digitales. En Q2BSTUDIO, aplicamos estos fundamentos en el desarrollo de IA para empresas, integrando técnicas avanzadas de inferencia causal en soluciones de software a medida. Nuestros equipos diseñan sistemas que no solo predicen, sino que explican el impacto real de las decisiones, utilizando agentes IA que aprenden a partir de datos observacionales con mínimos supuestos. Para ello, combinamos servicios cloud aws y azure con pipelines de procesamiento que garantizan escalabilidad y seguridad, aspectos críticos cuando se manejan datos sensibles de clientes. Además, el conocimiento generado se visualiza mediante paneles de Power BI que transforman los resultados de estos modelos en información accionable para directivos. En sectores como la ciberseguridad, donde cada decisión de inversión debe estar respaldada por evidencia, la aplicación de métodos ortogonales evita asignar recursos a medidas que parecen efectivas pero que en realidad están correlacionadas con factores no observados. Desde la construcción de aplicaciones a medida hasta la automatización de procesos con agentes inteligentes, nuestra filosofía es que cualquier modelo predictivo o causal debe estar fundamentado en principios estadísticos sólidos. Por eso promovemos el uso de la regresión de Riesz como alternativa general al balanceo ingenuo de covariables, ofreciendo a nuestros clientes herramientas que maximizan el valor de sus datos sin comprometer la validez de las conclusiones.