Abstract. En las últimas dos décadas ha habido un crecimiento explosivo en la adopción de la inferencia causal en la investigación en medicina y epidemiología moderna. Esta revolución causal se debe, en gran medida, al advenimiento de modelos gráficos causales que facilitan la incorporación matemática rigurosa de suposiciones sobre relaciones causales pero al mismo tiempo permiten la comunicación de estas suposiciones y de razonamientos causales de una manera intuitiva. Aplicando reglas gráficas sencillas estos modelos permiten: (1) comunicar fácilmente los sesgos que pueden llegar a invalidar la interpretación causal de un cierto análisis estadístico, (2) definir con claridad el parámetro que cuantifica el efecto causal de interés y (3) establecer qué variables permiten identificar dicho parámetro. La literatura en inferencia causal abunda en trabajos que desarrollan estos conceptos en profundidad. En cambio, no existen prácticamente trabajos que provean reglas gráficas simples para codificar la eficiencia en la estimación del parámetro causal. En esta charla presentaré un resumen de una serie de trabajos recientes míos en colaboración con coautores intentando reducir esta brecha. En particular, luego de una introducción a los modelos gráficos causales y su uso para facilitar el razonamiento causal, presentaré resultados sobre reglas gráficas sencillas que permiten identificar el conjunto de ajuste óptimo. Éste es el subconjunto de variables en el gráfico que permite la identificación del efecto promedio del tratamiento en la población (ATE), y que resulta en un estimador no paramétrico del ATE de mínima varianza asintótica. Lo haré dentro de un marco teórico que permite la estimación de efectos de tratamientos personalizados en los que la asignación o no a un tratamiento depende de las características del individuo.  Seguidamente, discutiré las condiciones para la existencia de un conjunto de ajuste óptimo cuando la búsqueda se restringe al escenario realista en el que solo es observable un subconjunto de las variables del gráfico. Para el problema de estimar el efecto de un tratamiento dinámico cambiante en el tiempo, discutiré un resultado de imposibilidad.  Finalmente, describiré reglas gráficas para la construcción de un gráfico reducido cuyos nodos representan sólo aquellas variables que son informativas para ATE y tal que las cotas semiparamétricas eficientes en ambos modelos gráficos son idénticas. La charla será en español pero con filminas en inglés.