Hay una tensión sutil en la forma en que estamos integrando la inteligencia artificial en nuestro día a día. Cada vez resolvemos más problemas con ella y, en muchos casos, los resolvemos con mayor rapidez y precisión. Sin embargo, ese salto en el rendimiento no significa necesariamente que nosotros sepamos resolverlos mejor por nuestra cuenta.

Un programador puede multiplicar su productividad asistido por un modelo de lenguaje y, al mismo tiempo, olvidar la sintaxis básica o perder el hábito de plantear una arquitectura desde cero. Un estudiante universitario puede entregar un ensayo con una estructura impecable sin haber lidiado con la construcción de un argumento. Un investigador puede mapear en una tarde un estado del arte que antes requería semanas de lectura crítica. El producto final mejora de forma evidente, pero la competencia subyacente que tradicionalmente respaldaba ese resultado no evoluciona necesariamente en la misma dirección.

Durante décadas hemos asumido que el resultado observable era un reflejo directo de la destreza: quien resolvía bien un problema dominaba el método; quien escribía con soltura entendía la materia; quien producía código funcional sabía programar. Esa correspondencia nunca fue perfecta, pero sostuvo buena parte de nuestros sistemas educativos y profesionales. La inteligencia artificial generativa acaba de fracturar esa equivalencia.

Por eso la pregunta habitual —¿la IA nos hará más inteligentes o más tontos?— plantea un dilema falso. Existe una alternativa mucho más compleja: podemos perder destrezas individuales específicas y, simultáneamente, alcanzar cotas de capacidad práctica inéditas. Podemos volvernos, a la vez, más capaces y más dependientes. Y si ese es el escenario real, el verdadero reto no consistirá en frenar cualquier delegación técnica, sino en discernir con lucidez qué procesos cognitivos podemos permitirnos externalizar y cuáles debemos proteger a toda costa.

Saber menos no implica poder hacer menos

La externalización del esfuerzo mental no nació con los grandes modelos de lenguaje; es, de hecho, el motor de la evolución cultural y tecnológica. Llevamos generaciones descargando memoria y cálculo en soportes externos: el teléfono móvil recuerda los números por nosotros, las calculadoras asumieron la aritmética manual, el GPS guía nuestras rutas por ciudades desconocidas y los motores de búsqueda convirtieron la memorización enciclopédica en una práctica residual.

En la literatura psicológica, este fenómeno se conoce como descarga cognitiva (cognitive offloading), un mecanismo por el cual transferimos demandas internas al entorno físico o digital para liberar recursos de atención y memoria de trabajo (Risko & Gilbert, 2016). Los efectos de esta delegación están bien documentados. En 2011, Betsy Sparrow y su equipo demostraron en Science que, cuando los participantes anticipaban que una información seguiría accesible en Internet, recordaban peor los datos concretos pero mucho mejor el lugar donde encontrarlos (Sparrow et al., 2011). El conocimiento no se perdía; simplemente mutaba su localización hacia la red.

Con la navegación espacial ocurre algo análogo. La investigación sugiere que el uso habitual y continuado del GPS se asocia con un deterioro de la memoria espacial interna cuando el conductor debe orientarse sin asistencia (Dahmani & Bohbot, 2020). Esto no convierte a Google Maps en una herramienta dañina —nos permite llegar a destinos que jamás alcanzaríamos solos—, pero ilustra un principio crucial: optimizar la capacidad para alcanzar una meta y preservar la habilidad cognitiva para recorrer el camino son dos realidades distintas.

La diferencia fundamental radica en que, hasta hace muy poco, las herramientas externalizaban funciones muy acotadas y deterministas. La calculadora procesaba números; el GPS calculaba rutas geográficas; el buscador indexaba documentos. Una IA de propósito general opera en un plano cualitativamente distinto: redacta, sintetiza, programa, formula hipótesis, compara marcos teóricos y estructura razonamientos. Ya no delegamos operaciones mecánicas aisladas; hemos empezado a externalizar partes del propio proceso con el que pensamos y resolvemos problemas.

Cuando la dependencia es una adaptación racional

Frente a este escenario, suele surgir la tentación de atribuir la pérdida de destrezas a la pereza individual. Sin embargo, en la práctica se trata de una adaptación económica y funcional perfectamente comprensible. Adquirir una competencia exige cientos de horas de práctica deliberada, y mantenerla viva requiere un esfuerzo continuo para evitar que se atrofie. Cuando una herramienta digital proporciona esa misma capacidad de forma inmediata, ubicua y con un coste marginal prácticamente nulo, el incentivo para invertir en su desarrollo interno cambia por completo.

El desarrollo de software ilustra esta transformación con claridad. Durante años, gran parte del oficio del programador consistía en retener un volumen ingente de detalles sintácticos, llamadas a librerías y particularidades de cada entorno. Hoy, delegar esos aspectos en un asistente de código permite concentrar la energía en la arquitectura del sistema, la coherencia de los datos o la formulación precisa del problema. La habilidad no desaparece sin más: muta hacia un nivel de abstracción superior.

Este desplazamiento se repite en el análisis de datos, el derecho o la redacción técnica. Si un sistema genera un primer borrador solvente en segundos o extrae la jurisprudencia relevante de inmediato, la memorización mecánica pierde valor de mercado y el peso humano se traslada hacia la toma de decisiones, la validación de hipótesis y el filtrado crítico.

El nudo gordiano de este argumento es que asume una premisa cómoda: la existencia permanente de un estrato cognitivo superior al que siempre podremos retirarnos. Pero si los modelos continúan mejorando a la hora de estructurar problemas complejos, contrastar evidencias y diseñar estrategias, la pregunta deja de ser qué tareas nos quedan por hacer. La cuestión de fondo es qué conocimientos merece la pena cultivar dentro de nuestra propia mente aunque una máquina pueda emularlos con solvencia desde fuera.

El aula como espejo de la fractura

En el entorno universitario y educativo es donde esta tensión se manifiesta con mayor crudeza. Quienes nos dedicamos a la docencia y la investigación pertenecemos a una generación que desarrolló sus competencias básicas antes de la irrupción de los modelos generativos: aprendimos a redactar antes de ChatGPT, a programar antes de Copilot y a investigar antes de los asistentes de literatura científica. Disponemos de un criterio previo, forjado en la fricción del aprendizaje tradicional, que nos permite evaluar si una respuesta de la IA es brillante, mediocre o errónea.

Para los estudiantes que ingresan hoy en las aulas, el orden se ha invertido. Tienen la posibilidad de generar código antes de haber asimilado la lógica computacional, de presentar ensayos pulidos antes de dominar la dialéctica argumental o de resolver demostraciones matemáticas antes de internalizar el razonamiento que las sostiene.

Esto debilita una de las premisas fundamentales sobre las que se ha construido la evaluación académica: la inferencia de que un producto final correcto es prueba suficiente de una competencia adquirida. La evidencia científica reciente sobre el impacto de la IA en la educación muestra matices importantes. Los metaanálisis experimentales publicados en Computers & Education (Deng et al., 2025) y Humanities and Social Sciences Communications (Wu et al., 2026) reflejan mejoras en el rendimiento inmediato y en la motivación del alumnado, pero también evidencian una reducción del esfuerzo mental invertido.

Como señalan diversos investigadores en Nature Reviews Psychology (Yan et al., 2025), es imprescindible separar el rendimiento asistido durante la tarea del aprendizaje real y transferible. Un alumno puede utilizar la IA para producir un trabajo impecable y, sin embargo, eludir los procesos metacognitivos profundos que consolidan el conocimiento a largo plazo. Sin una intervención pedagógica deliberada, corremos el riesgo de premiar la habilidad para orquestar respuestas sintéticas mientras dejamos marchitar la capacidad para razonar con autonomía.

La paradoja de la fiabilidad y el sesgo de automatización

Existe una segunda trampa, aún más profunda, ligada a la propia evolución de la tecnología: cuanto más fiable es un sistema, menos motivos tenemos para cuestionarlo.

Si una herramienta de IA fallara en un 30 % de las consultas, mantendríamos un estado de alerta constante, contrastando cada afirmación y revisando cada línea de código. Pero cuando el sistema acierta en el 99 % de los casos rutinarios, auditar sistemáticamente cada salida se vuelve una estrategia ineficiente en términos de tiempo. La confianza ciega se convierte en la opción por defecto.

Este fenómeno no es nuevo en la psicología de los factores humanos. La literatura sobre interacción con sistemas automáticos ha estudiado ampliamente la complacencia y el sesgo de automatización (automation bias), la tendencia involuntaria a reducir la atención y aceptar las recomendaciones de un sistema que habitualmente funciona bien (Parasuraman & Manzey, 2010). En el contexto de los modelos de lenguaje, estudios recientes presentados en CHI 2025 confirman que una mayor confianza en la IA reduce de forma medible el esfuerzo de pensamiento crítico volcado en la tarea (Lee et al., 2025).

El peligro radica en que la supervisión técnica no es gratuita: para auditar con rigor un resultado es indispensable poseer el conocimiento de fondo necesario para detectar inconsistencias sutiles. Si delegamos la práctica de forma continuada, erosionamos precisamente la pericia que hace posible la auditoría. Se instaura así un bucle que se retroalimenta: la fiabilidad reduce la supervisión, la falta de supervisión desgasta la competencia interna, y el desgaste de la competencia consolida la dependencia.

De la dependencia a la fragilidad cognitiva

Conviene no caer en una defensa ingenua de la autosuficiencia. La civilización humana es, en esencia, una vasta red de dependencias compartidas. Nadie fabrica sus propios medicamentos, diseña los microchips de sus dispositivos ni mantiene por sí solo la red eléctrica que abastece su hogar. Delegar tareas complejas en especialistas e infraestructuras es lo que nos permite prosperar como sociedad.

Por tanto, depender de herramientas de inteligencia artificial no es, en sí mismo, un problema. El factor determinante no es la dependencia, sino la fragilidad. No es lo mismo apoyarse en una infraestructura tecnológica abierta, auditable, redundante y reemplazable que supeditar el conocimiento operativo a un puñado de plataformas propietarias opacas que casi nadie en nuestro entorno sabe replicar o auditar.

Si una generación entera de profesionales delega el núcleo de su capacidad analítica sin desarrollar representaciones mentales previas, la sociedad en su conjunto pierde redundancia cognitiva. La pregunta crítica no es si podemos trabajar hoy sin conexión a Internet, sino qué margen de criterio independiente conservaremos cuando todos los eslabones de la cadena técnica estén mediados por los mismos modelos.

Moldeando el marco desde el que decidimos

La influencia de la IA trasciende la mera ejecución técnica; afecta a la propia representación del mundo desde la que tomamos decisiones. Cuando recurrimos a un modelo para contrastar opiniones, priorizar fuentes o evaluar escenarios, el sistema no se limita a responder: selecciona argumentos, descarta matices y encuadra el problema de una manera determinada.

Este efecto de moldeado cultural e intelectual ya empieza a ser visible empíricamente. En el ámbito académico, investigaciones recientes en ACL 2025 han documentado una convergencia estilística y léxica entre la escritura científica y los patrones de lenguaje característicos de los LLM (Geng & Trotta, 2025). Asimismo, análisis basados en grandes corpus de lenguaje hablado señalan un incremento en el uso de giros y estructuras asociadas a los modelos en conversaciones humanas cotidianas (Yakura et al., 2024).

La autonomía intelectual reside, en última instancia, en conservar puntos de referencia propios, ajenos a la herramienta, que nos permitan identificar cuándo una respuesta es sesgada, incompleta o conceptualmente pobre.

Qué habilidades merece la pena preservar

Llegados a este punto, la cuestión fundamental no es resistirse al uso de la tecnología —un empeño tan estéril como prohibir las calculadoras en la enseñanza de las matemáticas—, sino identificar qué destrezas merecen ser preservadas aunque una máquina pueda ejecutarlas con mayor rapidez.

Al igual que practicamos deporte o levantamos pesas no para desplazarnos o cargar mercancías en la vida diaria, sino para mantener la salud y la vitalidad del cuerpo, ciertas habilidades cognitivas poseen un valor formativo intrínseco. Para juzgar la calidad de un código es imprescindible haber peleado con la sintaxis y los errores de compilación; para reconocer una falacia argumental es necesario haber estructurado argumentos; para detectar un análisis estadístico engañoso es preciso comprender la mecánica de la inferencia y la incertidumbre.

Nos adentramos en una era en la que podremos ser simultáneamente más poderosos y menos autosuficientes. Una persona asistida por IA podrá resolver problemas que hoy desbordan a organizaciones enteras, aun cuando sus destrezas individuales aisladas sean más limitadas que las de sus predecesores.

La verdadera maestría en la era de la inteligencia artificial no residirá en la capacidad para generar contenidos o resolver problemas en masa, sino en la lucidez para gobernar esas herramientas con criterio propio, manteniendo vivo el juicio crítico que nos permite decidir qué merece la pena ser pensado.

Referencias y lecturas complementarias

  • Risko, E. F., & Gilbert, S. J. (2016). Cognitive Offloading. Trends in Cognitive Sciences, 20(9), 676–688. DOI: 10.1016/j.tics.2016.07.002
  • Sparrow, B., Liu, J., & Wegner, D. M. (2011). Google Effects on Memory: Cognitive Consequences of Having Information at Our Fingertips. Science, 333(6043), 776–778. DOI: 10.1126/science.1207745 · PubMed
  • Dahmani, L., & Bohbot, V. D. (2020). Habitual use of GPS negatively impacts spatial memory during self-guided navigation. Scientific Reports, 10, 6311. DOI: 10.1038/s41598-020-62877-0 · PubMed
  • Deng, X., et al. (2025). Does ChatGPT enhance student learning? A systematic review and meta-analysis of experimental studies. Computers & Education, 226, 105224. DOI: 10.1016/j.compedu.2024.105224
  • Wu, X., et al. (2026). ChatGPT’s impact on student learning outcomes: a meta-analysis of 35 experimental studies. Humanities and Social Sciences Communications, 13, 201. DOI: 10.1057/s41599-026-07019-z
  • Yan, L., et al. (2025). Distinguishing performance gains from learning when using generative AI. Nature Reviews Psychology, 4, 381–383. DOI: 10.1038/s44159-025-00467-5
  • Parasuraman, R., & Manzey, D. H. (2010). Complacency and bias in human use of automation: an attentional integration. Human Factors, 52(3), 381–410. DOI: 10.1177/0018720810376055 · PubMed
  • Lee, U., et al. (2025). The Impact of Generative AI on Critical Thinking. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (CHI ’25). DOI: 10.1145/3706598.3713778
  • Geng, M., & Trotta, A. (2025). Human-LLM Coevolution: Evidence from Academic Writing. In Findings of the Association for Computational Linguistics: ACL 2025. ACL Anthology
  • Yakura, H., et al. (2024). Empirical evidence of Large Language Model’s influence on human spoken communication. arXiv:2409.01754