Aprender IA sin entregar el pensamiento: el camino importa más que las herramientas

Cuando una tecnología nueva irrumpe en el mercado, es natural que queramos empezar por conocerla. Con la inteligencia artificial generativa hemos seguido ese impulso con entusiasmo: qué modelo conviene usar, cómo escribir mejores prompts, qué aplicación sirve para investigar, crear imágenes, analizar documentos, programar o automatizar procesos. Para quien necesita familiarizarse con un territorio desconocido, ese recorrido tiene sentido. El problema aparece cuando confundimos conocer el mapa de herramientas con aprender a integrar IA en una actividad productiva.

La diferencia se vuelve evidente si trasladamos la lógica a una tecnología empresarial más conocida. Difícilmente le diríamos a un director comercial que, antes de mejorar su gestión de clientes, debe aprender Salesforce, Zoho, HubSpot, Dynamics y las principales plataformas de CRM. Primero intentaríamos comprender qué quiere conseguir, dónde está el problema, cómo funciona hoy su proceso y qué tendría que cambiar. Sólo después tendría sentido decidir qué tecnología necesita y cuánto debe aprender de ella.

Esta investigación comenzó preguntándose si con la IA estábamos recorriendo el camino al revés. La evidencia terminó llevando la pregunta a un lugar más interesante. No se trata simplemente de elegir entre aprender herramientas o resolver problemas, sino de comprender que la manera en que utilizamos IA también distribuye el trabajo cognitivo entre persona y tecnología: qué seguimos pensando nosotros, qué externalizamos, qué capacidades practicamos y qué responsabilidad conservamos cuando el resultado puede producir consecuencias.

La IA no decide qué clase de usuario seremos

Preguntar si la inteligencia artificial nos vuelve más inteligentes o más tontos atribuye a la herramienta una agencia que no necesita tener para producir efectos. Un automóvil puede permitir que una persona llegue todos los días a un gimnasio situado a veinte kilómetros o conseguir que otra deje de caminar tres cuadras. La diferencia no está únicamente en la máquina, sino en el propósito y el patrón de utilización que construye quien la opera.

Con la IA ocurre algo semejante, aunque con una diferencia relevante: las herramientas generativas permiten externalizar actividades estrechamente relacionadas con el pensamiento, como buscar información, sintetizar, redactar, comparar, argumentar, generar alternativas, analizar y recomendar. La psicología estudia desde antes de ChatGPT el cognitive offloading: utilizar acciones o recursos externos para reducir demandas cognitivas internas. Escribir una lista para no memorizar las compras ya pertenece a esa familia de comportamientos.

La evidencia obliga a abandonar una conclusión demasiado sencilla. Descargar cognición no es necesariamente malo. Una revisión en Nature Reviews Psychology describe beneficios de la descarga cognitiva para el desempeño, junto con costes potenciales cuando la información externalizada deja de estar disponible. Los efectos dependen de la persona, la tarea y las condiciones. Una revisión de 2026 en Trends in Cognitive Sciences lleva la discusión al terreno de la IA: apoyarse en estos sistemas puede afectar la adquisición y mantenimiento de habilidades, pero los efectos dependen de cómo se utilicen.

Por eso la pregunta útil no es cuánto pensamiento deberíamos negarnos a delegar, sino qué conviene descargar y qué queremos hacer con la capacidad que liberamos.

Un gran resultado no demuestra que hayamos adquirido una gran capacidad

Supongamos que una persona obtiene por sí sola un resultado evaluado con 60 puntos y que, trabajando con IA, alcanza 90. Hemos demostrado que el sistema formado por esa persona y la IA puede producir 90. No hemos demostrado que la persona haya adquirido individualmente una capacidad equivalente. Pero tampoco hemos demostrado que la IA la haya debilitado. Para distinguir productividad asistida de aprendizaje necesitamos observar qué sucede cuando desaparece la asistencia.

Un experimento aleatorizado publicado como working paper por el National Bureau of Economic Research en 2026 estudió precisamente esa diferencia. En una tarea empresarial de resolución de problemas, la asistencia de IA elevó el desempeño y redujo sustancialmente diferencias iniciales asociadas al nivel educativo. Después, los investigadores retiraron la herramienta para observar qué permanecía.

El hallazgo es incómodo para cualquier postura simplista. La IA puede ampliar de forma importante la capacidad productiva, incluso para personas que parten de condiciones diferentes; usarla no equivale automáticamente a deteriorarse. Sin embargo, producir algo mejor gracias a una herramienta y desarrollar personalmente la capacidad para producirlo siguen siendo objetivos distintos. Podemos querer externalizar una tarea, ampliar nuestra capacidad mediante un sistema humano-máquina o utilizar la interacción para aprender. Los tres propósitos son legítimos, pero confundirlos impide saber qué resultado estamos obteniendo realmente.

Dos personas pueden usar la misma IA y estar entrenando capacidades distintas

Imaginemos ahora a dos directores frente al mismo problema. El primero describe la situación a la IA y le pide que la analice, construya opciones y recomiende qué hacer. Revisa el resultado, solicita algunas mejoras y adopta una de las recomendaciones. El segundo comienza antes de abrir la herramienta: define qué quiere conseguir, intenta explicar lo que está ocurriendo, identifica posibles causas, construye una primera hipótesis y reconoce lo que no sabe. Sólo entonces lleva ese trabajo a la IA y le pide que encuentre lo que dejó fuera, ataque sus supuestos, proponga explicaciones alternativas, busque evidencia contraria y muestre bajo qué condiciones su conclusión dejaría de sostenerse.

Ambos utilizaron inteligencia artificial y ambos podrían terminar con una buena decisión, pero durante el recorrido no ejercitaron las mismas capacidades. En el primer caso, buena parte de la formulación y resolución fue externalizada; en el segundo, la tecnología se incorporó a un proceso cognitivo que ya había comenzado y se utilizó para ensancharlo, confrontarlo y reconstruirlo.

La evidencia disponible todavía no permite afirmar que la segunda secuencia sea universalmente superior para empresarios. Convertir esa intuición en una ley sería ir más allá de los datos. Sí sabemos, sin embargo, que el diseño de la interacción importa. Un estudio de Microsoft Research y Carnegie Mellon con 319 trabajadores del conocimiento y 936 ejemplos reales de uso encontró que una mayor confianza en la IA se asociaba con menor pensamiento crítico reportado, mientras que una mayor confianza del usuario en su propia capacidad para realizar la tarea se asociaba con mayor pensamiento crítico.

El mismo trabajo sugiere algo más matizado que la idea de que la IA elimina el pensamiento: puede desplazarlo. Parte del esfuerzo deja de concentrarse en producir directamente y pasa a verificar información, integrar respuestas y supervisar resultados. Esa transición puede ser productiva, pero exige que el usuario desarrolle la capacidad de juzgar aquello que la máquina produce.

La paradoja del no experto

Precisamente cuando menos dominamos un tema es cuando la IA puede resultar más valiosa. Puede explicarnos conceptos, mostrarnos posibilidades que desconocíamos, comparar perspectivas y permitirnos trabajar temporalmente por encima de nuestra capacidad independiente. Ésta es una de sus grandes promesas democratizadoras.

Al mismo tiempo, nuestra falta de conocimiento reduce nuestra capacidad para reconocer una respuesta incorrecta. Cuanto menos sabemos, más podemos necesitar ayuda y, paradójicamente, menos equipados podemos estar para juzgarla. Preguntar a una segunda IA, utilizar agentes críticos, contrastar modelos, recuperar documentos o exigir fuentes puede aumentar la confiabilidad, pero no elimina el problema de fondo: alguien tiene que determinar finalmente si existe evidencia suficiente para actuar.

Para hacerlo necesitamos capacidades que no nacieron con la inteligencia artificial: comprender lenguaje y contexto, distinguir correlación de causalidad, detectar contradicciones y falacias, evaluar fuentes, manejar incertidumbre y reconocer los límites de nuestro propio conocimiento. Cuanto más convincentes sean las respuestas que las máquinas pueden producir, más importante se vuelve nuestra capacidad para preguntarnos por qué deberíamos creerlas.

El aprendizaje depende del propósito de la interacción

La investigación educativa reciente ayuda a comprender por qué no basta con preguntar si una persona “usa IA”. Las revisiones disponibles muestran resultados heterogéneos: la IA puede apoyar pensamiento de orden superior cuando se integra dentro de actividades estructuradas de indagación, argumentación, reflexión y regulación metacognitiva, mientras que los usos orientados principalmente a sustituir esfuerzo pueden producir resultados distintos. La OECD, en sus orientaciones de 2026, insiste precisamente en preservar conocimiento, habilidades, pensamiento independiente y agencia humana al integrar IA en el aprendizaje.

Esto revela una distinción que también importa en la empresa. Si mi propósito es traducir rápidamente un documento, quizá quiera automatizar casi todo el proceso. Si mi propósito es aprender el idioma, la misma automatización puede eliminar precisamente el ejercicio que necesito. La herramienta y la tarea superficial son prácticamente idénticas; cambia el propósito y, con él, debería cambiar el grado de delegación.

No toda capacidad automatizable merece ser conservada

Sería igualmente equivocado convertir esta discusión en una defensa romántica del esfuerzo manual. Existe evidencia sólida de deterioro de habilidades cuando dejan de practicarse. Un metaanálisis de 2025 en Psychological Bulletin reunió 1,344 tamaños de efecto procedentes de 457 reportes sobre retención de habilidades procedimentales y encontró deterioro asociado a periodos de no utilización, aunque con diferencias importantes según el tipo de tarea, su complejidad y las oportunidades intermedias de práctica.

De ahí no se desprende que debamos conservar todas nuestras habilidades. La historia tecnológica también es la historia de capacidades que dejamos de ejercitar porque encontramos mejores formas de obtener un resultado. Un directivo no necesita redactar personalmente cada minuta, clasificar miles de registros o realizar aritmética larga para demostrar independencia intelectual.

La pregunta más difícil es otra: ¿qué capacidades queremos seguir teniendo nosotros porque son necesarias para aquello que queremos llegar a ser capaces de hacer? Formular problemas, comprender causalidad, imaginar escenarios, evaluar evidencia, reconocer incentivos, argumentar, cuestionar y asumir una decisión pueden tener un valor diferente al de ejecutar tareas mecánicas, precisamente porque esas capacidades permiten gobernar después el trabajo que hemos delegado.

El riesgo no pertenece a la pregunta

Consideremos una consulta aparentemente inocente: “¿Cuánta agua debe beber una persona al día?”. Puede ser simple curiosidad. Sin embargo, si quien pregunta sufre mareos, deshidratación persistente, toma determinados medicamentos o pretende utilizar la respuesta para decidir qué hacer frente a un problema de salud, las mismas palabras participan ahora en una decisión con consecuencias muy distintas.

Esto muestra por qué resulta insuficiente clasificar una tarea de IA como segura o riesgosa en abstracto. El AI Risk Management Framework de NIST incorpora contexto, impactos, tolerancias de riesgo, roles y responsabilidades al análisis. En Europa, el AI Act exige para determinados sistemas de alto riesgo una supervisión humana acorde con el riesgo, la autonomía y el contexto, y contempla expresamente la capacidad del supervisor para interpretar resultados, reconocer dependencia excesiva y decidir no utilizarlos o revertirlos.

La consecuencia práctica es sencilla de expresar, aunque no siempre sencilla de ejecutar: no basta con preguntar qué estamos delegando; debemos preguntarnos qué ocurriría si actuamos sobre un resultado equivocado. Resumir un contrato para comprenderlo informalmente no equivale a firmarlo basándonos exclusivamente en ese resumen. Investigar proveedores tampoco equivale a autorizar una transferencia. La tarea puede parecer semejante mientras que impacto, reversibilidad e incertidumbre cambian por completo.

Delegar también es decidir

Cuando utilizamos IA no abandonamos nuestra capacidad de decisión; ya hemos tomado una decisión al determinar que cierta parte del trabajo será delegada. Por eso la gobernanza no empieza cuando aparece la respuesta de la máquina, sino antes, cuando definimos el propósito, valoramos las consecuencias y decidimos qué papel tendrá la tecnología.

Esto no significa convertir cada prompt en un procedimiento burocrático. Un borrador de correo no requiere el mismo cuidado que una decisión sobre salud, contratación, dinero o reputación. Significa aprender a reconocer la diferencia y ajustar nuestra supervisión al impacto posible.

Desde esa perspectiva, integrar IA en una empresa exige algo más profundo que dominar interfaces. Requiere saber qué queremos conseguir, qué comprendemos del problema, qué capacidades queremos desarrollar o conservar, qué podemos externalizar sin traicionar ese propósito, qué evidencia necesitamos y quién conserva la autoridad para actuar.

Entonces, ¿cómo deberíamos aprender IA?

La investigación no demuestra que exista un único camino óptimo. Aprender herramientas tiene valor porque amplía nuestro conocimiento de lo posible; aprender prompting puede mejorar la interacción; automatizar tareas puede liberar tiempo; descargar cognición puede elevar el desempeño, y la IA puede apoyar procesos de aprendizaje cuando se integra con intención. El error sería convertir cualquiera de esas piezas en el objetivo completo.

Para alguien que ya dirige una empresa, ejerce una profesión o desarrolla una actividad productiva, la evidencia permite proponer —como hipótesis práctica, no como fórmula científicamente demostrada— una secuencia diferente. El recorrido comienza por el propósito y por una comprensión suficiente del problema para construir criterio propio; continúa decidiendo conscientemente qué capacidades queremos ampliar y qué trabajo tiene sentido delegar; utiliza después la IA para ensanchar el espacio de posibilidades, encontrar objeciones, evidencia, perspectivas y escenarios que no habíamos considerado; y aumenta la verificación conforme crecen las consecuencias de equivocarnos.

Finalmente, el resultado debe regresar al juicio humano. No para que una persona rehaga inútilmente todo lo que hizo la máquina, sino para preguntarse qué cambió respecto a su comprensión inicial, por qué cambió, qué evidencia sostiene ahora la decisión y qué incertidumbre permanece. Ese regreso convierte la interacción en algo distinto de una simple transferencia de trabajo.

No necesitamos competir contra la IA

Una lectura defensiva de todo lo anterior concluiría que debemos ejercitar nuestras capacidades para evitar que la inteligencia artificial nos supere. No parece una aspiración especialmente fértil. Tampoco necesitamos demostrar nuestra superioridad realizando manualmente aquello que una máquina puede hacer mejor.

La oportunidad es utilizar IA para acceder a conocimientos que antes estaban fuera de nuestro alcance, explorar más alternativas de las que podríamos generar solos, descubrir puntos ciegos, confrontar nuestras ideas con argumentos contrarios, aprender con mayor profundidad y construir sistemas productivos con capacidades que ninguna persona tendría individualmente. El reto consiste en no confundir el poder al que tenemos acceso con la capacidad que hemos desarrollado.

El camino importa más que el catálogo de herramientas

Esta investigación comenzó sospechando que enseñar IA empezando por herramientas podía ser el camino equivocado. La evidencia no permite sostener una afirmación tan simple, y ése es quizá el hallazgo más útil. Las herramientas importan; la descarga cognitiva puede ser beneficiosa; la IA puede reducir barreras de capacidad, aumentar productividad y apoyar aprendizaje. También existen riesgos de deterioro de habilidades, sobredependencia y menor involucramiento cognitivo cuando externalizamos sistemáticamente aquello que necesitamos seguir sabiendo hacer.

La conclusión razonable no es estar a favor o en contra de delegar, sino aprender a decidir qué delegar, para qué y bajo qué condiciones. Eso convierte la alfabetización en IA en algo más exigente que conocer aplicaciones: requiere propósito, criterio, comprensión del contexto y capacidad para asumir las consecuencias de actuar.

Quizá por eso el primer curso de IA para un empresario no debería comenzar preguntándole qué herramientas conoce, sino qué quiere lograr, qué sabe, qué supone, qué todavía ignora, qué consecuencias tendría equivocarse, qué capacidades quiere desarrollar y qué está dispuesto a delegar. Después podemos abrir la inteligencia artificial, no para demostrar que sabemos hacer trucos con una tecnología extraordinaria, sino para utilizarla como hemos utilizado nuestras mejores herramientas a lo largo de la historia: para ampliar las posibilidades de lo que podemos comprender, crear, experimentar y llegar a ser.

Nota metodológica

Este artículo sintetiza evidencia reciente sobre cognitive offloading, retención de habilidades, pensamiento crítico, aprendizaje con IA, productividad asistida, interacción humano-IA y gestión de riesgo. La investigación todavía es joven y una parte importante de los estudios se concentra en educación, trabajo del conocimiento o tareas experimentales; sus resultados no deben transferirse automáticamente a todos los contextos empresariales.

En particular, no encontramos evidencia causal suficiente para afirmar que una secuencia “humano primero, IA después” sea universalmente superior en el ámbito empresarial. Esa secuencia se presenta aquí como una hipótesis práctica consistente con parte de la evidencia disponible y merecedora de investigación específica.