Cuando una tecnolog\u00eda nueva irrumpe en el mercado, es natural que queramos empezar por conocerla. Con la inteligencia artificial generativa hemos seguido ese impulso con entusiasmo: qu\u00e9 modelo conviene usar, c\u00f3mo escribir mejores prompts, qu\u00e9 aplicaci\u00f3n sirve para investigar, crear im\u00e1genes, 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.<\/p>\n
La diferencia se vuelve evidente si trasladamos la l\u00f3gica a una tecnolog\u00eda empresarial m\u00e1s conocida. Dif\u00edcilmente le dir\u00edamos a un director comercial que, antes de mejorar su gesti\u00f3n de clientes, debe aprender Salesforce, Zoho, HubSpot, Dynamics y las principales plataformas de CRM. Primero intentar\u00edamos comprender qu\u00e9 quiere conseguir, d\u00f3nde est\u00e1 el problema, c\u00f3mo funciona hoy su proceso y qu\u00e9 tendr\u00eda que cambiar. S\u00f3lo despu\u00e9s tendr\u00eda sentido decidir qu\u00e9 tecnolog\u00eda necesita y cu\u00e1nto debe aprender de ella.<\/p>\n
Esta investigaci\u00f3n comenz\u00f3 pregunt\u00e1ndose si con la IA est\u00e1bamos recorriendo el camino al rev\u00e9s. La evidencia termin\u00f3 llevando la pregunta a un lugar m\u00e1s interesante. No se trata simplemente de elegir entre aprender herramientas o resolver problemas, sino de comprender que la manera en que utilizamos IA tambi\u00e9n distribuye el trabajo cognitivo entre persona y tecnolog\u00eda: qu\u00e9 seguimos pensando nosotros, qu\u00e9 externalizamos, qu\u00e9 capacidades practicamos y qu\u00e9 responsabilidad conservamos cuando el resultado puede producir consecuencias.<\/p>\n
Preguntar si la inteligencia artificial nos vuelve m\u00e1s inteligentes o m\u00e1s tontos atribuye a la herramienta una agencia que no necesita tener para producir efectos. Un autom\u00f3vil puede permitir que una persona llegue todos los d\u00edas a un gimnasio situado a veinte kil\u00f3metros o conseguir que otra deje de caminar tres cuadras. La diferencia no est\u00e1 \u00fanicamente en la m\u00e1quina, sino en el prop\u00f3sito y el patr\u00f3n de utilizaci\u00f3n que construye quien la opera.<\/p>\n
Con la IA ocurre algo semejante, aunque con una diferencia relevante: las herramientas generativas permiten externalizar actividades estrechamente relacionadas con el pensamiento, como buscar informaci\u00f3n, sintetizar, redactar, comparar, argumentar, generar alternativas, analizar y recomendar. La psicolog\u00eda estudia desde antes de ChatGPT el cognitive offloading<\/em>: 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.<\/p>\n La evidencia obliga a abandonar una conclusi\u00f3n demasiado sencilla. Descargar cognici\u00f3n no es necesariamente malo. Una revisi\u00f3n en Nature Reviews Psychology<\/em><\/a> describe beneficios de la descarga cognitiva para el desempe\u00f1o, junto con costes potenciales cuando la informaci\u00f3n externalizada deja de estar disponible. Los efectos dependen de la persona, la tarea y las condiciones. Una revisi\u00f3n de 2026 en Trends in Cognitive Sciences<\/em><\/a> lleva la discusi\u00f3n al terreno de la IA: apoyarse en estos sistemas puede afectar la adquisici\u00f3n y mantenimiento de habilidades, pero los efectos dependen de c\u00f3mo se utilicen.<\/p>\n Por eso la pregunta \u00fatil no es cu\u00e1nto pensamiento deber\u00edamos negarnos a delegar, sino qu\u00e9 conviene descargar y qu\u00e9 queremos hacer con la capacidad que liberamos<\/strong>.<\/p>\n Supongamos que una persona obtiene por s\u00ed 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 qu\u00e9 sucede cuando desaparece la asistencia.<\/p>\n Un experimento aleatorizado publicado como working paper por el National Bureau of Economic Research en 2026<\/a> estudi\u00f3 precisamente esa diferencia. En una tarea empresarial de resoluci\u00f3n de problemas, la asistencia de IA elev\u00f3 el desempe\u00f1o y redujo sustancialmente diferencias iniciales asociadas al nivel educativo. Despu\u00e9s, los investigadores retiraron la herramienta para observar qu\u00e9 permanec\u00eda.<\/p>\n El hallazgo es inc\u00f3modo 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 autom\u00e1ticamente 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-m\u00e1quina o utilizar la interacci\u00f3n para aprender. Los tres prop\u00f3sitos son leg\u00edtimos, pero confundirlos impide saber qu\u00e9 resultado estamos obteniendo realmente.<\/p>\n Imaginemos ahora a dos directores frente al mismo problema. El primero describe la situaci\u00f3n a la IA y le pide que la analice, construya opciones y recomiende qu\u00e9 hacer. Revisa el resultado, solicita algunas mejoras y adopta una de las recomendaciones. El segundo comienza antes de abrir la herramienta: define qu\u00e9 quiere conseguir, intenta explicar lo que est\u00e1 ocurriendo, identifica posibles causas, construye una primera hip\u00f3tesis y reconoce lo que no sabe. S\u00f3lo entonces lleva ese trabajo a la IA y le pide que encuentre lo que dej\u00f3 fuera, ataque sus supuestos, proponga explicaciones alternativas, busque evidencia contraria y muestre bajo qu\u00e9 condiciones su conclusi\u00f3n dejar\u00eda de sostenerse.<\/p>\n Ambos utilizaron inteligencia artificial y ambos podr\u00edan terminar con una buena decisi\u00f3n, pero durante el recorrido no ejercitaron las mismas capacidades. En el primer caso, buena parte de la formulaci\u00f3n y resoluci\u00f3n fue externalizada; en el segundo, la tecnolog\u00eda se incorpor\u00f3 a un proceso cognitivo que ya hab\u00eda comenzado y se utiliz\u00f3 para ensancharlo, confrontarlo y reconstruirlo.<\/p>\n La evidencia disponible todav\u00eda no permite afirmar que la segunda secuencia sea universalmente superior para empresarios. Convertir esa intuici\u00f3n en una ley ser\u00eda ir m\u00e1s all\u00e1 de los datos. S\u00ed sabemos, sin embargo, que el dise\u00f1o de la interacci\u00f3n importa. Un estudio de Microsoft Research y Carnegie Mellon<\/a> con 319 trabajadores del conocimiento y 936 ejemplos reales de uso encontr\u00f3 que una mayor confianza en la IA se asociaba con menor pensamiento cr\u00edtico reportado, mientras que una mayor confianza del usuario en su propia capacidad para realizar la tarea se asociaba con mayor pensamiento cr\u00edtico.<\/p>\n El mismo trabajo sugiere algo m\u00e1s 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 informaci\u00f3n, integrar respuestas y supervisar resultados. Esa transici\u00f3n puede ser productiva, pero exige que el usuario desarrolle la capacidad de juzgar aquello que la m\u00e1quina produce.<\/p>\n Precisamente cuando menos dominamos un tema es cuando la IA puede resultar m\u00e1s valiosa. Puede explicarnos conceptos, mostrarnos posibilidades que desconoc\u00edamos, comparar perspectivas y permitirnos trabajar temporalmente por encima de nuestra capacidad independiente. \u00c9sta es una de sus grandes promesas democratizadoras.<\/p>\n Al mismo tiempo, nuestra falta de conocimiento reduce nuestra capacidad para reconocer una respuesta incorrecta. Cuanto menos sabemos, m\u00e1s podemos necesitar ayuda y, parad\u00f3jicamente, menos equipados podemos estar para juzgarla. Preguntar a una segunda IA, utilizar agentes cr\u00edticos, 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.<\/p>\n Para hacerlo necesitamos capacidades que no nacieron con la inteligencia artificial: comprender lenguaje y contexto, distinguir correlaci\u00f3n de causalidad, detectar contradicciones y falacias, evaluar fuentes, manejar incertidumbre y reconocer los l\u00edmites de nuestro propio conocimiento. Cuanto m\u00e1s convincentes sean las respuestas que las m\u00e1quinas pueden producir, m\u00e1s importante se vuelve nuestra capacidad para preguntarnos por qu\u00e9 deber\u00edamos creerlas.<\/p>\n La investigaci\u00f3n educativa reciente ayuda a comprender por qu\u00e9 no basta con preguntar si una persona \u201cusa IA\u201d. Las revisiones disponibles muestran resultados heterog\u00e9neos: la IA puede apoyar pensamiento de orden superior cuando se integra dentro de actividades estructuradas de indagaci\u00f3n, argumentaci\u00f3n, reflexi\u00f3n y regulaci\u00f3n metacognitiva, mientras que los usos orientados principalmente a sustituir esfuerzo pueden producir resultados distintos. La OECD, en sus orientaciones de 2026<\/a>, insiste precisamente en preservar conocimiento, habilidades, pensamiento independiente y agencia humana al integrar IA en el aprendizaje.<\/p>\n Esto revela una distinci\u00f3n que tambi\u00e9n importa en la empresa. Si mi prop\u00f3sito es traducir r\u00e1pidamente un documento, quiz\u00e1 quiera automatizar casi todo el proceso. Si mi prop\u00f3sito es aprender el idioma, la misma automatizaci\u00f3n puede eliminar precisamente el ejercicio que necesito. La herramienta y la tarea superficial son pr\u00e1cticamente id\u00e9nticas; cambia el prop\u00f3sito y, con \u00e9l, deber\u00eda cambiar el grado de delegaci\u00f3n.<\/p>\n Ser\u00eda igualmente equivocado convertir esta discusi\u00f3n en una defensa rom\u00e1ntica del esfuerzo manual. Existe evidencia s\u00f3lida de deterioro de habilidades cuando dejan de practicarse. Un metaan\u00e1lisis de 2025 en Psychological Bulletin<\/em><\/a> reuni\u00f3 1,344 tama\u00f1os de efecto procedentes de 457 reportes sobre retenci\u00f3n de habilidades procedimentales y encontr\u00f3 deterioro asociado a periodos de no utilizaci\u00f3n, aunque con diferencias importantes seg\u00fan el tipo de tarea, su complejidad y las oportunidades intermedias de pr\u00e1ctica.<\/p>\n De ah\u00ed no se desprende que debamos conservar todas nuestras habilidades. La historia tecnol\u00f3gica tambi\u00e9n 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 aritm\u00e9tica larga para demostrar independencia intelectual.<\/p>\n La pregunta m\u00e1s dif\u00edcil es otra: \u00bfqu\u00e9 capacidades queremos seguir teniendo nosotros porque son necesarias para aquello que queremos llegar a ser capaces de hacer?<\/strong> Formular problemas, comprender causalidad, imaginar escenarios, evaluar evidencia, reconocer incentivos, argumentar, cuestionar y asumir una decisi\u00f3n pueden tener un valor diferente al de ejecutar tareas mec\u00e1nicas, precisamente porque esas capacidades permiten gobernar despu\u00e9s el trabajo que hemos delegado.<\/p>\n Consideremos una consulta aparentemente inocente: \u201c\u00bfCu\u00e1nta agua debe beber una persona al d\u00eda?\u201d. Puede ser simple curiosidad. Sin embargo, si quien pregunta sufre mareos, deshidrataci\u00f3n persistente, toma determinados medicamentos o pretende utilizar la respuesta para decidir qu\u00e9 hacer frente a un problema de salud, las mismas palabras participan ahora en una decisi\u00f3n con consecuencias muy distintas.<\/p>\n Esto muestra por qu\u00e9 resulta insuficiente clasificar una tarea de IA como segura o riesgosa en abstracto. El AI Risk Management Framework de NIST<\/a> incorpora contexto, impactos, tolerancias de riesgo, roles y responsabilidades al an\u00e1lisis. En Europa, el AI Act<\/a> exige para determinados sistemas de alto riesgo una supervisi\u00f3n humana acorde con el riesgo, la autonom\u00eda y el contexto, y contempla expresamente la capacidad del supervisor para interpretar resultados, reconocer dependencia excesiva y decidir no utilizarlos o revertirlos.<\/p>\n La consecuencia pr\u00e1ctica es sencilla de expresar, aunque no siempre sencilla de ejecutar: no basta con preguntar qu\u00e9 estamos delegando; debemos preguntarnos qu\u00e9 ocurrir\u00eda si actuamos sobre un resultado equivocado<\/strong>. Resumir un contrato para comprenderlo informalmente no equivale a firmarlo bas\u00e1ndonos 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.<\/p>\n Cuando utilizamos IA no abandonamos nuestra capacidad de decisi\u00f3n; ya hemos tomado una decisi\u00f3n al determinar que cierta parte del trabajo ser\u00e1 delegada. Por eso la gobernanza no empieza cuando aparece la respuesta de la m\u00e1quina, sino antes, cuando definimos el prop\u00f3sito, valoramos las consecuencias y decidimos qu\u00e9 papel tendr\u00e1 la tecnolog\u00eda.<\/p>\n Esto no significa convertir cada prompt en un procedimiento burocr\u00e1tico. Un borrador de correo no requiere el mismo cuidado que una decisi\u00f3n sobre salud, contrataci\u00f3n, dinero o reputaci\u00f3n. Significa aprender a reconocer la diferencia y ajustar nuestra supervisi\u00f3n al impacto posible.<\/p>\n Desde esa perspectiva, integrar IA en una empresa exige algo m\u00e1s profundo que dominar interfaces. Requiere saber qu\u00e9 queremos conseguir, qu\u00e9 comprendemos del problema, qu\u00e9 capacidades queremos desarrollar o conservar, qu\u00e9 podemos externalizar sin traicionar ese prop\u00f3sito, qu\u00e9 evidencia necesitamos y qui\u00e9n conserva la autoridad para actuar.<\/p>\n La investigaci\u00f3n no demuestra que exista un \u00fanico camino \u00f3ptimo. Aprender herramientas tiene valor porque ampl\u00eda nuestro conocimiento de lo posible; aprender prompting puede mejorar la interacci\u00f3n; automatizar tareas puede liberar tiempo; descargar cognici\u00f3n puede elevar el desempe\u00f1o, y la IA puede apoyar procesos de aprendizaje cuando se integra con intenci\u00f3n. El error ser\u00eda convertir cualquiera de esas piezas en el objetivo completo.<\/p>\n Para alguien que ya dirige una empresa, ejerce una profesi\u00f3n o desarrolla una actividad productiva, la evidencia permite proponer \u2014como hip\u00f3tesis pr\u00e1ctica, no como f\u00f3rmula cient\u00edficamente demostrada\u2014 una secuencia diferente. El recorrido comienza por el prop\u00f3sito y por una comprensi\u00f3n suficiente del problema para construir criterio propio; contin\u00faa decidiendo conscientemente qu\u00e9 capacidades queremos ampliar y qu\u00e9 trabajo tiene sentido delegar; utiliza despu\u00e9s la IA para ensanchar el espacio de posibilidades, encontrar objeciones, evidencia, perspectivas y escenarios que no hab\u00edamos considerado; y aumenta la verificaci\u00f3n conforme crecen las consecuencias de equivocarnos.<\/p>\n Finalmente, el resultado debe regresar al juicio humano. No para que una persona rehaga in\u00fatilmente todo lo que hizo la m\u00e1quina, sino para preguntarse qu\u00e9 cambi\u00f3 respecto a su comprensi\u00f3n inicial, por qu\u00e9 cambi\u00f3, qu\u00e9 evidencia sostiene ahora la decisi\u00f3n y qu\u00e9 incertidumbre permanece. Ese regreso convierte la interacci\u00f3n en algo distinto de una simple transferencia de trabajo.<\/p>\n Una lectura defensiva de todo lo anterior concluir\u00eda que debemos ejercitar nuestras capacidades para evitar que la inteligencia artificial nos supere. No parece una aspiraci\u00f3n especialmente f\u00e9rtil. Tampoco necesitamos demostrar nuestra superioridad realizando manualmente aquello que una m\u00e1quina puede hacer mejor.<\/p>\n La oportunidad es utilizar IA para acceder a conocimientos que antes estaban fuera de nuestro alcance, explorar m\u00e1s alternativas de las que podr\u00edamos generar solos, descubrir puntos ciegos, confrontar nuestras ideas con argumentos contrarios, aprender con mayor profundidad y construir sistemas productivos con capacidades que ninguna persona tendr\u00eda individualmente. El reto consiste en no confundir el poder al que tenemos acceso con la capacidad que hemos desarrollado.<\/p>\n Esta investigaci\u00f3n comenz\u00f3 sospechando que ense\u00f1ar IA empezando por herramientas pod\u00eda ser el camino equivocado. La evidencia no permite sostener una afirmaci\u00f3n tan simple, y \u00e9se es quiz\u00e1 el hallazgo m\u00e1s \u00fatil. Las herramientas importan; la descarga cognitiva puede ser beneficiosa; la IA puede reducir barreras de capacidad, aumentar productividad y apoyar aprendizaje. Tambi\u00e9n existen riesgos de deterioro de habilidades, sobredependencia y menor involucramiento cognitivo cuando externalizamos sistem\u00e1ticamente aquello que necesitamos seguir sabiendo hacer.<\/p>\n La conclusi\u00f3n razonable no es estar a favor o en contra de delegar, sino aprender a decidir qu\u00e9 delegar, para qu\u00e9 y bajo qu\u00e9 condiciones<\/strong>. Eso convierte la alfabetizaci\u00f3n en IA en algo m\u00e1s exigente que conocer aplicaciones: requiere prop\u00f3sito, criterio, comprensi\u00f3n del contexto y capacidad para asumir las consecuencias de actuar.<\/p>\n Quiz\u00e1 por eso el primer curso de IA para un empresario no deber\u00eda comenzar pregunt\u00e1ndole qu\u00e9 herramientas conoce, sino qu\u00e9 quiere lograr, qu\u00e9 sabe, qu\u00e9 supone, qu\u00e9 todav\u00eda ignora, qu\u00e9 consecuencias tendr\u00eda equivocarse, qu\u00e9 capacidades quiere desarrollar y qu\u00e9 est\u00e1 dispuesto a delegar. Despu\u00e9s podemos abrir la inteligencia artificial, no para demostrar que sabemos hacer trucos con una tecnolog\u00eda 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.<\/p>\n Este art\u00edculo sintetiza evidencia reciente sobre cognitive offloading<\/em>, retenci\u00f3n de habilidades, pensamiento cr\u00edtico, aprendizaje con IA, productividad asistida, interacci\u00f3n humano-IA y gesti\u00f3n de riesgo. La investigaci\u00f3n todav\u00eda es joven y una parte importante de los estudios se concentra en educaci\u00f3n, trabajo del conocimiento o tareas experimentales; sus resultados no deben transferirse autom\u00e1ticamente a todos los contextos empresariales.<\/p>\n En particular, no encontramos evidencia causal suficiente para afirmar que una secuencia \u201chumano primero, IA despu\u00e9s\u201d sea universalmente superior en el \u00e1mbito empresarial. Esa secuencia se presenta aqu\u00ed como una hip\u00f3tesis pr\u00e1ctica consistente con parte de la evidencia disponible y merecedora de investigaci\u00f3n espec\u00edfica.<\/p>\n Aprender IA no consiste s\u00f3lo en dominar aplicaciones. La evidencia sugiere que importa c\u00f3mo distribuimos pensamiento, aprendizaje, ejecuci\u00f3n y responsabilidad entre el humano y la inteligencia artificial.<\/p>\n","protected":false},"author":2,"featured_media":111,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[18,13],"class_list":["post-106","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-investigacion","tag-gobernanza_de_ia","tag-ia"],"_links":{"self":[{"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/posts\/106","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/comments?post=106"}],"version-history":[{"count":2,"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/posts\/106\/revisions"}],"predecessor-version":[{"id":110,"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/posts\/106\/revisions\/110"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/media\/111"}],"wp:attachment":[{"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/media?parent=106"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/categories?post=106"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/zherpa.ai\/blog\/wp-json\/wp\/v2\/tags?post=106"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Un gran resultado no demuestra que hayamos adquirido una gran capacidad<\/h2>\n
Dos personas pueden usar la misma IA y estar entrenando capacidades distintas<\/h2>\n
La paradoja del no experto<\/h2>\n
El aprendizaje depende del prop\u00f3sito de la interacci\u00f3n<\/h2>\n
No toda capacidad automatizable merece ser conservada<\/h2>\n
El riesgo no pertenece a la pregunta<\/h2>\n
Delegar tambi\u00e9n es decidir<\/h2>\n
Entonces, \u00bfc\u00f3mo deber\u00edamos aprender IA?<\/h2>\n
No necesitamos competir contra la IA<\/h2>\n
El camino importa m\u00e1s que el cat\u00e1logo de herramientas<\/h2>\n
\nNota metodol\u00f3gica<\/h2>\n
Fuentes consultadas<\/h2>\n
\n