La respuesta fue mejor.

Llegó más rápido.

Consideró variables que la persona no había visto.

Ordenó información dispersa.

Propuso alternativas razonables.

La decisión final incluso pudo haber sido más sólida gracias a la inteligencia artificial.

Entonces parecería sencillo concluir:

la herramienta mejoró el proceso.

Pero falta una pregunta.

¿Qué pasó con la persona que decidió?

¿Comprende mejor la situación?

¿Puede reconstruir el razonamiento?

¿Aprendió algo que podrá utilizar la próxima vez?

¿O simplemente obtuvo una mejor respuesta mientras la asistencia estuvo disponible?

Esa diferencia empieza a importar cuando la IA deja de ser una consulta ocasional y comienza a intervenir en casi todos los pasos del pensamiento.

Resolver mejor no significa necesariamente aprender más.

Desempeño y aprendizaje no son equivalentes.

Una persona puede realizar una tarea mejor con asistencia y no haber desarrollado la capacidad para sostener ese desempeño sin ella.

Eso ocurre con muchas tecnologías.

La calculadora puede mejorar un cálculo.

El GPS puede mejorar una ruta.

Un corrector puede mejorar un texto.

La pregunta aparece cuando la herramienta empieza a realizar precisamente aquella actividad que necesitamos seguir siendo capaces de hacer.

Con la inteligencia artificial esto puede alcanzar tareas bastante más complejas:

• formular problemas;
• generar alternativas;
• comparar escenarios;
• evaluar argumentos;
• organizar información;
• construir recomendaciones.

La investigación reciente sobre sobredependencia de IA señala precisamente esta tensión: el apoyo puede mejorar desempeño mientras determinados usos de sustitución cognitiva reducen oportunidades de práctica y pueden contribuir a pérdida de habilidades específicas. Sin embargo, la evidencia no permite afirmar una degradación general e inevitable; los efectos dependen del tipo de tarea, del usuario y de cómo se distribuye el trabajo entre persona y sistema (Noorbehbahani & Oyibo, 2026).

Por eso el problema no es usar IA.

Es dejar de reconocer qué estamos dejando de ejercitar al usarla.

Descargar trabajo cognitivo tampoco es necesariamente un problema.

No todo debería permanecer dentro de nuestra cabeza.

Usamos agendas para no recordar cada cita.

Calculadoras para no repetir operaciones.

Sistemas para almacenar información.

Plantillas para no reconstruir procesos desde cero.

Delegar parte de la carga mental permite reservar atención para otros asuntos.

La dificultad aparece cuando no distinguimos entre:

una tarea que conviene descargar

y

una capacidad que todavía necesitamos conservar.

No todas merecen el mismo tratamiento.

Puede tener bastante sentido automatizar una clasificación repetitiva.

Quizá no tenga el mismo sentido dejar de practicar completamente la capacidad de formular un problema sobre el que después tendremos que asumir consecuencias.

La cuestión no es maximizar autonomía humana en cada paso.

Es decidir conscientemente dónde la dependencia resulta aceptable y dónde puede volverse costosa.

Una buena asistencia también debería saber cuándo retirarse.

Un trabajo experimental publicado como preprint en junio de 2026 estudió precisamente esta cuestión.

Wang, Gu, Loquercio, Hu y Mangharam (2026) desarrollaron un agente de IA destinado a acompañar el aprendizaje de una habilidad compleja. El objetivo no era solamente mejorar el desempeño mientras la asistencia estaba presente, sino fortalecer la competencia independiente del usuario.

El sistema regulaba cuánto ayudar, cuándo reducir el apoyo y cuándo permitir errores que contribuyeran al aprendizaje. En un estudio con 33 participantes realizando una tarea de pilotaje de drones en primera persona, este enfoque produjo mejores resultados de aprendizaje que las otras modalidades de asistencia comparadas por los autores.

Sigue siendo un preprint y estudia una habilidad motora concreta, por lo que no corresponde trasladar directamente sus resultados a decisiones ejecutivas. Pero la distinción resulta útil: una asistencia puede evaluarse no solo por lo bien que funciona mientras está presente, sino por la capacidad que deja cuando se retira.

Ese principio cambia la pregunta.

No solamente:

“¿La IA me ayudó?”

También:

“¿Qué sigo pudiendo hacer sin ella?”

La sobreasistencia puede ocultarse detrás de un excelente resultado.

La dependencia no siempre se siente como dependencia.

Puede sentirse como eficiencia.

La persona obtiene una formulación clara.

Las alternativas están organizadas.

Las objeciones ya fueron anticipadas.

Los criterios aparecen ordenados.

La recomendación resulta convincente.

Entonces participa cada vez menos en aquello que produjo esa claridad.

Eso no necesariamente genera un problema inmediato.

Precisamente por eso puede pasar inadvertido.

La dificultad aparece cuando surge una situación diferente.

La información es incompleta.

Los valores entran en conflicto.

La herramienta ofrece una respuesta poco convincente.

O la persona necesita explicar una decisión frente a alguien que la cuestiona.

Ahí ya no alcanza con haber obtenido una buena respuesta.

Hace falta comprender.

La evidencia disponible exige cautela.

Conviene evitar dos posiciones igualmente pobres.

Una afirma:

“La IA inevitablemente nos vuelve menos capaces.”

La otra sostiene:

“Si mejora el resultado, no existe ningún problema.”

La evidencia actual no respalda ninguna de las dos simplificaciones.

Una revisión transversal publicada en Computers in Human Behavior Reports en 2026 encontró literatura empírica sobre sobredependencia, descarga cognitiva y pérdida de habilidades específicas, pero también destaca que la investigación se encuentra fragmentada entre educación, trabajo profesional, salud y otros dominios (Noorbehbahani & Oyibo, 2026).

Por ejemplo, un estudio con estudiantes de medicina encontró una presencia elevada de dependencia declarada de herramientas generativas y una relación negativa entre pensamiento crítico y dependencia. Pero se trata de estudiantes de dos universidades chinas y de un diseño en buena parte correlacional: sirve para reconocer una señal, no para concluir que la IA cause deterioro de pensamiento crítico en cualquier persona o profesión (Fu et al., 2026).

La pregunta responsable, entonces, no es si la IA “hace peor” al usuario.

Es:

¿qué patrón de uso estamos construyendo y qué capacidades podría estar sustituyendo?

El criterio necesita práctica.

No conviene tratar el criterio como una propiedad fija.

Se desarrolla.

Se contrasta.

Se modifica.

Se vuelve más preciso al observar situaciones, formular hipótesis, equivocarse, comparar perspectivas, decidir y revisar consecuencias.

Eso significa que también necesita ejercicio.

Si una persona deja sistemáticamente que la IA formule primero el problema, practica menos esa capacidad.

Si siempre recibe las alternativas antes de construir alguna propia, participa menos en la búsqueda.

Si espera una recomendación antes de definir criterios, ejercita menos la priorización.

Si no necesita explicar la decisión porque puede recuperar inmediatamente el texto generado, practica menos la reconstrucción de su propio razonamiento.

No significa que esas capacidades vayan a desaparecer.

Significa algo más prudente:

aquello que dejamos de practicar sistemáticamente merece ser observado.

No toda capacidad debe conservarse.

También sería un error intentar preservar cada habilidad simplemente porque antes era necesaria.

La tecnología siempre modifica qué competencias merecen seguir ocupando tiempo humano.

No necesitamos defender tareas repetitivas por nostalgia.

Una organización puede decidir que ya no necesita que cada persona:

• redacte desde cero determinados documentos;
• clasifique manualmente grandes volúmenes de información;
• prepare determinadas comparaciones;
• realice búsquedas rutinarias;
• o produzca primeras versiones de trabajos de bajo valor diferencial.

Pero otras capacidades pueden seguir siendo centrales porque sostienen responsabilidad real:

• formular un problema;
• distinguir hechos de interpretaciones;
• definir criterios;
• reconocer información faltante;
• evaluar consecuencias;
• cuestionar una recomendación convincente;
• explicar una decisión;
• y responder por lo que ocurre después.

La diferencia necesita ser deliberada.

No deberíamos descubrir dentro de tres años qué capacidades dejamos de desarrollar simplemente porque resultaba cómodo delegarlas.

Prótesis y andamiaje no son lo mismo.

Una forma útil de pensar la asistencia es distinguir dos funciones.

Una prótesis sustituye una capacidad que hemos decidido no necesitar ejercer de manera independiente en esa tarea.

Un andamiaje ayuda a desarrollar o fortalecer una capacidad y después puede retirarse parcial o completamente.

Ambas relaciones pueden ser legítimas.

El problema aparece cuando creemos estar construyendo un andamiaje y en realidad estamos creando una dependencia permanente.

En determinadas tareas, eso no importa.

En otras sí.

Si la persona debe asumir consecuencias, actuar cuando el sistema falla o responder ante una situación nueva, conviene preguntarse qué parte del proceso necesita seguir comprendiendo y practicando.

Cuatro capacidades que preservaría especialmente.

1. Formular el problema antes de consultar.

No hace falta llegar con la respuesta.

Sí conviene llegar con alguna formulación propia.

• ¿Qué está ocurriendo?
• ¿Qué decisión necesito tomar?
• ¿Qué podría estar confundiendo con el problema principal?

Después la IA puede cuestionar esa formulación.

Pero ya existe un punto desde el cual comparar lo que la herramienta cambió.

2. Construir al menos una hipótesis o alternativa propia.

Antes de pedir:

“Dame cinco opciones.”

puede resultar útil escribir una o dos.

No porque tengan que ser mejores.

Porque permiten distinguir qué aportó realmente la herramienta.

La IA amplía una búsqueda que ya comenzó en lugar de reemplazarla completamente.

3. Definir algunos criterios antes de comparar.

• Costo.
• Tiempo.
• Reversibilidad.
• Impacto humano.
• Continuidad.
• Calidad.
• Riesgo.

No hace falta conocer todos.

Pero sí conviene decidir cuáles resultan importantes antes de recibir un ranking perfectamente ordenado.

La herramienta puede ayudar a revisar esos criterios.

No debería decidirlos silenciosamente.

4. Poder explicar la decisión sin volver a consultar.

Es una prueba sencilla.

Después de trabajar con IA:

• ¿podés explicar qué decidiste?
• ¿Por qué?
• ¿Qué alternativa descartaste?
• ¿Qué costo aceptaste?
• ¿Qué información podría hacerte revisar la decisión?

Si necesitás volver a abrir la respuesta generada para poder explicarlo, todavía puede faltar apropiación del razonamiento.

Un protocolo para utilizar IA sin abandonar aprendizaje.

No hace falta convertir esto en una metodología. Basta con una secuencia práctica.

Antes de consultar.

Formulá el problema.

Escribí una primera hipótesis.

Nombrá los criterios que ya reconocés.

Identificá qué información realmente falta.

Durante la consulta.

No pidas solamente soluciones.

Pedí objeciones.

Alternativas contrarias.

Supuestos implícitos.

Información que podría faltar.

Consecuencias que no estás considerando.

Después de consultar.

Volvé a formular el problema con tus palabras.

Separá qué aceptás de lo que todavía no.

Explicá por qué elegís.

Reconocé qué cambió realmente gracias a la interacción.

A veces, sin IA.

En tareas de bajo riesgo puede ser útil comprobar periódicamente qué sos capaz de hacer sin asistencia.

No para demostrar autosuficiencia.

Para disponer de una referencia real sobre la capacidad que conservás.

La organización debería observar algo más que productividad.

Esto también tiene una consecuencia para empresas y equipos.

Si una organización mide solamente:

• velocidad;
• volumen;
• horas ahorradas;
• cantidad de usuarios;
• o cantidad de tareas automatizadas;

puede no estar observando qué ocurre con las capacidades humanas que seguirá necesitando.

Conviene preguntar también:

• ¿las personas formulan mejores problemas?
• ¿pueden detectar una recomendación deficiente?
• ¿comprenden cuándo apartarse de una respuesta generada?
• ¿pueden actuar cuando la herramienta no está disponible?
• ¿las personas con menos experiencia están aprendiendo o solamente obteniendo buenos resultados asistidos?

La revisión de Noorbehbahani y Oyibo (2026) precisamente propone considerar no solo eficiencia, sino también efectos sobre aprendizaje, competencia profesional, juicio y autonomía.

Una transformación tecnológica puede producir mejores resultados inmediatos y, al mismo tiempo, requerir una política explícita sobre qué conocimientos y capacidades la organización necesita seguir desarrollando.

El decisor que queda también es un resultado.

Solemos evaluar una interacción con IA por aquello que produjo.

• El informe.
• La decisión.
• La respuesta.
• El análisis.
• La presentación.

Pero existe otro resultado:

la persona después de haber trabajado con la herramienta.

• ¿Comprende más?
• ¿Pregunta mejor?
• ¿Reconoce variables que antes no veía?
• ¿Puede cuestionar mejor una respuesta?
• ¿Está en mejores condiciones de decidir la próxima vez?
• ¿O cada vez necesita más asistencia para llegar al mismo punto?

Ese segundo resultado importa especialmente cuando estamos hablando de personas con responsabilidad real sobre consecuencias.

Para revisar.

Elegí una actividad o decisión en la que utilices inteligencia artificial con frecuencia.

• ¿Qué parte hacías antes sin asistencia?
• ¿Qué parte ya no realizás?
• ¿Qué capacidad se está liberando porque ya no vale la pena conservarla?
• ¿Y qué capacidad podrías estar dejando de ejercitar aunque todavía sea importante?
• ¿La IA está ampliando una formulación propia o formulando sistemáticamente por vos?
• ¿Podrías detectar una respuesta deficiente?
• ¿Podrías explicar la decisión sin volver a abrir la conversación?
• ¿Podrías actuar razonablemente si mañana la herramienta no estuviera disponible?

No todas las respuestas necesitan preocupar.

La cuestión es que sean conscientes.

Conclusión.

La inteligencia artificial puede mejorar una decisión.

Puede ampliar alternativas.

Puede acelerar búsquedas.

Puede ordenar información.

Puede detectar relaciones que una persona no había visto.

Nada de eso obliga a elegir entre tecnología y autonomía.

La pregunta más interesante es otra:

¿qué tipo de relación con la herramienta mejora el resultado sin volver innecesaria una capacidad que todavía necesitamos conservar?

La evidencia disponible no permite afirmar que toda asistencia produzca deterioro.

Sí justifica observar los efectos de una asistencia permanente cuando sustituye repetidamente procesos que todavía necesitamos aprender, practicar o comprender.

La calidad de una herramienta no debería medirse solamente por la respuesta que ayuda a producir.

También por la calidad de la capacidad humana que deja disponible después.

Para la dimensión complementaria de autoridad sobre el proceso decisional, podés leer “La nueva ventaja del líder es conservar autoridad sobre cómo se decide.”

Próximo movimiento.

Si el problema no es qué respuesta ofrece la IA sino qué parte del pensamiento conviene seguir sosteniendo bajo responsabilidad propia, una Conversación 1:1 puede servir para revisar esa relación sin partir de la idea de que hay que utilizar más o menos tecnología.

Referencias.

Fu, L., Li, R., Shi, W., Quan, R., Wu, J., Zhaoyang, K., Li, Y., Yang, L., Li, W., Liu, S., Dong, Y., Yang, L., Rong, Z., Qin, Y., & Zhou, L. (2026). Mixed-methods study on GenAI usage, dependence behaviors, and standardized application paths among Chinese medical students. npj Digital Medicine, 9, 714. https://doi.org/10.1038/s41746-026-02839-4

Noorbehbahani, F., & Oyibo, K. (2026). AI-overdependence and human cognitive decline: Hazards, evidence, and mitigation strategies. Computers in Human Behavior Reports, 22, 101102. https://doi.org/10.1016/j.chbr.2026.101102

Wang, W., Gu, E., Loquercio, A., Hu, H., & Mangharam, R. (2026). AI coaching for accelerating human skill development with reinforcement learning [Preprint]. arXiv. https://arxiv.org/abs/2606.25337