14/07/2026 
1 min de lectura
Guía rápida de lectura
Una tarde de mayo de 1997, en una sala de IBM en Nueva York, ocurrió algo que los titulares describieron como el fin de la supremacía humana. Garry Kasparov, el ajedrecista ruso considerado el mejor de todos los tiempos, miraba el tablero con incredulidad. Deep Blue, un ensamble ordenado de circuitos y algoritmos, acababa de vencerlo. El titular recorrió el mundo: la máquina ha superado al hombre.
Sin embargo, ese día nació una pregunta más interesante que el resultado: ¿Y si en lugar de competir contra la máquina, nos aliáramos con ella? Así nació el “Advanced Chess”, modalidad donde humanos y computadoras juegan en equipo.
Años después, el torneo abierto de esta disciplina produjo un resultado que nadie esperaba. El equipo ganador no fue el de un Gran Maestro apoyado por una supercomputadora, ni la IA más potente funcionando sola. Los campeones fueron dos aficionados estadounidenses que operaban tres computadoras de gama media.
Kasparov fue el primero en entender la lección: ganaron por tener un proceso de trabajo superior, no por ser los mejores ajedrecistas ni por usar la mejor tecnología. Supieron cuándo confiar en la máquina, cuándo dudar de ella y cómo usarla para explorar caminos que sus mentes, por sí solas, jamás habrían detectado. Esa lección, nacida frente a un tablero, es hoy la brújula más útil para navegar la era de la inteligencia artificial en la educación.
Hoy contamos con herramientas que resumen un libro en segundos, resuelven ecuaciones complejas y redactan ensayos casi perfectos. Para estudiantes de todos los niveles, la tentación es obvia: usar la IA para que el camino sea más corto y fácil. Sin embargo, en el aprendizaje, el camino es el destino.
La evidencia científica más reciente apunta a una idea central: la IA potencia el aprendizaje cuando la usas para pensar más, y lo daña cuando la usas para pensar menos. Un metaanálisis de 2025 que analizó 49 estudios sobre el uso de IA generativa en educación K-12 y universidad encontró un efecto positivo considerable en el rendimiento académico (tamaño de efecto g = 0.857) y en la motivación (g = 0.803). Sin embargo, el mismo análisis advierte que estos beneficios dependen del cómo, no solo del qué.
Otro metaanálisis publicado en 2025 con 57 estudios confirmó que la IA generativa mejora habilidades lingüísticas, motivación y pensamiento de orden superior, pero reveló algo preocupante: su impacto sobre la metacognición (es decir, la capacidad de monitorear el propio aprendizaje) fue estadísticamente insignificante. Dicho en términos cotidianos: la IA puede ayudarte a saber más cosas, pero no necesariamente a saber cómo aprendes. Y esa distinción lo cambia todo.
El informe OECD Digital Education Outlook 2026 resume el problema con una metáfora precisa: los estudiantes que usan IA en tareas fueron 48% más exitosos en completarlas, pero su rendimiento bajó 17% cuando se retiró el acceso a la herramienta, por ejemplo, en un examen tradicional. Es la diferencia entre usar muletas y fortalecer el músculo. Las muletas ayudan a caminar hoy; los ejercicios te permiten correr mañana.
Existe un fenómeno al que los investigadores llaman “descarga cognitiva” (cognitive offloading): cuando delegamos en una herramienta el trabajo mental que nosotros deberíamos hacer, el cerebro simplemente deja de hacerlo, no por pereza; sino por adaptación, y la IA es extraordinariamente buena en provocar exactamente eso.
Un estudio de la SBS Swiss Business School publicado en 2025 investigó la relación entre el uso de IA y el pensamiento crítico en más de 600 usuarios. El resultado fue contundente: el uso frecuente de IA correlaciona negativamente con las habilidades de razonamiento crítico, con los jóvenes de 17 a 25 años mostrando los niveles más altos de dependencia. Como señala el IEEE Computer Society, esto recuerda al “efecto Google”: así como internet rediseñó cómo recordamos información, la IA está rediseñando cómo pensamos.
La investigación de Microsoft Research presentada en 2025 identificó un patrón revelador: la confianza en la IA se asocia con menor esfuerzo de pensamiento crítico, mientras que la confianza en uno mismo se asocia con mayor pensamiento crítico. Cuando alguien confía más en la máquina que en sí mismo, ya no verifica, ya no cuestiona, ya no construye criterio propio.
Un experimento más cercano y concreto lo ilustra con datos duros: en un estudio reciente citado en medios especializados, el grupo de estudiantes que aprendió con métodos tradicionales obtuvo una media de 6.85/10 frente a un 5.75/10 del grupo que usó IA. El grupo IA estudió apenas 3.2 horas vs. 5.8 del grupo convencional, pero ajustando el tiempo, la desventaja se mantenía. No era cuánto tiempo estudiaban, sino cómo. El investigador Barcaoui lo resumió en dos palabras: “habilidad prestada”. La sensación de entender es inmediata pero engañosa: el estudiante cree dominar el contenido porque lo reconoce, pero no porque pueda reproducirlo o explicarlo sin ayuda.
Para entender por qué el uso pasivo de IA daña el aprendizaje, vale recurrir a Lev Vygotsky, el psicólogo soviético que formuló el concepto de Zona de Desarrollo Próximo (ZDP): la distancia entre lo que un estudiante puede hacer solo y lo que puede hacer con apoyo. El aprendizaje genuino ocurre en esa zona de tensión, cuando alguien te guía justo en el límite de tu capacidad actual.
La IA puede ser un andamio extraordinario en esa zona, si se usa con ese propósito. Un estudio de 2025 con estudiantes en tres universidades encontró que quienes usaron la IA de forma constructiva (para ampliar y cuestionar conocimiento) obtuvieron calificaciones significativamente más altas, mientras que quienes la usaron de forma “regurgitativa” (aceptando la respuesta al pie de la letra) tuvieron resultados significativamente más bajos. El andamio debe retirarse cuando ya no es necesario; el edificio lo construyes tú.
Esto conecta con la psicología del aprendizaje y el concepto de “dificultad deseable”: aprender requiere cierta fricción productiva. Recordar cuesta, y ese costo es una ventaja, porque enfrentarse a la duda, equivocarse y reorganizar ideas fortalece la memoria a largo plazo. Si la IA elimina todo ese trayecto, lo que queda es una comprensión más superficial y mucho más frágil.
La diferencia entre usar la IA bien o mal no está en la herramienta, sino en la dirección del esfuerzo cognitivo. Aquí, las técnicas concretas que la evidencia respalda:
En lugar de abrir una conversación con “resúmeme este tema”, empieza con “hazme diez preguntas de dificultad creciente”, “ponme un caso práctico”, “dame un problema análogo” o “discute mi respuesta como si fueras un evaluador estricto”. Ese giro transforma la relación por completo: dejas de usar la IA como prótesis intelectual y la conviertes en un campo de pruebas.
La evidencia respalda esto directamente: un estudio publicado en 2024 sobre el uso de ChatGPT para práctica de recuperación activa en cursos universitarios encontró mejoras significativas en los resultados de exámenes finales. La práctica de recuperación (retrieval practice), que consiste en intentar recordar información antes de volver a revisarla, es una de las técnicas de mayor impacto en la ciencia del aprendizaje, y la IA puede potenciarla si se usa para ese fin.
En lugar de pedirle a la IA que te explique un concepto, invierte el proceso: “Voy a explicarte este tema; interrúmpeme cuando detectes un hueco, una contradicción o una ambigüedad”. Este método es más exigente, y precisamente por eso enseña más. Obliga a convertir una comprensión borrosa en una formulación explícita. Es la diferencia entre reconocer una cara y saber dibujarla.
La IA puede ser útil corrigiendo la estructura de un texto, marcando saltos lógicos o detectando afirmaciones sin sustento. Pero conviene pedirle diagnóstico, no producto terminado. Un “señala mis tres ideas más débiles y explica por qué” enseña infinitamente más que un “reescribe esto mejor”. Lo primero te devuelve el problema para que lo resuelvas; lo segundo te regala un producto pulido y deja intacta tu ignorancia.
Un metaanálisis de 2025 que analizó el impacto de la IA en el rendimiento académico cuando hay soporte docente vs. cuando no lo hay encontró una diferencia dramática: con acompañamiento del profesor, el tamaño del efecto saltó a g = 1.426; sin él, se desplomó a g = 0.077. Es decir, la IA sin orientación pedagógica prácticamente no produce aprendizaje medible.
Para aprender bien hay que saber primero qué no se sabe. La investigación sobre metacognición digital aplicada a secundaria (revisión 2020-2024) reporta que los apoyos de IA para la autorregulación mejoran la retención de conocimiento en un 25%, la motivación en un 30% y la calidad del feedback personalizado en un 40%.
En la práctica: en vez de preguntarle a la IA “¿qué dice este tema?”, prueba con “¿qué debería revisar primero?”, “¿dónde suelen estar los vacíos en este concepto?” o “construye un mapa de mis errores frecuentes”. Ese tipo de uso fortalece la autonomía del estudiante y evita la dependencia pasiva.
La repetición espaciada es uno de los métodos más respaldados por la ciencia para la retención a largo plazo. La idea es simple: revisar la información en intervalos crecientes justo antes de que el cerebro la olvide. Un sistema de IA para tarjetas de aprendizaje activo en cursos MOOC publicado en 2024 mostró mejoras significativas en retención y satisfacción de los estudiantes. La IA puede diseñar calendarios de repaso personalizados, algo que antes requería horas de planificación manual.
Volviendo al éxito de los aficionados del torneo de ajedrez, su clave era metodológica. Para estudiar con IA, podemos adoptar un flujo de tres etapas:
El paso más crítico es la fase sin IA. Tras una sesión asistida, intenta explicar el tema en voz alta, sin notas, o resuelve un ejercicio desde cero. Si no puedes hacerlo solo, has caído en la “falsa maestría”: la ilusión de que, porque la IA fue fluida, tú también lo eres. Esta es la señal de alarma más importante.
La IA no es un oráculo. Es, en esencia, un sistema probabilístico que predice cuál es la siguiente palabra más plausible en una secuencia, no cuál es la verdad. Se equivoca con elegancia y miente con seguridad (justo como… en fin, ya sabes). Los investigadores tienen un nombre para esto: alucinaciones, que son respuestas generadas con total confianza pero completamente inventadas.
Un estudio de 2024 con 142 estudiantes de bachillerato STEM en Filipinas encontró que quienes usaban IA con mayor frecuencia tenían una correlación negativa significativa (r = -0.68) con sus hábitos de verificación de fuentes. A mayor dependencia de la IA, menor inclinación a comprobar si lo que dice es cierto. Los investigadores denominaron esto “sesgo de automatización”: confundir la fluidez del lenguaje algorítmico con la veracidad de su contenido.
La investigación de Microsoft (2025) confirmó que quienes usan IA sin pensamiento crítico no solo obtienen información incorrecta, sino que tienden a producir resultados menos diversos y originales que quienes no la usan, porque todos terminan siendo guiados por los mismos patrones estadísticos.
Por eso, la alfabetización en IA es una de las competencias más urgentes del siglo XXI. Implica
Según datos del estudio TALIS 2024 citados por la OCDE, el 72% del profesorado de secundaria advierte del impacto potencial negativo de la IA en la integridad académica. Pero la respuesta no es prohibir, el informe OCDE 2026 lo deja claro: “Prohibir la IA en las escuelas no es una solución sostenible”. La respuesta es enseñar a usarla con criterio.
Desde un punto de vista ético, usar la IA para externalizar el pensamiento no es solo un problema académico: es una pérdida personal. El mayor riesgo no es que las máquinas nos reemplacen, sino que nosotros mismos sustituyamos nuestra capacidad de razonar y decidir por las respuestas de un sistema que no tiene valores, no tiene contexto y no asume consecuencias.
La investigación sobre dependencia a la IA generativa en estudiantes universitarios señala un patrón preocupante: el uso compulsivo de estas herramientas se asocia con déficits en el GPA y deterioro en la calidad de la escritura, especialmente en contextos donde no hay supervisión docente. La IA, como cualquier herramienta poderosa, amplifica lo que ya traes: si la usas para pensar más, piensas mejor; si la usas para no pensar, piensas menos.
La brecha que se está abriendo no es la del acceso tecnológico (la llamada “primera brecha digital”) sino la del uso diferenciado: los estudiantes en entornos bien apoyados usan la IA como tutor sofisticado, mientras que los estudiantes en entornos vulnerables la usan como atajo. El resultado, advierte la OCDE, puede ser que la IA amplíe la desigualdad educativa en lugar de reducirla.
Kasparov tenía razón en una cosa: el futuro no pertenece a los humanos más inteligentes ni a las máquinas más potentes, sino a quienes diseñen los mejores procesos de colaboración. La IA tiene el potencial de democratizar el acceso a tutoría personalizada de alto nivel, una posibilidad que durante siglos estuvo reservada a quienes podían pagar un tutor privado.
La investigación en sistemas de tutoría inteligente (ITS) muestra que el aprendizaje adaptativo impulsado por IA puede mejorar las puntuaciones en evaluaciones hasta en un 62% cuando se integra en entornos pedagógicos bien diseñados, y reducir los niveles de ansiedad académica en un 20%. Un estudio de 2025 sobre el futuro de la IA en el aprendizaje personalizado identificó seis funciones clave de estos sistemas: tutoría adaptativa, predicción de resultados, apoyo a la evaluación, identificación de necesidades, gestión de actividades y entrega de contenido diferenciado.
Pero hay una condición esencial para que ese mentor funcione: que mantengamos nuestra autonomía. La IA generativa puede mejorar el desempeño inmediato de una tarea sin producir aprendizaje, porque este sigue siendo un acto humano, íntimo y, a menudo, difícil. No hay algoritmo que pueda hacer eso por ti.
La historia de Kasparov y Deep Blue no es una historia de derrota humana. Es una historia sobre adaptación inteligente. Los dos aficionados que ganaron el torneo de Advanced Chess no tenían la mejor tecnología ni el mayor talento natural. Tenían el mejor método: saber cuándo usar la máquina como trampolín y cuándo saltar solos.
La IA puede despejar la maleza del camino (organizar información, generar preguntas, ofrecer retroalimentación, señalar vacíos, espaciar repasos) pero no puede caminar por nosotros. El aprendizaje sigue siendo un acto fundamentalmente humano: la construcción lenta, exigente y transformadora de quien eres cuando entiendes algo nuevo.
La tecnología debe ser el suelo desde donde saltamos, no el techo que limita nuestro crecimiento.
Conoce más en el siguiente video:
Video recomendado
Descubre cómo aprovechar la inteligencia artificial para aprender de forma crítica, desarrollar mejores hábitos de estudio y fortalecer tu aprendizaje.
1:33 – La inteligencia artificial en la educación: aprender más o pensar menos
3:36 – Cómo usar la IA para aprender mejor: técnicas de aprendizaje activo
4:17 – Cuatro técnicas de aprendizaje activo usando IA
7:54 – Un método práctico para estudiar con IA: antes, durante y después
8:51 – Pensamiento crítico y alfabetización en IA: por qué no debemos creerle todo a la máquina
No solo leas sobre este tema, conviértete en el experto que las empresas buscan.
Fuentes
Expost
Redactor en EXPOST
Somos una comunidad de escritores, consultores, docentes y redactores de opinión pública, respaldados por IEXE Universidad. En donde nuestro principal objetivo es “compartir conocimiento objetivo y estratégico que traspase fronteras”.
Todos los derechos reservados IEXE 2022 Aviso de Privacidad Contacto
