¿Por qué el verdadero peligro de la IA es la rendición cognitiva humana? Análisis del auge del efecto Dunning-Kruger
El debate global sobre la Inteligencia Artificial (IA) suele centrarse en escenarios apocalípticos de ciencia ficción o en la carrera geopolítica por establecer regulaciones y marcos legales.
Nos obsesionamos con los guardrails tecnológicos y las políticas de empresa para contener a los algoritmos. Sin embargo, este enfoque adolece de un punto ciego monumental. El riesgo más inminente para nuestra evolución cultural no reside en lo que las máquinas puedan hacer por sí mismas, sino en lo que los humanos estamos dejando de hacer. Nos enfrentamos a una nueva epidemia silenciosa, pero no es un virus sino el auge masivo del efecto Dunning-Kruger a escala social, catalizado por la tecnología.
El efecto Dunning-Kruger describe cómo las personas con escaso conocimiento en un área tienden a sobreestimar drásticamente sus propias capacidades, por la sencilla razón de no saber lo suficiente como para darse cuenta de su ignorancia. Tradicionalmente, este sesgo se estudiaba a escala individual. Hoy, la IA generativa actúa como un multiplicador simbiótico del fenómeno, democratizando una falsa sensación de experiencia a una velocidad que la psicología clásica nunca tuvo que contemplar.
La descarga cognitiva y la atrofia del pensamiento
Para entender cómo la IA amplifica este sesgo, hay que recurrir a lo que se conoce como descarga cognitiva (cognitive offloading). El cerebro humano busca, por diseño evolutivo, la máxima eficiencia con el menor gasto energético posible. Al delegar la escritura, el análisis o la resolución de problemas en un modelo de lenguaje, nos saltamos el proceso de esfuerzo mental independiente que, incómodo como es, es precisamente donde ocurre el aprendizaje.
Esto no es una intuición, hay evidencia neurológica reciente que lo respalda. En 2025, un equipo del MIT Media Lab dividió a 54 voluntarios en tres grupos:
- Uno escribía ensayos con ChatGPT
- Otro usaba solo buscadores.
- Otro escribía sin ninguna ayuda y midió su actividad cerebral con electroencefalogramas mientras trabajaban.
El grupo que usó IA mostró la conectividad más débil entre las bandas cerebrales asociadas a la atención, la memoria de trabajo y la toma de decisiones y los investigadores documentaron un deterioro medible en la memoria y en el sentido de autoría sobre el propio texto, un fenómeno que bautizaron como «deuda cognitiva», o dicho de otro modo, la certeza de que cada atajo que tomamos hoy se cobra, con intereses, en nuestra capacidad de pensar mañana.
El usuario confunde el control de la herramienta con el dominio de la materia. Saber interrogar a un sistema no equivale a poseer el conocimiento; sin embargo, el cerebro registra el éxito del resultado final como un logro propio, inflando el sesgo de superioridad ilusoria que da nombre al efecto Dunning-Kruger.
Lo que dicen los datos
Este fenómeno ya no es una hipótesis sociológica. La evidencia empírica empieza a respaldarlo con cifras muy concretas, y algunas vienen de ámbitos donde el margen de error es literalmente de vida o muerte.
En medicina, un estudio multicéntrico publicado en The Lancet Gastroenterology & Hepatology en 2025 analizó a 19 endoscopistas experimentados, cada uno con más de 2.000 colonoscopias realizadas en cuatro centros de Polonia.
Tras tres meses de uso regular de un sistema de IA para detectar pólipos, la tasa de detección de adenomas de los mismos médicos trabajando sin esa ayuda cayó del 28,4% al 22,4%. Los autores atribuyeron el descenso a una posible dependencia excesiva de la herramienta, que parece reducir el foco y el compromiso atencional cuando la IA no está disponible. Es la primera evidencia clínica documentada de lo que ya se llama «desaprendizaje inducido por IA«.
La raíz del problema germina desde las aulas, y aquí los datos son todavía más elocuentes. Un informe de RAND Corporation publicado en marzo de 2026 encontró que el porcentaje de estudiantes de secundaria y universidad que usa IA para las tareas subió del 48% al 62% entre mayo y diciembre de 2025, mientras que el porcentaje que cree que ese uso perjudica su pensamiento crítico subió del 54% al 67% en el mismo periodo. Son los propios estudiantes quienes lo notan.
Pero el dato más contundente llega de un estudio de la Universidad de Estocolmo y la Universidad de Hong Kong, publicado en 2026, que siguió durante treinta meses a más de 26.000 alumnos de secundaria en China. A los seis meses de empezar a usar IA generativa, las notas de las tareas subieron un 18% y el tiempo dedicado a hacerlas bajó de 64 a 45 minutos, pero las notas de los exámenes sin acceso a herramientas cayeron un 20% respecto al periodo anterior.
La IA eleva el resultado cosmético del trabajo, pero el alumno no absorbe el conocimiento subyacente, si bien, produce una generación que se autopercibe capaz basándose en el rendimiento de un tercero algorítmico, ensanchando exactamente la brecha que describieron Dunning y Kruger.
La trampa del sesgo de automatización
El catalizador definitivo de esta crisis es el sesgo de automatización es la tendencia humana a confiar en los sistemas automatizados incluso por encima del propio sentido común. Los modelos de IA siempre responden, no dudan y presentan sus respuestas (incluidas sus alucinaciones) con una sintaxis perfecta y un tono de autoridad que emana confianza.
Se suele argumentar que la alfabetización digital es el antídoto frente a este engaño. Pero la investigación reciente matiza bastante esa idea. Un análisis del comportamiento humano ante sistemas de IA en contextos de alto riesgo, apoyado en el trabajo de Sanchez y Dunning de 2018, describe lo que llaman la «burbuja del principiante». Arroja que quienes no tienen ningún conocimiento sobre IA tienden a ser escépticos con ella, y quienes son verdaderos expertos calibran bien su confianza.
Pero el punto más peligroso está en medio, entre quienes tienen justo el conocimiento suficiente para creer que entienden la herramienta, pero no el suficiente para reconocer sus límites. Es, literalmente, el efecto Dunning-Kruger aplicado a la relación hombre-máquina.
Una revisión de 2025 sobre este sesgo confirma que factores como la alfabetización en IA, la experiencia profesional o los perfiles cognitivos interactúan entre sí, y que los mecanismos de transparencia suelen mejorar la aceptación percibida de la herramienta sin mejorar realmente la precisión de las decisiones provocando que nos sintamos mejor sin necesidad de ese esfuerzo cognitivo previo.
Hay, eso sí, una buena noticia escondida en la misma literatura, el sesgo se puede mitigar, pero no con más formación teórica, sino con fricción bien diseñada. Un ensayo clínico aleatorizado de 2026 con 72 médicos mostró que introducir señales de calibración (como mostrar la precisión histórica del modelo y marcar los casos que requerían más escrutinio) mejoró de forma significativa la calidad del razonamiento diagnóstico frente al grupo que recibía las recomendaciones de la IA sin ningún filtro.
La clave no es confiar menos en la IA por decreto, sino diseñar (o exigirnos) momentos deliberados de verificación activa.
Entonces, ¿qué hacemos? Consejos para no caer en la negación
Nada de esto significa que haya que huir de la IA. Significa que hay que usarla con una disciplina que, hasta ahora, casi nadie nos ha enseñado. Algunas prácticas que ayudan, respaldadas por lo que dice la investigación:
- Empieza tú, no la máquina. Antes de pedirle nada a la IA, escribe tu propio borrador, por torpe que sea, o intenta resolver el problema con lo que ya sabes. Ese primer intento te llevará directo a el «valle de la desesperación» del que hablábamos y es exactamente el esfuerzo que genera aprendizaje real. Usa la IA después, para pulir o contrastar, no para saltarte el paso.
- Conviértete en el interlocutor socrático, no en el receptor pasivo. En lugar de pedir la respuesta final, pídele a la IA que te haga preguntas, que señale los puntos débiles de tu razonamiento o que te dé pistas en vez de soluciones. Cambia la dinámica de oráculo a tutor.
- Practica la explicación sin ayuda. Después de usar IA para entender algo, intenta explicárselo a otra persona (o a ti mismo, en voz alta) sin mirar la pantalla. Si no puedes, no lo sabes.
- Introduce fricción deliberada. Los estudios de mitigación del sesgo de automatización coinciden en que la verificación activa funciona mejor que la confianza ciega o la desconfianza total. Antes de aceptar una respuesta, pregúntate qué pasaría si estuviera mal, y busca al menos un dato que la contradiga o la confirme por otra vía.
- Resérvate espacios sin IA. No como un gesto nostálgico, sino como mantenimiento. Igual que un músculo necesita cargas sin ayuda externa para no atrofiarse, tu capacidad de razonar necesita de sus propios ejercicios.
- Cuida el aprendizaje que se instala en el cuerpo, no solo en la memoria. Hay destrezas que se resisten al atajo por naturaleza. Aprender piano y/o mecanografía son muy buenos ejemplos, no existe un prompt que le enseñe a tus dedos dónde está cada tecla bajo presión, solo lo consiguen cientos de repeticiones conscientes. Ese tipo de aprendizaje encarnado es, quizá, uno de los pocos refugios que nos quedan frente a la rendición cognitiva, precisamente porque no se puede delegar.
Es una lógica parecida a la que intentamos aplicar en aprendoeasy.com en nuestra plataforma para aprender a programar easyCode, en lugar de limitarse a entregar la respuesta correcta, incorpora un enfoque psicométrico que en vez de facilitar la desconexión, exige la presencia.
El verdadero punto ciego regulatorio
Podemos legislar el uso de los datos, poner barreras a la desinformación y obligar a las corporaciones a implementar auditorías éticas. Esos son los guardarraíles de la infraestructura. Pero no existe ley ni política de empresa capaz de regular la renuncia voluntaria del ser humano a su propia capacidad analítica. Eso depende de cada uno de nosotros.
El peligro existencial de la IA no es que adquiera conciencia y decida sustituirnos, sino que nosotros, por pura comodidad, apaguemos la nuestra. La buena noticia es que la evidencia también apunta en la otra dirección, quiero decir, los mismos estudios que documentan el problema muestran que la fricción deliberada, la verificación activa y el aprendizaje encarnado funcionan como contrapeso real. El verdadero apocalipsis no será tecnológico; será cognitivo. Y, a diferencia de la IA, ese sí depende enteramente de nosotros.
Fuentes:
- Kosmyna, N. et al. (2025), «Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task»,
- MIT Media Lab; Budzyń, K. et al. (2025), «Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study»,
- The Lancet Gastroenterology & Hepatology; Schwartz, H. L. y Diliberti, M. K. (2026), «More Students Use AI for Homework, and More Believe It Harms Critical Thinking»,
- RAND Corporation; CEPR Discussion Paper 21577 (2026), «The Generative AI Learning Penalty: Evidence from Chinese Secondary Education»,
- CEPR/VoxEU; «Bending the Automation Bias Curve: A Study of Human and AI-based Decision Making in National Security Contexts»;
- Romeo, G. y Conti, D. (2025), «Exploring automation bias in human–AI collaboration: a review and implications for explainable AI»,
- AI & Society; y Qazi, I. A. et al. (2026), «Mitigating Automation Bias in Physician-LLM Diagnostic Reasoning Using Behavioral Nudges: A Randomized Controlled Trial»,
- medRxiv, «Mitigating Automation Bias in Physician-LLM Diagnostic Reasoning Using Behavioral Nudges: A Randomized Controlled Trial».
