353 votos: ¿le has externalizado también el cerebro a la IA?
En un evento de emprendimiento en San Francisco, un hombre lucía en el pecho una pequeña cápsula metálica de dos dedos de ancho. Un amigo curioso preguntó qué era; el hombre dijo que era un micrófono, que lo usaba para grabar todo el día y por la noche soltaba el audio a la IA para que lo resumiera y analizara. Animado por la charla, soltó una frase que eriza la piel: “Siento que Claude es más inteligente que yo, su pensamiento crítico es mejor que el mío, así que ahora le delego todo el pensamiento”.
Esto no es ciencia ficción. Es lo que la investigadora de IA Yennie Jun registró el 14 de julio de 2026 en su artículo “Are we offloading too much of our thinking to AI?”. El texto llegó ese mismo día a la cima de Hacker News —353 votos, 356 comentarios— y se convirtió en el tema más caliente del día. Un comentario muy votado decía: “Si usas la calculadora para sumar, sigues siendo tú. Pero si usas la IA para la mayor parte de tu pensamiento —¿qué te queda?”
Esta pregunta flota sobre muchas cabezas; solo que la mayoría aún no se la ha hecho.
La calculadora no te hizo más tonto, ¿por qué sí lo haría la IA?
La analogía más usada por los contrarios es la calculadora. “Cuando salió la calculadora, también decían que los estudiantes se volverían tontos; ¿y qué pasó? La educación matemática pasó del memorismo a la comprensión de conceptos”. Esta lógica suena razonable —si la calculadora no destruyó la capacidad matemática humana, la IA tampoco destruirá la capacidad de pensar.
Pero hay una diferencia clave que se oculta.
Lo que la calculadora hace por ti es aritmética —un conjunto de operaciones de reglas claras y límites nítidos. 2 más 2 son 4, sin(30°) es 0,5, sin zona gris. Y lo más importante: la calculadora no toma ningún juicio sobre “qué calcular”, “por qué calcular” o “qué significa el resultado”. Esos juicios, razonamientos y ponderaciones —el núcleo del pensamiento— siguen en tu cabeza.
Lo que la IA hace por ti es algo completamente distinto. Te sustituye en evaluar fuentes de información, en juzgar qué argumentos son más sólidos, en organizar la estructura de la argumentación, en decidir la dirección de la conclusión. Esto no son operaciones auxiliares: esto es el pensamiento mismo.
Los investigadores de la University of Western Australia desglosaron sistemáticamente, en un artículo de 2025, las cinco fisuras de la “analogía de la calculadora”. La más central: la calculadora solo opera en el dominio estrecho de las matemáticas, mientras que el modelo de lenguaje no tiene fronteras fijas —“en teoría, puedes delegarle cualquier tipo de tarea cognitiva”. Otra igual de clave: la calculadora no alucina, no inventa hechos inexistentes con tono seguro, ni incrusta en su salida los prejuicios culturales de sus datos de entrenamiento.
Consulté un estudio empírico publicado en 2025 en la revista Societies (MDPI). El equipo encuestó y entrevistó en profundidad a 666 participantes, y encontró una correlación negativa estadísticamente significativa entre la frecuencia de uso de herramientas de IA y la capacidad de pensamiento crítico autodeclarada. Concretamente, quienes usaban IA con más frecuencia puntuaban más bajo en tres dimensiones: “evaluar la credibilidad de la información”, “identificar fallos en los argumentos” y “formar juicios por cuenta propia”. Los autores definieron esto como el efecto mediador de la descarga cognitiva —la IA completa por ti los pasos intermedios del pensamiento, y pierdes la oportunidad de ejercitarlos.
Es como alguien que nunca corre y de repente debe correr cinco kilómetros —sus músculos se atrofiaron por no usarse, y la capacidad de correr desaparece. El músculo del pensamiento sigue el mismo principio de usar-o-perder. Lo temible es que la degradación física se nota (falta de aire, piernas doloridas), pero la degradación del pensamiento suele pasar desapercibida hasta que hay un problema —hasta que necesitas tomar un juicio sin IA presente y descubres que ya no sabes pensar.
La ventana del profesor: cuando todos sacan un A, pero no han aprendido nada
Yennie Jun contó en su artículo un detalle. Su madre da clases de física en una universidad online y últimamente notó un patrón inquietante: las respuestas de la mayoría de los estudiantes eran casi idénticas —como si todos hubieran pegado el mismo problema en la misma herramienta de IA y lo hubieran copiado tal cual. Las respuestas eran bastante completas, impecables según los criterios de evaluación, así que la mayoría sacó un A. Pero ella sabía bien que esos estudiantes no habían aprendido nada.
La IA puede producir una respuesta perfecta, pero en el proceso no te enseña cómo llegar a esa respuesta. ¿Qué fórmula? ¿Por qué esa fórmula? ¿Hay otro camino? ¿Cuáles son las condiciones de contorno? ¿Qué pasa si cambias una variable? —estas preguntas son el núcleo de la educación en física, y la salida de la IA las salta todas.
El fenómeno de “cuanto más fuerte la IA, más débil el aprendizaje” no es un caso aislado. Un estudio de Harvard de 2025 encontró que, en cursos que permitían asistencia de IA, las notas de los exámenes finales cayeron en promedio cerca de medio nivel de letra, y la caída crecía en proporción a la dependencia de los estudiantes de la IA. Cabe señalar que quienes “creían haber aprendido mucho de la IA” tenían en realidad peores notas —la explicación fluida de la IA crea una falsa sensación de “ya lo entiendo”, pero esa sensación no resiste la prueba de un razonamiento independiente de verdad.
Un experimento: piensa primero, pregunta después
Yennie Jun compartió en su artículo una experiencia personal. Durante un viaje a Portugal, visitó con su hermana el Monumento a los Descubrimientos —un hito que conmemora la era de los grandes viajes marítimos portugueses. Ambas se confundieron: ¿por qué Portugal se enorgullece tanto de su historia colonial? En EE. UU., Colón ya fue “cancelado”, pero los portugueses parecen venerar al príncipe Enrique.
La hermana sacó el móvil: “Preguntémosle a ChatGPT”.
Yennie sugirió no preguntar todavía y pensarlo primero. Empezaron a conjeturar: ¿será porque Portugal es más homogéneo y religioso que EE. UU.? ¿Será que los “Descubrimientos” son el capítulo más brillante de la narrativa nacional portuguesa, así que embellecieron selectivamente esa historia? Conjeturaron, razonaron, se refutaron mutuamente, recordaron detalles de historia del instituto. Sabían que muchas conjeturas podían estar mal —y justo eso era parte del ejercicio.
Al final le preguntaron a la IA. La respuesta validó la mayor parte de las conjeturas, añadió algunos ángulos que no habían previsto y omitió otras que ellas seguían considerando razonables.
El valor de este experimento no está en la respuesta final. El valor está en ese proceso de “conjeturar primero”. Si preguntas directo a la IA, la respuesta aparece en pantalla en un segundo; la lees, asientes y la olvidas. Pero cuando piensas primero —aunque sea lleno de huecos—, la respuesta de la IA deja de ser una conclusión para convertirse en un interlocutor con el que puedes dialogar: esto lo pensé, esto no lo consideré, esta explicación no me convence del todo.
Un comentario frecuentemente citado en Hacker News propuso un marco útil. El comentarista jvanderbot dividió el uso de la IA en dos modos: “arete susurrante” (whisper earring) y “exoesqueleto”. El modo arete susurrante es cuando buscas en la IA una dirección —“¿qué debería hacer ahora?”, “¿dónde crees que está el problema?”—; abandonas la iniciativa del pensamiento y la IA juzga por ti. El modo exoesqueleto es cuando ya tienes una idea clara y dejas que la IA acelere la ejecución —“implementa aquel algoritmo con esta estructura”, “traduce ese texto en este estilo”—; conservas el juicio y la IA solo extiende tu mano.
El arete susurrante atrofia. El exoesqueleto fortalece. La diferencia está en esto: si metes la IA en tu cabeza, te moviste antes la tuya.
La otra cara de la moneda: la IA sí ayudó mucho
Seamos justos: la mejora de productividad que aporta la IA es real. Yennie Jun enumeró en su artículo varios ejemplos: su prima usa Gemini para traducir informes largos del inglés al coreano, con gran aumento de eficiencia; su amigo usa ChatGPT como tutor personal y en pocos meses aprendió bioquímica desde cero; ella misma usa IA para analizar datos personales y encontrar patrones que difícilmente descubriría analizando a mano.
Estos ejemplos comparten algo: la IA acelera la eficiencia de ejecución de “habilidades ya dominadas”, en lugar de aprender por ti “habilidades aún no dominadas”. La prima ya sabe coreano e inglés; la IA solo le ahorra el trabajo físico de traducir palabra por palabra. Yennie sabe muy bien qué datos analizar y qué preguntar; la IA es solo un acelerador a nivel de ejecución.
El problema surge cuando pones la IA en un terreno que no dominas.
Por ejemplo, usar la IA para revisar un contrato legal que apenas entiendes. La IA puede decirte con fluidez “esta cláusula podría ser arriesgada”, pero tú no has leído el texto original de la cláusula, no has deducido la ruta de riesgo dentro del marco legal, no has comparado las diferencias de redacción. Obtienes una sensación sobre el riesgo, no una comprensión del riesgo. La próxima vez que encuentres una estructura de cláusula similar en otro contexto, tal vez ni la reconozcas —porque la vez anterior no “aprendiste” de verdad cómo es el riesgo, solo recibiste una conclusión.
Esto también explica por qué los usuarios intensivos de IA, cuando se les pregunta “¿qué aprendiste?”, a menudo no saben explicarlo —sí “terminaron” muchas cosas, pero el conocimiento no se asentó en su cerebro. La productividad no es lo mismo que la capacidad de aprender. Estas dos cosas se están separando rápido en la era de la IA.
”No se me da correr; pensar es lo único que me queda”
Un comentario en Hacker News obtuvo gran resonancia. El comentarista zerobees escribió: “No se me da levantar pesas ni correr. Así que pensar es lo único que me queda”. Detrás de esa frase hay una ansiedad más profunda: si hasta el pensamiento —la capacidad sobre la que se levanta toda la civilización humana— puede externalizarse con facilidad, ¿qué queda de la singularidad de la especie humana?
Mi juicio es que la respuesta podría estar en “en qué nivel lo usas”. Las investigaciones actuales están trazando una línea de frontera borrosa pero con orientación: usa la IA en lo que ya sabes, como amplificador de eficiencia; usa la IA en lo que aún no sabes, manteniendo la disciplina de “piensa primero, pregunta después”.
No es una cuestión de blanco o negro. No puedes ni necesitas rechazar toda asistencia de IA. Pero puedes elegir, antes de dejar que te responda, darte treinta segundos —piensa: si solo estuviera yo, ¿cómo respondería?
Ese hombre del micrófono en San Francisco, si un día se le acaba la batería o el servicio de IA cae, ¿sabrá qué decirle a la persona que tiene enfrente?
El material de este artículo proviene del texto original de Yennie Jun en Art Fish Intelligence, de las discusiones relacionadas en Hacker News y de varios estudios empíricos publicados en ciencia cognitiva. El autor no participó directamente en dichos proyectos de investigación; parte de los juicios se basan en la interpretación de información pública y podrían tener desviaciones. Si tienes experiencia de primera mano o una perspectiva distinta sobre este tema, eres bienvenido a debatir.
Enlaces de referencia
- Yennie Jun, “Are we offloading too much of our thinking to AI?”, Art Fish Intelligence (Substack), 2026-07-14
- Hilo de discusión en Hacker News
- Gerlich, M., “AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking”, Societies (MDPI), 2025
- “Generative AI is not a ‘calculator for words’. 5 reasons why this idea is misleading”, The Conversation, 2025-08-18
- Javier Santana, “AI and the calculator analogy”, Kognitivo (Substack), 2025-08-07
- METR, “Task-Completion Time Horizons of Frontier AI Models”, 2025
- Florida State University, “Estudio sobre la penetración de las palabras de alta frecuencia de la IA en el habla cotidiana humana”, 2025