Esfuerzo cognitivo, práctica de recuperación y «pereza metacognitiva»: lo que dice la investigación sobre el riesgo de delegar el aprendizaje en los modelos de lenguaje.
Una de las paradojas mejor establecidas de las ciencias del aprendizaje es que lo que hace fácil el estudio a menudo lo vuelve ineficaz. La retención duradera se apoya en «dificultades deseables»: ponerse a prueba en lugar de releer, espaciar los repasos, producir una respuesta antes de verificarla. El clásico efecto de test de Roediger y Karpicke muestra que una simple recuperación en la memoria, sin relectura adicional, mejora con fuerza la retención a largo plazo [1]. Ahora bien, los grandes modelos de lenguaje (LLM) sobresalen precisamente en suprimir ese esfuerzo: producen la respuesta, el esquema, la síntesis. La cuestión no es, pues, si la IA ayuda a producir, sino si ayuda a aprender.
La «descarga cognitiva» (cognitive offloading) consiste en confiar una tarea mental a una herramienta externa. Útil para liberar la memoria de trabajo, se vuelve problemática cuando sustituye a los procesos que construyen la comprensión. Varios estudios de 2024-2026 documentan una «pereza metacognitiva»: los estudiantes que se apoyan en un LLM interactúan sobre todo con la herramienta, copian y pegan más y regulan menos su propio aprendizaje [2]. Incluso se ha propuesto y validado recientemente una escala para medir el fenómeno [3].
Este resultado es matizado y a menudo se cita mal: en el mismo estudio, una versión «tutor» del modelo, dotada de salvaguardas pedagógicas (pistas progresivas, negativa a dar la solución completa, invitación a razonar), no provocaba esa degradación [4]. Dicho de otro modo, el efecto depende menos de la IA en sí que del diseño de la interacción.
Las ciencias cognitivas ofrecen una guía de diseño. Un tutor de IA alineado con el aprendizaje debería: priorizar la recuperación activa (plantear preguntas antes de responder), dosificar las pistas (atenuación progresiva, o fading), espaciar los recordatorios y hacer visibles los pasos del razonamiento en lugar de solo el resultado. El metaanálisis de la UNESCO aboga por un enfoque centrado en el ser humano en el que la herramienta permanezca subordinada a los objetivos pedagógicos [5].
La IA no está condenada a erosionar el aprendizaje. Bien diseñada, hace viables a gran escala principios costosos en tiempo humano: retroalimentación inmediata, preguntas de recuperación generadas sobre la marcha, adaptación del nivel de dificultad. El informe 2025 del AI Index de Stanford subraya la rápida expansión de estos usos, al tiempo que insiste en la escasez de pruebas de eficacia rigurosas y a gran escala [6]. La prudencia metodológica sigue siendo necesaria: muchos estudios son de corta duración, con muestras pequeñas, y miden el rendimiento inmediato antes que la retención.
El aprendizaje profundo supone una incomodidad deseable. El verdadero reto de la IA educativa es preservar el esfuerzo útil eliminando a la vez el esfuerzo inútil.
Síntesis de las dificultades deseables
Para quienes diseñan sistemas educativos —incluidos los actores europeos y suizos atentos a la privacidad y al control de los datos— el reto es doble: instrumentar la metacognición (hacer que el estudiante sea consciente de lo que sabe) y evitar la trampa de la fluidez, esa ilusión de dominio que produce una respuesta bien redactada pero no trabajada. La tecnología debe servir a la dificultad deseable, no abolirla.
Más allá de la recuperación, tres principios robustos de las ciencias del aprendizaje merecen ser instrumentados por la IA en lugar de cortocircuitados. El primero es el espaciado: repasar un concepto a intervalos crecientes lo fija mucho mejor que un atracón concentrado. Un sistema puede planificar esos recordatorios de forma automática, algo que a un docente solo le cuesta hacer para treinta alumnos. El segundo es el entrelazado: mezclar los tipos de problemas en lugar de tratarlos en bloques, lo que mejora la transferencia.
El tercero es el efecto de generación: producir una respuesta, aunque sea errónea, antes de recibir la corrección, refuerza el aprendizaje más que la lectura pasiva de la solución. Es exactamente lo contrario de lo que propone un asistente generativo dejado sin salvaguardas, que entrega la respuesta de entrada. Diseñar contra ese reflejo —hacer intentar antes de ayudar— transforma la herramienta de atajo en palanca [4].
Queda la metacognición, ese pilotaje del propio aprendizaje que los estudios señalan como la primera víctima de la descarga [2]. La IA, al contrario, puede apoyarla: pedir al estudiante que estime su confianza, que detecte lo que no ha entendido, que planifique su repaso. Hacer que el estudiante sea consciente de su estado de conocimiento es quizá el uso más prometedor, y el más fiel a una visión centrada en el ser humano [5].
El debate enfrenta con demasiada frecuencia dos caricaturas: la IA que salva la educación y la IA que la estropea. La realidad, más interesante, es que las mismas herramientas pueden servir a lo uno o a lo otro según su diseño. Un asistente que entrega la respuesta cortocircuita el aprendizaje; un asistente que plantea una pregunta en el momento oportuno lo refuerza. La diferencia reside en una comprensión fina de los mecanismos cognitivos.
El futuro prometedor es el de una ingeniería pedagógica basada en la evidencia, en la que los principios de las ciencias del aprendizaje —recuperación, espaciado, generación, metacognición— se inscriban deliberadamente en las herramientas. Lejos de enfrentar esfuerzo y tecnología, se trata de poner la tecnología al servicio del esfuerzo útil. Es un programa exigente, pero es el único que garantiza que la IA haga aprender de verdad, y no solo producir.