¿La IA afecta el aprendizaje? ¿Qué dice el MIT? De la Deuda Cognitiva al Apalancaje Cognitivo

Hace unos días recibo un mensaje «Fran, ¿lo viste? el MIT dice que usar ChatGPT te hace más tonto».

Abrí la nota. Euronews en efecto la titulaba:

¿Nos está haciendo ChatGPT más tontos? Lo asegura un estudio del MIT

Un vistazo a LinkedIn confirmó el eco:

Infobae (Argentina): El uso de ChatGPT debilita la memoria y la autonomía intelectual, según un estudio del MIT

Genbeta (España): Usar ChatGPT le pasa factura a nuestro cerebro: el MIT tiene un preocupante veredicto

Las tres ideas repetidas eran claras: menos memoria, menor profundidad y la temida deuda cognitiva.

Paradójicamente, en algunos casos con confesión explícita, y en otras de forma evidente, los autores aplicaron el mismo uso de la IA que el estudio menciona como perjudicial.

A través de la educación apoyo a otros a mejorar sus decisiones de negocio. Hemos utilizado la IA con éxito para maximizar lo mismo.

Pero sobre todo, estoy convencido que ha apalancado mi capacidad de aprendizaje.

¿Qué podía haber en el artículo que desmintiera estas intuiciones? ¿Bajo qué circunstancias se medía el aprendizaje en el estudio? ¿A qué perfiles, bajo qué contexto?

Decidí encarar el análisis del paper por mi mismo (les cuento el paso a paso en la sección 2, y concluyo con el Apalancaje cognitivo, una propuesta de otro fenómeno a estudiar en contraposición a la Deuda cognitiva).

1. ¿Qué dice el estudio del MIT de forma muy resumida?

El estudio del MIT Media Lab (junio 2025) analizó cómo el uso de ChatGPT afecta la memoria, calidad del texto, actividad cerebral (medida con EEG) y consumo energético en 54 estudiantes universitarios durante la escritura de ensayos asignados.

Compararon tres grupos:

IA-al-inicio: ChatGPT generaba el primer borrador; luego los estudiantes lo modificaban.

IA-al-final: Los estudiantes escribían solos tres veces y luego usaban IA para mejoras finales.

Control: Sin IA, solo búsquedas en internet.

Resultados principales:

IA-al-inicio tuvo una caída en memoria (0,25 desviaciones estándar), menor profundidad del ensayo según docentes (reducción de 0,6 puntos en escala de 10), dificultad para citar frases exactas y menor percepción de propiedad intelectual sobre sus ensayos.

EEG mostró menor conectividad neuronal en quienes usaron IA desde el inicio, sugiriendo menor esfuerzo cognitivo.

Hallazgos menos mencionados:

IA-al-final no mostró deterioro en memoria ni calidad del ensayo, equiparándose al grupo control, y ahorró cerca del 25% del tiempo.

El riesgo de "deuda cognitiva" aparece cuando la IA sustituye el esfuerzo intelectual inicial. Sin embargo, usada tras un esfuerzo propio (estrategia híbrida), la IA puede ser un apoyo eficaz sin sacrificar aprendizaje.

Limitaciones: El estudio tiene tamaño de muestra reducido y preliminar. La investigación sigue en proceso.

2. Cómo decidí analizarlo (y qué aprendí en el camino)

Tuve la oportunidad y la excelente idea de invertir mis ahorros en estudiar en 7 de las mejores universidades del mundo.

A) Lectura fast-pass Método de Harvard (45 min)

Una de las primeras cosas que recuerdo de Harvard es recibir una pila interminable de casos de negocio. Como preparación, antes de la primera clase, nos ofrecieron una sesión exclusiva para aprender a cubrirlos de forma estratégica y efectiva.

¿Qué nos enseñaron? Antes de leer el artículo completo, hacer una lectura estratégica previa.

¿Cómo? Con esta secuencia de foco:

Introducción (contexto, protagonista, problema principal)

Saltar a la conclusión (decisiones críticas a tomar, ¿qué buscamos resolver?)

Entender qué hay disponible en tablas, gráficos, apéndices

lectura a velocidad (uno escanea párrafo a párrafo rápidamente buscando ideas principales)

Así que decidí hacer lo mismo con el interminable paper con foco en comprender: cuál fue el experimento, cuál el segmento, en qué circunstancias y contexto, cuáles las conclusiones (bajo que condiciones se sostienen).

¿Qué preguntas me surgieron?

¿Cómo aplica a profesionales con más experiencia? ¿Con capacidad de análisis crítico, pero sobre todo, con capacidad de aprendizaje continuo y generación de nuevos conceptos?

¿Qué pasa con la motivación? En el caso se mide escritura de temas impuestos. ¿Qué pasa cuando hay un verdadero deseo de aprender, comprender, generar y aplicar lo aprendido?

¿Qué hice entonces?

Con el texto original (sin necesidad de una lectura exhaustiva y completa) formulé mis propias hipótesis. Con esa base, comencé a potenciar con IA.

B) Generé un "Proyecto" dedicado en ChatGPT

Subí el PDF del paper completo.

En otra ventana fuera del proyecto (modelo o3, el de mayor razonamiento) preparé un prompt-guía para las instrucciones del proyecto. Me entregó un texto muy largo, pero básicamente apuntaba a: «Actúa como Analista Académico Crítico; resume, señala sesgos, propón mejoras... respeta siempre los datos reales del paper como punto de partida (y lo más importante)... aprende y refina tu propio entendimiento en cada iteración (quiero que crezcas, que evoluciones, que seas más capaz de renovar tus conclusiones con mayor conocimiento"

En el proyecto: Lo alimenté con preguntas, y le ofrecí tomar distintos roles para criticar sus propias respuestas, ampliar su conocimiento. En todo el proceso fui ampliando mi propio conocimiento el paper y refinando mis interpretaciones iniciales, haciendo nuevas preguntas.

C) Role-play de 7 especialistas

Para enriquecer las perspectivas generé una de las dinámicas únicas que habilita la IA.

Creamos en conjunto 7 personas. PHDs con perspectivas distintas en base a su formación y creencias, que partiendo de los datos reales del paper dieran lugar a un debate y contrapuntos sobre sus usos y limitaciones.

Dr. Nicolás del Valle (Neuroeconomista) Formación: Doctorado en Neurociencia Cognitiva Aplicada, MIT Especialización: Análisis de sesgos cognitivos y significancia estadística (p-values) Competencias clave: Modelado neuroeconómico y toma de decisiones financieras

Sofía Cortázar (Maker pedagógica) Formación: Máster en Innovación Educativa, Stanford University Especialización: Prototipos educativos y medición en tiempo real Competencias clave: Diseño de experiencias pedagógicas tangibles

Dra. Valeria Montero (Socióloga crítica) Formación: Doctora en Sociología Digital, Universidad Complutense de Madrid Especialización: Equidad social y análisis del poder algorítmico Competencias clave: Investigación crítica en justicia digital y social

Dr. Andrés Beck (Bio-ético futurista) Formación: Doctorado en Bioética y Filosofía de la Ciencia, Harvard University Especialización: Ética tecnológica, autonomía humana y agencia Competencias clave: Análisis ético de tecnologías emergentes

Clara Olivares (Economista circular) Formación: Máster en Economía Ambiental y Circular, Wageningen University Especialización: Evaluación y reducción de la huella energética Competencias clave: Modelos económicos sostenibles y gestión energética

Ignacio Serrano (Emprendedor liberal) Formación: MBA en Finanzas e Innovación, London Business School Especialización: Retorno de inversión (ROI) y análisis del mercado laboral Competencias clave: Estrategia empresarial basada en eficiencia económica

"Synthia AI" (IA sintetizadora) Formación: Inteligencia Artificial Generativa Avanzada Especialización: Síntesis y resolución de contradicciones complejas Competencias clave: Análisis crítico y síntesis rápida de información

Aprendizaje: las fricciones entre perfiles destaparon ángulos que el PDF no cubría: energía por token, sesgo geográfico del corpus, umbral ético de pérdida cognitiva.

D) Guion de podcast y ejecución

Diseñamos la dinámica para el podcast:

Exposición inicial de perspectivas (2 cada)

Interacción crítica (preguntas cruzadas)

Síntesis integradora (por la IA sintetizadora)

Cierre de cada uno en base a lo conversado

Generamos el guión del podcast, resultando en 71 minutos de una conversación vibrante llena de aprendizaje y nuevas perspectivas. Si te da curiosidad escribe PODCAST y te paso un documento con la transcripción de todo lo generado.

Este tipo de ejercicio (generarlo, consumirlo, reflexionar sobre lo que deviene, enriquecer nuestra postura, intuir o reforzar nuevos conceptos), como veremos a continuación con mi definición inicial del Apalancamiento Cognitivo claramente amplía nuestra capacidad de aprendizaje, no la limita.

E) Notebook LM como banco de pruebas

Alimenté dos sets:

Solo el paper original

Entregó un podcast muy claro, cubriendo lo que apareció en la prensa y en 1. ¿Qué dice el estudio del MIT de forma muy resumida?.

Documentos derivados de mi proyecto ChatGPT (resúmenes, debates, podcast).

Generó un podcast un poco más rico, pero no logré un muy buen resultado. Podría haber dedicado más tiempo a refinarlo, pero consideré que ya tenía suficiente.

Conclusiones del aprendizaje

La IA amplió mi capacidad de comprensión y expuso mi proceso de pensamiento y creación a más instancias

Crear el proceso de 2. Cómo decidí analizarlo (y qué aprendí en el camino) claramente implica un trabajo cognitivo.

Me apoyó a cuestionar mis supuestos, reforzar algunas creencias y pensar distinto en otras (vía role-play, provocación bajo distintos personajes, otros puntos de vista)

Y sí, me hizo producir más rápido (25-35 % menos tiempo), pero solo después de la fricción inicial (la lectura fast-pass del paper original).

3. ¿Qué me llevo del paper original del MIT?

El riesgo de deuda cognitiva aparece cuando la IA evita la fricción intelectual inicial.

Delegar la tarea a la IA o realizarla sin poner en juego la inteligencia aumentada da lugar a los problemas de aprendizaje.

Cuanto más inicial es el aprendizaje y menos están desarrolladas las capacidades de pensamiento crítico, capacidad de tomar posición fundada, competencias básicas de la temática en cuestión, etc. más posibilidades de quedar atrapados en esta trampa de aprendizaje (y que continúen sin desarrollarse las habilidades)

Cuando la IA entra después del esfuerzo inicial, la memoria no cae y la calidad se mantiene. Aún en el ejercicio restrictivo de escribir lo que se ha impuesto. Lo demás es territorio de experimentación abierta.

Hay un factor de motivación para el aprendizaje que es fundamental y no se pone en juego en el experimento.

El aprender a aprender tiene que ver con diseñar nuestros propios mecanismos óptimos de aprendizaje. En el paper la dinámica de aprendizaje está impuesta y preestablecida, el uso de los LLMs también está definido.

4. ¿Qué nueva hipótesis/intuición me permitió generar?: la que bautizo Apalancamiento Cognitivo

Después de recorrer el paper, conversar con el modelo y someter mis notas a siete voces imaginarias, emergió un concepto que sintetiza lo aprendido: Apalancamiento Cognitivo.

No es un término académico cerrado; pero es una propuesta de trabajo (para dedicados investigadores de MIT u otra entidad académica que se interesen en validarlo).

Qué se necesita como base para poder aprovechar el Apalancamiento cognitivo

Pensamiento crítico desarrollado: capacidad de análisis, integrando fuentes diferentes, de generar propia postura, diferenciar entre lo objetivo y lo subjetivo.

Competencias básicas necesarias según el tipo de análisis: ej. en este caso estadísticas, pensamiento científico, etc.

(los alumnos de la muestra lo tenían)

Curiosidad y motivación intrínseca: no escribimos por obligación escolar sino por el deseo de aprender, obtener conclusiones, poder aplicarlo a nuestra vida o profesión. Hay un componente de disfrute y elección.

(fundamental)

Libertad para poder decidir los objetivos y la forma en que se trabajará con la información (experimentación como parte del aprendizaje).

Comprender de cuál fuente debemos partir para nuestros objetivos, y hacer un primer análisis con intuiciones o reflexión humana. La escritura, como muestra el estudio original ayuda a procesarlo. ¿Por qué digo comprender de qué fuente? Muchas veces una fuente inicial generada por el mismo LLM puede ser suficiente.

(esto último tomado de las conclusiones del artículo).

Bajo estas condiciones y no las condiciones limitadas del experimento del estudio creo que la IA puede apalancar el aprendizaje y no generar deuda cognitiva.

¿cuáles pueden ser buenas prácticas para decidir la mecánica de apalancaje cognitivo?

IA-sparring – Trátala como contrincante que busca grietas en tu argumento.

Cambio de lentes – Pídele analizar tu idea como neurocientífico, luego como filósofo, luego como activista climático.

Exploración tangencial – Pregunta ¿y si aplico esto en agricultura vertical? para descubrir conexiones remotas.

Auto-metacognición – Haz que explique paso a paso tu propia lógica: verás saltos invisibles.

Condensación iterativa – Oblígala a pasar tu texto de ensayo largo a infografía, luego a pitch de 30 s; cada formato revela huecos y esencias.

Jugar y analizar con distintos formatos - texto, audio, ahora incorpora video (incluso puede percibir tu entorno)

Ofrecerle modelos y herramientas de papers o libros como base para procesar la información o liderar su aplicación: cuanto más preparada la persona, más obtendrá provecho del aprendizaje con IA.

Mi invitación es simple: juega con estas posibilidades de lo que he definido como Apalancaje Cognitivo y gradualmente incorpora y genera tus propias mecánicas de aprendizaje apalancadas por IA. Y dame tus propias intuiciones y conclusiones.

¿Qué me parece fundamental?

Evitar las notas de prensa y conclusiones vacías sobre las que paradógicamente advierte el propio artículo. Alejarnos de un uso de los LLMs que en lugar de enriquecernos, nos perjudica.

Evitemos que la deuda cognitiva sea la próxima moda disfrazada de verdad absoluta.

Próximos pasos

Un paper, aún siendo estadísticamente significativo (en este la muestra es pequeña y el seguimiento temporal limitado); es un disparador de preguntas. El estudio del MIT muestra que la IA puede generar deuda cognitiva… si bloquea la fricción intelectual inicial. Leído completo, también demuestra que esa misma IA NO daña la memoria cuando se usa después del borrador escrito propio y, de hecho, ofrece un ahorro de tiempo tangible. Los datos invitan a pensar, y tenemos que alejarnos de los dogmas.

Aprender a aprender es la vacuna. Sin pensamiento crítico, curiosidad y contraste de fuentes, la IA amplificará vacíos. Con esa base, se convierte en un multiplicador de amplitud, profundidad y velocidad. Enseñar a escribir prompts es inútil si antes no enseñamos a preguntarnos por qué y para qué.

Aprender a aprender diariamente no es una falta sólo de los jóvenes. Es la gran carencia de la mayoría de los profesionales que fueron exitosos hasta hoy.

El sistema educativo —y la capacitación profesional— necesita pivotar. Seguimos entrenando a memorizar contenido cuando el valor diferencial está en diseñar preguntas, aprender a aprender, personalizar nuestra educación, y medir qué nos genera más impacto o resultados. La educación debe generar el ciclo virtuoso del resultado para disparar la motivación. Los LLMs pueden ser la mejor herramienta de debate personalizada… si sabemos utilizarlos con la mentalidad correcta.

Ventaja y brecha se amplían al mismo tiempo. Quien domine apalancamiento cognitivo ganará profundidad y eficiencia (individuos + empresas); quien dependa de resúmenes automáticos para su entregable/producto perderá agencia y credibilidad. Esto ya afecta tanto a estudiantes como a ejecutivos senior.

La IA no nos vuelve más tontos ni más listos por arte de magia. Nos vuelve –sobre todo– más parecidos a la calidad de nuestras preguntas e interacciones.

Carol Dweck explica en Mindset, que la mentalidad de crecimiento permite aumentar nuestra inteligencia. Usar los LLMs como aplica el estudio, no tiene nada que ver con la mentalidad de crecimiento.