Conceptos
Mal uso de la IA y daño al aprendizaje
Traducción automática de la página en inglés, todavía sin revisar por una persona hablante nativa.
Mal uso de la IA y daño al aprendizaje — la relación causal entre que el estudiantado delegue el trabajo cognitivo en la IA generativa y una reducción del aprendizaje duradero, incluso cuando el desempeño inmediato en la tarea mejora. El rasgo que lo define es una brecha entre desempeño y aprendizaje: la IA infla el desempeño asistido mientras degrada los resultados no asistidos, a libro cerrado y de retención.
Preguntas para reflexionar
- Un estudiante puede rendir mejor en el momento y aprender menos a lo largo del tiempo: la IA puede elevar el desempeño asistido mientras degrada el logro posterior sin asistencia. ¿Cuándo ha sentido que había «aprendido» algo que se desvaneció en el instante en que desapareció la herramienta?
- El hallazgo central es una brecha entre desempeño y aprendizaje: el estudiantado que usó un tutor de IA sin restricciones puntuó un 48% más en la práctica, pero un 17% menos en los exámenes a libro cerrado. ¿Cómo cambia eso su interpretación de una buena calificación obtenida con ayuda de la IA?
- El mal uso tiene que ver con la sustitución —delegar la redacción, el recuerdo o el análisis que construyen una comprensión duradera— y no con usar la IA como complemento. ¿Dónde trazaría la línea entre que la IA le ayude a aprender y que la IA aprenda por usted?
- El estudiantado del grupo perjudicado no percibió haber aprendido menos. Si quienes aprenden no pueden darse cuenta de que están siendo perjudicados, ¿qué debería vigilar el profesorado en lugar de confiar en los autoinformes del estudiantado?
- El daño es selectivo según el tipo de evaluación: aparece en las medidas vigiladas y a libro cerrado, pero puede quedar oculto cuando el trabajo del curso no puede distinguir el trabajo asistido por IA del trabajo independiente. ¿Qué tipo de evaluación revelaría realmente si el estudiantado ha aprendido?
- Una IA con restricciones de tipo «pista y no respuesta» eliminó el daño preservando el beneficio. ¿Qué haría falta para diseñar una ayuda de IA que apoye el aprendizaje sin convertirse en una muleta?
Introducción
El mal uso de la IA se distingue del uso de la IA. El uso describe emplear la IA como complemento del aprendizaje —retroalimentación, lluvia de ideas o ayuda con la revisión— que mantiene el trabajo cognitivo de quien aprende dentro del proceso. El mal uso describe la sustitución: delegar en la IA los propios procesos mentales (redacción, recuerdo, análisis, revisión) que construyen una comprensión duradera. El daño documentado no es que el mal uso deje de ayudar; es que el mal uso degrada activamente el logro posterior sin asistencia.
El daño anticipado está documentado en sí mismo: en datos suecos de encuesta y de grupos focales, Gillette et al. (2026) informan del mismo temor desde datos suecos: el 51% de los participantes (n = 106) pensaba que el uso de IA generativa podía atrofiar el desarrollo individual, señalando la erosión del pensamiento crítico, la creatividad y la autonomía y no las infracciones de normas.
La brecha entre desempeño y aprendizaje
El concepto central, articulado en Yan et al. (2025), es que la IA generativa eleva con facilidad el desempeño —la eficiencia inmediata y la calidad de la producción— mientras a menudo sortea el procesamiento cognitivo y metacognitivo profundo que el aprendizaje requiere. Una herramienta que optimiza el desempeño puede por tanto socavar el aprendizaje. La brecha está ahora demostrada causalmente a escala de campo: un ensayo controlado aleatorizado encontró que la asistencia de IA sin restricciones elevaba el desempeño en la práctica pero reducía las puntuaciones posteriores en exámenes sin asistencia.
Mecanismos del daño
- Rendición cognitiva — el término que los investigadores emplean para el estudiantado que delega el pensamiento en la IA como una dependencia pasiva y poco reflexiva, por oposición a la forma deliberada y estratégica del cognitive offloading. Produce un declive medible, a nivel poblacional, del conocimiento duradero.
- Copiar respuestas como muleta — el mal uso está impulsado menos por los errores de la IA que inducen a error al estudiantado que por el hecho de que el estudiantado copia respuestas en lugar de aprender. Cuando el análisis de la implicación estudiantil muestra que el estudiantado sobre todo «pide la respuesta», el daño al aprendizaje se sigue de ello.
- Erosión de la motivación — la disponibilidad percibida de un atajo de IA sin esfuerzo reduce la motivación autónoma y la persistencia, según la teoría de la autodeterminación. Como la persistencia es lo que produce el aprendizaje profundo, su erosión agrava el daño directo.
- Desplazamiento del aprendizaje — la sustitución de la salida de la IA por los procesos esforzados (elaboración, recuerdo, autoexplicación) que consolidan el conocimiento, en coherencia con la dependencia excesiva.
- La confusión leída como intención. Cuando el profesorado no explicita el papel previsto de la IA en una tarea, el estudiantado lo define por lo que es más fácil, y el profesorado interpreta el desajuste resultante como trampa en lugar de como un límite que nunca se enunció (Hanshaw et al., 2026).
La base de evidencia
- ECA causal de campo (unos 1.000 estudiantes de matemáticas de secundaria): un tutor de estilo ChatGPT sin restricciones elevó el desempeño asistido en la práctica un +48%, pero redujo las puntuaciones en el examen a libro cerrado sin asistencia un −17%: el estudiantado que nunca tuvo acceso a la IA superó a quien sí lo tuvo. Un tutor con restricciones de tipo «pista y no respuesta» eliminó el daño. Notablemente, el estudiantado del grupo perjudicado no percibió que hubiera aprendido menos.
- Datos conductuales a escala poblacional (3,2 millones de interacciones en ALEKS): el tiempo de estudio sobre problemas susceptibles a la IA cayó un −26,9% de forma acumulada entre los estudiantes universitarios (secundaria: −31,3%) tras el lanzamiento de ChatGPT, con un descenso del 25% en las probabilidades de una respuesta correcta en los ítems de retención vigilados. El efecto desapareció por completo bajo vigilancia, lo que lo atribuye al uso de IA fuera de la plataforma.
- Un resultado nulo de gran escala: al explotar la caída estacional del uso de ChatGPT durante el verano se observó ningún cambio neto en las medias de las pruebas estandarizadas de secundaria —probablemente porque el daño del mal uso se compensa en conjunto con el uso productivo de la IA. Esto no contradice el daño causal para el aprendizaje duradero, pero advierte contra generalizar en exceso a partir de las puntuaciones agregadas de las pruebas.
La dependencia como vía hacia el agotamiento
El mal uso perjudica a algo más que al rendimiento. Una encuesta a 276 estudiantes universitarios chinos (Huang et al., 2026) modelizó la dependencia de la IA como mediadora entre los recursos protectores de quien aprende y el agotamiento por el estudio, y encontró que soportaba el efecto por completo: la autoeficacia académica y, de forma más débil, el apoyo del docente reducían ambos la dependencia de la IA, que a su vez predecía el agotamiento. Ambas vías indirectas fueron significativas y plenamente mediadoras —los efectos directos pasaron a no ser significativos una vez que la dependencia entró en el modelo— y la vía de la autoeficacia fue la más fuerte de las dos. Leído junto con la brecha entre desempeño y aprendizaje anterior, el resultado extiende el coste del mal uso desde el conocimiento duradero degradado hasta el agotamiento y la desvinculación de quien aprende, y sitúa el mecanismo en la dependencia misma y no en el uso de la IA como tal: los recursos que protegen contra el mal uso parecen funcionar impidiendo la dependencia, no contrarrestando sus efectos después. Los autores advierten de una cautela de medición —su Escala de Dependencia de la IA está adaptada del Test de Adicción a Internet y su validez de contenido para la IA no está establecida—, de modo que la vía se trata mejor como una hipótesis bien modelizada que como un tamaño de efecto asentado.
La naturaleza dependiente de la evaluación del daño
El matiz práctico más importante es que el daño es selectivo según el tipo de evaluación. Aparece en las medidas vigiladas, a libro cerrado y sin asistencia del conocimiento duradero. En el trabajo ordinario calificado del curso, que no puede distinguir el trabajo asistido por IA del trabajo independiente, el mal uso puede inflar las calificaciones inmediatas. Esta es la razón por la que la brecha entre lo percibido y lo real es peligrosa: el estudiantado (y a veces el profesorado) ve ganancias de desempeño a corto plazo y pasa por alto la erosión del aprendizaje que solo aflora cuando se retira la herramienta.
Qué dependencia, no cuánta. Una encuesta a 118 estudiantes de 12 cursos intensivos en IA (Manikonda et al., 2026) separa dos conductas que las medidas de frecuencia de uso colapsan. La dependencia cognitiva —usar la IA generativa para organizar, evaluar, combinar y descomponer— fue el predictor más fuerte del impacto positivo percibido (β = 0,495, p < 0,001), y la delegación que describe no es perjudicial de forma uniforme: organizar y resumir ideas y descubrir nuevas perspectivas figuraron entre las características asociadas a una mejora del aprendizaje percibido. La dependencia temprana —consultar la IA generativa antes del pensamiento independiente, de una búsqueda tradicional o del profesorado— predijo a la vez el beneficio académico (β = 0,301, p < 0,001) y el impacto negativo (β = 0,402, p = 0,004). La moderación es la parte que atañe al remedio de alfabetización anterior: la asociación entre la dependencia temprana y el impacto negativo estaba ausente con una alfabetización en evaluación baja (b = 0,025, p = 0,861) y era más fuerte entre el estudiantado que mejor juzga la salida de la IA (b = 0,688, p < 0,001), de modo que la competencia evaluativa no protegió frente al coste de preguntar primero a la IA: quienes estaban en mejor posición para notar el coste fueron quienes lo comunicaron. La implicación operativa es que el mal uso es en parte una cuestión de cuándo se consulta la IA en relación con el intento propio de quien aprende, y no solo de volumen, razón por la cual las intervenciones que apuntan al momento en que se consulta la IA conviven con los remedios de diseño de la evaluación que siguen.
Implicaciones y remedios
- Barreras de protección frente al acceso sin restricciones: el diseño de prompts de tipo «pista y no respuesta» y el andamiaje elaborado por el profesorado neutralizan el efecto muleta (véase Bastani et al. (2025)).
- Diseño de la evaluación: se necesitan evaluaciones resistentes a la IA y vigiladas o sin asistencia para poner de manifiesto el mal uso, y para desincentivarlo.
- Alfabetización y metacognición: formación en alfabetización en IA y en aprendizaje autorregulado que ayude al estudiantado a reconocer las pautas de dependencia y el coste de sortear su propio trabajo cognitivo.
La desvinculación conversacional en la era de los LLM
La literatura sobre el gaming the system (abuso de pistas, adivinación sistemática) tiene su contrapartida en la era del diálogo: la desvinculación conversacional —burlarse del agente, responder deliberadamente mal, desaparecer de la conversación, reflejar su texto o retener las respuestas. Rho et al. (2026) dan a este fenómeno su primer tratamiento sistemático en el diálogo entre estudiantes e IA, y su lección central es interpretativa más que alarmista. Un turno desvinculado es un movimiento interaccional, no un estado estable de desvinculación. La aparente asociación de la Respuesta Falsa con las puntuaciones de la prueba posterior no sobrevivió a una comprobación de sensibilidad con anotación humana, y los autores la leen como una indagación dentro de trayectorias que a menudo vuelven a la implicación (el clúster de mayor rendimiento se recuperó con p = 0,42). La conducta que realmente separó las trayectorias fue la Retención —la negativa a responder, que persistió en lugar de resolverse. Para quienes diseñan, esto invierte la prioridad habitual: la desvinculación ruidosa y visible a menudo se autocorrige, mientras que la retirada silenciosa indica que la interacción se ha roto.
Implicaciones para la práctica
Para el profesorado
- No pregunte al estudiantado si la herramienta ayudó; mida el desempeño sin asistencia. El informe subjetivo del grupo dañado era tranquilizador y erróneo.
- Diseñe para el complemento y no para la sustitución, tarea por tarea, especificando qué debe producir el estudiante antes de que pueda usarse la IA.
- Vigile las notas de práctica que suben junto a puntuaciones sin asistencia planas o descendentes: esa divergencia es la señal sobre la que actuar, no un problema de calidad de los datos.
- Tome en serio la preocupación por el desarrollo al enmarcar la cuestión. El estudiantado que plantea pérdidas de pensamiento crítico y autonomía está describiendo el mecanismo del daño, no resistiéndose a una norma.
Para quienes desarrollan
- Instrumente el desempeño asistido y el no asistido, y nunca presente solo el primero como aprendizaje.
- No añada «¿te resultó útil?» como medida de aprendizaje; se mantuvo estable mientras el aprendizaje caía.
- Incorpore el límite de la sustitución en la interacción: el diseño de pistas con salvaguardas en lugar de respuestas eliminó el daño en la misma familia de experimentos.
Para quienes investigan
- Comunique siempre la medida sin asistencia, y la percepción junto a ella en lugar de en su lugar.
- Describa la estructura de sustitución de la tarea, y no solo la frecuencia de uso, al atribuir el daño.
Concepciones erróneas
«El estudiantado se daría cuenta si la IA estuviera dañando su aprendizaje.» No se da cuenta, y este es el hecho más consecuente de la evidencia: el estudiantado del grupo dañado no percibió que aprendiera menos. El autoinforme no es, por tanto, una señal de alerta temprana utilizable. El patrón de un 48% más de práctica y un 17% menos en el examen es invisible para quien lo experimenta, y por eso la detección del daño tiene que basarse en la medición y no en el testimonio.
«El riesgo es cuánta IA usa un estudiante.» El riesgo es para qué se sustituye la IA. Aquí el mal uso significa delegar la redacción, el recuerdo o el análisis que construyen una comprensión duradera: sustitución en lugar de complemento, y un estudiante puede sustituir mucho en una tarea y complementar de forma productiva en la siguiente. El volumen de uso es la variable equivocada; la división del trabajo cognitivo es la correcta.
«Si el desempeño en la práctica mejora, la herramienta funciona.» En el ECA de campo causal con cerca de 1.000 estudiantes de secundaria de matemáticas, un tutor estilo ChatGPT sin salvaguardas elevó el desempeño en la práctica asistida un +48% mientras reducía las puntuaciones en el examen a libro cerrado sin asistencia un 17%. Las direcciones son opuestas, así que cualquier evaluación que lea la cifra de práctica como el resultado certificará exactamente el daño que pretende detectar.
«Quienes aprenden con IA se preocupan sobre todo por que los pillen.» Sus preocupaciones declaradas son de desarrollo. En un estudio, el 51% de los participantes (n = 106) temía que el uso de IA generativa pudiera dificultar el desarrollo individual, nombrando pérdidas en pensamiento crítico, creatividad y autonomía en lugar de infracciones de normas. El encuadre de integridad que domina el discurso institucional no es el que el propio estudiantado adopta.
Conceptos conectados
- Aprendizaje autodirigido
- Supervisión remota de exámenes
- Descarga cognitiva
- Integridad académica
- Evaluación
- Aprendizaje autorregulado
- Motivación
- Metacognición
- Andamiaje
- IA generativa
- Experiencia del estudiantado
- Rendición cognitiva
Artículos conectados
-
Toward Partnership Ethics for Generative Artificial Intelligence in Higher Education — Estudio sueco de encuesta y grupos focales que sostiene que la ética de la alianza, y no el encuadre del engaño, debe guiar las decisiones institucionales sobre IA generativa
-
Disengaged Conversational Behaviors and Learning in Student-AI Dialogues for Mathematical Problem Solving — Conductas conversacionales desvinculadas y aprendizaje en diálogos entre estudiantado e IA (Rho et al. 2026)
-
Generative AI without guardrails can harm learning: Evidence from high school mathematics — GenAI Without Guardrails Can Harm Learning
-
Distinguishing performance gains from learning when using generative AI — Distinguir las ganancias de desempeño del aprendizaje
-
"Why Put in This Much Effort?": How AI Availability Shapes Students' Motivation in Introductory Programming — Disponibilidad de la IA y motivación del estudiantado
-
The GenAI Skill Bypass: Mapping Divergent Pathways of University Students and Staff AI Literacy — Elusión de habilidades por la IA generativa y alfabetización
-
Evidence of a Cognitive Shift in AI Education: How Students Are Rethinking Human Intelligence? — Cognitive Shift in AI Education
-
Cognitive offloading in student–AI collaboration: A longitudinal analysis of prompting strategies — Cognitive Offloading in Student–AI Collaboration
-
The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — La tragedia de los bienes cognitivos comunes: la IA y la regeneración de la pericia
-
Artificial intelligence, cognitive offloading and implications for education — IA, descarga cognitiva e implicaciones para la educación (Lodge y Loble 2026)
-
Modeling AI Overreliance as a Complex Adaptive System — La dependencia excesiva de la IA modelada como sistema adaptativo complejo
-
Academic erasure: The disappearance of complexity under AI-supported writing — Borrado académico: la desaparición de la complejidad en la escritura asistida por IA
-
The dark side of AI in education: AI dependency as a mediator linking academic self-efficacy and teacher support to learning burnout among university students — La dependencia de la IA media por completo la ruta desde la autoeficacia y el apoyo docente hacia el agotamiento académico (Huang et al. 2026)
-
The Uneven Impact of Generative AI on Student Learning: Examining the Roles of Reliance, Evaluation Literacy, and Course Policy in AI-related Courses — La dependencia temprana predice un impacto negativo y la dependencia cognitiva un impacto positivo, y la alfabetización evaluativa refuerza en lugar de amortiguar el daño de consultar primero a la IA (Manikonda et al. 2026)
-
This is How We AI: A Practical Approach to Teaching with Artificial Intelligence — Así usamos la IA: un enfoque práctico para enseñar con inteligencia artificial