Mal uso de la IA y daño al aprendizaje

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada 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 con el tiempo: la IA puede elevar el desempeño asistido y degradar el logro posterior no asistido. ¿Cuándo ha sentido usted que «aprendió» algo que se desvaneció en cuanto desapareció la herramienta?
• El hallazgo central es una brecha entre desempeño y aprendizaje: el estudiantado que usó un tutor de IA sin barreras de seguridad obtuvo un 48% más en la práctica pero un 17% menos en exámenes a libro cerrado. ¿Cómo cambia eso su interpretación de una nota alta obtenida con ayuda de la IA?
• El mal uso tiene que ver con la sustitución —delegar el borrador, el recuerdo o el análisis que construyen una comprensión duradera— y no con usar la IA como complemento. ¿Dónde trazaría usted la línea entre que la IA le ayude a aprender y que la IA aprenda por usted?
• El estudiantado del grupo perjudicado no percibió que hubiera aprendido menos. Si quienes aprenden no pueden darse cuenta de que se les está perjudicando, ¿qué debería vigilar quien enseña en lugar de fiarse de lo que el estudiantado informa sobre sí mismo?
• El daño es selectivo según el tipo de evaluación: aparece en medidas supervisadas, a libro cerrado y no asistidas, pero puede quedar oculto cuando el trabajo de curso no permite distinguir el trabajo asistido por IA del independiente. ¿Qué tipo de evaluación revelaría de verdad si el estudiantado aprendió?
• La IA con barreras de seguridad del tipo «pistas y no respuestas» eliminó el daño y conservó 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 es distinto 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 bucle. El mal uso describe la sustitución: delegar en la IA los mismísimos procesos mentales (redactar, recordar, analizar, revisar) que construyen una comprensión duradera. El daño documentado en la base de evidencia de esta base de conocimiento no es que el mal uso no ayude, sino que degrada activamente el logro posterior no asistido.

La brecha entre desempeño y aprendizaje

El concepto central, formulado en el rendimiento con IA generativa frente al aprendizaje, es que la IA generativa aumenta fácilmente el desempeño —la eficiencia inmediata y la calidad del producto— mientras a menudo se salta el procesamiento cognitivo profundo y metacognitivo que exige el aprendizaje. 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 barreras de seguridad elevó el desempeño en la práctica pero redujo las puntuaciones posteriores en exámenes no asistidos.

Mecanismos del daño

• La rendición cognitiva — el término que usa la investigación para designar la delegación del pensamiento en la IA como una dependencia pasiva y acrítica, por oposición a la forma deliberada y estratégica de dependencia cognitiva. Produce un declive medible a escala poblacional del conocimiento duradero.
• Copiar respuestas como muleta — el mal uso está impulsado menos por errores de la IA que desorientan al estudiantado que por el estudiantado que copia respuestas en lugar de aprender. Cuando el análisis de la implicación muestra que el estudiantado sobre todo «pide la respuesta», el daño al aprendizaje es la consecuencia.
• 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 multiplica 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 línea con la dependencia excesiva.

La base de evidencia

• Ensayo de campo causal (≈1.000 estudiantes de secundaria de matemáticas): un tutor estilo ChatGPT sin barreras de seguridad elevó el desempeño en la práctica asistida +48% pero redujo las puntuaciones en exámenes a libro cerrado no asistidos −17%: el estudiantado que nunca tuvo acceso a la IA superó a quien sí lo tuvo. Un tutor con barreras de seguridad del tipo «pistas y no respuestas» eliminó el daño. Cabe destacar que el estudiantado del grupo perjudicado no percibió que hubiera aprendido menos.
• Datos conductuales a escala poblacional (3,2 millones de interacciones con ALEKS): el tiempo de estudio en problemas susceptibles a la IA cayó un −26,9% acumulado en el estudiantado universitario (un −31,3% en secundaria) tras el lanzamiento de ChatGPT, con un descenso del 25% en la probabilidad de una respuesta correcta en ítems de retención supervisados. El efecto desapareció por completo bajo supervisión, lo que lo atribuye al uso de IA fuera de la plataforma.
• Un gran resultado nulo: aprovechar la caída estacional del uso de ChatGPT durante el verano mostró ningún cambio neto en las medias de los exámenes estandarizados de secundaria, probablemente porque el daño del mal uso se compensa en agregado con un uso productivo de la IA. Esto no contradice el daño causal al aprendizaje duradero; advierte contra generalizar en exceso a partir de puntuaciones agregadas de exámenes.

La dependencia como vía hacia el agotamiento

El mal uso daña más que el rendimiento. Una encuesta a 276 estudiantes universitarios chinos (Huang et al., 2026) modeló la dependencia de la IA como mediadora entre los recursos protectores de quien aprende y el agotamiento por aprendizaje, y encontró que cargaba con todo el efecto: la autoeficacia académica y, más débilmente, el apoyo del profesorado 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 dejaron de ser significativos en cuanto la dependencia entró en el modelo—, y la vía de la autoeficacia fue la más fuerte de las dos. Leído junto a 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 desconexión de quien aprende, y sitúa el mecanismo en la dependencia misma y no en el uso de IA como tal: los recursos que protegen contra el mal uso parecen funcionar evitando la dependencia, no contrarrestando sus efectos después. Los autores señalan una advertencia 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 se ha establecido—, así que la vía se trata mejor como una hipótesis bien modelada que como un tamaño de efecto asentado.

La naturaleza del daño dependiente de la evaluación

El matiz práctico más importante es que el daño es selectivo según el tipo de evaluación. Aparece en medidas supervisadas, a libro cerrado y no asistidas de conocimiento duradero. En el trabajo de curso calificado normal, que no puede distinguir el trabajo asistido por IA del independiente, el mal uso puede inflar las notas inmediatas. Por eso es peligrosa la brecha entre lo percibido y lo real: el estudiantado (y a veces el profesorado) ve ganancias de desempeño a corto plazo y no advierte la erosión del aprendizaje que solo aflora cuando se retira la herramienta.

Qué tipo de dependencia, y 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 uniformemente dañina: organizar y resumir ideas y descubrir nuevas perspectivas se situaron entre las funciones asociadas a un mejor aprendizaje percibido. La dependencia temprana —consultar la IA generativa antes de pensar por cuenta propia, de una búsqueda tradicional o de consultar al 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 afecta al remedio de alfabetización anterior: la asociación entre dependencia temprana e impacto negativo estaba ausente con una alfabetización evaluativa 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 habilidad evaluativa no protegió contra el coste de preguntar primero a la IA: el estudiantado mejor situado para advertir el coste era el que lo informaba. La implicación operativa es que el mal uso es en parte una cuestión de momento respecto al propio intento de quien aprende, y no solo de volumen, y por eso las intervenciones que se centran en cuándo se consulta la IA se sitúan junto a los remedios de diseño de la evaluación que vienen a continuación.

Implicaciones y remedios

• Barreras de seguridad en lugar de acceso sin más: el prompting del tipo «pistas y no respuestas» y el andamiaje elaborado por el profesorado neutralizan el efecto muleta (véase Generative AI without guardrails can harm learning: Evidence from high school mathematics).
• Diseño de la evaluación: se necesitan evaluaciones resistentes a la IA y supervisadas o no asistidas para sacar a la luz —y desincentivar— el mal uso.
• Alfabetización y metacognición: formación en alfabetización en IA y aprendizaje autorregulado que ayude al estudiantado a reconocer sus patrones de dependencia y el coste de saltarse su propio trabajo cognitivo.

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

• Thoughtless Use of Generative Artificial Intelligence and College Students' Self-Directed Learning: A Multi-Group SEM Analysis of Gender Differences
• The Best Response to Student AI Use Is Not Detection, It Is Dialog
• Is using artificial intelligence tools for academic work cheating? Student perceptions, ethics, and the impact
• Generative AI without guardrails can harm learning: Evidence from high school mathematics — La IA generativa sin barreras de seguridad puede dañar el aprendizaje
• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — La IA generativa redujo el tiempo de estudio en matemáticas
• Distinguishing performance gains from learning when using generative AI — Distinguir las ganancias de desempeño del aprendizaje
• Little Impact of ChatGPT Availability on High School Student Test Score Performance — Escaso impacto de ChatGPT en las puntuaciones de los exámenes de secundaria
• Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming — La disponibilidad de IA y la motivación del estudiantado
• The GenAI Skill Bypass: Mapping Divergent Pathways of University Students and Staff AI Literacy — La elusión de habilidades con IA generativa y la alfabetización
• Evidence of a Cognitive Shift in AI Education: How Students Are Rethinking Human Intelligence? — El giro cognitivo en la educación con IA
• Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies — La dependencia cognitiva en la colaboración entre estudiantado e IA
• Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — El mal uso de la IA en la escritura académica y las vulneraciones de la integridad
• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — La tragedia de los bienes comunes cognitivos: la IA y la regeneración de la experiencia
• Thinking—Fast, Slow, and Artificial: How AI Is Reshaping Human Reasoning and the Rise of Cognitive Surrender — La teoría de los tres sistemas y la rendición cognitiva: cómo la IA reconfigura el razonamiento humano (Shaw y Nave 2026)
• Artificial intelligence, cognitive offloading and implications for education — La IA, la dependencia cognitiva y sus 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 bajo 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 vía de la autoeficacia y el apoyo del profesorado hacia el agotamiento por aprendizaje (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 el impacto negativo mientras que la dependencia cognitiva predice el impacto positivo, y la alfabetización evaluativa refuerza en lugar de amortiguar el daño de consultar primero a la IA (Manikonda et al. 2026)