Base de conocimiento AIEdAIEd KB
En esta página

Esta página está traducida al español. Las páginas de artículo siguen escritas en inglés. Leer esta página en inglés

Conceptos

Descarga cognitiva

Creada 2026-09-25 · Actualizada 2026-11-11

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

Descarga cognitiva: el uso de herramientas externas (incluida la IA) para reducir la demanda cognitiva interna, desplazando el trabajo mental del estudiante hacia el sistema. En la educación con IA, la descarga cognitiva es el mecanismo central por el que las herramientas de IA pueden apoyar o socavar el aprendizaje: la externalización adecuada libera recursos cognitivos para el pensamiento de orden superior, mientras que la externalización excesiva se salta el procesamiento necesario para un aprendizaje duradero. La dependencia excesiva es el extremo dañino de este espectro: el patrón improductivo en el que la externalización pasa de ser un apoyo estratégico a desplazar el aprendizaje.

Preguntas para considerar

  • La descarga cognitiva consiste en usar herramientas externas, incluida la IA, para reducir la demanda cognitiva interna. La página es explícita en que la externalización no es dañina en sí misma: los cuadernos, las calculadoras y los motores de búsqueda también externalizan. ¿Qué cree que hace que la externalización mediada por IA sea distinta y potencialmente de mayor alcance que esas herramientas familiares?
  • Un supuesto común es que el problema es usar demasiado la IA. Pero esta página separa la dependencia excesiva de la mera frecuencia: se trata de un modo de uso que sustituye al aprendizaje, no de con qué frecuencia se usa la IA. ¿Puede describir una forma de usar la IA que sea frecuente pero saludable, y otra que sea rara pero dañina?
  • La "ilusión de aceleración" consiste en que el trabajo asistido por IA se siente más rápido y más fácil, lo que crea una impresión engañosa de productividad que enmascara un aprendizaje reducido: los estudiantes confunden la velocidad de finalización de la tarea con el aprendizaje. ¿Cuándo se ha sentido productivo haciendo algo rápido y después se ha dado cuenta de que había aprendido poco?
  • La investigación encuentra que el daño de la externalización es condicional y no intrínseco: "la IA que entrena preserva o impulsa la habilidad; la IA que sustituye arriesga su deterioro". ¿Cuál es la diferencia práctica entre una IA que andamia su pensamiento y una que lo reemplaza, y cómo sabría cuál está recibiendo?
  • Un estudio muestra que el mero acceso a consejo de IA casi eliminó la disposición de las personas a decir "no lo sé", incluso cuando el consejo era erróneo, mientras casi duplicaba la confianza y reducía la exactitud a un tercio. ¿Qué sugiere eso sobre cómo la IA cambia nuestra conciencia de nuestra propia ignorancia?
  • La página presenta una brecha metacognitiva de equidad, un "efecto Mateo con IA": como el uso productivo de la IA exige conocimiento previo y metacognición, los estudiantes ya aventajados se benefician más mientras que quienes más necesitan practicar son los más propensos a delegar el aprendizaje. ¿Cómo debería responder un educador o un diseñador al hecho de que la misma herramienta puede ampliar divisiones existentes?

Introducción

La descarga cognitiva no es dañina en sí misma: los humanos siempre han usado herramientas externas (cuadernos, calculadoras, motores de búsqueda) para reducir la carga cognitiva. Lo que hace distinta a la externalización mediada por IA es su exhaustividad: los LLM pueden generar soluciones, explicaciones y análisis completos, lo que potencialmente elimina la necesidad de los mismísimos procesos cognitivos que producen el aprendizaje.

Cómo se manifiesta la descarga cognitiva en la investigación de AIED

Los artículos de la base de conocimiento documentan la descarga cognitiva en múltiples dimensiones:

  • Instrumentar la autorreflexión en lugar de medir un rasgo: PAUSE (Patterns of AI Use: Self-Examination) convierte la literatura sobre externalización de 2023 a 2026 en una autoevaluación de cuatro dominios (razonamiento y pensamiento crítico, creatividad y originalidad, investigación y aprendizaje, capacidad social y comunicativa) con ítems conductuales puntuados de forma inversa, anclas de cita en cada ítem, ninguna puntuación compuesta y ninguna pretensión de validez (Alam, 2026). Su posición de diseño es que la intervención útil sobre la externalización consiste en provocar reflexión y no en producir un diagnóstico, ya que ningún instrumento tiene aún la autoridad para justificar una decisión consecuente sobre una persona.

  • Patrones de prompt como rastros de externalización: Misiejuk et al. (2026) usan el análisis de redes de coocurrencia para mostrar que los prompts reactivos (desacuerdo sin contexto de dominio) indican mayor externalización, mientras que el prompting rico en contexto con instrucción integrada refleja una cognición comprometida. El cómo del uso de la IA, y no solo si se usa, determina el grado de externalización.

  • El volumen de prompting no identifica qué se externaliza: Poquet et al. (2026) agruparon a 97 estudiantes por volumen de prompts y encontraron que los conglomerados de volumen no diferían significativamente en el prompting local frente al global ni en el de papel activo: el mismo volumen describía tanto una delegación dirigida (12,9 prompts, 36% activos) como casi ninguna dirección (4% activos).

  • Evidencia naturalista a nivel de mensaje y a escala: externalización observada, no supuesta: Piatnitckaia et al. (2026) codificaron 3.047 mensajes de ChatGPT de 46 estudiantes de grado de una universidad europea a lo largo de una ventana de siete semanas de preparación de exámenes, usando GPT-4o-mini con razonamientos de cadena de pensamiento forzados y validando el proceso contra un evaluador humano entrenado en 200 mensajes (κ de Cohen = 0,76 para el tipo de pregunta, 0,75 para el nivel de Bloom). Analizar encabezó esa distribución con un 27,28% (831 mensajes), por delante de Comprender con un 23,76%, la primera evidencia fina de que el uso naturalista de la IA por parte de los estudiantes apunta habitualmente a trabajo de orden superior y no a la memorización. Una submuestra de 16 estudiantes con notas vinculadas, cuyos 1.140 mensajes se codificaron a mano, aporta lo que los rastros de prompt no pueden: el 49,6% de 125 diálogos no mostró externalización, el 34,4% mostró externalización ligera y el 16,0% intensa, en una rúbrica que reserva intensa para los casos en que la IA produce el primer borrador y construye el producto intelectual central. La externalización intensa fue abrumadoramente un fenómeno de Crear (80% de los 20 diálogos intensos, 42% de todos los diálogos de Crear), lo que los autores leen como evidencia de que el grado de externalización y el nivel de Bloom son dimensiones distintas que vale la pena medir por separado. El patrón de notas fue solo descriptivo (17,6% de externalización intensa en el nivel superior, 17,5% en el medio y 5,9% en el inferior; χ² = 5,80, gl = 4, p = 0,215) y descansa en parte en un estudiante centrado en programación cuya eliminación hace caer la tasa del nivel superior al 8,9%, lo que lleva a los autores a sostener que la disciplina moldea los hábitos de delegación más que el rendimiento y a recomendar retroalimentación metacognitiva sobre los patrones de uso reales en lugar de la prohibición.

  • La ilusión de aceleración: la investigación sobre la ilusión de aceleración demuestra que el trabajo asistido por IA se siente más rápido y más fácil, lo que crea una impresión engañosa de productividad que enmascara un aprendizaje reducido. Los estudiantes confunden la velocidad de finalización de la tarea con el aprendizaje, un punto ciego metacognitivo.

  • Pérdidas de aprendizaje por IA sin guía: los ECA de matemáticas de secundaria muestran que la IA generativa sin barreras de protección produce peores resultados de aprendizaje que la instrucción tradicional. El tiempo de estudio reducido se correlaciona con un aprendizaje reducido: los estudiantes completan las tareas más rápido pero retienen menos.

  • Una prueba aleatorizada de la predicción de externalización con 45 días de retraso, y el déficit no es solo tiempo ahorrado: Barcaui (2025) aleatorizó a 120 estudiantes de grado para estudiar temas de IA y aprendizaje automático con ChatGPT sin restricciones (interfaz web de GPT-4, sin guía de prompting) o con métodos tradicionales sin IA, y después aplicó una prueba conceptual sorpresa de 20 preguntas 45 días más tarde. El grupo asistido por IA obtuvo 57,5% frente a 68,5% (t(83) = −3,19, p = 0,002, d de Cohen = 0,68), y la desventaja sobrevivió a un ANCOVA que mantenía constante el tiempo de estudio autoinformado (F(1, 82) = 7,89, p = 0,006; medias ajustadas 6,50 frente a 5,85), así que no era un mero artefacto de la cantidad de tiempo. El argumento de externalización del artículo es que ChatGPT suministra síntesis y explicación de forma directa, lo que lo convierte en una forma cualitativamente distinta de delegación que una calculadora: una que puede absorber la comprensión y no solo la recuperación.

  • La externalización no siempre es dañina: la condición límite del "entrenador": Lira et al. (2025) muestran que la IA puede reducir el esfuerzo de práctica y mejorar el entorno de aprendizaje, produciendo "trabajar menos, aprender más". Los adultos que practicaron la escritura con una herramienta de IA escribieron mejores cartas sin IA que quienes practicaron solos, incluso superando la retroalimentación personalizada de editores humanos, sin inflación de la ilusión de dominio. La reconciliación con los daños anteriores es la forma de externalización: la IA de Lira et al. andamiaba (mostraba ejemplos y retroalimentación manteniendo al estudiante en el bucle) en lugar de reemplazar el acto cognitivo. La perspectiva de habilidades frente a capacidades básicas converge en el mismo límite: la IA que entrena preserva o impulsa la habilidad; la IA que sustituye arriesga su deterioro. Kilinc et al. (2026) pusieron números a ese límite en un aula de STEM agrario de secundaria. En 42 estudiantes de octavo grado en 12 grupos, la adopción del modelo explicó el 74,1% de los turnos codificados de implicación colaborativa en el perfil de Mayor Mejora, mientras que la descarga cognitiva y el bloqueo colaborativo juntos alcanzaron el 80,8% en el perfil con Dificultades. Así que el efecto de la externalización sobre el aprendizaje es condicional y no intrínseco.

  • Implicación crítica frente a externalización: Favero et al. enmarcan los tutores de IA como empoderadores (apoyo a la cognición activa) o esclavizantes (externalización pasiva), conectando con la investigación sobre pensamiento crítico en métodos de investigación en AIED.

  • Conciencia metacognitiva: los estudios sobre conciencia metacognitiva examinan si los estudiantes reconocen cuándo están externalizando y cuándo aprendiendo, y si las intervenciones instruccionales pueden mejorar esa calibración.

  • La inteligencia corporeizada como alternativa a la subcontratación: el marco E3-HOT sostiene que, para contrarrestar la subcontratación cognitiva inducida por la IA y el aprendizaje desligado de contextos auténticos, la IA debería diseñarse en torno a la inteligencia corporeizada (anclaje situacional, participación corporeizada, creación cognitiva), de modo que los estudiantes sostengan la agencia cognitiva y el pensamiento de orden superior en lugar de externalizarlos. Esto enmarca el diseño de IA corporeizado y situado como la contraparte positiva del riesgo de externalización, conectando con la cognición distribuida y el aprendizaje corporeizado.

  • El intercambio entre eficiencia y regulación en la cognición distribuida: Hao et al. muestran que, en la colaboración humano-IA, el modo que más externaliza hacia la IA (razonamiento delegado) rinde mejor en las tareas pero se correlaciona con una autorregulación reducida: evidencia empírica de que la ganancia de eficiencia de la externalización puede tener como costo la implicación reguladora del estudiante, en convergencia con las preocupaciones sobre el aprendizaje autorregulado.

  • Fatiga y carga cognitiva: la investigación sobre fatiga por IA documenta cómo la interacción constante con la IA genera su propia carga cognitiva, una paradoja en la que externalizar una tarea aumenta la carga cognitiva por gestionar las salidas de la IA.

  • El marco de creencias frente a experiencias metacognitivas: Guo y Ye (2026) aplican el modelo metacognitivo dinámico de Nelson y Naren para reconciliar los hallazgos contradictorios del campo sobre intervenciones. Distinguen las creencias metacognitivas (autoconcepciones estables y autorreferenciales que anclan las decisiones de externalización antes de la tarea) de las experiencias metacognitivas (sentimientos dinámicos y específicos de la tarea que impulsan la actualización de creencias durante ella), de lo que resulta el principio de emparejamiento de componente y momento: la retroalimentación dirigida a las creencias es más eficaz antes de una tarea, mientras que la dirigida a las experiencias (indicadores inmediatos de corrección) lo es durante ella. También formalizan la externalización sustitutiva (reemplazar el procesamiento interno con ayudas externas) frente a la externalización duplicativa (complementarlo); cuando los almacenes externos desaparecen, los externalizadores sustitutivos decaen bruscamente mientras que los duplicativos conservan la exactitud, y usan el sesgo de recordatorio para cuantificar la desviación respecto de la externalización óptima. Esto converge con el límite "entrenador frente a muleta": la externalización que andamia preserva la habilidad; la que sustituye arriesga su deterioro.

  • Un modelo formal de uso problemático para la dependencia de la IA en la escritura académica (I-PACE): Liu, Zhuang y Wang (2026) extienden el modelo I-PACE del uso adictivo de tecnología a la dependencia de la IA generativa en la escritura académica universitaria. En una muestra china de métodos mixtos, el estrés académico es el predictor más fuerte de la dependencia de la IA, la alfabetización en IA es un factor protector (menor alfabetización, mayor dependencia psicológica) y la confianza percibida media la ruta de la influencia social a la dependencia, de modo que la dependencia se forma por una vía de influencia social, confianza y conducta, y no solo por el uso individual de la herramienta. Sus datos cualitativos añaden una dimensión de política: los estudiantes informan de evasión estratégica de la detección de plagio y citan reglas ambiguas sobre qué cuenta como uso conforme de la IA como incentivo para improvisar, lo que conecta la externalización con la integridad académica.

  • Deuda cognitiva y la distinción entre externalización episódica y habitual: Lin y Al-Hada (2026) formalizan la "paradoja del pensamiento crítico" (mejores productos junto a una implicación cognitiva reducida) mediante un marco diferenciado de tres niveles (papeles de la IA superficial, intermedio y profundo) y el constructo de deuda cognitiva: un posible declive acumulativo de la calibración metacognitiva y del rendimiento de orden superior sin ayuda que persiste más allá de un episodio asistido por IA. Su avance conceptual clave es distinguir la externalización episódica (delegación deliberada y específica de la tarea con conciencia retenida) de la externalización habitual (dependencia rutinaria y poco monitoreada), y predecir que esta última, en tareas de procesamiento profundo, produce una disociación entre producto y proceso: trabajos mejor calificados pero menor transferencia diferida sin ayuda.

  • El espectro de la subcontratación a la reasignación: la externalización puede redistribuir el esfuerzo en lugar de reducirlo. Yan et al. (2026) aplicaron el modelo presagio-proceso-producto de Biggs a 38 estudiantes de grado en Japón y China que escribían ensayos argumentativos sin supervisión, situando la implicación entre estudiante y IA generativa en un espectro acotado por la subcontratación cognitiva y la reasignación cognitiva, el análogo de la era de la IA generativa de los enfoques superficial y profundo. La minoría que reasignaba informó de un esfuerzo total sin cambios con un foco desplazado, moviendo recursos de la recuperación de bajo nivel a la evaluación crítica y la consolidación reflexiva (escribir notas de reflexión después de cada sesión para contrarrestar la retención superficial), lo que matiza el supuesto de que la externalización necesariamente resta cognición. La reasignación fue la excepción, sin embargo: el 78,94% tocó la IA generativa solo antes de empezar o después de redactar, en lugar de alternarla con trabajo independiente, y el 76,32% se apoyó en un patrón de un solo turno de preguntar, obtener la respuesta y parar (23,68% mantuvo un diálogo iterativo), así que la conducta integradora que producía la reasignación tenía que enseñarse y no suponerse.

  • El entrenamiento metacognitivo reduce el sesgo de recordatorio (evidencia empírica directa): Ngai y Gilbert (2026) aportan la primera demostración clara de que una intervención breve puede hacer la externalización mediblemente más óptima. Dos experimentos preregistrados (N=164, N=416) encontraron que bastan cinco ensayos de práctica que emparejan una predicción de rendimiento con retroalimentación verídica ensayo por ensayo para mejorar la calibración metacognitiva y reducir el sesgo de recordatorio. El diseño aditivo de cuatro grupos aisló el mecanismo: las predicciones solas eran ineficaces; añadir retroalimentación de rendimiento producía la mejora; etiquetar explícitamente el exceso o defecto de confianza no añadía nada más. El efecto apareció en el sesgo absoluto (y no con signo): el entrenamiento corregía la descalibración individual en ambas direcciones. Esto valida empíricamente el marco de creencias frente a experiencias anterior: es la retroalimentación dirigida a la experiencia, y no las creencias o la predicción solas, lo que cambia la conducta de externalización. Los autores atribuyen el éxito al incentivo financiero ligado a la optimalidad de la externalización más la retroalimentación verídica inmediata.

  • Un prompt de reflexión dentro de la tarea hace la dependencia más discriminativa en lugar de más defensiva: Ren (2026) aleatorizó a 342 estudiantes de grado en tres condiciones (sin IA, apoyo abierto de ChatGPT multiturno, y el mismo apoyo más un breve prompt de reflexión sobre su propio razonamiento y sobre qué justificaría rechazar la explicación de la IA) y encontró que el apoyo abierto conllevaba un 62,4% de aceptación de consejos incorrectos de la IA, que el prompt de reflexión redujo al 39,7% (OR = 0,40), mientras que la exactitud de la recomendación se mantuvo comparable entre las dos condiciones asistidas (66,3% frente a 67,0%) y la alineación con el consejo correcto siguió siendo alta. La reflexión también mejoró la calibración de la conciencia entre la dependencia percibida y la conductual (0,59 frente a 0,41) y redujo un índice de sesgo de atribución específico de la IA de 0,42 a 0,21. Es el mismo mecanismo de dirigirse a la experiencia que el estudio de entrenamiento anterior, aplicado dentro del episodio de decisión, y apoya la lectura de la dependencia excesiva como problema de monitoreo y no de frecuencia: saber sobre los límites del modelo no bastó por sí mismo para impedir que los estudiantes aceptaran consejos plausibles pero erróneos.

  • Pereza metacognitiva y una nueva brecha de equidad en la educación con IA: Lodge y Loble (2026), un informe sectorial para la escolaridad australiana, sostienen que el riesgo central de la IA generativa es la descarga cognitiva y no el plagio. Adoptan la pereza metacognitiva (Fan et al. 2024), la comodidad de la IA que socava la implicación de los estudiantes en los procesos autorregulatorios esenciales, de modo que estos abdican de la responsabilidad metacognitiva en favor de la herramienta, e introducen una brecha metacognitiva de equidad (un "efecto Mateo con IA"): como aprovechar la IA de forma productiva exige conocimiento previo y metacognición, los estudiantes ya aventajados se benefician más mientras que quienes más necesitan la práctica son los más propensos a delegar el aprendizaje, ampliando divisiones existentes. El remedio que proponen es el aumento del docente (dar la herramienta a docentes expertos para escalar su práctica, apoyado en estudios que muestran que la IA dirigida al docente mejora los resultados a un costo mucho menor) en lugar de tutores de IA dirigidos al estudiante, junto con la Instrucción para la Reducción de la Carga y prompts metacognitivos.

  • La dependencia excesiva es la principal preocupación ética en todas las generaciones de IA conversacional. La revisión paraguas de agentes de IA conversacional (Ganguly et al. 2025, 34 revisiones) informa de que las preocupaciones sobre la relación humano-IA, incluida la dependencia excesiva y la disminución de la interacción social, son el problema ético discutido con más frecuencia en todas las generaciones de CAI, y anterior a la IA generativa. También enumera el impacto educativo y las preocupaciones cognitivas (incluidas la dependencia excesiva y el pensamiento crítico degradado) como la segunda categoría de desafío más discutida, lo que subraya que el daño de la externalización es un tema persistente y transversal a generaciones y no una novedad específica de la IA generativa.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions for ethical and responsible use)

  • Los docentes como reguladores reflexivos de la cognición: Ho y Chen (2026) extienden la teoría de la externalización al juicio profesional sobre la IA entrevistando a 18 docentes en servicio. Identifican una "ecología metacognitiva" en la que los docentes reconocen, redistribuyen y reimplican reflexivamente la cognición con la IA generativa, enmarcando la IA como socio cognitivo y no como sustituto del pensamiento, y señalan la "deriva profesional" como riesgo cuando la externalización se vuelve irreflexiva en un papel docente y una administración aumentados por la IA.

  • La externalización es una toma de decisiones basada en valores, y algunos estudiantes son más vulnerables que otros. Seung y Basham (2026), una revisión conceptual en Learning Disability Quarterly, sintetizan la ciencia cognitiva, la educación especial y la tecnología educativa para modelar la externalización con IA generativa como una decisión de costo-beneficio moldeada por las metas de rendimiento, la dificultad de la tarea, la autoeficacia académica y las percepciones de la herramienta. Sostienen que los estudiantes con dificultades de aprendizaje (SWLD) son especialmente vulnerables a una externalización subóptima, porque la mayor carga cognitiva, las metas de rendimiento que evitan el esfuerzo, la menor autoeficacia académica y las expectativas infladas hacia la IA generativa hacen más probable una delegación prematura o excesiva. La IA generativa se enmarca como ayuda compensatoria o atajo según cómo interactúen las decisiones de externalización con los perfiles del estudiante y el diseño instruccional, con las barreras de protección instruccionales como factor moderador clave (enseñar autorregulación metacognitiva, construir alfabetización en IA para calibrar la confianza en la herramienta, secuenciar experiencias de dominio y evaluar el proceso y no solo el producto). Esto extiende la dimensión de equidad de la externalización: la misma herramienta que reduce las barreras de acceso puede, sin protección, sustituir la práctica que los SWLD más necesitan.

  • El riesgo de externalización es evolutivo. Niu et al. (2026) examinaron 24 fuentes de evidencia sobre IA generativa y el pensamiento creativo infantil y encontraron la dependencia excesiva y la dependencia del prompt entre los riesgos recurrentes, más fuertes en los grados inferiores, junto con el pensamiento basado en plantillas y la dificultad de los niños para juzgar si una sugerencia de la IA era original; una comparación con fMRI registró menor implicación de las redes de control cognitivo y atención durante la interacción niño-ChatGPT que en la conversación humana. Como los niños más pequeños carecían de las habilidades lingüísticas y metacognitivas que exige el prompting textual, los autores recomiendan mantener la alfabetización en IA, la autoría y la generación de ideas sin ayuda dentro de la propia actividad y medir la creatividad independiente por separado de la producción asistida por IA. Esto añade una dimensión de edad a los patrones de vulnerabilidad anteriores.

  • La pregunta de "pensar menos frente a aprender de otra manera" es condicional. Nesnin et al. (2026) ofrecen una revisión analítica más amplia que concluye que la IA no necesariamente hace que los estudiantes piensen menos, sino que transforma cómo aprenden: el resultado depende del uso. La IA que aclara, verifica y guía mejora el aprendizaje; la IA que reemplaza el pensamiento independiente produce dependencia pasiva. Esto converge con el límite omnipresente en la base de conocimiento entre "andamiar y sustituir" y con la visión condicional del daño de la externalización.

  • La externalización es sensible a la capa: importa la profundidad de la delegación, no solo su ocurrencia. Chen (2026) introduce un enfoque sensible a las capas para la escritura académica: superficial (gramática y vocabulario), estructural (esquema y secuenciación), de ideas (afirmaciones y contenido) y de razonamiento (garantías, contraargumentos y lógica argumentativa). En un cuasiexperimento de ocho semanas, la colaboración abierta con IA produjo la escritura apoyada de mayor calidad pero los peores resultados independientes sin IA, y las capas de externalización más profundas mostraron la asociación negativa más fuerte con el pensamiento de orden superior independiente en educación superior (externalización del razonamiento, efecto indirecto ab = −0,34 frente a −0,08 en la superficial). La escritura autorregulada atenuó el daño pero no lo eliminó. Esto refina el límite entre andamiar y sustituir: algunas capas de delegación andamian, mientras que las capas más profundas sustituyen la cognición que construye el pensamiento crítico.

  • Una prueba causal de la predicción de externalización, con el signo invertido: escribir con ChatGPT produjo menos aprendizaje que escribir sin ayuda. Wagner-Kobayashi (2026) realizó un experimento entre sujetos en el que 35 estudiantes de psicología pasaron 20 minutos elaborando un texto de entrada, con GPT-3.5 disponible solo para el grupo experimental, y respondieron una prueba de conocimiento idéntica antes y después. La interacción grupo × tiempo hipotetizada fue significativa (F(70) = 5,889, p = 0,018) pero apuntó en la dirección contraria: el grupo sin ChatGPT aprendió más (media del postest 8,29 frente a 6,94; b = −1,45), lo que falsa la predicción de escribir para aprender de que ChatGPT amplificaría la elaboración. Lo que se escapó fue el esfuerzo elaborativo mismo: los participantes produjeron solo 2,25 ejemplos y 0,88 conexiones en el diálogo con la herramienta e informaron de que priorizaban el número de palabras sobre la profundidad, la lectura de deficiencia de utilización de los autores ante una herramienta disponible pero no desplegada, y en línea con el menor esfuerzo mental y la conducta de copiar y pegar que la página registra en otros lugares. Una vez que la motivación entró en el modelo, el efecto grupo × tiempo se derrumbó (p = 0,280), y una mayor motivación e interés en el tema predijeron ganancia solo dentro del grupo con ChatGPT, así que los estudiantes con baja motivación y bajo interés fueron los perjudicados por la herramienta: apoyo experimental para la vía motivacional hacia la dependencia excesiva que documenta esta página. Los autores leen el resultado de forma estrecha (un efecto pequeño que viola supuestos, bajo presión de tiempo y sin entrenamiento) y recomiendan enseñar a los estudiantes a desplegar la herramienta en lugar de prohibirla, lo que mantiene el hallazgo en el límite entre andamiar y sustituir en vez de convertirlo en un veredicto sobre la herramienta.

  • El continuo rendición-externalización-agencia. La revisión rápida PreK-12 de Sídney (Arthars et al. 2026, 271 artículos) enmarca el uso de la IA generativa en dimensiones cognitivas, metacognitivas y afectivas: la rendición (la responsabilidad del trabajo relevante para el aprendizaje pasa a la IA generativa, a menudo sin saberlo), la externalización (delegación deliberada y posiblemente productiva que solo se convierte en aprendizaje si se comprueba o elabora) y la agencia (retener la responsabilidad del esfuerzo y el juicio). También advierte de una inequidad metacognitiva: los estudiantes con menor metacognición son más susceptibles a la externalización perjudicial y menos capaces de reconocerla.(Young people, learning, and generative AI: A rapid literature review and implications for PreK-12 education)

  • La dependencia se rige por la autoeficacia tanto como por la capacidad. La dependencia de la IA no es simplemente producto de la habilidad técnica: Maizel et al. (2026) muestran que la alfabetización en IA basada en habilidades predecía una mayor dependencia (en consonancia con la visión de capacidad habilitante y externalización), mientras que la autoeficacia con la IA y la autoeficacia académica protegían contra la dependencia excesiva, lo que indica que la externalización se rige por creencias motivacionales de autoeficacia tanto como por la capacidad.

  • La externalización cambia el umbral para responder, no solo la capacidad. Marcoccia et al. (2026) muestran que el mero acceso a consejo de IA casi eliminó la disposición de las personas a decir "no lo sé", incluso cuando el consejo era erróneo, mientras casi duplicaba la confianza y reducía la exactitud a un tercio; los incentivos restauraron la exactitud (al reducir la dependencia) pero no la suspensión del juicio.

  • La brecha de seguridad como costo de externalizar el esfuerzo. Wang y Shan (2026) formalizan la divergencia entre el rendimiento asistido por IA de un estudiante y su capacidad sin asistencia como la "brecha de seguridad": el riesgo epistémico cuando la IA hace el trabajo cognitivo y el estudiante no puede reproducirlo. Kim et al. (2026) y Puech et al. (2025) muestran que el diseño de fracaso productivo (retener las respuestas, preservar el esfuerzo) es la contramedida.

  • El espectro ICAP/SAMR enmarca la externalización como un continuo de modos, no como un binario. Rummel, Nachtigall y Panadero (2026) trasladan la analogía de la máquina de cocina Thermomix al aprendizaje con IA generativa dentro de los marcos ICAP y SAMR, mostrando cuatro escenarios que progresan de la sustitución pasiva (subcontratar por completo las tareas, el extremo de la externalización, con riesgo de pérdida de habilidad y creatividad limitada) a la redefinición interactiva (la IA como socio de diálogo que aporta retroalimentación adaptativa en tiempo real y coconstrucción, el extremo del compromiso). Esto replantea el daño de la externalización como condicional al modo de uso y no a la mera frecuencia, convergiendo con el límite omnipresente entre andamiar y sustituir: si el uso de la IA se sitúa en el extremo de sustitución (Substitution) o en el de redefinición (Redefinition) del espectro determina si desplaza o apoya la cognición que construye el aprendizaje.

Navas-Romero et al. (2026) informan de las percepciones de los estudiantes sobre las demandas cognitivas de los materiales instruccionales diseñados con IA generativa en educación superior, junto con sus ganancias en competencias, separando la carga que imponen esos materiales de las competencias que construyen.

Gillette et al. (2026) registran la externalización como experiencia propia de los participantes y no como riesgo teórico: uno dijo que la IA generativa "me impidió leer y descubrir por mí mismo qué es importante en el texto, para desarrollar habilidades de lectura", y otro temía "el desarrollo a largo plazo, en el que me vuelvo peor en ciertas habilidades en las que ahora soy muy fuerte".

  • El efecto está en la división del trabajo, no en la herramienta. Nakamura (2026) sostiene que la heterogeneidad de los efectos de la IA generativa en el aprendizaje se disuelve cuando la unidad de análisis pasa a ser el reparto del trabajo cognitivo entre estudiante y máquina. La externalización aumenta el aprendizaje cuando descarga operaciones periféricas al objetivo actual, y arriesga la erosión cuando se salta el procesamiento constitutivo de ese objetivo (Nakamura, 2026). Procesar sustantivamente la salida, o reconstruirla después, es lo que rescata una externalización que de otro modo sería constitutiva.
  • Lo que una persona puede entregar depende de su experiencia con la tarea. Akcaoglu (2026) hace que el orden de las tareas sea relativo a la persona: lo que es de orden superior para un novato es de orden inferior para quien ya domina el procedimiento, así que la externalización permitida debería crecer con la experiencia y detenerse en el núcleo del trabajo.

El capital cognitivo es el acervo del que tira la descarga. Riva et al. (2026) reformulan la descarga como un cambio en un acervo y no como un acto. El capital cognitivo es conocimiento, capacidad y práctica acumulados, renovables y agotables, que poseen las personas y las organizaciones, y se mantiene separado de la capacidad del sistema humano-IA para que una ganancia de rendimiento conjunto pueda verse junto a una pérdida de capacidad humana. Sus cuatro mecanismos (sustitución de la práctica, andamiaje y retroalimentación, calibración metacognitiva y agregación organizativa) producen siete principios, entre ellos que el rendimiento asistido no es competencia retenida y que descargar una tarea difiere de descargar la práctica que construye la habilidad. La estadística que lo motiva es un despliegue escalonado en 5.172 agentes de atención al cliente en el que un asistente elevó los casos resueltos por hora un 15%; esa cifra describe el sistema conjunto, y si los agentes podían seguir haciendo el trabajo sin ayuda es una medición que la literatura revisada no contiene.

Cuando la descarga cognitiva disminuye en lugar de aumentar

Braun (2026) informa de un experimento preregistrado (N = 317) en el que adultos aprendieron contenido nuevo a partir de hojas de trabajo convencionales o de un asistente de propósito general restringido a esas mismas hojas. La condición con IA redujo la descarga cognitiva medida en lugar de aumentarla (mediana de −0,27, intervalo creíble del 95% de −0,58 a 0,04). El procesamiento profundo cayó aun así, pero por una cadena en la que una menor descarga se asoció con un menor pensamiento crítico, que a su vez predijo un procesamiento profundo más débil (0,78). La desorganización aumentó en 0,84 sin que ningún mediador canalizara el efecto. El hallazgo es una advertencia para el relato estándar: la descarga no es la única vía por la que un entorno de IA erosiona el procesamiento, y una condición puede dejar la descarga intacta mientras suprime aquello que se suponía que la descarga protegía.

Externalizar la empatía, no solo la cognición

El mismo trueque se aplica al trabajo emocional, y ahí la evidencia es más reciente. Shastry y Gray (2026) denominan externalización de la empatía a este fenómeno: cuando un sistema puede ofrecer apoyo emocional, las personas aportan menos del suyo (N = 2.223 en cuatro estudios). La disposición a entregar la empatía a un modelo siguió a la creencia en la capacidad del modelo para tenerla (b = 0,44), y un experimento que elevó esa creencia mediante una cobertura informativa ordinaria desplazó la externalización a través de ella (indirecto 0,73, directo no creíble). La parte instructiva está en dónde se separan el autoinforme y la conducta: al saber que un estudiante había recibido apoyo de un chatbot, los participantes valoraron su propia externalización como menor que ante un amigo o un terapeuta, y después eligieron menos palabras de empatía y más palabras de indiferencia sobre ese estudiante.

  • La descarga se divide en una ganancia visible y una pérdida invisible. Pradubwate (2026) sostiene que el fallo de calibración que documenta esta página es una inferencia transdimensional y no un exceso de confianza general. La competencia operativa (formular instrucciones, iterar, integrar) devuelve retroalimentación inmediata e inequívoca, mientras que la competencia evaluativa (juzgar si una salida es exacta) devuelve una retroalimentación tardía, escasa o ausente. La descarga eleva la comprensión percibida y reduce el procesamiento profundo a la vez, y solo la primera se experimenta. Por eso las advertencias sobre las limitaciones de la IA son intervenciones débiles: abordan creencias sobre el sistema mientras la ilusión la genera una ausencia en la propia experiencia de quien la usa. La revisión es conceptual y no aporta datos propios.

Dependencia excesiva: cuando la externalización se vuelve dañina

La escalera que sigue esta página tiene tres peldaños, y solo los dos primeros pertenecen a este apartado. La externalización es delegar trabajo mental, lo que a menudo es productivo; la dependencia excesiva es hacerlo de forma crónica y sin calibración, que es el fallo conductual que documenta esta sección; la rendición cognitiva es un fallo distinto: el paso evaluativo nunca ocurre, así que el estudiante adopta la respuesta de la IA sin ningún juicio sobre su calidad. El límite se ve en qué se le pide a la IA que suministre: la asistencia instrumental de Du y Yuan produce salida, mientras que la asistencia que conlleva juicio suministra el estándar con el que se juzga la salida, y es la segunda clase la que desplaza el trabajo del que depende la pericia. La revisión rápida de Sídney traza la misma división triple en 271 artículos. La rendición tiene, por tanto, su propia firma experimental y su propia página; la dependencia excesiva sigue siendo el problema de frecuencia y calibración, y los dos son resultados separables en una misma tarea: en los ensayos de Shaw y Nave, el 73,2% de los ensayos con IA incorrecta terminaron en rendición mientras que el 19,7% terminaron en externalización estratégica. El paso más allá de la externalización es externalizar al regulador. A metacognitive approach to learning and performance in human-AI interaction reformulan la secuencia de Risko y Gilbert (activar las creencias sobre la herramienta, juzgar la propia capacidad frente a ella, elegir una estrategia y recalibrar a partir del resultado) y nombran el fallo externalización metacognitiva: el bucle se salta, la evaluación de la estrategia se entrega a la IA o el éxito fluido sesga la siguiente ronda de delegación. Su término contrapuesto es la carga metacognitiva (metacognitive onloading), un andamiaje que hace responsable al estudiante de las metas, el monitoreo y el juicio de estrategia. Ambos se sitúan en dos ejes, el rendimiento y el aprendizaje duradero, de modo que una subida en la calidad de la salida deja de contar como evidencia sobre el estudiante. El marco es conceptual y no está probado.

Retirar al regulador eleva la externalización y reduce la calidad de la salida. En cuatro experimentos con 728 adultos, la desconexión metacognitiva inducida experimentalmente elevó la descarga cognitiva (efecto indirecto 0,51, 58,0% del total) y recortó la calidad de la innovación evaluada por expertos de 4,78 a 3,95, con un 57,8% de esa caída pasando por la externalización (Xiao, Men y Zhang (2026)). La complejidad de la tarea fortaleció esa ruta y la alfabetización en IA la debilitó. Dos límites acotan la afirmación: el asistente era un banco de respuestas guionizado por los investigadores y no un modelo en vivo, y no se informó de la ocupación ni de la condición de estudiante, así que no es un hallazgo ni de aula ni de lugar de trabajo.

La dependencia tiene una trayectoria, y no es monótona. En cuatro oleadas a lo largo de 18 meses (n = 524), la utilidad percibida predijo una dependencia académica posterior menor y no mayor, así que un relato de escalada basado en lo útil que les resulta la herramienta a los estudiantes se equivoca de dirección (Zhang, 2026).

Un benchmark externo a cualquier estudio mide el mismo fallo y lo encuentra común. ImpactBench puntuó diez modelos en 48.540 conversaciones simuladas: su métrica de Asimetría de Externalización Cognitiva promedió 51,9% y la Intrusión Cognitiva Relacionada con la Planificación, 47,1%. Su caso educativo muestra a Claude Sonnet 5 entregando una tesis, un esquema y un ensayo completo "listo para pegar" en cuanto un estudiante simulado insiste en obtener un borrador acabado, mientras sigue negándose a fabricar citas (ImpactBench (2026)). Aprendizaje y Desarrollo de Habilidades fue la más débil de 14 subáreas en ambas polaridades, con 45,9% y 16,3%.

La dependencia excesiva consiste en una dependencia excesiva o sin calibrar de las herramientas de IA, en la que los estudiantes delegan trabajo cognitivo que deberían realizar ellos mismos, lo que produce un aprendizaje reducido, una agencia disminuida y el desplazamiento del desarrollo de habilidades. Es la manifestación conductual de la descarga cognitiva excesiva: cuando la externalización se convierte en la opción por defecto y no en una elección estratégica. La dependencia excesiva no consiste simplemente en usar la IA demasiado, sino en usarla de maneras que sustituyen los procesos de aprendizaje en lugar de complementarlos. El trabajo conceptual insta a mantener esta dependencia excesiva educativa distinta del apego relacional y de la dependencia clínica: Yan (2026) muestra que la confianza, la dependencia, la dependencia excesiva, el apego y el uso problemático se confunden habitualmente en la literatura sobre IA conversacional, y que la delegación frecuente no debería etiquetarse como dependencia sin control deteriorado o daño.

  • La paradoja de la eficiencia: las metas de dominio que se derrumban en una externalización "por defecto". Yan et al. (2026) identifican estudiantes que articulaban metas orientadas al dominio y sin embargo ejecutaban procesos de tipo superficial, externalizando "no por intención, sino por defecto": sus tres grupos de intención (Herramienta de Subcontratación n = 16, Asistente de Aprendizaje n = 31, Socio Cognitivo n = 8) muestran que el caso modal no es ni el engaño deliberado ni el aprendizaje deliberado. Los estudiantes del grupo de subcontratación reconocieron su propia desconexión (copiar y pegar párrafo a párrafo se describió como "me reemplazó completamente el cerebro") e informaron de un olvido rápido, y los 38 entrevistados informaron de baja confianza en usar la IA generativa de forma eficaz, evidencia de que la dependencia excesiva puede estar impulsada por condiciones de presagio ausentes (alfabetización en IA, competencia en prompting, guía específica de la tarea) y no por motivación para evitar el trabajo.

  • La programación agéntica externaliza la comprensión sobre el terreno: Tanaka et al. (2026) informan de que los estudiantes de grado que usaron agentes de IA en un curso de proyectos de software escribieron más código año tras año pero mostraron caídas de comprensión bajo uso intenso, recuperables mediante la verificación individual del código generado por IA con el docente.

  • Desplazamiento del aprendizaje: la investigación sobre los efectos cognitivos de la IA documenta cómo la disponibilidad de la IA reduce el procesamiento esforzado, el "efecto Google extendido al razonamiento". Stamatoulis et al. (2026) lo aíslan como un patrón de uso distinto: la adopción con baja verificación (aceptar sin crítica la salida de la IA) predecía peor rendimiento académico, mientras que la integración evaluativa (usar la IA para apoyar la comprensión) predecía mejor rendimiento, y la frecuencia de uso por sí sola no predecía ninguna de las dos cosas. La dependencia excesiva es, por tanto, un modo de uso que puede separarse de cuánto usan la IA los estudiantes.

  • El problema de la agencia: la misión inconclusa de la AIED enmarca la dependencia excesiva como una crisis de agencia y motivación: los estudiantes evitan el aprendizaje no porque la IA sea irresistible, sino porque las tareas de aprendizaje parecen sin sentido cuando la IA puede completarlas sin esfuerzo.

  • Erosión de la motivación: la investigación sobre motivación estudiantil encuentra que saber que la IA está disponible reduce el valor percibido de aprender la habilidad por uno mismo, un cálculo motivacional que afecta especialmente a los estudiantes novatos.

  • La persistencia también se erosiona, y rápido. Después de unos diez minutos con un asistente que respondía a demanda, los participantes omitieron 0,20 de los problemas sin ayuda frente a 0,11 de los controles y resolvieron 0,57 frente a 0,73, replicado en comprensión lectora (Liu et al., 2026).

  • Las ganancias en tareas apoyadas no sobrevivieron a un examen sin apoyo. Aleatorizar a 153 estudiantes de un curso de demostraciones hacia un acceso más temprano a la IA elevó las notas de tareas en 2,56 puntos y dejó el Segundo Examen Parcial indistinguible de cero, mientras que una herramienta de retroalimentación que exigía intentar primero no sufrió penalización y un chatbot abierto se asoció con 3,02 puntos menos por cada 100 mensajes (Chen et al. (2026)).

  • Una entrega no es evidencia de qué se externalizó. En 59 registros de chat de 23 estudiantes de álgebra lineal, 27 de los 30 encabezados por explicar o comprobar terminaron aun así cerca del producto del modelo, así que la externalización tiene que leerse prompt a prompt (Kontorovich y Wallach (2026)).

  • Deuda de alfabetización: la deuda de alfabetización agéntica describe el déficit acumulado de habilidades que se desarrolla cuando los estudiantes dependen habitualmente de la IA en lugar de desarrollar sus propias competencias, de forma análoga a la deuda técnica en el software.

  • Ciclos de fatiga: la investigación sobre fatiga por IA identifica una paradoja en la que la dependencia excesiva conduce a fatiga cognitiva por la gestión constante de la interacción con la IA, lo que a su vez impulsa MÁS dependencia: un círculo vicioso.

  • La regla de colocación: La trampa sin esfuerzo replantea el permitir frente al prohibir como una cuestión de colocación: un ayudante de IA sin protección dejó a estudiantes de secundaria ~17% peor en un examen sin ayuda, mientras que el mismo modelo reconstruido para retener las respuestas eliminó el daño. Su diagnóstico, "si dejar entrar a la IA hace que la tarea se sienta sin esfuerzo, está en el lugar equivocado", asegura el primer intento duro y la comprobación final sin ayuda como los momentos en que la dependencia excesiva se esconde más fácilmente como "ilusión de aprendizaje".

  • Preservación metacognitiva: el Modelo de Reciprocidad Síntesis-Análisis propone herramientas que preservan la agencia epistémica humana estructurando la interacción con la IA en torno a ciclos de análisis humano y no a ciclos de generación de IA.

  • La mecánica metacognitiva del uso excesivo: el marco de creencias frente a experiencias explica por qué los estudiantes externalizan en exceso incluso cuando les perjudica: las personas externalizan de forma impulsiva, y las creencias metacognitivas preexistentes anclan la conducta más rápido de lo que las experiencias de la tarea pueden corregirla, así que el antídoto contra la dependencia excesiva es metacognitivo y no meramente restrictivo.

  • La dependencia excesiva es entrenable mediante entrenamiento en calibración: Ngai y Gilbert (2026) muestran que el sesgo de recordatorio, el análogo de laboratorio de la dependencia excesiva, puede reducirse con una breve intervención metacognitiva (cinco ensayos de práctica que emparejan una predicción con retroalimentación), corrigiendo la calibración en ambas direcciones. Esto implica que el antídoto contra la dependencia excesiva no son solo reglas restrictivas, sino un entrenamiento en calibración que haga a los estudiantes exactos sobre lo que pueden hacer realmente sin ayuda.

  • Evidencia de campo: IA que entrena frente a IA que responde. NUMI (Oreopoulos et al. 2026) encontró que el apoyo de IA que entrenaba en lugar de dar respuestas ralentizaba a los estudiantes pero reducía la evitación del esfuerzo, mejorando la corrección en el siguiente intento tras los errores con más tiempo por pregunta (una "ralentización productiva"), mientras que Khanmigo (Oreopoulos y Low 2026) mostró que sin una estructura que hiciera consecuentes los errores, los estudiantes caen por defecto en un uso superficial (respuestas desnudas, clics en el prompt) y las ganancias igualan la práctica sin IA. Ambos confirman que el daño de la externalización depende de cómo se usa y se diseña la IA, y no solo del acceso. CoMeT (Hou et al. 2026) aporta la dimensión de diseño que ese límite deja implícita: un tutor puede asumir más trabajo sin comprar más delegación. Su escalera subía un peldaño cada vez que un estudiante no usaba su apoyo y bajaba al peldaño más ligero cuando lo usaba, manteniendo la demanda metacognitiva estadísticamente equivalente a la de un tutor que retenía las respuestas por diseño (p_TOST = 0,004) mientras un artefacto llegaba al espacio de trabajo en el 48,1% de las sesiones frente al 23,7% con ese tutor que retenía, y los estudiantes le pedían que construyera en el 50,4% de las sesiones frente al 51,1% con un tutor sin restricciones que respondía a demanda (OR = 0,95, p = 0,82). La delegación siguió a la demanda que el tutor imponía al estudiante y no a la cantidad de trabajo que asumía.

  • Evidencia de campo a gran escala: la "penalización de aprendizaje por IA generativa". Strömberg, Lei y Wu (2026), siguiendo a 26.811 estudiantes chinos de secundaria durante 30 meses, encontraron que la adopción autodirigida de IA generativa elevó las notas de tareas un 18% y recortó el tiempo de tareas un 30% mientras bajaba las puntuaciones en exámenes a libro cerrado un 20% en seis meses y las de los exámenes de ingreso un 18-24% tras dos años, concentrado en el ~81% de usuarios cuya conducta indicaba subcontratación de tareas (tiempo de finalización corto más notas infladas). Es evidencia directa a gran escala de que la externalización sin protección (usar la IA como sustituto de las tareas y no como tutor) produce la penalización de aprendizaje que predice la descarga cognitiva, a menudo sin que los propios estudiantes lo detecten.

  • La dependencia excesiva erosiona el aprendizaje autodirigido a través de la motivación y la autoeficacia. Zhao y Gu (2026) modelan el mecanismo directamente: en 487 estudiantes chinos de grado, el uso irreflexivo de IA generativa (TUGA), adoptar salidas de IA sin evaluación crítica, socavó significativamente el aprendizaje autodirigido (β = −0,42) tanto directamente como mediante la mediación parcial de la motivación (β = −0,54 en la ruta desde TUGA) y la autoeficacia (β = −0,37). El modelo explicó el 75,3% de la varianza del aprendizaje autodirigido. Como la motivación fue el motor positivo más fuerte (β = 0,68) y el uso irreflexivo la suprime, es evidencia cuantitativa de que la dependencia excesiva daña los recursos motivacionales y de autoeficacia de los que depende el aprendizaje autónomo, con diferencias de género (mayor daño motivacional en los hombres, mayor daño en autoeficacia en las mujeres).

  • La tendencia a externalizar predice peores resultados de orden superior, y la alfabetización de verificación necesita metacognición para rendir. Davor, Larbi y Boateng (2026) encuestaron a 533 estudiantes universitarios en Ghana y modelaron la tendencia a externalizar, el andamiaje de tareas con IA y la alfabetización en verificación de IA frente a resultados de orden superior a través de la autorregulación metacognitiva. La tendencia a externalizar fue el predictor negativo más fuerte del pensamiento crítico (−0,240) y de la resolución de problemas técnicos (−0,312) y también deprimió la autorregulación metacognitiva (−0,294), mientras que el andamiaje predijo ambos resultados positivamente (0,185 y 0,170). La alfabetización de verificación no tuvo efecto directo significativo en ninguno de los dos resultados y solo operó a través de la autorregulación metacognitiva, un patrón de mediación completa que los autores llaman mecanismo de activación metacognitiva: enseñar a los estudiantes a comprobar la salida de la IA no basta por sí solo, porque el hábito evaluativo solo rinde cuando está incorporado a la planificación, el monitoreo y la reflexión durante la tarea.

  • La dependencia opera como condición límite del beneficio del uso. Shojaei et al. (2026) encuestaron a 412 estudiantes de grado de negocios en Omán y descompusieron la asociación entre el uso de IA generativa y la disposición autodeclarada al pensamiento crítico: la correlación de orden cero era casi nula (r = 0,050) mientras que el coeficiente ajustado era positivo (0,185), porque una ruta indirecta negativa a través de la dependencia (−0,147) lo compensaba. La dependencia se asoció negativamente tanto con la disposición (−0,389) como con la empleabilidad autopercibida (−0,328) y debilitó ambos vínculos entre uso y resultado, y las pendientes simples cayeron de 0,424 con dependencia baja a −0,054 con dependencia alta, atenuación y no inversión. La lectura mantiene el hallazgo del lado del modo de uso del límite: la dependencia marca dónde el uso pasa del aumento a la sustitución, y la frecuencia por sí sola enmascara las rutas opuestas.

  • La dependencia excesiva de la IA como sistema adaptativo complejo. En lugar de estudiar la dependencia excesiva usuario por usuario, un artículo de modelado la enmarca como un proceso a nivel de población en el que los agentes actualizan creencias bayesianas sobre la calidad de la IA y, cuando están en red, aprenden de sus pares. La prueba social puede convertir la dependencia en una cascada de retroalimentación (el uso no verificado visible suprime la verificación), mientras que el aprendizaje social crea consenso y no dependencia excesiva, un marco que desplaza los objetivos de intervención de la calibración individual a las dinámicas en red de la confianza y la dependencia.

  • Seis criterios diagnósticos separan la dependencia productiva de la dependencia dañina. Du y Yuan (2026) dan a la dependencia excesiva un vocabulario diagnóstico más granular que la frecuencia de uso, distinguiendo la asistencia instrumental (la IA ayuda a producir la salida) de la asistencia que conlleva juicio (la IA suministra los estándares con los que se evalúa la salida). Su revisión operacionaliza el límite entre productivo y dañino mediante seis criterios (contestabilidad, recuperabilidad, transferencia, trazabilidad, responsabilidad distribuida y pluralidad epistémica) y traza cuatro vías sociotécnicas (autoridad fluida, delegación sin fricción, síntesis opaca, dependencia institucionalizada) por las que la externalización preserva o desplaza el trabajo epistémico que desarrolla el juicio. Como la dependencia es contextual e institucional y no meramente individual, el marco dirige la atención a los incentivos de evaluación, el diseño de interfaces y la contratación, junto con la autorregulación del estudiante.

  • La secuela no medida: el lavado cognitivo. Yajee (2026) nombra la mayor pregunta abierta del campo como posterior al retiro: casi toda la investigación sobre externalización mide la cognición durante el uso de la IA, pero casi nada mide qué ocurre después de retirar un asistente durante días o semanas (un examen, una caída del servicio, una revisión de licencia). Formaliza el lavado cognitivo con un Modelo de Curva de Lavado (parámetros estimables para la constante de tiempo de recuperación, la completitud de la recuperación, el crecimiento residual y un índice de histéresis que compara el reaprendizaje con el esfuerzo original) y cuatro resultados posibles (rebote elástico, meseta parcial, andamiaje latente, sobrerrecuperación). Como la reversibilidad determina si un déficit inducido es un inconveniente o una lesión a nivel de cohorte, el artículo sostiene que el retiro merece el mismo estatus metodológico que la adopción y especifica un protocolo de tres brazos, tres dominios y veintidós semanas para dirimir entre resultados. Esto convierte las distinciones anteriores entre "entrenador frente a muleta" y entre sustitutivo y duplicativo en una agenda de investigación longitudinal y comprobable sobre si las habilidades externalizadas regresan y con qué rapidez.

  • La dependencia sin conocimiento del dominio degenera en conjeturas. Mikhasenko et al. (2026), al rediseñar el curso introductorio de física nuclear y de partículas en la Universidad del Ruhr en Bochum, describen un modo de fallo de la dependencia en ausencia de conocimiento del dominio: cuando un estudiante no podía juzgar si una respuesta generada era físicamente sólida, la pretendida "conversación con la IA" degeneraba en conjeturas frente a una salida plausible pero poco fiable. La encuesta de mitad de semestre del mismo curso (n=30) encontró un uso frecuente de LLM (24 de 29 los usaban a menudo o siempre) junto con una baja preparación autoinformada para la fluidez informática que exigían las tareas, y las respuestas abiertas señalaron la dependencia de la IA y el acceso desigual a los modelos de pago entre los puntos de fricción.

  • El contraargumento taoísta: la externalización no es solo poco práctica, sino contraproducente. Xie (2026) aporta un contraargumento normativo y contrario a la delegación desde la autocultivación taoísta: en la práctica del Neidan (內丹) "no hay atajos cognitivos", y el practicante no puede subcontratar el trabajo a dispositivos externos, así que la IA debería ser "no un sustituto cognitivo sino un adjunto instrumental", semejante a un horno alquímico, un marco que se alinea con el límite anterior entre "entrenador y muleta" y no con la externalización sustitutiva.

La externalización puede costar el yo, y no solo la habilidad. de Barba (2026) llama yo alquilado a la parte del yo de dominio de un estudiante cuyas capacidades residen en una herramienta habilitada por IA y solo están disponibles en los términos del proveedor, y separa dos costos. Un costo de calibración es un lugar mal juzgado: reclamar de menos una capacidad que se posee, o reclamar de más una que posee la herramienta; un costo del yo se sigue siempre que se alquila una capacidad central, incluso a sabiendas, porque las operaciones que construyen el yo nunca se realizan. Sus cuatro configuraciones cruzan el lugar con la atribución: competencia propia, competencia no reclamada, alquiler visible y alquiler oculto, y este último es el que elimina la señal que incita al estudiante a construir lo que cree que ya posee.

Un consenso de 30 expertos sitúa el daño en ambos extremos de la secuencia de aprendizaje. Un ejercicio Delphi preregistrado sobre 65 procesos de aprendizaje encontró la adquisición vulnerable (Codificación 3,30, Recuperación 3,30, Adquisición de Información 3,00 en la escala de disrupción de 1 a 5), la consolidación potenciada (Aprender de la Retroalimentación 4,00, Aprender de Ejemplos 3,90, Autoevaluación 3,80) y el pensamiento de orden superior vulnerable de nuevo (Kendeou, Greene y Nixon et al., 2026). Diez de dieciocho procesos de orden superior alcanzaron consenso solo en vulnerabilidad, con valoraciones de potenciación por debajo del umbral.

El marco de la Teoría de la Carga Cognitiva

Tener acceso a la retroalimentación de la IA no es el mismo tratamiento que implicarse con ella, y las medidas de carga son separables. Wenzel, Geiger y Liening (2026) realizaron un estudio de campo longitudinal de cinco semanas en un juego de simulación de negocios (234 estudiantes, 1.147 observaciones semanales) y separaron la asignación de la recepción. El mero hecho de proporcionar acceso a la retroalimentación de IA conversacional no movió ni la carga extraña (β = 0,071, p = 0,481) ni la pertinente (β = 0,019, p = 0,807). Pero los estudiantes que la usaron con regularidad informaron de una carga pertinente significativamente mayor que los no usuarios del grupo experimental (β = −0,468, p < 0,001) y que los controles (β = −0,253, p = 0,028), mientras que la carga extraña nunca se redujo por el acceso ni por la implicación (F(1, 219) = 0,499; basada en uso F(3, 214) = 0,172). Ese es el patrón teóricamente interesante y el opuesto a la afirmación habitual: la intervención hizo que los estudiantes trabajaran más duro con el material sin hacer el entorno más fácil. La carga intrínseca impulsó la carga extraña (β = 0,647, p < 0,001) y la autorregulación metacognitiva impulsó la carga pertinente (β = 0,363, p < 0,001), con la carga extraña negativamente asociada a la pertinente (β = −0,178, p < 0,001) exactamente como especifica la teoría. Ambas cargas también declinaron a lo largo de las cinco semanas (extraña β = −0,388, p < 0,001), un efecto de novedad visible en una medida cognitiva y no en una de implicación.

La Teoría de la Carga Cognitiva (Sweller) proporciona una lente teórica discutida sobre la memoria de trabajo y la instrucción: la carga intrínseca (complejidad de la tarea), la carga extraña (fricción de presentación) y la carga pertinente (esfuerzo de construcción de esquemas). Una IA bien diseñada debería reducir la carga extraña preservando el procesamiento pertinente; una IA mal integrada reduce las tres, dejando a los estudiantes con tareas completadas y aprendizaje vacío. Obsérvese que las afirmaciones de la teoría son discutidas en la literatura más amplia, pero su marco sigue siendo influyente en cómo se discuten los efectos de la externalización.

Lo que está en juego para la profesión. El marco de los Bienes Comunes Cognitivos (Lovett 2026) extiende la externalización del individuo al nivel colectivo: cuando la IA permite a los trabajadores junior saltarse el esfuerzo cognitivo que construye pericia profunda, puede agotar con el tiempo el fondo compartido de pericia de una profesión. El "anclaje de validación" significa que una supervisión eficaz de la IA depende de ese mismo dominio que la adopción de la IA puede socavar. Esto replantea la externalización individual y el deterioro de habilidades como un problema de regeneración a nivel de sistema con implicaciones de gobernanza.

Conexiones con conceptos relacionados

La descarga cognitiva (y su forma dañina, la dependencia excesiva) se conecta fundamentalmente con la calibración de la confianza (saber cuándo confiar y cuándo cuestionar a la IA) y con la alfabetización en IA, que incluye la habilidad metacognitiva de saber cuándo externalizar y reconocer los propios patrones de dependencia. Se conecta con el andamiaje (apoyo estructurado que reduce la carga sin eliminar la demanda cognitiva) y con la ingeniería de prompts (el mecanismo principal por el que se ejecuta la externalización en las interacciones con LLM). Se cruza con la metacognición y el aprendizaje autorregulado (los estudiantes eficaces calibran sus decisiones de externalización) y con el pensamiento crítico, la agencia y la experiencia del estudiante. La enseñanza y el aprendizaje en línea es un contexto especialmente vulnerable: el medio ya distancia a los estudiantes de la rendición de cuentas inmediata, y el trabajo autodirigido y basado en pantalla invita al atajo de "pedir la respuesta" que la investigación sobre externalización identifica como el mecanismo central del daño (véase Mal uso de la IA y daño al aprendizaje).

No toda fricción externalizada es fricción excesiva. Zohar, Bloom e Inzlicht (2026) trazan la distinción que la literatura sobre externalización necesita: las tecnologías de IA anteriores eliminaban la fricción excesiva (obstáculos tediosos o insuperables con poco valor de aprendizaje o de sentido), mientras que la IA generativa en el trabajo intelectual también elimina la fricción beneficiosa, permitiendo que un estudiante pase de la ideación a la evaluación sin cuestionar la salida. Movilizan la evidencia asociativa sin rodeos: las personas que usan IA tienen dificultades para recordar o reproducir con exactitud su propio trabajo, adquieren menos habilidades, muestran menos transferencia y rinden peor cuando se retira el apoyo de la IA, en convergencia con los hallazgos sobre deuda cognitiva de los estudios de EEG sobre la escritura de ensayos con un asistente de IA. Su argumento aporta además la mitad motivacional del mecanismo que las explicaciones puramente cognitivas omiten: como el esfuerzo señala que nuestras acciones importan, externalizarlo reduce el propósito y el sentido valorados, y a medida que la IA sustituye el esfuerzo en un dominio, el rédito motivacional del esfuerzo allí se erosiona, lo que profundiza aún más la dependencia. El correctivo del artículo es un gradiente y no una prohibición: preservar el esfuerzo moderado, eliminar lo que solo abruma (Dificultades deseables, Motivación).

  • La señal de baja implicación aparece en el desarrollo. Una primera comparación de neuroimagen entre niños y adultos conversando con ChatGPT encontró que los niños de 6 a 7 años mostraban una conectividad intra-red más débil que los adultos en las redes de control frontoparietal, saliencia y atención dorsal, con puntuaciones de creatividad equivalentes, y carecían del acoplamiento creatividad-conectividad que mostraban los adultos. Como esas funciones ejecutivas (planificación, monitoreo, inhibición) son inmaduras en primer grado, los autores leen el resultado como relevante para el debate sobre la edad mínima. Salvedades: sin control sin ChatGPT, n = 31, y un confusor de encuadre que pudo haber suprimido la evaluación crítica de los niños (Horowitz-Kraus et al. (2026)).

  • Externalización dependiente frente a autónoma: la distinción que fija el resultado: Fan, Li y Zhang (2026) organizan la evidencia sobre IA generativa en torno a una versión afinada de este límite, a partir de un estudio de tres oleadas con 589 estudiantes y trabajadores del conocimiento al inicio de su carrera: la externalización dependiente delega el pensamiento central en la herramienta y se asoció con agencia transferida, menor motivación intrínseca y peores resultados cognitivos percibidos, mientras que la externalización autónoma mantiene la agencia epistémica en el estudiante y mostró el patrón opuesto. El hallazgo que más importa para la detección es que los beneficios inmediatos de rendimiento no difirieron entre los dos modos, así que un estudiante que resuelve tareas con fluidez en un día cualquiera no da ninguna señal sobre en qué modo está. La misma revisión registra la división más amplia en la evidencia: un metanálisis de tres niveles con un beneficio global moderado (g = 0,499; g = 0,669 para comprensión, cognición y creatividad) frente a asociaciones entre dependencia, fatiga y pensamiento crítico más débil, y atribuye el uso desadaptativo a la autorregulación externalizada y no a la adicción a la tecnología.

  • Tres vías de interacción, no una conducta. El Modelo de Interacción Neuroplasticidad-IA (NAIM) separa el bypass directo, donde el modelo suministra la solución y el esfuerzo generativo desaparece; la descarga cognitiva, donde se delegan subprocesos específicos y el efecto depende de si esos subprocesos son el objetivo de aprendizaje; y el andamiaje, donde el modelo restringe la ayuda para preservar el procesamiento esforzado (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning)

Dos estudios controlados del lote reciente fijan las dos mitades de esta afirmación: si la conducta cambia y qué estaba protegiendo. Maier et al. (2026) hicieron visible la consecuencia de aprendizaje de la externalización antes de cada elección en un experimento preregistrado con 704 participantes que practicaban aritmética de fracciones: las probabilidades de externalizar una respuesta cayeron a OR = 0,47 y las de responder correctamente un ítem posterior de una prueba sin ayuda subieron a OR = 1,51, mientras que una recompensa basada en el esfuerzo no movió ninguno de los dos resultados. La externalización se acumuló dentro de la sesión: tras externalizar un ítem, los participantes externalizaron el siguiente en el 69,7% de los casos sin la retroalimentación y en el 55,9% con ella, y un aumento de diez puntos porcentuales en la externalización se asoció con un 32% menos de probabilidades de éxito sin ayuda (OR = 0,68). Bergh et al. (2026) aportan el complemento del lado del resultado: 55 estudiantes de grado de informática que programaron con ChatGPT obtuvieron 89% frente a 69% sin él, recordaron menos del mismo material de inmediato (41% frente a 53%) y a las 48 horas (39% frente a 52%), y atribuyeron a sí mismos solo el 45% del código entregado frente al 81%. Leídos juntos, el estudio de retroalimentación muestra que la conducta puede desplazarse sin restringir el acceso a la herramienta, y el estudio de programación muestra qué estaba protegiendo la conducta desplazada. El modelo está calibrado contra la mejor evidencia de campo disponible: el acceso sin restricciones a GPT-4 en un estudio con casi 1.000 estudiantes de matemáticas de secundaria elevó el rendimiento de práctica en un 48% pero dejó un déficit del 17% en el examen sin asistencia, mientras que GPT Tutor con pistas restringidas produjo una ganancia de práctica del 127% con el déficit del examen prácticamente eliminado. La externalización es, por tanto, dañina solo en la configuración de bypass, y la variable operativa de diseño es si el modelo sustituye la habilidad evaluada. (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning) La misma lógica convierte el moldeado de recompensas en una herramienta de diseño: Macina et al. (2026) entrenan tutores LLM con un postest enmascarado de transferencia cercana y dos puertas binarias, de modo que la recompensa solo puede subir por lo que el estudiante escribió en sus propios turnos, y su ablación muestra que las puertas, y no la recompensa bruta de ganancia de aprendizaje, son lo que reduce la entrega de soluciones.

La dependencia excesiva aparece como un desafío nombrado en todas las disciplinas, no como la anomalía de un solo estudio. En una revisión de 66 estudios sobre IA generativa en el aprendizaje por indagación, Yahya et al. (2026) encontraron dependencia excesiva o descarga cognitiva informada en 16 estudios (24,2%), por detrás de la inexactitud, con un 31,8%. El patrón lo informan los estudios primarios y no lo mide la revisión, cuyos autores no evaluaron la calidad de los estudios ni el sesgo de notificación.

La configuración de bypass tiene un precio cívico que los estudios de aprendizaje no facturan. Muñiz y Castro Samayoa (2026) sostienen que la externalización voluntaria de la indagación, el análisis, la evaluación y la síntesis atrofia la práctica de la que depende la ciudadanía democrática. Su regla de secuenciación es la distinción entre bypass y andamiaje formulada en términos evolutivos: la aritmética antes que las calculadoras, las convenciones de citación antes que los gestores de referencias y un chatbot introducido después de la habilidad y no en lugar de ella. También nombran el marco que hace atractivo el bypass, que es la premisa de eficiencia según la cual el objetivo del trabajo escolar es terminar rápido.

La evidencia causal más reciente separa terminar la tarea de aprenderla. En un experimento 2×2 con 24 estudiantes universitarios canadienses, los principiantes con ChatGPT superaron 410,7 de 500 pruebas generadas frente a 80,7 sin él, mientras que el estudiantado de nivel intermedio no ganó nada y rindió mejor con recursos convencionales (Chen et al., 2026). Un estudio separado con 22 programadores encontró que GitHub Copilot produjo una ventaja de rendimiento de 14,09 puntos y una menor carga de trabajo durante la tarea, sin beneficio en una nueva prueba sin asistencia aproximadamente una semana después (Gardella et al., 2026). La externalización puede elevar la producción y dejar intacta la capacidad de producirla.

Concepciones erróneas comunes

  • "El volumen de prompts mide la externalización." Se agrupó a 97 estudiantes por volumen de prompts, y los conglomerados de volumen no difirieron significativamente en el prompting local frente al global ni en el de papel activo. Contar prompts contaba actividad, no la distribución del trabajo cognitivo.
  • "Los estudiantes usan la IA principalmente para comprender." Analizar encabezó la distribución con un 27,28% (831 mensajes), por delante de Comprender con un 23,76%: la primera evidencia fina de que la [interacción naturalista entre estudiante e IA] se inclina hacia lo analítico y no hacia la comprensión.
  • "Los rastros de prompt revelan si hubo externalización." Lo que los rastros a nivel de prompt no pueden aportar viene de una submuestra de 16 estudiantes con notas vinculadas, cuyos 1.140 mensajes se codificaron a mano: el 49,6% de 125 diálogos no mostró ninguna externalización. Los patrones de rastro sobreestiman la externalización en comparación con el diálogo codificado a mano.

Conceptos conectados

Artículos conectados

Preguntas frecuentes relacionadas

Recursos relacionados

  • PAUSE: Patterns of AI Use Self-Examination
    Una autoevaluación de diez minutos, solo en el navegador, sobre lo que usted delega en la IA, con cada ítem remitido al artículo de investigación que lo sustenta.
  • Student Guide to AI
    Una guía estudiantil gratuita sobre inteligencia artificial en tres ediciones, de la Universidad de Elon, la AAC&U y The Princeton Review, cuya edición de 2026 desarrolla diez capacidades humanas con módulos de aprendizaje listos para el profesorado y una autoevaluación anónima.

Metadatos

Público destinatarioLearners
Aprendizaje y enseñanzaMetacognición, Aprendizaje autorregulado
Tecnologías y técnicasIA generativa
Equidad, ética y uso responsableCalibración de la confianza
Fundamentos de la IA en la educaciónAlfabetización en IA, Descarga cognitiva
FuenteHistorialEditarChat

Incrustar esta página

Copia el código de abajo para incrustar esta página en un sistema de gestión del aprendizaje u otro sitio web. La versión incrustada muestra solo el contenido de la página: oculta el encabezado, la navegación y el pie de página del sitio.