Cognición distribuida

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

Cognición distribuida — la perspectiva teórica según la cual la cognición no se limita a una mente individual, sino que se distribuye entre personas, herramientas, artefactos y entornos. En la investigación sobre IA en la educación, este marco se ha vuelto central para comprender la colaboración entre personas e IA: en lugar de considerar la IA una herramienta neutral que apoya a un estudiante por lo demás autosuficiente, la cognición distribuida entiende el pensamiento como algo que emerge de la interacción entre quienes aprenden, los sistemas de IA, sus pares y su contexto compartido. Reformula las cuestiones de agencia, responsabilidad y resultados de aprendizaje en términos de cómo se reparte el trabajo cognitivo dentro de un sistema humano–IA.

Preguntas para reflexionar

• La cognición distribuida sostiene que el pensamiento no se limita a una sola mente, sino que se reparte entre personas, herramientas y entornos. Cuando usa una calculadora, una aplicación de notas o un asistente de IA, ¿dónde ocurre realmente el «pensamiento»?
• Si la cognición se distribuye entre una persona y una IA, ¿quién es responsable cuando el resultado es erróneo, y quién rinde cuentas por el aprendizaje?
• Un marco distingue la «agencia funcional» de la IA (su capacidad de influir en los resultados) de la «responsabilidad moral» (que sigue siendo humana). ¿Se sostiene esa distinción en la práctica, o se difumina la responsabilidad cuando las personas no pueden entender lo que hizo el sistema?
• Los sistemas humano–IA que distribuyen el razonamiento con más eficiencia tienden a producir el mejor rendimiento en la tarea pero el menor aprendizaje autorregulado. ¿Por qué hacer «más inteligente» un sistema a nivel de grupo debilitaría al estudiante individual?
• El argumento de los «bienes cognitivos comunes» sostiene que el dominio distribuido depende de una pericia interiorizada: no se puede supervisar eficazmente un sistema de IA que no se entiende en profundidad. ¿Cómo cuestiona eso la idea de que la IA nos permite saltarnos el trabajo duro de aprender?

Introducción

Este es un concepto de teoría del aprendizaje dentro de la línea de teorías del aprendizaje de la base de conocimiento, estrechamente relacionado con el aprendizaje encarnado, el aprendizaje situado y la descarga cognitiva. La cognición distribuida (DCog), que se origina en el trabajo de Edwin Hutchins y sus colegas, describe cómo procesos cognitivos como la memoria, el razonamiento y la resolución de problemas se reparten entre múltiples agentes y sistemas materiales en lugar de residir en una sola cabeza. En la educación con IA esto importa porque los sistemas de IA funcionan cada vez más como auténticos socios cognitivos que asumen parte de la carga del pensamiento, lo que plantea la pregunta de dónde ocurre realmente el aprendizaje y quién es responsable.

Cómo la IA desplaza la distribución de la cognición

Los sistemas de IA generativa e interactiva redistribuyen el trabajo cognitivo de formas que las herramientas anteriores no permitían. La base de conocimiento documenta varias dimensiones de este desplazamiento:

• La IA como socio cognitivo y corregulador. La IA puede actuar como andamiaje, apoyo metacognitivo, sistema de memoria externa y socio en la toma de decisiones dentro de la co-regulación del pensamiento y el aprendizaje.(Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning) Esto sitúa la cognición como algo corregulado entre quien aprende y el sistema, en lugar de gestionado individualmente.
• Redistribución de la agencia y la responsabilidad. Marcos como la cognición en conjunto reconceptualizan el pensamiento como algo que emerge de la dinámica interacción entre el estudiantado y la IA, y distinguen la agencia funcional de la IA (su capacidad de influir en los resultados sin consciencia) de la responsabilidad moral (que sigue siendo humana).(Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments) La cognición distribuida reformula así quién rinde cuentas por el aprendizaje.
• La tensión entre eficiencia y regulación. El trabajo empírico muestra una disyuntiva: los sistemas humano–IA que distribuyen el razonamiento con más eficiencia (por ejemplo, mediante razonamiento delegado) logran un mayor rendimiento en la tarea, pero pueden reducir la implicación autorreguladora de quienes aprenden.(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective) Esta es la cara empírica de los riesgos de descarga cognitiva y dependencia excesiva que documenta la base de conocimiento.
• La mediación en la colaboración. La IA puede actuar como mediador pedagógico que orquesta la interacción, la construcción de sentido epistémica y los procesos regulatorios en el aprendizaje colaborativo, redistribuyendo la agencia, la autoridad y la responsabilidad entre actores humanos y no humanos.(Beyond Automation: AI as a Pedagogical Mediator in Collaborative Learning)
• La configuración del acceso distribuye la cognición dentro del grupo. Xu et al. (2026) muestran que cómo comparte un equipo la IA generativa determina la distribución de la cognición: el trabajo sincrónico en una única interfaz compartida sostiene un modelo cognitivo común (prompts colectivos, memoria externa compartida), mientras que el uso privado asincrónico lo fragmenta, con salidas que se reetiquetan selectivamente antes de compartirse. La IA generativa funciona así a la vez como participante cognitivo distribuido y como espacio colaborativo interactivo cuya permeabilidad debe diseñarse (el contexto compartido entra, las intuiciones privadas no vuelven automáticamente).
• El profesorado también experimenta una distribución dominada por la IA frente a una complementaria. La misma lógica de eficiencia y regulación se aplica al lado docente del diseño de clases: Choi et al. (2026) encontraron que el profesorado novel delega en el sistema de IA una gran parte de la carga cognitiva del diseño instruccional (una distribución dominada por la IA, que acepta en gran medida las respuestas), mientras que el profesorado con experiencia y competencia en IA alcanza una distribución complementaria en la que la pericia pedagógica y el apoyo computacional de la IA se refuerzan mutuamente; y como la IA generativa genera y coconstruye en lugar de limitarse a almacenar información, enmarcan esto como cognición compartida participativa y no como un simple uso de herramientas.

La cognición distribuida y perspectivas afines

La base de conocimiento sitúa la cognición distribuida junto a tradiciones teóricas vecinas, que se solapan pero no son idénticas:

• El aprendizaje situado y la cognición situada subraya que la cognición y el aprendizaje son inseparables del contexto auténtico y las comunidades de práctica en que ocurren, un complemento al foco de la DCog en la distribución cognitiva entre sistemas.
• La cognición encarnada destaca el papel del cuerpo y de la interacción sensoriomotora, y sostiene que el pensamiento se ancla en la implicación corporal y no en la manipulación abstracta de símbolos.
• La descarga cognitiva es el mecanismo práctico por el que el trabajo cognitivo se traslada a sistemas externos (incluida la IA), y es la contraparte cargada de riesgo del relato descriptivo de la DCog.
• La cognición extendida y la tesis de la mente extendida (usadas en trabajos posthumanistas) sostienen que los artefactos externos pueden ser partes constitutivas de un sistema cognitivo y no meros instrumentos: una afirmación más fuerte de que la IA forma parte de la propia mente de quien aprende.(Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI)

Por qué importa para el diseño y la evaluación de la IA

La cognición distribuida aporta a la vez una lente de diseño y una lente de evaluación. Para el diseño, pregunta cómo repartir el trabajo cognitivo entre quienes aprenden y la IA para preservar (y no erosionar) la agencia, la metacognición y la autorregulación de la persona que aprende. Para la evaluación, reformula las métricas de éxito: en lugar de preguntar solo «¿mejoró el rendimiento?», la DCog pregunta si la distribución de la cognición sostiene un aprendizaje duradero, la agencia epistémica y la justicia educativa, una perspectiva que conecta con las preocupaciones de evaluación de la IA en educación y de teorías del aprendizaje de la base de conocimiento.

Dominio interiorizado frente a dominio distribuido. El marco de los bienes cognitivos comunes (Lovett 2026) distingue el dominio interiorizado (conocimiento profundo del dominio en mentes individuales) del dominio distribuido (orquestar sistemas humano–IA) y sostiene que este último depende del primero mediante una «atadura de validación»: la supervisión eficaz de sistemas distribuidos o de IA presupone la pericia interiorizada que esos sistemas pueden socavar. Esto agudiza la pregunta de diseño de la DCog: la distribución de la cognición no debe hacerse a costa de la pericia que la valida.

Conceptos conectados

• Teorías del aprendizaje
• Descarga cognitiva
• Aprendizaje encarnado
• Aprendizaje situado
• Colaboración humano-IA
• Agencia de quien aprende
• Metacognición
• Aprendizaje autorregulado
• Constructivismo
• Aprendizaje colaborativo
• IA en la educación

Artículos conectados

• Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective — Estudio empírico de la resolución colaborativa de problemas entre personas e IA desde una lente de cognición distribuida y corregulación
• Beyond Automation: AI as a Pedagogical Mediator in Collaborative Learning — La IA como mediador pedagógico que redistribuye la cognición entre actores humanos y no humanos
• Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning — La IA como socio cognitivo en el pensamiento corregulado
• Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments — El marco de la cognición en conjunto, que reconceptualiza el pensamiento como interacción humano–IA
• Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI — El estudiante posthumano, con la cognición distribuida entre sistemas biológicos y artificiales
• Empowering Educators: Operationalizing Age-Old Learning Principles Using AI — Operacionalizar la cognición distribuida junto al aprendizaje experiencial y situado
• Learning with machines: Toward a theory of epistemic co-agency — La co-agencia epistémica como teoría del aprendizaje con máquinas inspirada en la cognición distribuida
• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — La tragedia de los bienes cognitivos: la IA y la regeneración de la pericia
• Assuring quality learning in a gen AI-integrated future: The role of adaptive capabilities. TEQSA, June 2026 — Capacidades adaptativas para asegurar un aprendizaje de calidad en un futuro integrado con IA generativa (Lodge et al. 2026)
• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — La interacción docente-IA en el diseño de clases: cognición distribuida dominada por la IA frente a complementaria según experiencia y competencia (Choi et al. 2026)
• Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory — La IA generativa como agente mediacional
• AI as an Agent and Collaborative Space: Exploring the role of generative AI in small group synchronous and asynchronous collaborative dynamics — La IA generativa como agente y espacio colaborativo: cómo la configuración del acceso distribuye la cognición del grupo (Xu et al. 2026)