Pensamiento crítico vs. automatización: cuándo la IA te quita criterio

¿Qué dice la evidencia?

Ninguno de los estudios más citados mide diseño. Estos cuatro, con el tamaño y el tipo de muestra de cada uno:

Sobre el primero: seis de sus siete autores trabajan en Microsoft, que vende Copilot, y el séptimo está en Carnegie Mellon. Los propios autores reconocen que los participantes a veces confundieron “me costó menos usar la IA” con “pensé menos críticamente”, y proponen que estudios futuros midan el pensamiento crítico con tareas observadas o con protocolos de pensar en voz alta, no solo con encuestas.

Sobre el de MIT: es el más citado en titulares y el menos sólido. Un preprint con 54 personas no permite afirmar que la IA “daña el cerebro”; muestra, como mucho, que escribir con un modelo se sintió menos propio y activó menos conexiones en esa tarea.

Los estudios de Bastani y de Anthropic se desarrollan con más detalle en aprender diseño con IA como tutor y mentoría en la era de la IA. Para el efecto en quien empieza su carrera, mira ser diseñador junior en la era de la IA.

¿Qué cambia exactamente en el trabajo?

Lee et al. no describen un pensamiento que desaparece, sino uno que se mueve. Según los participantes, el esfuerzo pasa de reunir información a verificarla, de resolver el problema a integrar la respuesta de la IA, y de ejecutar la tarea a supervisarla. Es decir, la IA quita trabajo de buscar y te da trabajo de revisar. Si no haces ese trabajo de revisar, el resultado es lo que este artículo llama perder criterio.

Los autores observan además que la IA puede reducir el compromiso crítico sobre todo en tareas rutinarias o de poco riesgo. Su argumento es que, sin práctica en tareas comunes, las capacidades pueden deteriorarse, y entonces fallan justo cuando llega el caso difícil. Recuerdan la “ironía de la automatización” que describió Bainbridge en 1983: si la máquina hace lo rutinario y la persona solo atiende las excepciones, la persona pierde la práctica que necesitaba para atenderlas.

¿Dónde se pierde el criterio?

Se pierde en momentos concretos, que son una lectura práctica de lo anterior más que un hallazgo medido:

1. Al aceptar la primera salida. La respuesta es plausible, así que parece suficiente.
2. En tareas que parecen menores. Si la tarea importa poco, la revisión se hace más ligera.
3. Al explicar sin la herramienta. Si la IA eligió y tú solo aprobaste, la decisión no es tuya.

Dos señales de que delegaste de más, como autoobservación: no puedes explicar un número o una afirmación sin volver a preguntar, y no sabes cuántas alternativas existían porque tomaste la única que te dieron. Si aparecen, vuelve a la hoja en blanco, escribe el problema con tus palabras y compara después con la salida.

¿Qué diferencia automatizar bien de automatizar mal?

Automatizar bien significa que la IA hace un paso y tú conservas el criterio sobre el resultado. Automatizar mal, que el resultado sale sin que nadie lo cuestione. Una prueba práctica: si la salida fuera incorrecta, ¿lo notarías en un minuto? Si no, ese paso no debería automatizarse sin una revisión definida.

La automatización conviene cuando la tarea es repetitiva, la salida se verifica rápido y el error es barato y reversible, como formatear una tabla o renombrar archivos. Ahí cuidar el criterio no exige revisar cada detalle, sino saber qué revisar. Para separar lo que la IA puede hacer sola de lo que necesita supervisión, mira human-in-the-loop y alucinaciones.

¿Cómo mantener el criterio sin dejar la IA?

1. Escribe tu hipótesis antes de pedir ayuda, aunque sea en una frase.
2. Pide contraargumentos: “¿Qué podría salir mal con esta decisión?”
3. Define de antemano el criterio con el que aceptarás o rechazarás la salida.
4. Verifica al menos una afirmación contra una fuente externa, como un usuario real o un dato del sistema.
5. Antes de cerrar, explica la decisión sin abrir la herramienta.

Una práctica semanal, propuesta de esta wiki y no resultado de un estudio: haz una tarea de poco riesgo sin IA, con tiempo medido, y compárala con lo que produce la herramienta. Anota tres columnas: lo que hizo mejor la IA, lo que hiciste mejor tú y lo que ninguna resolvió bien. La tercera muestra el hueco que la herramienta no cubre.

Ejemplo

Ejemplo ilustrativo: un diseñador usa IA para resumir veinte entrevistas. El resumen dice que la mayoría de los usuarios quiere un botón de exportar. Antes de aceptarlo, cuenta cuántas entrevistas lo mencionan de verdad. Son cuatro, no dieciocho. El resumen había agrupado comentarios vagos sobre “poder sacar mis datos” como si fueran una petición de exportación. El criterio que faltaba era una regla simple: una cita cuenta solo si el usuario la dijo en esos términos. La herramienta ahorró tiempo, pero la verificación evitó una decisión equivocada.

Errores comunes

• Confiar más en la herramienta cuando la tarea parece sencilla.
• Aceptar un resumen sin contrastarlo con la fuente.
• Usar la IA para decidir y después buscar argumentos que lo justifiquen.
• Dejar de practicar tareas básicas porque “ya lo hace la IA”.
• Medir la productividad solo por velocidad.
• Citar un estudio de encuesta o un preprint como si probara que la IA daña el pensamiento.

Fuentes

• Lee et al., The Impact of Generative AI on Critical Thinking (CHI 2025), Microsoft Research: encuesta de 319 trabajadores, 936 ejemplos, confianza en la IA y en uno mismo, límites del estudio.
• The Register, Some workers already let AI do the thinking for them, Microsoft researchers find (febrero de 2025): cobertura del estudio y afiliación de los autores.
• Bastani et al., Generative AI without guardrails can harm learning (PNAS, 2025), registro en IDEAS/RePEc: experimento con casi mil estudiantes, 48 %, 127 % y 17 %.
• Anthropic, How AI assistance impacts the formation of coding skills (29 de enero de 2026): ensayo con 52 ingenieros, 50 % frente a 67 %.
• Kosmyna et al., Your Brain on ChatGPT (arXiv, preprint): 54 participantes, EEG, grupos con IA, buscador y sin herramientas.