La ilusión de aprendizaje. Crees que sabes más, sabes menos

Hoy nos toca la diferencia entre sentir que aprendes y aprender, que es una de esas distinciones que todo el mundo acepta en abstracto y nadie aplica a su propio caso. La tesis es incómoda: la IA generativa es la mejor máquina jamás construida para fabricar la sensación de haber entendido algo, y esa sensación no garantiza nada. ¿Significa eso que la IA no sirve para aprender? Pues no, y en este texto voy a tener que conceder bastante terreno al otro lado. Lo digo desde dentro: he leído resúmenes de libros que creía conocer y, al intentar explicarlos sin mirar, me he quedado en la segunda frase. Vamos a ver qué dice la investigación, que en este tema se ha movido mucho en el último año.

La sensación y el aprendizaje se separan desde los años setenta

Cualquier profesor reconoce la escena. Un estudiante sale de clase convencido de haberlo entendido todo, subraya, asiente, toma apuntes. Tres semanas después, en el examen, no recupera nada. La sensación había mentido.

Robert Bjork y Elizabeth Bjork, en la Universidad de California en Los Ángeles, llevan desde los años setenta documentando ese desfase. Su idea central es contraintuitiva: las condiciones de estudio que se sienten más eficaces son, con frecuencia, las que menos aprendizaje duradero producen. Y al revés, las que se sienten lentas, frustrantes y llenas de errores (espaciar el estudio, mezclar tipos de problemas, obligarse a recordar sin mirar) son las que más retienen. Las llamaron desirable difficulties, dificultades deseables.

En 2013, Robert Bjork, John Dunlosky y Nate Kornell resumieron dos décadas de experimentos en la Annual Review of Psychology. Uno de los hallazgos más sólidos es que los estudiantes prefieren releer a ponerse a prueba. Releer da sensación de dominio; autoevaluarse da sensación de torpeza. Pero en los tests diferidos, la autoevaluación gana una y otra vez. El juicio que hacemos sobre nuestro propio aprendizaje se apoya en la fluidez: si algo se procesa con facilidad, el cerebro concluye que ya está sabido. Y eso, muchas veces, es falso.

Una máquina optimizada para la fluidez

Aquí entra la IA con una capacidad inédita. Todo lo que produce está pulido para ser fácil de leer. El resumen es más fluido que el libro. La explicación ajustada a tu nivel es más fluida que el manual. La respuesta generada es más fluida que la que habrías construido tú buscando, equivocándote y volviendo atrás.

Si la fluidez es la señal que usamos para decidir que algo ya está aprendido, cada interacción con un asistente bien diseñado empuja esa señal hacia arriba. No porque engañe, sino porque hace bien su trabajo. Esa es la parte perversa: cuanto mejor es la herramienta como explicadora, más fácil es confundir haber leído una buena explicación con haber entendido.

A esto se suma que el modelo no transmite bien su propia incertidumbre. La respuesta dudosa y la respuesta sólida suenan igual de seguras, de modo que el usuario recibe contenido fluido sin ninguna pista sobre cuánto fiarse. De eso hablo más despacio en el artículo sobre la sugestión frente a la máquina; aquí basta con anotar que la metacognición, la capacidad de saber qué sabes, se queda sin datos con los que calibrarse.

Mil estudiantes turcos y una prueba sin red

El experimento que mejor ilustra el problema se publicó en PNAS en 2025. Hamsa Bastani, Osbert Bastani, Alp Sungu y colaboradores trabajaron con cerca de mil alumnos de matemáticas de bachillerato en Turquía. Unos practicaron con una interfaz parecida a ChatGPT (la llamaron GPT Base), otros con un tutor configurado para no dar las respuestas y empujar al razonamiento (GPT Tutor), y otros sin IA.

Durante las sesiones de práctica, los resultados mejoraron mucho: un 48 % con GPT Base y un 127 % con GPT Tutor. Después llegó el examen sin herramienta. Los alumnos que habían practicado con GPT Base sacaron un 17 % menos que los que nunca la habían tenido. Los del tutor con salvaguardas, en cambio, quedaron prácticamente igual que el grupo sin IA. La interfaz por defecto, la que la mayoría de la gente usa, había empeorado el aprendizaje mientras mejoraba el rendimiento.

En la misma línea, aunque con mucha menos solidez, va el estudio del MIT Media Lab dirigido por Nataliya Kosmyna, Your Brain on ChatGPT. Sigue siendo un preprint (la segunda versión es de diciembre de 2025), con 54 participantes en las tres primeras sesiones y solo 18 en la cuarta. Su hallazgo más citado tiene que ver con la memoria de lo propio: quienes escribieron con el modelo tenían dificultades para citar frases de su propio ensayo y sentían menos suyo el texto. Es un estudio pequeño y lo trato como indicio, no como prueba.

El metaanálisis que se cayó

Durante 2025, el estudio más citado del lado optimista fue un metaanálisis de Jin Wang y Wenxiang Fan publicado en Humanities and Social Sciences Communications, de la editorial de Nature. Reunía 51 estudios y concluía que ChatGPT tenía un efecto grande y positivo sobre el rendimiento académico. Acumuló cerca de medio millón de visitas y más de doscientas sesenta citas. El 22 de abril de 2026 la revista lo retiró por «discrepancias en el metaanálisis» que socavaban la validez de sus conclusiones. Los análisis críticos señalaron estudios mal etiquetados, ponderaciones incorrectas y la inclusión de un trabajo ya retirado.

La misma revista ha publicado en 2026 otro metaanálisis, de Xinning Wu y colaboradores, con 35 estudios experimentales y 4.193 participantes, que encuentra un efecto moderadamente positivo (g = 0,670). Lo que mide, como casi toda esta literatura, es el rendimiento con la herramienta delante o justo después. Bastani mostró que esa no es la pregunta difícil. La pregunta difícil es qué queda cuando la herramienta se va.

La mejor defensa del tutor artificial

Ahora la otra parte, que es fuerte y merece más que un párrafo de cortesía.

En junio de 2025, Gregory Kestin, Kelly Miller y colaboradores publicaron en Scientific Reports un ensayo aleatorizado con estudiantes de física de Harvard. Compararon un tutor de IA diseñado con los mismos principios pedagógicos que una clase de aprendizaje activo, una clase de las buenas, no una lección magistral. Los alumnos con el tutor aprendieron más del doble en menos tiempo, según la ganancia entre el test previo y el posterior, y además se sintieron más implicados.

El argumento del lado optimista, entonces, es este: la ilusión de aprendizaje es un problema de diseño, no de la tecnología. El propio experimento de Bastani lo demuestra, porque el tutor con salvaguardas no dañó el aprendizaje. Un tutor bien hecho puede incorporar dificultades deseables: preguntar antes de explicar, negarse a dar la respuesta, obligar a recuperar de memoria. Puede hacerlo con paciencia infinita y a cualquier hora, algo que ningún profesor humano puede ofrecer a treinta alumnos a la vez. Desconfiar de la IA en educación por culpa de la mala interfaz sería como desconfiar de los libros por culpa de los libros de autoayuda.

Me parece un argumento muy bueno, y lo compro casi entero. Casi.

Por qué la objeción no cierra el caso

El matiz está en la palabra «diseñado». El tutor de Harvard y el GPT Tutor de Turquía son herramientas construidas a propósito por investigadores que querían que se aprendiera. Lo que usa la inmensa mayoría de la gente es otra cosa: un asistente general, optimizado para resolver lo que le pidas en el menor número de pasos, que es exactamente lo que hacía GPT Base. Las dificultades deseables son fricción, y la fricción reduce el uso. No hay incentivo comercial claro para meterla por defecto.

Hay además un detalle de método. Kestin y sus colegas midieron el aprendizaje en un test al acabar cada lección; es un resultado valioso, pero no dice qué queda al cabo de un mes. El efecto que preocupa a Bjork es justamente el diferido.

Así que mi posición queda así, corregida respecto a la del borrador original: la IA puede enseñar muy bien si alguien la diseña para enseñar y si el estudiante acepta usarla en ese modo. Fuera de esas dos condiciones, que hoy son la excepción, fabrica ilusión.

El examen sin red ya no está en el calendario

Antes el examen escolar cumplía una función que pocos le reconocían: era un diagnóstico para el propio alumno. Allí descubría qué sabía de verdad y recalibraba su juicio para la próxima vez. Cuando se prepara con IA, se entrega con IA y a veces se examina con IA, ese momento de contraste desaparece. La sensación de saber puede inflarse años sin chocar con nada.

El examen no desaparece, en realidad. Se muda. Aparece en una reunión donde alguien hace la pregunta que no estaba prevista, en una entrevista de trabajo, en una urgencia, en una clase que hay que dar sin preparar. Y llega sin aviso a alguien que no sabía que tenía que prepararse, porque su autopercepción le decía que ya sabía.

Una deuda sin fecha de vencimiento

Hay una expresión que ayuda a pensar el asunto: deuda cognitiva diferida. Es deuda porque se ha producido algo sin entrenar la habilidad que ese algo suponía. No tiene fecha, porque nadie sabe cuándo ni dónde se cobrará. No aparece en ningún balance mientras la herramienta siga ahí. Y crece con el tiempo, porque cuanto más tarda en cobrarse, más difícil es saldarla.

La comparación con el dinero es elocuente. Un préstamo tiene contrato, tipo de interés, fecha y la obligación legal de informarte de los riesgos. La deuda cognitiva se contrae sin firmar nada y sin que ninguna interfaz esté obligada a explicártela. No lo digo como propuesta de ley, perdón, lo digo como síntoma: el problema todavía no tiene nombre en ningún reglamento.

El estudiante que entrega bien y la profesional que no progresa

Pongamos a un estudiante de máster que escribe su trabajo final con ayuda intensiva de IA. El texto es sólido, pasa el filtro de plagio, saca buena nota. Tres años después, en una entrevista, le piden que defienda las decisiones metodológicas y que sitúe su aportación en la literatura. No puede. No porque lo haya olvidado, sino porque el trabajo de asociar autores, contradecirlos y decidir qué citar ocurrió en buena parte fuera de su cabeza.

La versión adulta es más silenciosa. Una profesional con cinco años de experiencia integra la IA en su trabajo diario. Entrega más y más rápido, y sus evaluaciones son buenas. Lo que deja de pasarle es aprender del trabajo. La diferencia entre cinco y diez años de oficio siempre estuvo en el poso que dejan los problemas resueltos con las propias manos, con aciertos y errores. Si los resuelve el modelo y ella supervisa, el poso no se forma. Con diez años de antigüedad, será alguien con cinco años de experiencia repetidos dos veces.

Ninguno de los dos fue avisado. Les dijeron que estaban aprendiendo más rápido, y en parte era verdad, durante la tarea. La sensación de aprender es uno de los placeres más limpios de la vida adulta, y nadie es inmune a ella; yo tampoco. El problema empieza cuando se puede vivir años de la sensación sin acumular nada del aprendizaje, y nada en la vida te lo señala hasta el día en que hacía falta.

Definiciones

• Dificultades deseables (desirable difficulties): condiciones de estudio que hacen el aprendizaje inmediato más costoso (espaciado, intercalado, autoevaluación) y producen por ello mayor retención a largo plazo. Concepto de Robert Bjork.
• Ilusión de fluidez: tendencia a juzgar como aprendido el material que se procesa con facilidad, se retenga o no.
• Metacognición: capacidad de evaluar con precisión el estado del propio conocimiento, qué se sabe y qué no.
• Efecto de la práctica de recuperación: mejora de la retención que se obtiene al obligarse a recordar un contenido sin mirarlo, frente a releerlo.
• Deuda cognitiva diferida: acumulación de habilidades no entrenadas por delegación sistemática, cuyo coste aparece tarde y en situaciones donde la delegación ya no es posible.

Referencias

• Bjork, R. A. & Bjork, E. L. — Making things hard on yourself, but in a good way. Creating desirable difficulties to enhance learning. En Gernsbacher, M. A. et al. (eds.), Psychology and the Real World (Worth, 2011).
• Bjork, R. A., Dunlosky, J. & Kornell, N. — Self-Regulated Learning. Beliefs, Techniques, and Illusions. Annual Review of Psychology 64, 417-444 (2013).
• Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö. & Mariman, R. — Generative AI without guardrails can harm learning. Evidence from high school mathematics. PNAS 122(26), e2422633122 (2025). La revista publicó después una corrección (DOI 10.1073/pnas.2518204122).
• Kestin, G., Miller, K., Klales, A., Milbourne, T. & Ponti, G. — AI tutoring outperforms in-class active learning. An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports 15 (2025). DOI 10.1038/s41598-025-97652-6.
• Kosmyna, N. et al. — Your Brain on ChatGPT. Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. arXiv:2506.08872 (v2, diciembre de 2025). Preprint sin revisión por pares.
• Wang, J. & Fan, W. — The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking. Insights from a meta-analysis. Humanities and Social Sciences Communications 12 (2025). Retirado el 22 de abril de 2026.
• Wu, X., Zhu, P., Zhang, J., Yin, M. & Wang, Y. — ChatGPT's impact on student learning outcomes. A meta-analysis of 35 experimental studies. Humanities and Social Sciences Communications 13 (2026).
• Brown, P. C., Roediger, H. L. & McDaniel, M. A. — Make It Stick. The Science of Successful Learning (Belknap Press, 2014).

Para profundizar

• Sweller, J., van Merriënboer, J. J. G. & Paas, F. — Cognitive Architecture and Instructional Design. 20 Years Later. Educational Psychology Review 31(2), 261-292 (2019). Síntesis de la teoría de la carga cognitiva; ayuda a entender por qué quitar esfuerzo no siempre ayuda a aprender.

## También te interesa - ¿Qué le pasa a tu cerebro cuando usas ChatGPT, según el MIT? - Por qué releer ya no funciona desde que usas IA - La sugestión frente a la máquina - La erosión del criterio propio - La pereza cognitiva aumentada

## En otros sitios - Scientific Reports — AI tutoring outperforms in-class active learning (Kestin et al., 2025) - Código y datos del experimento de Bastani et al. en GitHub - Plagiarism Today — Study Claiming AI Helps Students Learn Retracted - arXiv — Your Brain on ChatGPT (Kosmyna et al.)