Dos años después de la adopción masiva de inteligencia artificial en entornos educativos, los datos de evaluaciones internacionales apuntan a un deterioro medible en el aprendizaje autónomo. Lejos de potenciar el pensamiento crítico, el uso sin estructura de chatbots y buscadores asistidos por IA está generando lo que investigadores denominan "pereza metacognitiva": la incapacidad de resolver problemas sin apoyo externo.

Lo que miden los datos

El informe PISA 2025 de la OCDE cuantifica el fenómeno con precisión. Los estudiantes que utilizan IA para resumir o redactar obtienen resultados aproximadamente 20 puntos por debajo en ciencias respecto a quienes no la usan, una brecha equivalente a un año completo de escolarización. En España, donde el 54% de los alumnos admite apoyarse en chatbots, las caídas son aún más específicas: 23 puntos en lectura, 16 en matemáticas y 8 en ciencias. La comprensión lectora acumula un retroceso de 28 puntos en la OCDE durante la última década.

Un experimento con cerca de mil estudiantes de matemáticas en la Universidad de Pensilvania ofrece evidencia más granular. El grupo que utilizó GPT-4 como apoyo de estudio mostró mejoras a corto plazo, pero al enfrentarse a un examen sin acceso a la herramienta, su rendimiento cayó un 17% frente al grupo de control. El patrón es consistente: la IA mejora el resultado inmediato mientras está disponible, pero erosiona la comprensión estructural que permite resolver problemas de forma independiente.

El mecanismo del daño

La dependencia no es un efecto secundario menor. Cuando los estudiantes delegan en la IA la síntesis, la redacción o el cálculo, omiten precisamente los pasos cognitivos donde ocurre el aprendizaje real: la búsqueda de patrones, la gestión del error y la consolidación del conocimiento en memoria de largo plazo. Al retirar la herramienta, el vacío es proporcional al nivel de delegación.

Este mecanismo tiene implicaciones que van más allá del aula. Las organizaciones que incorporan IA en flujos de trabajo sin protocolos de uso estructurado enfrentan un riesgo análogo: equipos que ejecutan tareas con eficiencia aparente pero que pierden gradualmente la capacidad de razonar sobre los resultados, detectar errores o tomar decisiones en ausencia de la herramienta.

La variable que cambia el resultado

Los mismos estudios identifican una excepción relevante. Los estudiantes que recibieron formación específica en alfabetización en IA —es decir, que aprendieron cuándo y cómo usarla, y cuándo no— puntuaron ligeramente por encima de la media. El problema no es la herramienta: es la ausencia de criterio para usarla.

La investigación de la Universidad de Pensilvania propone un modelo alternativo: un "tutor IA" que no entregue respuestas directas, sino que guíe el proceso de razonamiento mediante preguntas y retroalimentación progresiva. Este enfoque preserva la autonomía cognitiva mientras aprovecha la capacidad de personalización de los sistemas de IA.

Para cualquier organización que esté definiendo su política de adopción de IA, la evidencia educativa ofrece una advertencia operativa concreta: la eficiencia a corto plazo y el desarrollo de capacidades a largo plazo no son el mismo objetivo, y optimizar solo para el primero puede comprometer el segundo de forma silenciosa y acumulativa.