Cuando la inteligencia artificial piensa por nosotros

Delegación cognitiva, pérdida de autonomía y nuevos problemas para el Derecho

Dr.Armando Ledesma Borja

Instituto de Neurociencias Aplicadas, México

Colegio Mexicano de Doctores en Derecho, A.C.

Resumen

La inteligencia artificial generativa ha ampliado de manera notable la clase de tareas que una persona puede encomendar a una herramienta. Ya no se externalizan solamente operaciones de memoria, cálculo o búsqueda de información: también es posible delegar la organización de argumentos, la comparación de alternativas, la elaboración de hipótesis e incluso la formulación preliminar de decisiones. Esta transformación obliga a revisar una pregunta conocida desde la psicología cognitiva —qué ocurre cuando trasladamos parte del trabajo mental a un soporte externo—, pero ahora en una escala distinta. El problema no reside en el uso de la inteligencia artificial como tal. La evidencia disponible muestra beneficios reales en productividad, desempeño y algunas formas de creatividad. La dificultad aparece cuando el rendimiento obtenido con asistencia comienza a confundirse con competencia propia o cuando ciertas operaciones intelectuales dejan de ejercitarse porque la herramienta las resuelve de forma habitual. Este trabajo revisa estudios recientes sobre retención, persistencia, pensamiento crítico, metacognición, dependencia y transferencia de agencia, y propone la expresión Delegación Cognitiva Dependiente de la Inteligencia Artificial (DCD-IA) para describir un patrón funcional de uso en el que la persona cede de manera reiterada parte de la conducción intelectual de la tarea. La propuesta se plantea como categoría de investigación, no como diagnóstico clínico. Finalmente, se examinan algunas consecuencias para el Derecho y, en particular, para profesiones en las que sigue siendo exigible una decisión humana comprensible, justificable y atribuible.

Palabras clave: inteligencia artificial generativa; delegación cognitiva; autonomía cognitiva; pensamiento crítico; metacognición; dependencia de inteligencia artificial; neuroderecho.

1. Pensar con herramientas no es nuevo

Buena parte de nuestra vida intelectual descansa desde hace siglos en ayudas externas. Anotamos una fecha para no recordarla, hacemos una operación con calculadora, consultamos un mapa en lugar de memorizar un trayecto y dejamos que una agenda nos recuerde una obligación futura. La psicología cognitiva estudia este fenómeno bajo el concepto de cognitive offloading: recurrir a acciones o recursos externos para modificar las demandas internas de procesamiento de una tarea (Risko & Gilbert, 2016). Esa práctica no tiene, por sí misma, nada de problemática. De hecho, muchas veces representa una forma inteligente de administrar recursos limitados.

Lo que sí cambia con la inteligencia artificial generativa es la naturaleza de lo que puede quedar fuera de nosotros. Un buscador tradicional entrega documentos y obliga todavía a leer, discriminar, comparar y construir una conclusión. Un modelo lingüístico puede ofrecer en segundos un problema ya delimitado, las alternativas ordenadas, una explicación, las objeciones previsibles y una propuesta de solución. La frontera entre apoyo y sustitución se vuelve entonces menos evidente. El usuario puede seguir siendo autor del proceso, pero también puede limitarse a elegir entre productos intelectuales que no elaboró.

Esta diferencia importa porque la vida profesional no exige solamente producir respuestas correctas. En muchas actividades importa además conservar la capacidad de explicar cómo se llegó a ellas, advertir cuándo una inferencia es débil y reconstruir el razonamiento si las condiciones cambian. La inteligencia artificial puede mejorar el resultado visible y, al mismo tiempo, hacer menos transparente cuánto del trabajo cognitivo siguió realizando la persona.

2. Rendimiento asistido y aprendizaje no son la misma cosa

Una de las primeras dificultades al valorar estas tecnologías consiste en medir su efecto únicamente mientras están presentes. Si alguien redacta mejor, resuelve más rápido o encuentra una alternativa que no había considerado, existe una mejora práctica. Pero esa mejora no basta para concluir que se produjo aprendizaje. La cuestión aparece con claridad en el estudio de Barcaui (2025), realizado con 120 estudiantes universitarios. Cuarenta y cinco días después de la fase de aprendizaje, y sin aviso previo, quienes habían utilizado ChatGPT obtuvieron 57.5 % de respuestas correctas, frente a 68.5 % en el grupo que había trabajado con métodos tradicionales; la diferencia fue estadísticamente significativa (p = .002) y el tamaño del efecto reportado fue moderado (d = 0.68).

Lo interesante aquí no es convertir una investigación concreta en una condena general de ChatGPT. Lo que vale la pena conservar es la distinción entre desempeño durante la asistencia y capacidad disponible cuando la asistencia desaparece. Aprender exige, en buena medida, recuperar información, ensayar una respuesta, equivocarse, revisar y reorganizar. Cuando una herramienta interviene antes de que esas operaciones tengan lugar, puede ahorrar esfuerzo, aunque precisamente ese esfuerzo forme parte del proceso que luego permite actuar sin ayuda.

En la práctica educativa esto obliga a formular una pregunta que suele quedar fuera de las métricas de productividad: ¿qué queremos optimizar? Si el objetivo es terminar una tarea hoy, la respuesta puede ser una. Si se pretende que el estudiante pueda realizar una tarea semejante meses después y sin asistencia, el criterio cambia.

3. Cuando la ayuda desaparece

Liu, Christian, Dumbalska, Bakker y Dubey (2026) llevaron esta preocupación a una serie de ensayos controlados aleatorizados con 1,222 participantes. Trabajaron con tareas de razonamiento matemático y comprensión lectora, y observaron un patrón incómodo: la asistencia mejoró el rendimiento mientras estaba disponible, pero quienes habían dependido de ella mostraron posteriormente peor desempeño independiente y mayor tendencia a abandonar la tarea. Algunos efectos aparecieron después de exposiciones muy breves, cercanas a diez minutos.

El trabajo era todavía una prepublicación al momento citado, de modo que conviene tratar sus resultados con el peso que corresponde a ese estado editorial. Aun así, la investigación pone sobre la mesa una cuestión que difícilmente puede resolverse midiendo únicamente eficiencia inmediata. Una herramienta diseñada para responder puede ser extraordinaria para resolver; no necesariamente está diseñada para enseñar. En educación, la diferencia entre esas dos funciones es decisiva.

Quien enseña sabe que hay momentos en los que proporcionar la respuesta demasiado pronto empeora el aprendizaje. A veces es útil dejar que el alumno formule una hipótesis torpe, descubra por qué no funciona y tenga que corregirse. Esa experiencia es más lenta que recibir una solución bien redactada, pero deja rastros cognitivos distintos. La inteligencia artificial introduce una tentación comprensible: convertir casi todas las dificultades en dificultades evitables.

4. El pensamiento crítico cambia de lugar

El debate no se limita a estudiantes. Lee et al. (2025) analizaron 936 experiencias reales de uso de inteligencia artificial generativa aportadas por 319 trabajadores del conocimiento. Encontraron que una mayor confianza en la capacidad de la IA para realizar la tarea se asociaba con menor esfuerzo de pensamiento crítico autorreportado; en sentido inverso, una mayor confianza del profesional en su propia capacidad se relacionaba con mayor ejercicio crítico.

Hay una lectura más interesante de esos resultados que la idea simple de que la IA hace pensar menos. En muchos casos el pensamiento se desplaza. El profesional quizá ya no dedica tiempo a localizar información, sino a verificarla; deja de redactar una primera versión y se concentra en editarla; sustituye parte de la ejecución por supervisión. Ese desplazamiento puede ser razonable y, de hecho, constituye una de las promesas más atractivas de la tecnología.

El problema surge cuando la supervisión también se vuelve superficial. En el Derecho esto se ve con particular claridad. Un abogado puede usar un modelo para explorar líneas argumentales, pero sigue obligado a verificar jurisprudencia, legislación y hechos. Un juzgador puede utilizar herramientas para ordenar un expediente, pero la valoración probatoria continúa exigiendo una justificación que no puede reducirse a aceptar la salida de un sistema. Lo mismo ocurre con el perito que recibe una inferencia técnicamente plausible: si no puede reconstruirla, difícilmente podrá defenderla en contradicción.

5. El problema metacognitivo

Una parte menos visible del fenómeno aparece cuando la persona obtiene un buen resultado y, a partir de él, sobreestima su propia competencia. La metacognición permite reconocer qué sabemos, qué suponemos y en qué momento necesitamos ayuda. En profesiones de alto riesgo, esa capacidad puede ser tan importante como el conocimiento mismo.

Fernandes et al. (2026) estudiaron el rendimiento y la autoevaluación en problemas de razonamiento tomados del LSAT. La asistencia mediante modelos de lenguaje elevó el desempeño objetivo, pero no produjo una mejora equivalente en la capacidad de los participantes para estimar con precisión qué tan competentes eran. Además, una mayor confianza se relacionó con peor calibración. Este tipo de resultado resulta especialmente relevante porque la IA puede producir una respuesta mejor que la que el usuario habría elaborado por sí solo y, sin embargo, dejar intacta —o incluso distorsionada— la percepción que el usuario tiene de sus propios límites.

En actividades triviales la consecuencia puede ser menor. En medicina, Derecho, ingeniería, psicología, finanzas o peritaje la situación es distinta. La persona puede aumentar su productividad y, al mismo tiempo, volverse menos precisa para distinguir dónde termina su conocimiento y dónde comienza el del sistema que emplea. Esa frontera no es un detalle filosófico: condiciona responsabilidad, prudencia y capacidad de reconocer errores.

6. Dependencia y pérdida de conducción intelectual

La discusión sobre dependencia dejó de ser únicamente intuitiva. Goh, Hartanto y Majeed (2025) desarrollaron la Generative AI Dependency Scale a partir de seis estudios con 1,333 participantes de Estados Unidos y Singapur. El instrumento identificó componentes relacionados con preocupación cognitiva, consecuencias negativas y retirada, y mostró asociaciones con procrastinación, fallos cognitivos y menor desempeño en determinadas tareas.

Conviene separar dependencia de frecuencia de uso. Hay profesionales que trabajan todos los días con sistemas de inteligencia artificial sin entregarles la conducción de la tarea: formulan el problema, verifican fuentes, comparan alternativas y finalmente deciden. Otros usuarios consultan la herramienta con menor frecuencia, pero sienten que no pueden comenzar una carta, ordenar una idea o tomar una decisión sin pedir primero una respuesta. En términos funcionales, la segunda situación puede ser más importante que la primera.

Zhu, Li, Dong, Chang y Fan (2026) introdujeron una distinción particularmente útil entre delegación dependiente y delegación autónoma. En la primera, el usuario traslada a la IA operaciones centrales de razonamiento y utiliza su producto como sustituto del propio proceso; en la segunda, la herramienta sirve de apoyo mientras la persona conserva capacidad de contraste, interpretación y decisión. Los autores encontraron relaciones diferentes entre esos patrones y la transferencia de agencia, la motivación y diversos resultados cognitivos autorreportados.

Sobre esta base propongo hablar de Delegación Cognitiva Dependiente de la Inteligencia Artificial (DCD-IA). No pretendo introducir un trastorno clínico ni una etiqueta diagnóstica. La expresión busca nombrar un patrón funcional: la cesión habitual de operaciones intelectuales relevantes hasta el punto de que la persona reduce su propia elaboración, pierde iniciativa para generar hipótesis, acepta resultados sin reconstruirlos o empieza a depender de la herramienta para tareas que antes podía conducir por sí misma.

En esta propuesta me interesa, sobre todo, la cuestión de la agencia. La dependencia funcional, la percepción de competencia y la capacidad de mantener el control sobre una decisión son aspectos relacionados, pero no necesito encerrarlos en un esquema cerrado. Es posible que investigaciones futuras muestren otras dimensiones o que alguna de estas resulte menos importante de lo que hoy parece. La categoría solo será útil si puede convertirse en variables observables y someterse a prueba.

7. La inteligencia artificial también mejora el pensamiento

Sería intelectualmente pobre construir este problema seleccionando únicamente evidencia negativa. Doshi y Hauser (2024) encontraron que la asistencia con ideas generadas por IA podía mejorar la evaluación de historias producidas por participantes, especialmente entre quienes partían de niveles más bajos de creatividad. El mismo experimento mostró, no obstante, que los textos asistidos tendían a parecerse más entre sí. La mejora individual y la reducción de diversidad colectiva convivieron en un mismo resultado.

Una revisión sistemática de Alubthane (2026), que integró 89 estudios revisados por pares sobre inteligencia artificial generativa y habilidades cognitivas de orden superior en estudiantes universitarios, encontró resultados positivos en 40.4 % de los estudios y efectos mixtos o condicionados en 23.6 %. Entre los riesgos descritos aparecieron sobredependencia, reducción de autonomía analítica y delegación cognitiva.

Lo que emerge de este conjunto de trabajos es menos cómodo que una respuesta de sí o no. La inteligencia artificial puede funcionar como amplificador cuando ayuda a formular, contrastar y revisar; puede convertirse en sustituto cuando se usa para evitar precisamente las operaciones que se pretende desarrollar. Por eso la variable decisiva no parece ser la mera presencia de IA, sino el diseño de la interacción y el tipo de actividad que la persona deja de realizar.

8. ¿Daño cerebral? El lenguaje importa

El debate público ha tendido a exagerar algunos hallazgos neurofisiológicos. Kosmyna et al. (2025) compararon, mediante electroencefalografía, a participantes que escribían ensayos con un modelo de lenguaje, con un motor de búsqueda o sin herramientas externas. Observaron diferencias entre condiciones en conectividad funcional, recuerdo del contenido y percepción de autoría. El trabajo fue difundido como prepublicación y generó titulares que, en ocasiones, fueron mucho más lejos que sus propios datos.

Una diferencia en conectividad funcional durante una tarea no equivale a lesión estructural. No permite hablar por sí sola de atrofia, neurodegeneración, muerte neuronal o demencia. Esta precisión no es una cortesía retórica, sino una exigencia conceptual básica: en neurociencias, actividad funcional y daño anatómico no son categorías intercambiables.

Eso no vuelve irrelevante la cuestión del desuso. El cerebro adulto mantiene plasticidad y muchas competencias dependen de la práctica. Si determinadas operaciones se ejercitan menos porque una herramienta las resuelve siempre, es razonable investigar qué cambios funcionales pueden aparecer con el tiempo. Pero esa pregunta debe estudiarse como pregunta, no transformarse anticipadamente en una afirmación sobre lesión cerebral.

9. Autoridad algorítmica y confianza

Pearson et al. (2026) analizaron otro componente del problema: el peso que atribuimos a una recomendación por el hecho de provenir de inteligencia artificial. En un experimento con 295 adultos, los participantes debían distinguir rostros reales de rostros generados artificialmente y recibían orientación atribuida a humanos o a IA; la orientación era correcta solo la mitad de las veces. Entre quienes recibían consejo de IA, una actitud más favorable hacia esa tecnología se asoció con peor discriminación entre imágenes reales y sintéticas.

El interés jurídico de este resultado no radica en que los sistemas se equivoquen; los seres humanos también lo hacen. La cuestión es qué ocurre cuando la apariencia de sofisticación técnica modifica el peso que concedemos a una recomendación. Un sistema puede convertirse en una autoridad epistémica sin haber demostrado que merece ese grado de confianza. En entornos profesionales, la expresión “supervisión humana” resulta entonces insuficiente si la persona que supervisa ya no conserva capacidad material para cuestionar el resultado.

10. Conservar alguna fricción

Durante años, buena parte de la innovación digital se ha orientado a eliminar fricciones. Menos pasos, menos espera y menos esfuerzo suelen mejorar la experiencia de usuario. En aprendizaje y formación profesional, sin embargo, ciertas dificultades tienen valor. Recordar antes de consultar, ensayar una hipótesis, comparar dos explicaciones o defender una conclusión son actividades lentas, pero forman parte de la construcción de criterio.

De ahí surge la idea de fricción cognitiva crítica. No la planteo como una regla rígida, sino como una pregunta de diseño: ¿hay momentos en los que facilitar demasiado una tarea impide desarrollar la competencia que después necesitamos? En algunos entornos podría ser preferible que la IA ofreciera una pista antes que una solución completa, pidiera al usuario una hipótesis previa o exigiera justificar por qué se acepta una recomendación. En otros contextos esa fricción sería innecesaria.

Esta posibilidad obliga a distinguir entre dos objetivos que suelen darse por equivalentes: mejorar el resultado inmediato y mejorar la capacidad futura del usuario. La tecnología puede conseguir el primero sin garantizar el segundo.

11. El Derecho debería mirar antes de que aparezca el daño

Las consecuencias jurídicas de una eventual dependencia cognitiva todavía no permiten construir, con seriedad, una teoría general de daño indemnizable. Para ello habría que identificar una afectación objetiva, determinar su entidad, establecer una conducta jurídicamente atribuible y demostrar causalidad. El hecho de utilizar inteligencia artificial y rendir peor después en una tarea aislada no satisface por sí mismo ninguno de esos requisitos.

Sin embargo, el Derecho no necesita esperar a que exista una lesión plenamente consolidada para formular problemas preventivos. Si en el futuro se comprobara que determinados diseños tecnológicos están deliberadamente optimizados para fomentar dependencia, habría que discutir deberes de información y diseño. Las instituciones educativas tendrían que preguntarse si un sistema que eleva calificaciones inmediatas pero debilita la adquisición autónoma de competencias cumple realmente su función. Las organizaciones profesionales deberían examinar si la automatización reiterada está generando un deskilling que comprometa la calidad del servicio.

En algunas profesiones la cuestión es todavía más directa porque el orden jurídico presupone una capacidad humana de comprender y justificar. Un juzgador no puede descansar en una recomendación que no pueda defender con razones propias; un perito necesita comprender la inferencia que presenta; un médico debe integrar la sugerencia automatizada con la información clínica; un abogado conserva su deber de competencia aunque utilice modelos lingüísticos. La herramienta puede intervenir mucho, pero la responsabilidad sigue teniendo un sujeto.

12. De la privacidad a la agencia

La regulación digital se ha concentrado durante años en la protección de datos personales: quién recopila información, con qué finalidad, bajo qué condiciones y durante cuánto tiempo. La expansión de sistemas que participan en la formación de decisiones añade un problema distinto. Ya no basta con preguntar qué sabe la tecnología sobre nosotros; también conviene preguntar qué parte de nuestro juicio comienza a quedar organizada por ella.

Entiendo aquí la autonomía cognitiva en un sentido práctico. No exige vivir sin tecnología ni realizar personalmente todo aquello que una máquina puede hacer mejor. Exige conservar suficiente participación en la elaboración y evaluación de una decisión como para comprenderla, advertir sus límites y responder por ella. La intensidad de esa exigencia no será igual en todos los ámbitos. Elegir una película y dictar una sentencia no comprometen el mismo nivel de autonomía ni de responsabilidad.

13. Conclusiones

La investigación disponible obliga a abandonar dos simplificaciones. La primera consiste en presentar la inteligencia artificial como una causa demostrada de daño cerebral. Los datos actuales no sostienen esa afirmación. La segunda consiste en suponer que transferir cada vez más operaciones de razonamiento a sistemas externos será siempre cognitivamente neutro. Tampoco tenemos motivos para dar eso por hecho.

Lo que sí puede afirmarse es que empiezan a aparecer resultados convergentes sobre aspectos que merecen vigilancia: retención posterior, persistencia cuando la ayuda desaparece, esfuerzo crítico, calibración metacognitiva, dependencia y transferencia de agencia. No forman todavía una teoría cerrada, pero sí un campo de investigación suficientemente consistente como para abandonar la idea de que el único criterio relevante es cuánto mejora una persona mientras usa la herramienta.

La propuesta de Delegación Cognitiva Dependiente de la Inteligencia Artificial intenta dar nombre a una parte de ese problema. Su utilidad dependerá de la investigación que venga después: tendrá que medirse, compararse con categorías próximas y, quizá, modificarse. Me interesa sobre todo porque obliga a desplazar la atención desde la frecuencia de uso hacia una pregunta más difícil: quién sigue conduciendo intelectualmente la tarea.

Para el Derecho, esa pregunta puede ser más fértil que la búsqueda prematura de una nueva categoría de daño. La supervisión humana solo tiene sentido si el humano conserva capacidad de comprensión, crítica y decisión. En los próximos años probablemente aprenderemos a trabajar con sistemas mucho más capaces que los actuales. El desafío no será evitar que piensen con nosotros. Será decidir qué parte del pensamiento seguimos necesitando ejercer para que una decisión continúe siendo verdaderamente nuestra.

Referencias

• Alubthane, F. O. (2026). Amplifier or substitute? A systematic review of generative AI’s impact on higher-order cognitive skills among university students. Frontiers in Psychology, 17, 1863931. doi: 10.3389/fpsyg.2026.1863931

• Barcaui, A. (2025). ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention. Social Sciences & Humanities Open, 12, 102287. doi: 10.1016/j.ssaho.2025.102287

• Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. doi: 10.1126/sciadv.adn5290

• Fernandes, D., Villa, S., Nicholls, S., Haavisto, O., Buschek, D., Schmidt, A., Kosch, T., Shen, C., & Welsch, R. (2026). AI makes you smarter but none the wiser: The disconnect between performance and metacognition. Computers in Human Behavior, 175, 108779. doi: 10.1016/j.chb.2025.108779

• Goh, A. Y. H., Hartanto, A., & Majeed, N. M. (2025). Generative artificial intelligence dependency: Scale development, validation, and its motivational, behavioral, and psychological correlates. Computers in Human Behavior Reports, 20, 100845. doi: 10.1016/j.chbr.2025.100845

• Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task [Prepublicación]. arXiv:2506.08872.

• Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems, Article 1121, 1–22. doi: 10.1145/3706598.3713778

• Liu, G., Christian, B., Dumbalska, T., Bakker, M. A., & Dubey, R. (2026). AI assistance reduces persistence and hurts independent performance [Prepublicación]. arXiv:2604.04721.

• Pearson, J., Dror, I. E., Jayes, E., Whordley, G.-R., Mason, G., & Nightingale, S. (2026). Examining human reliance on artificial intelligence in decision making. Scientific Reports, 16, 5345. doi: 10.1038/s41598-026-34983-y

• Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676–688. doi: 10.1016/j.tics.2016.07.002

• Zhu, Q., Li, X., Dong, Y., Chang, P., & Fan, M. (2026). Not all cognitive offloading is equal: Distinguishing dependent and autonomous offloading to generative AI. Frontiers in Psychology, 17, 1878629. doi: 10.3389/fpsyg.2026.1878629

Colegio Mexicano de Doctores en Derecho, A.C.

Juristas con grado de doctorado impulsando el desarrollo del derecho, la investigación jurídica y la cultura de la legalidad.

Contacto Institucional

racmdd@gmail.com

(C) 2026 Colegio Mexicano de Doctores en Derecho-Fundado en 2009. Comunidad de liderazgo jurídico nacional.