Rendición cognitiva: cuando dejas de pensar y le entregas tu cerebro a la IA

Hay 2 tipos de personas que usan herramientas de IA. Las que tratan al modelo como lo que es, una herramienta potente pero falible que necesita supervisión, y las que directamente le preguntan y aceptan la respuesta sin pestañear. Sin preguntas. Sin verificación. Como si hubiera una verdad absoluta al otro lado del chat.

La segunda categoría tiene ahora nombre científico: rendición cognitiva. Y una investigación reciente de la Universidad de Pensilvania ha puesto cifras a algo que muchos intuíamos pero que ahora, negro sobre blanco, resulta bastante inquietante.

Qué es exactamente la rendición cognitiva

El concepto arranca de un marco teórico bien conocido en psicología cognitiva. El ser humano toma decisiones de 2 maneras: el Sistema 1, rápido, intuitivo y automático, y el Sistema 2, lento, deliberativo y analítico. Cuando piensas si 2+2 son 4, usas el primero. Cuando calculas el interés compuesto de una hipoteca, (idealmente) usas el segundo.

Los investigadores de Pensilvania plantean que la IA ha creado un tercer modo al que llaman cognición artificial: la decisión ya no la toma tu cerebro en ninguno de sus dos modos, sino que se delega directamente a un sistema externo. El problema no es la delegación en sí, que ya existía con las calculadoras o el GPS, sino la forma en que se produce. Cuando usas una calculadora, tú sigues siendo el árbitro del resultado. Con un LLM, muchos usuarios directamente se rinden: leen la respuesta, la dan por buena y siguen adelante.

La diferencia entre descargar cognitivamente una tarea y abdicar del razonamiento puede parecer sutil, pero no lo es. Una cosa es pedirle a Google Maps que te lleve al aeropuerto. Otra es que Google Maps te diga que cojas la autopista equivocada y tú asientas sin mirar el cartel.

El experimento: una IA que se equivoca a propósito

Para medir hasta dónde llega esta tendencia, los investigadores diseñaron un experimento con las llamadas Pruebas de Reflexión Cognitiva (CRT). Estas pruebas tienen trampa deliberada: están diseñadas para que tu respuesta intuitiva (Sistema 1) sea incorrecta, y solo si te paras a pensar un poco (Sistema 2) llegas a la respuesta correcta.

El giro del estudio fue que los participantes tenían acceso opcional a un chatbot que había sido modificado para dar respuestas incorrectas aproximadamente la mitad del tiempo. Un LLM saboteado, vamos. No lo sabían los participantes, claro.

Los resultados son los que son:

• Cuando la IA acertaba, los usuarios aceptaban su razonamiento el 93% de las veces. Comprensible.
• Cuando la IA se equivocaba, los usuarios seguían aceptando su razonamiento el 80% de las veces. Eso ya no es tan comprensible.
• En total, a lo largo de más de 9.500 ensayos individuales con 1.372 participantes, los sujetos aceptaron el razonamiento incorrecto de la IA el 73,2% del tiempo, y solo lo corrigieron en el 19,7% de los casos.

Y aquí viene el detalle que más me llama la atención: el grupo que usó la IA mostró una confianza en sus propias respuestas un 11,7% mayor que el grupo de control, a pesar de que el modelo se equivocaba la mitad del tiempo. Es decir, no solo asumían los errores como correctos, sino que además se sentían más seguros de sí mismos al hacerlo. La IA no solo sustituyó el razonamiento, también desactivó la duda.

Presión de tiempo, incentivos y otros factores que lo modulan

El estudio no se quedó ahí. También exploró qué condiciones hacen que la gente sea más o menos propensa a cuestionar a la IA.

Con incentivos económicos y retroalimentación inmediata por aciertos, la probabilidad de que los participantes corrigieran a la IA defectuosa aumentó 19 puntos porcentuales. Cuando hay algo en juego y el resultado es visible de inmediato, la gente se activa más. Tiene sentido.

Con presión de tiempo (un temporizador de 30 segundos por pregunta), esa tendencia a corregir bajó 12 puntos porcentuales. Cuando el tiempo apremia, el cerebro no tiene margen para activar el modo deliberativo, y la respuesta de la IA se convierte en el atajo más rápido disponible.

Esto tiene implicaciones muy concretas en entornos reales. Piensa en decisiones que se toman bajo presión, con información densa y poco tiempo: diagnósticos médicos asistidos por IA, evaluaciones de riesgo en ciberseguridad, análisis financieros en tiempo real. Exactamente los contextos donde más se usa la IA y donde menos tiempo hay para verificar.

No todos caen igual

Los efectos no fueron uniformes entre todos los participantes. Quienes obtuvieron puntuaciones más altas en medidas de IQ fluido (capacidad para razonar en situaciones nuevas, sin depender del conocimiento previo) tendían a consultar menos la IA y, cuando lo hacían, eran más propensos a detectar y corregir sus errores.

En el extremo opuesto, quienes ya partían con una percepción de la IA como una fuente autoritaria eran significativamente más vulnerables a ser engañados por respuestas incorrectas. Dicho de otra forma: si llegas a la herramienta creyendo que sabe más que tú en todo, la herramienta te va a pasar por encima cada vez que se equivoque.

Esto no es un problema exclusivo de usuarios novatos o con poca formación técnica. Es un patrón cognitivo que afecta a personas con distintos niveles de educación y familiaridad con la tecnología. La fluidez con que los LLMs presentan sus respuestas, sin titubeos, sin marcas de incertidumbre visibles, sin las pausas que tendría un humano que duda, rebaja el umbral de escrutinio de forma casi automática.

La rendición cognitiva no siempre es irracional (pero tiene un precio)

Los propios investigadores son matizados en sus conclusiones, y me parece honesto reconocerlo. Señalan que confiar en la IA no es inherentemente irracional. Si un sistema es realmente superior al razonamiento humano en un dominio concreto, delegar en él tiene sentido. Un modelo entrenado con millones de casos clínicos puede detectar ciertos patrones mejor que un médico con décadas de experiencia. Eso es real.

El problema estructural es que la calidad de tu razonamiento delegado depende enteramente de la calidad del sistema al que se lo delegas. Como escriben los investigadores: «conforme aumenta la dependencia, el rendimiento sigue la calidad de la IA, aumentando cuando es precisa y disminuyendo cuando es defectuosa». Suena obvio, pero las cifras del estudio demuestran que en la práctica casi nadie lo aplica.

Si la IA se equivoca y tú no lo detectas, no solo obtienes una respuesta mala. Es que ni siquiera sabes que la tienes. Y eso, en contextos donde las decisiones tienen consecuencias reales, es una vulnerabilidad estructural bastante seria.

Qué significa esto para el uso cotidiano de la IA

No hace falta dramatizar. Los LLMs son herramientas muy útiles y seguirán siéndolo. Pero este estudio deja claro que el modo en que los usamos por defecto, con escaso escrutinio y alta confianza, está sincronizado con nuestros sesgos cognitivos más básicos, no con una evaluación racional de sus capacidades reales.

La próxima vez que un modelo te dé una respuesta fluida y segura sobre algo que importa, quizás vale la pena pararse 30 segundos más. No para desconfiar sistemáticamente, sino para no olvidar que el razonamiento sigue siendo tuyo, aunque lo hayas subcontratado por un momento.