Ir al contenido
Un mosaico completo sobre una plantilla y una persona que prueba una pieza en otro diseño todavía sin resolver.
  1. Observatorio de IA y pedagogía digital/
  2. Estudios, encuestas y hallazgos/

La paradoja de la descarga cognitiva en el aprendizaje

Una estudiante entrega una solución correcta después de consultar una IA. Cuando se le pide explicar por qué funciona, repite la respuesta del sistema. La entrega muestra que logró resolver esa tarea con apoyo; todavía no permite saber qué comprende ni qué podría resolver en otra situación. También puede ocurrir lo contrario: una primera respuesta incompleta conduce, mediante una pista y una revisión, a una explicación que la estudiante sí puede sostener.

Esta distinción ayuda a entender la descarga cognitiva: usar un apoyo externo para realizar parte del trabajo mental. Puede consistir en consultar una nota, delegar un cálculo o pedir a una IA que proponga una explicación. Su conveniencia depende de qué trabajo se delega y de qué se quiere aprender. Si el objetivo es interpretar un resultado, automatizar un cálculo puede dejar tiempo para discutirlo. Si el objetivo es aprender ese procedimiento de cálculo, el mismo apoyo podría ocultar la dificultad que había que practicar.

La práctica y el examen muestran cosas diferentes
#

Bastani y sus colegas (2025) compararon, en matemáticas de bachillerato en Turquía, un grupo sin IA y dos asistentes basados en GPT-4: GPT Base, sin salvaguardas pedagógicas específicas, y GPT Tutor, con pistas e información preparada por docentes. Ambos mejoraron el desempeño durante la práctica. En el examen sin ayuda, GPT Base rindió por debajo del control. Para GPT Tutor no se detectó una diferencia estadísticamente significativa frente al control. Esto no prueba igualdad exacta ni una ventaja de aprendizaje. Estudio completo.

Versión vertical adaptada para pantalla estrecha.

Práctica con IA y evaluación sin IADos condiciones de un experimento de matemáticas en bachillerato. En la práctica, GPT Base y GPT Tutor mejoraron el desempeño frente al control sin IA. En el examen sin IA, GPT Base rindió menos que el control; para GPT Tutor no se detectó una diferencia estadística. Este esquema cualitativo no representa magnitudes ni demuestra igualdad exacta.Con IA y sin IA: dos observacionesReferencia: el grupo que practicó sin IA.GPT BaseAsistente sin salvaguardaspedagógicas específicas.Práctica con IAMejor desempeño.Examen sin IAResultado inferioral del control.GPT TutorTutor con pistas y apoyospreparados por docentes.Práctica con IAMejor desempeño.Examen sin IANo se detectó unadiferencia estadística.Esquema cualitativo del estudio de Bastani et al. (2025).No detectar una diferencia no demuestra igualdad exacta.Mejorar con IA no basta para demostrar aprendizaje.
Práctica con IA y evaluación sin IADos condiciones de un experimento de matemáticas en bachillerato. En la práctica, GPT Base y GPT Tutor mejoraron el desempeño frente al control sin IA. En el examen sin IA, GPT Base rindió menos que el control; para GPT Tutor no se detectó una diferencia estadística. Este esquema cualitativo no representa magnitudes ni demuestra igualdad exacta.Con IA y sin IA:dos observaciones distintasComparación con el grupo sin IA.GPT BaseAsistente sin salvaguardaspedagógicas específicas.Práctica con IAMejor desempeño.Examen sin IAResultado inferioral del control.GPT TutorTutor con pistas y apoyospreparados por docentes.Práctica con IAMejor desempeño.Examen sin IANo se detectó unadiferencia estadística.Esquema cualitativo · Bastani et al.La falta de diferencia estadísticano demuestra igualdad exacta.
Práctica con IA y evaluación sin IA El resultado durante la práctica y el examen sin IA responden preguntas diferentes; no detectar una diferencia no prueba igualdad exacta. Ampliar SVG

Aprendizaje Digital e IA (UDGPlus), Universidad de Guadalajara CC BY-SA 4.0

Material editorial del proyecto; no constituye un dictamen institucional.

Descripción textual del diagrama

Desliza horizontalmente para consultar todas las columnas.

GrupoPrácticaExamen sin IA
GPT BaseMejora frente al control sin IA.Resultado inferior al control.
GPT TutorMejora frente al control sin IA.Sin diferencia estadística detectable respecto al control.
ControlPractica sin IA; sirve de referencia.Es la referencia de comparación.

Las flechas conectan los momentos de cada condición; no representan magnitudes. El esquema no permite afirmar que todas las personas aprendieron igual ni que las pistas garanticen aprendizaje.

La consecuencia para el diseño es comprobar algo más que la calidad del producto asistido. Una explicación, una variante del problema o una decisión justificada pueden aportar evidencia adicional. La comprobación debe corresponder al objetivo: si interesa el dominio autónomo, se necesita una muestra sin IA; si interesa trabajar responsablemente con IA, también hay que observar cómo se comprueba y decide con ese apoyo.

Qué aporta una investigación sobre delegación estratégica
#

Wang y Zhang (2026) estudiaron 912 estudiantes de escuelas de negocios en China, Europa y Estados Unidos mediante encuestas en tres momentos y análisis complementarios, incluidas entrevistas. Encontraron relaciones entre vigilancia crítica, delegación y experiencias declaradas de aprendizaje transformativo, entendido como revisión de supuestos y de la propia comprensión. Los autores proponen un efecto de umbral para la delegación estratégica. Artículo.

Ese resultado no establece cuánto trabajo debe delegar una persona ni convierte la delegación amplia en una receta. El estudio recoge experiencias y relaciones entre variables; no es el mismo tipo de evidencia que un experimento con prueba de desempeño independiente. Una implicación razonable para el aula es preguntar qué hará la persona con el tiempo o el esfuerzo liberado, y comprobarlo en su trabajo. No basta con que declare haber aprendido más.

Un caso para elegir el apoyo
#

Imagina una actividad cuyo objetivo es justificar cuál de dos explicaciones concuerda mejor con unos datos. El docente entrega las dos explicaciones y una tabla breve. Cada estudiante escribe primero una elección provisional y señala el dato que la sostiene. Este intento permite reconocer dónde necesita ayuda.

La IA puede proponer una objeción a esa elección. La persona debe contrastarla con la tabla: localizar el dato, explicar si la objeción es pertinente y revisar su decisión cuando corresponda. La alternativa sin IA utiliza una objeción preparada por el docente. Ambas rutas conservan el mismo trabajo: interpretar evidencia y justificar una elección.

Supongamos que la objeción dice «la tendencia se mantiene en todos los casos», pero la tabla incluye una excepción. Una revisión útil identifica esa fila y delimita la conclusión. Aceptar la frase porque suena convincente no permite observar ese razonamiento. El criterio de revisión es la relación entre dato y conclusión, con independencia de quién propuso la objeción.

Al final se presenta una pequeña variante de los datos. La estudiante explica si mantendría su elección y por qué. Esa nueva respuesta permite contrastar lo que hizo con ayuda con lo que comprende después; una sola respuesta tampoco acredita una competencia duradera en cualquier situación.

Revisa tu próxima actividad
#

El caso anterior puede adaptarse con una ficha breve. No necesitas guardar todos los intercambios con la herramienta: conserva lo que permite comprender una decisión.

Para usar la ficha, elige una actividad real y completa esas cinco frases. Revísala buscando una posible sustitución: si la herramienta realiza justo la comparación o explicación que querías observar, cambia el apoyo por una pista y vuelve a comprobar la consigna. Si la dificultad está en el acceso al material, adapta el material antes de añadir más pasos.

La ficha orienta una decisión de diseño; no garantiza un resultado. Puedes continuar con la guía para el profesorado o con la distinción entre producto y aprendizaje.

Referencias

  • Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122.
  • Wang, S., & Zhang, H. (2026). Pedagogical partnerships with generative AI in higher education: how dual cognitive pathways paradoxically enable transformative learning. International Journal of Educational Technology in Higher Education, 23, 11. https://doi.org/10.1186/s41239-026-00585-x.