Pensamiento crítico ante la IA generativa

Tomás, estudiante de sociología, pregunta a una IA por las causas de la migración interna en México. Recibe cinco causas ordenadas, bien redactadas, con tres citas de autores. Dos de esas citas no existen. El texto suena tan seguro que Tomás lo pega en su ensayo sin buscar ninguna. Su docente lo descubre al revisar y se pregunta qué habría hecho falta para que Tomás dudara. Eso es lo que la IA generativa le hace al pensamiento crítico: lo estresa. Lo somete a un tipo de presión que antes no tenía: la de evaluar respuestas instantáneas, fluidas y plausibles, producidas por sistemas que no se cansan, no dudan visiblemente y no firman su trabajo. Enseñar pensamiento crítico en este contexto exige más diseño didáctico que antes, no menos; esta página dice cuál.

Una definición operativa

#

La AAC&U (2009) define el pensamiento crítico como “un hábito mental caracterizado por la exploración exhaustiva de cuestiones, ideas, hechos y artefactos antes de aceptar o formular una opinión o conclusión”. La utilidad de esta definición está en dos palabras: es un hábito —algo que se entrena en el tiempo— y consiste en explorar antes de aceptar. Saber muchas cosas, tener buena memoria o ser hábil con argumentos son otra cosa. La IA generativa pone esa exploración en cuestión, porque entrega la conclusión sin obligar al recorrido: Tomás recibió las cinco causas sin haber buscado ninguna.

La paradoja documentada

#

La evidencia disponible no dibuja un efecto único. Lee y colegas (2025), en una encuesta de Microsoft Research a trabajadores del conocimiento, encuentran que quienes usan más estas herramientas declaran haber invertido menos esfuerzo cognitivo en las tareas donde el modelo responde con solvencia; a eso llaman cognitive offloading. Del lado de la educación superior, Wang y colegas (2025) observan, en estudiantes de ingeniería, que el pensamiento crítico media la relación entre la competencia de uso y la creatividad; y la revisión de Daniel y Roca (2025) encuentra en la literatura resultados dispares, con las intervenciones mejor diseñadas obteniendo los mejores desenlaces. Ninguno de los tres demuestra que la IA fortalezca o deteriore el pensamiento crítico por sí sola. Lo que sí sugieren, en conjunto, es que la diferencia está en la mediación pedagógica que rodea a la herramienta, y eso es lo que este texto desarrolla.

Cuatro disposiciones que la IA pone a prueba

#

Las cuatro disposiciones clásicas del pensamiento crítico no desaparecen con la IA; cambian de forma. Conviene nombrarlas para diseñar contra ellas:

• Curiosidad — preguntar más y mejor. Riesgo con IA: el estudiante deja de formular preguntas porque el modelo ya entrega respuestas. Antídoto pedagógico: tareas donde la calidad de los prompts es lo que se evalúa, no la respuesta final.
• Escepticismo metodológico — sospechar de las afirmaciones, incluso de las propias. Riesgo: la fluidez del texto generado disuelve la sospecha. Antídoto: pedir que toda salida de la IA sea contrastada con al menos una fuente externa.
• Rigor en la verificación — buscar pruebas (un dato, una fuente que se pueda abrir), contrastar fuentes, distinguir afirmación de opinión. Riesgo: el modelo cita autores que no existen y los estudiantes no detectan la fabricación. Antídoto: rúbricas que penalicen referencias no verificadas y ejercicios explícitos de chequeo; con una de esas rúbricas, Tomás habría abierto al menos una de las tres citas.
• Apertura al contraargumento — sostener una posición sin endurecerla. Riesgo: el modelo confirma cualquier sesgo si el prompt está sesgado. Antídoto: pedir que la IA genere la posición contraria a la del estudiante y se enfrente a ella.

Cuatro movimientos para el aula

#

Estas son intervenciones concretas que se pueden incorporar a una asignatura sin rediseñarla por completo:

1. Pedir versiones encontradas

#

En lugar de pedir una sola respuesta, pedir dos respuestas opuestas a la IA y exigir que el estudiante explique cuál es más sólida y por qué. La discrepancia entre ambas obliga a leer críticamente, no a copiar.

2. Activar el abogado del diablo

#

Una actividad propuesta en la sección de debate socrático con IA muestra cómo usar al modelo para anticipar contra-argumentos a la propia postura. El estudiante no recibe respuestas; recibe objeciones que tiene que responder.

3. Trazabilidad obligatoria

#

Cada entrega que use IA acompañada de un anexo con los prompts utilizados, las salidas obtenidas y las decisiones tomadas (qué se conservó, qué se descartó, por qué). El anexo no se agrega al final como ritual: se evalúa con su propia rúbrica. Esta práctica conecta con los principios de transparencia algorítmica que orientan toda evaluación con IA.

4. Auditoría retrospectiva

#

Al final de una unidad, pedir al estudiante que revise sus propias interacciones con IA y detecte tres errores que cometió: una vez en que aceptó una respuesta sin verificarla, una vez en que desperdició el potencial del modelo, y una vez en que el prompt sesgó la salida. Esta autoevaluación es donde más se entrena el hábito.

Qué se observa en el aula

#

Los indicadores de que un estudiante está desarrollando pensamiento crítico en presencia de IA son comportamentales, no discursivos. Conviene mirarlos con calma:

Cuando estos comportamientos aparecen en evaluaciones consecutivas, la disposición se está volviendo hábito.

Lecturas relacionadas

#

Para el lado normativo, ver los principios de alfabetización crítica en IA. Para el lado práctico, la actividad propuesta de análisis de sesgos desarrolla una secuencia completa de aula, todavía sin expediente de aplicación. La entrada de glosario sobre pensamiento crítico sintetiza la definición operativa.