La deuda cognitiva que las universidades no saben que están acumulando

En estos tiempos de IA, un estudiante entrega un ensayo que está bien escrito, bien argumentado y bien citado. Así, obtiene una buena calificación, y, revisando el proceso, todo funcionó exactamente como debía funcionar.

Y aun así, es perfectamente posible que ese estudiante no haya aprendido nada. Y que, además, ni él, ni su profesor, ni su universidad, tengan manera de notarlo.

Eso no es una sospecha ni una hipótesis. Es un resultado medido, y el siguiente experimento lo demuestra claramente: en un bachillerato de Turquía, cerca de mil estudiantes de matemáticas se repartieron en tres grupos. El primero practicó con GPT-4 sin restricciones. El segundo, con una versión del mismo GPT-4 pero configurada para no entregar respuestas: solo pistas, procedimientos y preguntas que obligaban a razonar. El tercero no usó inteligencia artificial en absoluto; trabajó, como siempre, con sus libros y sus apuntes.

Durante las sesiones de práctica, los dos grupos que usaron inteligencia artificial arrasaron. Los del primero (uso libre) resolvieron 48 por ciento mejor. Los del segundo (versión configurada), 127 por ciento mejor. Y el tercero, sin uso absoluto de IA, fue tomado como referencia para medir, y, contra sus resultados, se comparó todo lo demás. Vistos así, esos números justifican cualquier inversión tecnológica que una institución quiera hacer.

Sin embargo, después llegó el examen, en donde a nadie se le permitió usar nada. Los del primer grupo, que habían practicado con GPT-4 sin restricciones, rindieron 17 por ciento peor que el tercer grupo, el que se usó como referencia y el que nunca usó inteligencia artificial. No igual: peor. Habían pasado semanas resolviendo problemas sin resolverlos de verdad, y eso les cobró factura. A este fenómeno, los investigadores lo llaman efecto muleta. No obstante, el segundo grupo, el de la versión configurada, no sufrió esa caída, sino que rindió igual que el tercero. Y justamente ahí está lo que debería ocupar a cualquier autoridad universitaria.

Ninguno de esos estudiantes del experimento hizo trampa. Todos usaron la herramienta que la escuela les entregó, en la actividad y el horario previstos. La diferencia entre destruir el aprendizaje y no destruirlo no estuvo en la conducta del estudiante. Estuvo en cómo se configuró la herramienta. Es decir, en la decisión institucional.

Lo que ese experimento pone sobre la mesa es una distinción que la investigación educativa maneja desde hace décadas y que el debate universitario mexicano no ha incorporado. Desempeño es igual a la ejecución observada de una tarea: el ensayo entregado, el problema resuelto, la calificación asignada. Pero el aprendizaje es otra cosa, un cambio duradero que solo se demuestra cuando el estudiante retiene lo aprendido y lo transfiere a una situación nueva.

La OCDE lo expone en el Digital Education Outlook 2026: un desempeño alto, sobre todo cuando está mediado por una herramienta potente, no implica que haya ocurrido aprendizaje.

Durante muchos años, casi todas las universidades mexicanas han calificado el desempeño. Y durante mucho tiempo eso fue suficiente, porque el desempeño era un sustituto razonable del aprendizaje: para escribir un ensayo decente había que haber entendido algo. Pero frente a los retos de la IA, esa correspondencia se rompió, y se rompió sin aviso.

Un estudio del MIT Media Lab —difundido aún sin revisión por pares, con apenas 54 participantes y con todas las reservas que eso impone— registró la actividad cerebral de estudiantes de cinco universidades mientras escribían ensayos. Quienes trabajaron con un modelo de lenguaje mostraron la conectividad neuronal más débil de los tres grupos, el menor sentido de autoría sobre su propio texto y dificultades para citar lo que acababan de escribir. Aun así, sus ensayos estaban bien calificados. Los autores de este estudio le pusieron nombre al fenómeno: deuda cognitiva. Un pasivo que no se manifiesta en el momento en que se contrae.

En México no tenemos aún idea de cuánta deuda cognitiva se está acumulando. Y esa, precisamente, es la señal de alarma.

El diagnóstico del Observatorio Interinstitucional de Inteligencia Artificial en la Educación Superior, con 161 instituciones en 31 entidades federativas, arroja tres cifras que conviene leer en orden. De acuerdo con este diagnóstico, únicamente el 25 por ciento de las instituciones de educación superior mexicanas cuenta con normativa formal sobre el uso de IA. El 87 por ciento carece de mecanismos para evaluar ese uso dentro del aula. Y el 64 por ciento no ha desarrollado ninguna estrategia para conocer cómo la usan sus propios estudiantes. Por otro lado, la SEP reporta que ocho de cada diez estudiantes ya la emplean para sus tareas.

Esas cifras no describen un problema de trampa. Describen ceguera institucional: la mayoría de las universidades mexicanas no está en condiciones de establecer si el trabajo que califica corresponde al aprendizaje del estudiante que lo firma. Y ese estudiante es a quien la institución tiene la obligación de formar.

El debate del sector ha girado casi por completo alrededor del estudiante que engaña: detectores, reglamentos, sanciones. Ese debate es insuficiente por una razón que el experimento de Turquía hace evidente. Aunque ningún estudiante mexicano hiciera trampa, el problema seguiría vigente. Un estudiante puede declarar que usó IA, cumplir cada regla, entregar un trabajo honesto y aun así, no haber aprendido nada. Y lo grave es que su institución no tendría forma de saberlo.

En el otro extremo del trayecto formativo, hay un segundo movimiento ocurriendo al mismo tiempo. El Digital Economy Lab de Stanford analizó los registros de nómina de Automatic Data Processing (ADP) —la empresa que procesa el pago de salarios de millones de trabajadores estadounidenses, de modo que no se trata de encuestas, sino de quién está efectivamente contratado cada mes; el equivalente conceptual a rastrear el empleo a partir de los trabajadores dados de alta en el IMSS— y encontró que los trabajadores de 22 a 25 años en ocupaciones expuestas a inteligencia artificial registraron caídas relativas de empleo de 16 por ciento, mientras que el empleo de los trabajadores con más experiencia se mantuvo estable. El ajuste ocurre por la vía del empleo y no del salario, y se concentra en ocupaciones donde la IA automatiza en lugar de complementar. Son datos estadounidenses, y hay economistas que atribuyen parte del patrón a la desaceleración general de contrataciones. Pero aun así, la dirección del movimiento importa.

Lo que eso refleja es que las tareas del primer empleo están desapareciendo para los recién egresados —borradores, código básico, investigación preliminar, revisión documental— y son justamente esas en donde un profesional joven adquiría criterio. El conocimiento tácito que hoy permite a alguien con experiencia detectar el error en la salida de un modelo se construyó haciendo, durante años, el trabajo que ya no se le asigna a nadie, en buena medida porque la IA lo absorbió.

Joshua Gans lo formula en términos económicos: la inteligencia artificial abarata la predicción, no el juicio. Las tareas de entrada que se están automatizando son las predictivas. El juicio sigue siendo escaso y sigue siendo caro. Y era justamente lo que se aprendía haciendo esas tareas.

Aquí convergen las dos cosas. Se está eliminando el trabajo formativo en ambos extremos del trayecto: en la universidad, porque el estudiante puede saltarse la fricción cognitiva que produce el aprendizaje sin que nadie se dé cuenta; en el primer empleo, porque esas tareas ya no existen. Si el mercado laboral está dejando de formar profesionales jóvenes, la universidad se convierte en el último lugar donde puede construirse ese juicio profesional. Y es exactamente ahí donde 87 por ciento de las instituciones mexicanas no tiene forma de saber si un estudiante aprendió o solamente entregó.

El experimento de Turquía nos ofrece también la respuesta. La versión configurada de la herramienta eliminó el daño. Misma tecnología, mismo grupo de edad, misma materia, mismo profesor. Lo que cambió fue una decisión de diseño.

Eso es gobernanza, y no requiere presupuestos extraordinarios. La Universidad Anáhuac opera ya un sistema de sanciones graduadas donde la falta no radica en usar la herramienta, sino en omitir su declaración. El Tec de Monterrey especifica, en el propio programa del curso, el nivel de uso permitido actividad por actividad. La OCDE documenta cursos rediseñados —tareas que un chatbot no resuelve: defensa oral del trabajo, examen conceptual en papel— donde la diferencia de aprendizaje entre estudiantes con y sin acceso a la IA simplemente desaparece.

Lo que ninguna de esas soluciones tolera es la ausencia de reglas. Sin marco institucional, cada docente improvisa, cada estudiante decide por su cuenta, y la institución acumula un pasivo que no puede medir y del que se enterará tarde.

Cada generación que egresa sin que su universidad pueda establecer qué aprendió es una afirmación que la institución hace y que no está en condiciones de respaldar. El título dice algo sobre quien lo porta y sobre quien lo expide. Conviene que la universidad sepa si es cierto, antes de que el tiempo lo revele por ella.

Fuentes
• Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö. y Mariman, R. (2024). Generative AI Can Harm Learning. The Wharton School Research Paper. SSRN 4895486.
• OECD (2026). Digital Education Outlook 2026. París: OECD Publishing.
• Kosmyna, N. et al. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. MIT Media Lab, arXiv:2506.08872. Difundido sin revisión por pares.
• Observatorio Interinstitucional de IA en la Educación Superior (OIIAES), Anuies. Diagnóstico nacional, 161 IES en 31 entidade. observatorio-ia.org
• Brynjolfsson, E., Chandar, B. y Chen, R. (2025). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab.
• Gans, J. (2025). The Microeconomics of Artificial Intelligence. Cambridge: MIT Press.
• Universidad Anáhuac. Guía de uso ético de Inteligencia Artificial Generativa. Tecnológico de Monterrey, aviso institucional de IA por actividad.