Aprender duele: cómo la IA nos está robando el esfuerzo
TL;DR:
- La investigación educativa demuestra que el aprendizaje profundo requiere esfuerzo, error y práctica deliberada. Sin estos, no hay retención a largo plazo.
- El uso masivo de herramientas de IA está generando "atrofia cognitiva": delegamos el pensamiento a los algoritmos y nuestras habilidades se erosionan sin que lo notemos.
- La historia de las tecnologías que prometieron "facilitar" el aprendizaje —la calculadora, la televisión, Internet— muestra que el problema nunca fue la herramienta, sino la decisión sobre cómo integrarla.
Hay una frase que circula en comunidades de desarrollo desde hace un tiempo: "cuando la IA hace en segundos lo que tardaste años en aprender, duele". Esa frase me persigue. No porque sea una queja, sino porque es una evidencia. Duele porque algo se está perdiendo.
Lo que duele no es que la máquina sea más rápida. Lo que duele es que el valor de lo que aprendiste —las horas de frustración, los errores, las madrugadas frente a un problema que no entendías, la satisfacción de resolverlo solo— se está devaluando socialmente. Ya no se espera que aprendas: se espera que uses una herramienta que hace el trabajo por vos.
Como socióloga, no me interesa tanto la tecnología en sí misma. Me interesa lo que la tecnología le hace a las personas, a las instituciones y a las relaciones de poder que organizan el conocimiento. Y lo que la inteligencia artificial le está haciendo a nuestra relación con el aprendizaje tiene un nombre en mi disciplina: no es novedad, es un patrón.
Por qué aprender duele (y por qué eso es bueno)
La investigación sobre cómo aprendemos es antigua, robusta y consistentemente ignorada por quienes diseñan productos de IA.
En 1885, Hermann Ebbinghaus demostró algo que cualquier estudiante ha experimentado: sin repaso, olvidamos aproximadamente el 75% de lo que aprendemos en las primeras 24 horas. La curva del olvido no es un defecto del cerebro: es una característica. El olvido es el mecanismo que obliga al cerebro a decidir qué merece ser recordado. Para que algo se fije, tiene que costar.
Este "costo" tiene nombre en la literatura académica: las dificultades deseables (desirable difficulties), concepto desarrollado por los psicólogos Robert Bjork y Elizabeth Bjork. Descubrieron que las estrategias que hacen que el aprendizaje se sienta más difícil en el momento —como alternar temas en lugar de estudiar uno por vez— producen resultados dramáticamente mejores a largo plazo. En un estudio clásico, los estudiantes que practicaron con problemas intercalados obtuvieron un 63% de acierto una semana después, frente al 20% de quienes practicaron con bloques de un solo tema.
La incomodidad, el "dolor" de no entender algo a la primera, no es una señal de que algo está mal. Es una señal de que el cerebro está formando conexiones nuevas. Investigaciones en neurociencia cognitiva documentan que los estudiantes suelen interpretar el esfuerzo intenso como señal de poco aprendizaje, cuando en realidad es todo lo contrario.
El problema es que la industria tecnológica ha construido un ecosistema cuyo objetivo explícito es eliminar esa incomodidad.
El aprendizaje requiere tiempo: los números no mienten
Las horas necesarias para alcanzar un nivel mínimo de competencia en cualquier disciplina son difíciles de ignorar:
| Dominio | Tiempo estimado a nivel intermedio |
|---|---|
| Programación | ~300 horas para salir del nivel novato |
| Idiomas "fáciles" (francés, español) | 600–750 horas (según el Foreign Service Institute de EE.UU.) |
| Idiomas complejos (chino, árabe) | ~2.200 horas (FSI) |
| Habilidades expertas (música, deportes de alto nivel) | Miles de horas de práctica deliberada (Ericsson, 1993) |
Estos números son incómodos para una industria que promete resultados inmediatos. Nadie quiere escuchar que para ser programador junior necesita dedicar 300 horas de práctica consciente. Es más rentable vender la idea de que una herramienta de IA puede hacer el trabajo por vos, que ya "sabés" porque ChatGPT te dio la respuesta.
Pero hay una diferencia fundamental entre obtener una respuesta y saber obtenerla. Esa diferencia es lo que está en juego.
La sociología ya vio este patrón: la historia de las tecnologías que "facilitan"
Aquí está el punto que más frecuentemente se omite en los debates sobre IA y educación: ya pasamos por esto antes. Varias veces. Y la sociología tiene registro.
La imprenta y el pánico al olvido (siglo XV)
Cuando Gutenberg democratizó la imprenta alrededor de 1450, los humanistas del Renacimiento se desesperaron. El filósofo Conrad Gessner habló de una "abrumadora abundancia de libros" que era "perjudicial para la mente". Erasmo de Rotterdam se preocupó porque la facilidad de acceso degradaría la calidad del pensamiento. ¿Por qué esforzarse en memorizar si podías buscar la referencia en un libro?
El miedo no era irracional. La memoria cultivada como arte —la ars memorativa— efectivamente declinó. Los monjes que memorizaban la Biblia entera, los rapsodas que recitaban la Ilíada de corrido: esas prácticas dejaron de ser necesarias. Pero lo que emergió en su lugar fue algo diferente y potente: la lectura crítica, la referencia cruzada, la construcción de argumentos sobre fuentes escritas. La imprenta no destruyó el pensamiento. Transformó qué tipo de pensamiento era valioso.
La pregunta es: ¿estamos siendo igualmente pacientes y lúcidos frente a la IA?
La calculadora y la "muerte" de las matemáticas (años 70-80)
En los años 70, cuando las calculadoras de bolsillo se volvieron accesibles, el debate en las escuelas de todo el mundo fue exactamente el mismo que hoy. Los maestros argumentaban que los alumnos perderían la capacidad de hacer aritmética mental. Los reformadores decían que liberar al estudiante del cálculo mecánico le permitiría concentrarse en el razonamiento matemático de orden superior.
Ambos tenían razón.
La investigación posterior mostró que el cálculo mental básico sí declinó entre los estudiantes que usaban calculadoras sin restricciones desde temprano. Pero también mostró que, cuando la calculadora se integraba con diseño pedagógico consciente —primero comprensión del concepto, luego uso de la herramienta para explorar problemas más complejos—, el razonamiento matemático mejoraba. Un metaanálisis de Ellington (2003) sobre 54 estudios encontró que los estudiantes que usaban calculadoras superaban a los que no las usaban en comprensión conceptual y resolución de problemas, siempre que el diseño curricular acompañara el uso.
La lección no fue "calculadoras sí" ni "calculadoras no". Fue: el contexto de uso lo determina todo.
La televisión y la atención fragmentada (años 50-90)
Neil Postman, en su libro Amusing Ourselves to Death (1985), documentó cómo la televisión estaba transformando el discurso público americano. La imagen reemplazaba al argumento. El entretenimiento colonizaba la política, la educación, la religión. La atención se fragmentaba porque el medio exigía fragmentación.
Postman no se equivocó. Pero tampoco acertó del todo. La televisión no destruyó el pensamiento complejo: lo desplazó hacia otros formatos. Surgieron docuseries, debates de fondo, periodismo de investigación televisivo. Lo que sí destruyó, como predijo, fue cierto tipo de discurso público lento y deliberado.
La sociología de los medios aprendió de ese episodio que las tecnologías de comunicación no reemplazan las facultades cognitivas: redistribuyen cuáles se ejercitan y cuáles se atrofian. No es todo o nada. Es un reordenamiento.
El GPS y la memoria espacial: el caso más documentado
Quizás el ejemplo más limpio de lo que la IA nos está haciendo es uno más reciente y específico: el GPS y la memoria espacial.
Un estudio de 2020 publicado en Nature Communications siguió a usuarios de GPS durante cuatro años y documentó lo que muchos conductores ya intuían: la navegación asistida reduce la actividad del hipocampo y la capacidad de construir "mapas cognitivos" internos. Usuarios que antes encontraban el camino intuitivamente comenzaron a depender completamente del dispositivo. Cuando el GPS fallaba, quedaban desorientados en zonas que conocían desde hacía años.
No es que el GPS sea malo. Es que ningún usuario recibió instrucciones sobre cómo usarlo sin perder la habilidad subyacente. Nadie diseñó la integración pensando en la autonomía a largo plazo.
¿Suena familiar?
El "cognitive offloading": cómo la IA nos está volviendo dependientes
El término cognitive offloading describe el acto de delegar procesos mentales a herramientas externas. Es algo que los humanos siempre hicimos: escribir en papel, usar calculadoras, buscar en Google. Pero la escala y la velocidad de la delegación actual son cualitativamente distintas.
Un estudio sobre médicos que realizaban colonoscopias encontró que, tras haber trabajado con sistemas de IA de detección asistida, su capacidad para detectar pólipos sin la IA había disminuido significativamente. La herramienta no los había ayudado a aprender mejor: los había vuelto dependientes.
La Harvard Gazette alertó en 2025 que la "excesiva dependencia de IA" puede llevar a una "atrofia cognitiva" y a una menor capacidad de pensamiento crítico. El patrón se repite en contexto educativo: estudiantes que usan chatbots para tareas muestran peor retención y análisis más superficial tras el uso rutinario.
Desde la sociología, el concepto que mejor captura esto es el de capital cultural de Pierre Bourdieu. Bourdieu argumentaba que el conocimiento incorporado —las habilidades que se hacen cuerpo, que se vuelven segunda naturaleza tras años de práctica— es una forma de capital que posiciona a los individuos en el campo social. La IA no democratiza ese capital: crea la ilusión de acceso sin la incorporación real. Un estudiante que obtiene respuestas correctas sin comprenderlas no ha adquirido capital cultural. Ha adquirido una prótesis.
Y las prótesis, cuando se retiran, dejan un vacío.
Lo que la IA le está haciendo a las infancias y adolescencias
Hablar de IA sin hablar de niños, niñas y adolescentes es, para mí, una omisión imperdonable. Son ellos quienes están creciendo en un ecosistema donde la respuesta instantánea es la norma, donde la frustración se elimina antes de aparecer, donde no hay espacio para la incomodidad de no saber.
El filósofo coreano-alemán Byung-Chul Han describe en La sociedad del cansancio cómo estamos perdiendo la capacidad de experimentar la negatividad —el "no", el obstáculo, el límite— que es esencial para la formación del sujeto. Una generación que crece sin experimentar la resistencia del mundo real, sin tener que insistir, sin tener que fracasar y volver a intentarlo, no está siendo "empoderada" por la tecnología: está siendo privada de las condiciones básicas para desarrollar autonomía intelectual.
El sociólogo Harry Braverman documentó en Labor and Monopoly Capital (1974) el proceso de descalificación (deskilling) que acompañó la industrialización: las máquinas no solo automatizaron tareas, sino que fragmentaron el conocimiento artesanal de manera que los trabajadores dejaron de comprender el proceso completo. El zapatero que hacía un zapato entero fue reemplazado por operarios que solo cosían una parte, sin saber cómo se construía el conjunto. El resultado fue una fuerza laboral más barata, más sustituible, y fundamentalmente menos autónoma.
La IA en educación tiene el potencial de reproducir exactamente ese patrón. No con los cuerpos, sino con las mentes.
La ilusión de saber: Dunning-Kruger amplificado por algoritmos
Hay un patrón que se repite en los testimonios de desarrolladores que adoptan herramientas como GitHub Copilot o Cursor. Al principio, sienten que son increíblemente productivos. El código se escribe solo. Los bugs se resuelven solos. Pero con el tiempo, algunos comienzan a notar algo inquietante: ya no entienden el código que están produciendo.
La IA no solo escribe código: también escribe la ilusión de que entendemos lo que estamos haciendo.
El efecto Dunning-Kruger describe cómo las personas con baja competencia en un área tienden a sobreestimar su habilidad. La IA introduce una variante peligrosa: no es que creamos saber más de lo que sabemos, es que la herramienta nos da el resultado antes de que tengamos la oportunidad de darnos cuenta de que no sabemos.
Ivan Illich llamó a esto contraproductividad: el momento en que una institución o tecnología comienza a sabotear el mismo objetivo que justificó su existencia. Una escuela que produce estudiantes que odian aprender es contraproductiva. Un sistema de salud que enferma es contraproductivo. Una herramienta educativa que genera ilusión de conocimiento sin conocimiento real es, en términos de Illich, profundamente contraproductiva.
Y lo más preocupante: los indicadores de contraproductividad no se notan de inmediato. Se notan años después, cuando el sistema ya está instalado y los costos de cambio son enormes.
El mal uso de la IA en educación: una crítica con evidencia
Seamos directos: la industria de la IA educativa tiene un problema estructural de incentivos. Las métricas de éxito —tiempo en la plataforma, "sesiones completadas", usuarios activos— no miden aprendizaje. Miden engagement. Y el engagement se optimiza eliminando fricción, no creándola.
El resultado es predecible. Plataformas que prometen "aprender a programar en 30 días" con IA que completa el código antes de que el estudiante pueda cometer un error. Tutores virtuales que dan la respuesta antes de que el alumno formule bien la pregunta. Herramientas que simplifican tanto el problema que ya no es el problema original.
La politóloga Langdon Winner preguntó en su ensayo clásico ¿Tienen política los artefactos? (1980): ¿están las tecnologías diseñadas con valores incorporados que benefician a algunos y perjudican a otros? La respuesta, en el caso de estas plataformas, es afirmativa. Están diseñadas para maximizar retención de usuarios, no desarrollo cognitivo. No es malicia: es racionalidad de mercado. Pero sus consecuencias son políticas.
Lo más irónico es que la IA tiene el potencial exactamente opuesto. Un sistema bien diseñado podría:
- Generar problemas calibrados al nivel exacto del estudiante, en la "zona de desarrollo próximo" que Vygotsky identificó como el espacio óptimo de aprendizaje
- Dar pistas en lugar de respuestas, guiando sin resolver
- Identificar los errores conceptuales específicos de cada alumno y diseñar ejercicios para corregirlos
- Simular contextos reales donde aplicar el conocimiento antes de que sea urgentemente "necesario"
Ese sería un uso transformador. Lo que vemos mayoritariamente es otra cosa.
Usar mejor la IA: una propuesta con raíces históricas
No estoy pidiendo que abandonemos la IA. Sería tan ingenuo como pedirle a una sociedad que abandone la electricidad. La historia de las tecnologías de comunicación muestra que el rechazo total nunca funciona: la imprenta sobrevivió a Erasmo, la calculadora sobrevivió a los maestros conservadores, Internet sobrevivió a los moralistas de los 90.
Lo que sí puede cambiar es la conciencia con la que integramos estas herramientas.
Para educadores y formadores: Recuperar el diseño pedagógico intencional. La IA como "compañero de práctica", no como atajo. Primero el intento individual, luego la comparación con la respuesta de la IA, luego la crítica de esa respuesta. El proceso de comparación y crítica es donde ocurre el aprendizaje real.
Para desarrolladores y profesionales: Establecer prácticas deliberadas sin asistencia. Como los pilotos que practican aterrizajes manuales a pesar del piloto automático, necesitamos mantener la "musculatura mental" que la IA nos permite ignorar. La alternancia entre uso de herramientas y trabajo manual no es un capricho romántico: es higiene cognitiva.
Para familias y adolescentes: Enseñar a pensar con la IA, no a reemplazar el pensamiento. Mostrar que la IA se equivoca, que alucina, que no tiene conciencia. Cultivar una relación escéptica y activa con la tecnología. La investigadora danah boyd insiste en que la alfabetización digital no consiste en saber usar herramientas, sino en entender cómo las herramientas nos usan a nosotros.
Para diseñadores de productos de IA: Repensar las métricas de éxito. ¿Ayuda al usuario a aprender? ¿O lo vuelve dependiente? Diseñar para la autonomía a largo plazo, no para la comodidad inmediata. Hay ejemplos de hacerlo bien —sistemas de tutoría adaptativa como los que propone Sal Khan con Khanmigo— y la diferencia de diseño es notable.
Conclusión: el dolor como señal de vida intelectual
La tecnología nunca es neutral. La sociología de la tecnología lo ha documentado desde los años 70: cada herramienta lleva incorporada una filosofía, una visión del mundo, una idea de qué significa ser humano.
La IA actual, tal como está siendo diseñada e implementada masivamente, lleva incorporada una idea problemática: que el conocimiento se puede obtener sin esfuerzo. Que la dificultad es un bug, no un feature. Que la eficiencia es el valor supremo del aprendizaje.
La evidencia histórica y educativa dice lo contrario. La imprenta transformó la memoria pero creó la lectura crítica. La calculadora atrofió el cálculo mental pero potencialmente liberó el razonamiento de orden superior —cuando se usó bien. La televisión fragmentó la atención pero también creó nuevas formas de narrativa visual.
En cada caso, el resultado dependió de decisiones conscientes de integración. En cada caso, hubo una ventana —a veces corta— para tomar esas decisiones antes de que la tecnología se naturalizara y sus efectos se volvieran difíciles de revertir.
Estamos en esa ventana ahora, con la IA.
Aprender duele porque requiere que nos enfrentemos a lo que no sabemos, que nos equivoquemos, que insistamos, que durmamos con problemas sin resolver. Ese proceso —incómodo, lento, frustrante— no es un defecto del aprendizaje. Es el aprendizaje mismo.
Las generaciones futuras merecen algo mejor que una inteligencia artificial que les ahorre el esfuerzo de pensar. Merecen herramientas que los ayuden a pensar mejor, no herramientas que piensen por ellos. Eso no es nostalgia: es una decisión de diseño social. Y la sociedad —no solo la industria— tiene derecho a tomarla.
Maren Schulz — Socióloga de la tecnología. La tecnología no es neutral. 🔬
