Por qué la IA hace imprescindible el pensamiento crítico

La inteligencia artificial generativa ha llegado a los entornos directivos con una velocidad que pocas tecnologías anteriores han logrado. En apenas tres años, pasó de ser una curiosidad técnica a redactar contratos, producir modelos financieros, escribir código, sintetizar informes y generar análisis estratégicos con una fluidez que, en la superficie, resulta indistinguible del trabajo humano competente. La conclusión que de ahí se desprende es cómoda y peligrosa: si la herramienta produce el resultado, ¿para qué invertir en el pensamiento?

Porque el resultado que nos proporciona la IA no es el trabajo. Nuestro trabajo es decidir si ese resultado es correcto, si está respondiendo la pregunta adecuada y si quien lo firma lo entiende lo suficiente como para estar dispuesto a defenderlo. Esa distinción, que parece menor, es en realidad la línea que separa el uso profesional de la IA de su delegación acrítica. Y la evidencia acumulada en los últimos tres años indica que esa línea se cruza con más frecuencia de lo que los directivos están dispuestos a admitir.

Este artículo argumenta que el pensamiento crítico no es una habilidad blanda residual, sino la capacidad que determina si la IA añade valor o simplemente produce volumen. Y es, precisamente, la capacidad que se ve erosionada por un uso descuidado de estas herramientas.

 

¿Qué es el pensamiento crítico?

El término se usa tanto que ha perdido precisión. Vale la pena recuperarla. Se trata de la práctica de formular juicios deliberados, bien fundamentados y reflexivos. Implica interpretar información, analizar argumentos, evaluar evidencia, extraer conclusiones y ser capaz de explicar el razonamiento detrás de cada uno de esos pasos.

Esta definición proviene de un estudio Delphi¹ en el que un amplio panel de expertos consensuó que el pensamiento crítico no es una habilidad única, sino un conjunto de capacidades cognitivas que solo funcionan cuando van acompañadas de disposiciones mentales adecuadas: apertura intelectual, honestidad consigo mismo y curiosidad genuina. Tener la capacidad de pensar de manera crítica no es suficiente. También hay que querer ejercerla.

La investigación de Daniel Kahneman sobre cómo procesa información el cerebro ayuda a entender por qué pensar bien requiere un esfuerzo deliberado². Según él, existen dos sistemas: uno rápido, automático e intuitivo, y otro lento, cuidadoso y exigente. La mayoría de las decisiones cotidianas funcionan con el sistema 1, lo cual es eficiente para tareas rutinarias. El problema es que ese sistema también gestiona muchas decisiones de alto impacto, y cuando lo hace, los errores son predecibles: anclar en números irrelevantes, sobrevalorar eventos recientes, confiar en exceso en el propio criterio…

El pensamiento crítico es, esencialmente, la decisión de activar el sistema 2 cuando importa. Este marco no es solo descriptivo; tiene consecuencias directas cuando la IA nos ofrece una respuesta fluida y bien estructurada, porque esa fluidez es exactamente el tipo de señal que mantiene al sistema 2 dormido.

Es decir, un sistema 2 inactivo no solo deja pasar errores, sino que deja pasar los que más nos convienen. Keith Stanovich demuestra que ni una inteligencia privilegiada protege contra la tendencia a evaluar la evidencia en función de lo que ya se cree, el conocido sesgo myside³. En el contexto de la IA, esto tiene una consecuencia específica: un directivo con este sesgo tenderá a usar las respuestas de la IA que confirman su posición y descartará las que la cuestionan, sin advertirlo. La IA no corrige ese sesgo; lo alimenta con volumen y velocidad.

Por su parte, Hugo Mercier y Dan Sperber argumentan que el razonamiento evolucionó como herramienta social para argumentar y evaluar los argumentos de otros, no para llegar a verdades en solitario⁴. Es decir, pensamos con más cuidado cuando alguien nos desafía que cuando trabajamos solos. Para los equipos que usan IA, esto implica que, si la herramienta provee respuestas antes de que se haya producido el desafío intelectual entre personas, se elimina la condición que activa el pensamiento más riguroso.

Amy C. Edmondson ha documentado el mismo principio desde el lado organizacional: los equipos dispuestos a expresar desacuerdo y cuestionar supuestos superan sistemáticamente a los que valoran la armonía por encima de todo⁵. Una cultura que no cuestiona sus propias conclusiones no se repara añadiendo una herramienta que produce más conclusiones. La IA, en ese contexto, no resuelve el déficit, sino que lo escala.

Además, el pensamiento crítico puede enseñarse y produce mejoras reales y medibles en la calidad del razonamiento, como ha demostrado Diane F. Halpern⁶. Y más relevante para quien lidera: el pensamiento crítico predice el desempeño en la vida real mejor que el cociente intelectual, precisamente porque fue construido para las situaciones ambiguas y de alto riesgo. La IA resuelve bien lo predecible. El pensamiento crítico es lo que permite operar en lo que no lo es.

Se trata de lo que Robert J. Sternberg formula como inteligencia adaptativa⁷: la capacidad de definir bien los problemas, no solo resolverlos, y de preguntar si el problema fue correctamente enmarcado antes de intentar solucionarlo. En un entorno donde la IA encuadra los problemas a partir de los datos disponibles, y no a partir de lo que realmente necesitamos saber, esa pregunta previa se vuelve la más importante de todas.

Resumiendo: el pensamiento crítico es la práctica disciplinada del juicio reflexivo y propositivo. Opera a través de habilidades identificables (interpretación, análisis, evaluación, inferencia, argumentación), se activa mediante disposiciones intelectuales (apertura, honestidad, curiosidad), se afila en el diálogo genuino y apunta hacia la acción responsable. No se trata de ser inteligente, de memorizar reglas lógicas o de seguir una lista de verificación. En su mejor versión, es una orientación fundamental hacia el mundo. Es decir, cuestionar lo que se asume, tolerar la incertidumbre y actuar con integridad.

 

La IA no piensa, procesa

Los modelos de lenguaje comparten una característica que los hace especialmente difíciles de auditar: sus respuestas tienen el mismo tono de seguridad sea cual sea su precisión. Un modelo que identifica correctamente un plazo regulatorio y un modelo que se inventa una resolución judicial suenan idénticos. En ninguno de los casos hay vacilación ni señal alguna de que algo ha salido mal.

Esto conecta directamente con el sistema 1 de Kahneman. El cerebro trata la información fluida y coherente como información creíble. No se detiene a preguntar si la fuente es fiable. Como la IA genera el tipo de prosa pulida y bien estructurada que mantiene el sistema 2 durmiente, aplicar pensamiento crítico requiere activar el sistema 2 de forma deliberada, a contracorriente de lo que se siente natural. Y eso es un hábito entrenado, no una respuesta espontánea.

La IA tiene una extraordinaria capacidad para hallar patrones a partir de los datos existentes. Lo que requiere de nosotros es establecer por qué algo importa, juzgar cuándo el encuadre del problema es en sí mismo el problema, reconocer cuándo una respuesta formulada con confianza no tiene base fiable, distinguir correlación de causalidad y asumir responsabilidad por las consecuencias de las decisiones que ayuda a producir. Esas capacidades pertenecen al pensamiento crítico. Y nunca han sido más necesarias que ahora.

Consideremos, por ejemplo, un banco de inversión que usa IA para filtrar objetivos de fusiones y adquisiciones. El modelo puntúa cientos de empresas según criterios financieros, señala el encaje estratégico y produce una lista priorizada en minutos. Lo que hace es reconocer patrones en los datos históricos, pero es falible a la hora de determinar si la lógica de adquisición es sólida, dada la dinámica actual del mercado, si la brecha cultural entre adquirente y objetivo hace que las sinergias sean irreales o si la operación está siendo impulsada por una racionalidad estratégica genuina o por la presión de desplegar capital. Esas son las preguntas que determinan si la transacción crea o destruye valor. Y requieren juicio, no capacidad de procesamiento.

 

Confundir fluidez con exactitud es caro

Los costes profesionales de la delegación acrítica están documentados. Por ejemplo, la aseguradora Nippon Life terminó demandando a OpenAI por interferencia de contrato y ejercicio ilegal de la abogacía después de que ChatGPT animara a una de sus aseguradas a seguir litigando tras haber firmado un acuerdo de liquidación por una disputa de seguro de incapacidad. La aseguradora debió invertir alrededor de 300.000 dólares en honorarios legales para responder a los escritos generados por la IA, que, entre otras cosas, incluían la cita de un caso inexistente. El modelo no detectó, ni podía detectar, que la reclamante carecía del contexto jurídico para evaluar lo que el propio modelo le estaba diciendo.

Estos no son errores de la tecnología que esta eventualmente corregirá. Son consecuencias directas de usuarios que dejaron de cuestionar los resultados que les ofrecía la IA. Una investigación publicada en Organization Science sobre el rendimiento de 758 consultores de BCG indica que la IA lo mejoró en las tareas que caen dentro de su frontera tecnológica real, pero que los profesionales que la usaron en tareas fuera de esa frontera obtuvieron peores resultados que quienes no usaron IA en absoluto⁸. Los investigadores lo llamaron “quedarse dormido al volante”: cuando la herramienta impresiona, los humanos dejan de prestar atención y adoptan los resultados de la IA sin cuestionarlos. Ese hábito, formado rápidamente y reforzado a diario, migra de las tareas rutinarias a las de alto impacto.

Klarna ilustra la misma lógica a escala organizacional. Entre 2023 y 2024, esta fintech sueca reemplazó aproximadamente 700 agentes de atención al cliente con un asistente de IA, anunciando que el sistema operaba con calidad equivalente a la humana. A principios de 2025, los datos contaban otra historia: la satisfacción y los índices en interacciones complejas se habían deteriorado, las tasas de contacto repetido habían subido y las métricas de servicio al cliente confirmaban que la IA gestionaba bien las consultas rutinarias, pero no los problemas complejos. El volumen y la velocidad de respuesta eran las métricas que lucían bien, pero habían enmascarado las métricas que realmente importaban. El experimento de reemplazar a todos los agentes terminó con el reconocimiento del propio CEO de que la calidad había caído notablemente, así que la empresa volvió a contratar personas.

A lo largo de 2026, se han repetido experiencias semejantes. Ford, por ejemplo, incorporó o promovió a 350 ingenieros veteranos después de que los sistemas automatizados no pudieran detectar los fallos de diseño que los profesionales con experiencia sí identificaban. En la misma línea, IBM descubrió que su IA gestionaba bien el 94 % de las solicitudes rutinarias de recursos humanos, pero no el 6 % restante –dilemas, situaciones de alta complejidad–, y la compañía anunció planes para triplicar la contratación de perfiles de entrada en Estados Unidos. Ambos casos, como el de Klarna, muestran que la IA no puede reemplazar el juicio en los casos que más importan.

 

Delegar el pensamiento tiene un precio

El supuesto detrás de la adopción masiva de IA es que delegar tareas cognitivas en la herramienta libera capacidad mental para lo que “realmente importa”. La investigación de los últimos años cuestiona ese supuesto. Los datos apuntan en la misma dirección: delegar el pensamiento sin mantener el escrutinio activo no libera capacidad, sino que la erosiona.

Un estudio del MIT Media Lab midió la actividad cerebral de 54 participantes divididos en tres grupos⁹: quienes emplearon ChatGPT, quienes usaron un motor de búsqueda y quienes escribieron sin herramientas. Los usuarios de ChatGPT mostraron la conectividad neuronal más débil en todas las regiones registradas: menor control ejecutivo, menor activación de la memoria y menor procesamiento creativo.

Pero lo más revelador fue que, al pedirles que reescribieran sus propios ensayos sin la herramienta, el 83 % de los usuarios de IA apenas podían citar lo que habían generado. La tarea se había completado y el pensamiento no se había producido. Los investigadores llamaron a este fenómeno “deuda cognitiva”: cada delegación en la IA es un préstamo contra la propia capacidad cognitiva, y el interés se acumula.

Otra investigación encuestó a 319 trabajadores del conocimiento sobre 936 tareas reales asistidas por IA y halló que, cuanto mayor era la confianza de los usuarios en la herramienta, menos escrutinio crítico aplicaban¹⁰. La alta confianza en la IA fue un predictor directo de menor esfuerzo cognitivo. Esto tiene implicaciones directas para cualquier organización que evalúe la adopción de IA por la satisfacción de sus usuarios, ya que un usuario satisfecho con el resultado que ofrece la IA es, con frecuencia, un usuario que dejó de cuestionarlo.

Un artículo publicado en Proceedings of the National Academy of Sciences documentó el mecanismo de fondo a partir de un experimento de campo con cerca de mil estudiantes¹¹: quienes tuvieron acceso a IA durante la práctica obtuvieron mejores resultados en esas sesiones, pero peores en los exámenes posteriores sin la herramienta.

La explicación es que trabajar a través de un problema difícil sin atajos inmediatos es precisamente lo que construye la experiencia y consolida el juicio. Cada vez que la IA elimina esa fricción, elimina también la oportunidad de aprendizaje. Los investigadores encontraron también que ser consciente del problema no basta para prevenirlo.

Además, el análisis de 1,5 millones de interacciones reales con la IA por parte de Anthropic muestra que aquellas en las que la IA moldeaba las creencias o decisiones de los usuarios hasta comprometer su juicio independiente recibían calificaciones de aprobación por encima del promedio¹². Los usuarios se sintieron ayudados. No advirtieron que habían cedido el timón.

Si bien el desempoderamiento severo se produjo en menos de una de cada mil conversaciones, y con mayor frecuencia en contextos personales que en profesionales, el volumen de usuarios hace que incluso tasas bajas afecten a un número significativo de personas. Y más teniendo en cuenta que las tasas de este tipo de interacciones aumentaron entre 2024 y 2025.

Lo que este conjunto de evidencia muestra no es que la IA sea perjudicial por sí misma, pero sí que, sin pensamiento crítico activo, produce un deterioro medible de la capacidad de juicio, que además es invisible para quien lo experimenta. Es un proceso en curso, no un riesgo hipotético, documentado en trabajadores y en organizaciones reales. Y se intensifica en los momentos en que la confianza en la herramienta es mayor.

 

Siete prácticas para mantenernos al timón

Nada de lo anterior es abstracto. En la práctica, pone de manifiesto la necesidad de tratar cada respuesta de la IA como un borrador de un asistente capaz, pero sin contexto propio, que no tiene idea de lo que realmente importa en esa situación específica. Implica cuestionar si la pregunta que se está respondiendo es la correcta antes de evaluar cualquier respuesta. Significa mantenerse en fricción productiva con los problemas difíciles en lugar de rodearlos, porque en esa fricción es donde se forma el juicio profesional. Las siguientes siete prácticas trasladan esos principios al trabajo diario:

1. Mantener la fricción deliberada en los procesos donde el error tiene consecuencias reales. La fricción productiva, es decir, el hecho de trabajar a través de un problema difícil sin atajos inmediatos, es lo que da forma al juicio y desarrolla la experiencia. Hay que evitar el uso de la IA en las etapas de diagnóstico y encuadre de problemas complejos y emplearla para acelerar una vez que el equipo ha desarrollado una posición propia sobre el problema.

2. Tratar siempre el resultado de la IA como una hipótesis, no como una respuesta. Antes de usar cualquier resultado generado por IA en una decisión, hay que pedir explícitamente al equipo que identifique al menos tres supuestos que el modelo tuvo que hacer para llegar a esa conclusión y que evalúe si son razonables en el contexto específico. Si nadie puede articular los supuestos, la respuesta no está lista para usarse.

3. Construir el hábito del escrutinio en los procesos, no solo en las personas. Como hemos visto, la confianza en la herramienta reduce el escrutinio individual incluso en profesionales competentes. La respuesta no es confiar menos en la IA, sino institucionalizar el cuestionamiento: protocolos de revisión donde alguien tiene el mandato explícito de buscar qué está mal en la respuesta de la IA antes de adoptarla.

4. Evaluar si las métricas capturan lo que realmente importa. Klarna midió el volumen y la velocidad de respuesta, pero no –hasta que fue tarde– la calidad en las interacciones complejas. Antes de implementar la IA en cualquier función crítica, hay que identificar las métricas que la eficiencia puede enmascarar: satisfacción real, calidad en casos límite, desarrollo de juicio en los profesionales involucrados. Estas se deben monitorizar con la misma disciplina que las métricas de productividad.

5. Proteger la capacidad de la organización para funcionar sin IA en las decisiones que más importan. Un equipo que no puede analizar, argumentar ni decidir sin asistencia de la IA no ha ganado eficiencia, sino que ha adquirido una dependencia. Hay que practicar regularmente el ejercicio de llegar a conclusiones propias antes de consultar a la IA, y usar la IA para contrastar y enriquecer, no para sustituir el proceso.

6. Convertir la IA en el fiscal, no en el testigo. Los modelos de lenguaje tienen una tendencia documentada a favorecer respuestas que el usuario percibe positivamente, lo cual significa que el resultado de la IA que damos por bueno sin resistencia activa no ha pasado por un verdadero filtro crítico. Ha pasado por el nuestro, reflejando nuestros supuestos previos. Una vez que nuestro equipo ha desarrollado una posición propia sobre un problema (que es el momento correcto para traer la herramienta, no antes), conviene utilizar la IA deliberadamente para demolerla. Hay que pedir al modelo que construya el mejor argumento contra nuestro análisis, que identifique qué estaríamos ignorando si tuviéramos razón y qué datos, de existir, invalidarían nuestra conclusión. Si no podemos rebatir las objeciones del modelo, tenemos trabajo pendiente antes de decidir. La IA que solo confirma no es un colaborador, es un espejo que devuelve lo que ya pensábamos… pulido.

7. Ser el modelo del comportamiento que queremos ver. Los líderes que preguntan en reuniones cómo se llegó a una conclusión, qué supuestos se cuestionaron, qué evidencia contradice una posición y quién será responsable en caso de fallar crean organizaciones que piensan. Los líderes que aceleran la adopción de la IA sin establecer ese estándar de escrutinio propician organizaciones que generan volumen. La diferencia no la produce la tecnología, sino la cultura de pensamiento que el líder decide instalar.

 

La pregunta que ningún modelo formulará por nosotros

El juicio se atrofia más rápido de lo que se reconstruye. El profesional que deja de interrogar supuestos en el primer año de uso intensivo de IA no lo retoma en el tercer año donde lo dejó. El hábito del escrutinio crítico requiere práctica diaria para permanecer funcional cuando las apuestas son reales. El modelo no tiene memoria de la conversación ni interés en el resultado.

La IA generativa es una herramienta poderosa. Su capacidad para procesar información a escala, generar opciones, identificar patrones y producir borradores en segundos representa una ventaja genuina para cualquier organización que la utilice bien. Hoy en día, lo relevante es preguntar si quien la usa mantiene la capacidad de juzgar lo que produce.

La investigación es consistente y apunta en una dirección clara: el uso intensivo de IA sin escrutinio activo reduce la conectividad neuronal, erosiona el desarrollo de experiencia, incrementa la confianza acrítica en resultados de la IA incorrectos y desempodera a los usuarios.

Ningún modelo de IA se cuestiona si la pregunta que está respondiendo es la correcta. Si el contexto que no está en los datos importa más que el que sí está. Si las consecuencias de esta decisión para personas que no están en la sala justifican ralentizar el proceso. Si estamos dispuestos a firmar esto y a explicarlo cuando las cosas no salgan como se esperaba.

Estas preguntas nos pertenecen a nosotros. Y la única manera de estar en condiciones de formularlas cuando más importan es no haber dejado de hacerlas todos los días.

 

Referencias

1. Facione, P. A. (1990). Critical thinking: A statement of expert consensus for purposes of educational assessment and instruction (The Delphi Report). California Academic Press.

2. Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.

3. Stanovich, K. E. (2011). Rationality and the reflective mind. Oxford University Press.

4. Mercier, H. y Sperber, D. (2017). The enigma of reason. Harvard University Press.

5. Edmondson, A. C. (2018). The fearless organisation: Creating psychological safety in the workplace for learning, innovation, and growth. HBS.

6. Halpern, D. F. (2014). Thought and knowledge: An introduction to critical thinking (5.ª ed.). Psychology Press.

7. Sternberg, R. J. (2019). A theory of adaptive intelligence and its relation to general intelligence. Journal of Intelligence, 7 (4), 23.

8. Dell'Acqua, F., McFowland, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F. y Lakhani, K. R. (2026). Navigating the jagged technological frontier: Field experimental evidence of the effects of artificial intelligence on knowledge worker productivity and quality. Organization Science, 37 (2).

9. Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I. y Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task. arXiv.org

10. Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R. y Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems. ACM.

11. Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakci, O. y Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122 (26).

12. Sharma, M., McCain, M., Douglas, R. y Duvenaud, D. (2026). Who's in Charge? Disempowerment Patterns in Real-World LLM Usage. arXiv.org