Delegar parte del trabajo mental a una herramienta forma parte de nuestra vida cotidiana. Anotamos algo para no tener que recordarlo, utilizamos una calculadora para resolver una operación o dejamos que una aplicación nos indique la ruta mientras conducimos.
La psicología estudia este fenómeno como descarga cognitiva: trasladamos parte de las demandas de una tarea hacia un recurso externo para reducir el esfuerzo que tendríamos que realizar internamente. El concepto es anterior a la actual expansión de la inteligencia artificial, pero adquiere una dimensión distinta cuando la herramienta ya no se limita a guardar información o realizar un cálculo, sino que puede resumir, comparar, razonar, proponer decisiones o ejecutar parte de una tarea.
La investigación sobre colaboración entre personas e IA muestra además que esa delegación puede cambiar nuestra relación con el resultado. Junto con la descarga cognitiva aparecen conceptos como sesgo de automatización, que describe la tendencia a apoyarnos demasiado en una recomendación automática, y confianza calibrada, que busca que nuestra confianza corresponda con las capacidades reales del sistema.
Cuando la IA hace parte del trabajo, nuestra tarea también cambia: pasamos de ejecutar cada paso a decidir cuándo confiar y cuándo revisar.
Delegar también es una forma de pensar
La descarga cognitiva no implica necesariamente dejar de pensar. Muchas veces permite distribuir mejor nuestros recursos mentales. Si una herramienta se ocupa de recordar fechas, ordenar información o realizar operaciones repetitivas, podemos dedicar más atención a aquello que requiere interpretación, creatividad o juicio.
Risko y Gilbert explicaron este fenómeno en Trends in Cognitive Sciences como una estrategia mediante la cual modificamos las exigencias cognitivas de una tarea utilizando acciones o recursos externos. También señalaron algo importante: la decisión de delegar depende, entre otros factores, de cómo evaluamos nuestras propias capacidades.
Con la IA, esa posibilidad se amplía. Podemos delegar la búsqueda de información, la primera organización de un documento, una comparación entre alternativas o determinados pasos de un análisis. El beneficio puede aparecer en forma de velocidad y menor carga mental, pero el resultado depende también de qué parte del proceso entregamos al sistema y cuál conservamos nosotros.
Investigaciones recientes empiezan a explorar precisamente esa diferencia. Un experimento publicado en 2026 con asistentes de IA encontró que proporcionar directamente recomendaciones podía mejorar el rendimiento inmediato de usuarios principiantes, mientras una delegación más intensa se asociaba con menor desarrollo posterior de habilidades que otras formas de asistencia en las que la persona conservaba mayor participación en el proceso.
El riesgo aparece cuando dejamos de revisar
La comodidad de una respuesta directa tiene otra consecuencia posible: reducir nuestra vigilancia sobre el resultado.
Una revisión sistemática publicada en AI & Society analizó 35 estudios revisados por pares sobre sesgo de automatización en la colaboración entre humanos e IA. Los trabajos reunidos involucraron 19,774 participantes y mostraron que la sobredependencia no procede de una sola causa: intervienen la confianza, la carga de trabajo, la experiencia, la alfabetización en IA, las exigencias de verificación y la manera en que se presentan las explicaciones del sistema.
El sesgo de automatización tampoco significa que aceptemos automáticamente todo lo que produce una máquina. Describe una tendencia que puede aparecer cuando damos un peso excesivo a la recomendación del sistema y reducimos nuestra propia comprobación.
Un experimento publicado en 2024 permite verlo con claridad. Los participantes realizaron tareas de razonamiento asistidos por un chatbot que, según el grupo, ofrecía instrucciones, respuestas directas o ambas. Quienes recibían directamente las respuestas dependían más del asistente; posteriormente, al introducir orientación incorrecta, esa dependencia perjudicó el desempeño en nuevas tareas.
La eficiencia inmediata había cambiado la manera de relacionarse con la ayuda.
Confiar bien es distinto de confiar mucho
El objetivo, por tanto, difícilmente consiste en desconfiar de la inteligencia artificial. Una recomendación correcta que ignoramos sistemáticamente tampoco representa una buena colaboración.
La investigación utiliza el concepto de confianza calibrada para describir una relación en la que nuestra confianza se aproxima a la capacidad real del sistema. Si la herramienta funciona bien para determinada tarea, podemos apoyarnos en ella; si existen incertidumbres, límites o posibilidades relevantes de error, aumenta la necesidad de comprobar.
Una investigación experimental publicada en Computers in Human Behavior encontró que las personas podían seguir consejos atribuidos a una IA aun cuando entraban en conflicto con información contextual disponible y con su propia evaluación. Los autores relacionan estos resultados con la necesidad de mejorar la alfabetización sobre IA y la calibración de la confianza.
La diferencia parece pequeña, pero es fundamental: confiar mucho describe una cantidad; confiar bien exige entender para qué sirve la herramienta y dónde empiezan sus límites.
La investigación utiliza distintos conceptos para explicar qué cambia cuando una parte de la tarea pasa al sistema. Aunque están relacionados, cada uno describe un efecto diferente.
Qué puede cambiar cuando delegamos una tarea
| Concepto | Qué significa | Qué puede ocurrir |
|---|---|---|
| Descarga cognitiva | Trasladamos parte del esfuerzo mental a una herramienta. | Podemos liberar atención para otras partes de la tarea. |
| Sesgo de automatización | Damos demasiado peso a una recomendación automática. | Podemos revisar menos o pasar por alto un error. |
| Confianza calibrada | Ajustamos nuestra confianza a las capacidades y límites reales del sistema. | Ayuda a decidir cuándo aceptar, comprobar o cuestionar un resultado. |
El reto, entonces, no consiste simplemente en confiar o desconfiar de la IA, sino en saber qué conviene delegar y en qué momentos necesitamos volver a mirar.
Actuar vuelve más importante la supervisión
Esta cuestión adquiere todavía más relevancia a medida que la IA pasa de recomendar a realizar tareas. Un error dentro de una respuesta puede corregirse antes de utilizarla; una acción ejecutada sobre un calendario, una compra, un documento o una cuenta puede producir consecuencias fuera de la conversación.
Nuestra participación cambia con ello. En algunas tareas seguiremos trabajando paso a paso junto con la herramienta; en otras podremos indicar un objetivo y revisar solamente determinados momentos del proceso. La supervisión deja entonces de significar observar cada movimiento y empieza a implicar elegir qué merece nuestra atención.
La ciencia sobre interacción humano-IA todavía está estudiando cómo encontrar ese equilibrio. Los resultados disponibles apuntan a una relación más compleja que la idea de que delegar es necesariamente bueno o malo: descargar parte del esfuerzo puede mejorar la eficiencia, mientras una dependencia excesiva puede reducir la revisión o dificultar que detectemos un error cuando el sistema falla.
Por eso, conforme la IA asume tareas más amplias, una habilidad humana adquiere un nuevo valor: saber cuándo dejarla trabajar y cuándo recuperar deliberadamente el control del proceso.
▏
Desde la investigación
- Risko y Gilbert, Trends in Cognitive Sciences (2016): revisión fundamental sobre descarga cognitiva y las razones por las que utilizamos recursos externos para reducir las demandas mentales de una tarea.
- Romeo y Conti, AI & Society (2026): revisión de 35 estudios sobre sesgo de automatización y sobredependencia en la colaboración humano-IA.
- “The efficiency-accountability tradeoff in AI integration” (2024): dos experimentos encontraron mayor dependencia con respuestas directas y menor vigilancia cuando posteriormente la IA ofrecía orientación equivocada.
- “Calibrating workers’ trust in intelligent automated systems” (2024): plantea la confianza calibrada como alternativa tanto a confiar demasiado como a confiar demasiado poco en sistemas inteligentes.