Una búsqueda, abrir varios resultados, descartar algunos, volver al buscador y reformular la consulta formaba parte de encontrar información en internet. Los asistentes de inteligencia artificial modifican ese recorrido: podemos explicar lo que necesitamos con mayor detalle y recibir una respuesta ya organizada, resumida y adaptada a nuestra pregunta.
La ventaja resulta evidente. Parte del trabajo que antes hacíamos (localizar información, reunirla y relacionarla) puede ocurrir en segundos. La investigación reciente, sin embargo, empieza a mostrar que esa comodidad no produce un único efecto: la IA puede ampliar nuestra capacidad para preguntar y explorar, pero una respuesta demasiado suficiente también puede hacer que terminemos la búsqueda antes.
Esa diferencia importa porque buscar no consiste únicamente en llegar hasta un dato. También implica decidir qué información necesitamos, reconocer qué falta, comparar perspectivas y saber cuándo vale la pena seguir.
La IA puede acortar el camino hacia una respuesta, pero explorar sigue dependiendo de nuestra decisión de continuar preguntando.
La IA nos permite preguntar cosas que antes eran difíciles de buscar
Una caja de búsqueda funciona especialmente bien cuando podemos traducir aquello que queremos a términos relativamente concretos. Una conversación con IA admite algo distinto: contexto, condiciones, ejemplos, dudas incompletas y preguntas que se transforman mientras avanzamos.
En ese sentido, en una investigación presentada en CHI 2026 se analizó más de 200 mil interacciones reales entre personas y ChatGPT. Los investigadores encontraron que cerca de 80% de las consultas estudiadas eran difíciles de considerar “buscables” mediante el modelo tradicional de un motor de búsqueda. Además, esas consultas cubrían un espacio temático más amplio que aquellas que sí podían trasladarse fácilmente a un buscador.
Ahí aparece una de las ganancias menos evidentes. La IA no solo permite obtener información más rápido; amplía la forma en que podemos expresar lo que queremos encontrar.
Podemos comenzar con una simple curiosidad, agregar una situación personal, pedir una explicación más sencilla y después cambiar de dirección a partir de algo que apareció en la respuesta. El proceso deja de depender tanto de encontrar las palabras clave adecuadas y se acerca más a una exploración progresiva.
Pero el mismo estudio encontró un contraste interesante. Cuando compararon preguntas que sí podían resolverse tanto con ChatGPT como con Google, las respuestas de IA mostraron menor diversidad de información en la mayoría de los temas analizados. Además, la diversidad de una respuesta influía en la variedad de las preguntas que las personas formulaban después.
Es así como la IA puede abrirnos la puerta hacia más tipos de preguntas y, al mismo tiempo, la respuesta que recibimos puede delimitar por dónde seguimos explorando.
Preguntar de nuevo hace una diferencia
La conversación integrada en resultados de búsqueda ofrece algo que una lista de resultados no tenía de la misma manera: podemos continuar desde donde nos quedamos.
Nakyung Kim y Yong Gu Ji estudiaron en 2026 cómo distintas formas de interacción con IA generativa afectan la búsqueda exploratoria. En un experimento con 36 participantes observaron que presentar la información progresivamente y favorecer una mayor iniciativa del usuario incrementó la participación y el comportamiento exploratorio. Quienes formulaban sus propias preguntas y seguían profundizando mostraban mayor implicación en la búsqueda.
Es un estudio pequeño y centrado específicamente en búsquedas exploratorias, de modo que sus resultados no describen todas las formas en que utilizamos IA. Aun así, ofrece una pista valiosa: recibir ayuda del sistema no implica necesariamente volvernos pasivos.
La diferencia está en lo que ocurre después de la primera respuesta.
Un usuario puede pedir otra explicación, solicitar el argumento contrario, pedir fuentes, cambiar una condición o seguir una idea que acaba de descubrir. En ese escenario, la síntesis de la IA ahorra parte del trabajo mecánico y deja más espacio para perseguir nuevas preguntas. Amplia el resultado a una conversación.
La interacción también puede terminar en el movimiento contrario: recibimos una respuesta convincente y asumimos que ya encontramos suficiente.
Llegar antes también puede hacer que revisemos menos
Los beneficios de rapidez ya aparecen en experimentos controlados. Por ejemplo, Investigadores de Microsoft compararon búsquedas tradicionales con búsquedas apoyadas por modelos de lenguaje y encontraron que los participantes que utilizaron IA completaron las tareas más rápido, realizaron menos consultas y formularon preguntas más complejas. También reportaron una experiencia más satisfactoria.
El problema apareció cuando la respuesta del modelo era incorrecta. En esas situaciones, los usuarios tendían a confiar demasiado en la información equivocada. La eficiencia seguía siendo atractiva, pero también reducía parte de la fricción que normalmente nos obliga a evaluar diferentes resultados.
La verificación muestra un fenómeno parecido.
Un experimento preregistrado publicado en 2026 estudió a 1,417 participantes en Alemania utilizando respuestas de búsqueda generativa sobre temas políticos. Añadir avisos de verificación o fuentes no incrementó por sí mismo la intención de comprobar la información. Incluso las fuentes percibidas como altamente creíbles reducían la probabilidad de verificarla; las personas tendían a revisar más cuando ya sentían dudas sobre la exactitud de la respuesta.
Eso introduce otra posible pérdida: el contacto con una fuente no garantiza que realmente la inspeccionemos. Una respuesta bien construida, acompañada por citas reconocibles, también puede producir suficiente confianza para detener la búsqueda.
No significa que debamos desconfiar sistemáticamente de aquello que responde una IA. Significa que la apariencia de una respuesta completa puede modificar nuestra percepción de cuánto trabajo queda por hacer.
La integración de IA en la búsqueda tampoco ocurre de manera uniforme. Para algunas personas, conversar con un sistema reduce fricción y facilita llegar a información útil; para otras, puede añadir dudas sobre las fuentes, la precisión de la respuesta o cuánto conviene confiar en ella. La adopción también depende de experiencia digital, familiaridad con estas herramientas y del tipo de consulta que estamos intentando resolver.
Los estudios revisados muestran que buscar con IA no produce un efecto único. Algunas ventajas y posibles pérdidas dependen de cuánto seguimos participando en el proceso.
| Aspecto | Qué podemos ganar | Qué puede reducirse |
|---|---|---|
| Tiempo y esfuerzo | La IA reúne, organiza y sintetiza información en menos pasos. | Parte del recorrido que antes hacíamos para localizar y relacionar información. |
| Exploración | Podemos formular preguntas más complejas y seguir nuevas rutas mediante la conversación. | La exploración puede detenerse antes si la primera respuesta parece suficiente. |
| Diversidad | La IA permite abordar temas y consultas difíciles de expresar con palabras clave. | Una síntesis puede concentrar la atención en menos perspectivas o fuentes. |
| Verificación | Las respuestas pueden incluir fuentes y referencias para profundizar. | Una respuesta convincente puede disminuir nuestra intención de comprobarlas. |
| Comprensión | Una explicación organizada puede facilitar el acceso inicial a un tema complejo. | En tareas de aprendizaje, recibir todo ya sintetizado puede reducir parte del esfuerzo de construir la comprensión. |
Buscar mejor quizá implique saber cuándo continuar
Hay situaciones en las que el recorrido importa incluso más que la rapidez. Una investigación publicada en PNAS Nexus en 2025 realizó siete experimentos comparando el aprendizaje mediante síntesis de modelos de lenguaje con la búsqueda tradicional en la web.
En esas tareas específicas, quienes recibían información ya sintetizada dedicaban menos esfuerzo a reunirla y construían posteriormente respuestas más superficiales y menos originales que quienes habían tenido que recorrer y combinar diferentes fuentes.
Ese hallazgo requiere una distinción importante: no todas nuestras búsquedas tienen como propósito aprender profundamente. Si queremos conocer un horario, entender un término, resolver una curiosidad inmediata o encontrar una recomendación de algún producto, ahorrar pasos puede ser exactamente lo que necesitamos.
El resultado adquiere otra dimensión cuando buscamos comprender un asunto, comparar perspectivas, investigar o tomar una decisión relevante. En esos casos, el trabajo que la IA nos ahorra también era parte del proceso mediante el cual construíamos nuestra propia comprensión.
La búsqueda con inteligencia artificial introduce entonces una relación menos simple que “más rápida es mejor” o “buscar antes era mejor”. Ganamos una herramienta capaz de compilar información, interpretar preguntas complejas, adaptar explicaciones y acompañarnos mientras descubrimos nuevas dudas. Podemos recorrer en minutos caminos que antes exigían múltiples búsquedas y aprovechar la conversación para profundizar mucho más.
Lo que podemos perder aparece cuando la primera respuesta se convierte automáticamente en la última.
Buscar mejor con IA quizá consista precisamente en aprovechar ambas cosas: permitir que el sistema nos ahorre trabajo cuando resulta útil y conservar nuestra capacidad de reconocer cuándo todavía falta explorar.
La IA puede ayudarnos a llegar a una respuesta. La curiosidad sigue decidiendo si nos quedamos ahí.
▏
Desde la investigación
- Kim y Ji, International Journal of Human-Computer Studies (2026): una mayor iniciativa del usuario y respuestas progresivas favorecieron participación y búsqueda exploratoria.
- Yu et al., CHI 2026: más de 200 mil interacciones mostraron nuevas formas de preguntar, junto con menor diversidad informativa en respuestas de IA para muchas consultas comparables con Google.
- Spatharioti et al., CHI 2025: la búsqueda con LLM fue más rápida y requirió menos consultas, pero aumentó la dependencia cuando el modelo ofrecía información incorrecta.
- Knor et al., Computers in Human Behavior Reports (2026): mostrar fuentes o recordatorios de verificación no aseguró una mayor disposición a comprobar las respuestas.
- Melumad y Yun, PNAS Nexus (2025): en tareas orientadas al aprendizaje, recibir síntesis de LLM redujo parte del esfuerzo de reunir información y produjo conocimiento menos profundo en los experimentos realizados.