La inteligencia artificial responde con rapidez, claridad y aparente seguridad. Es el sistema que nunca duda. Pero ¿por qué tendemos a confiar en una respuesta bien construida incluso antes de comprobarla? Este artículo explora el camino que va de la publicidad y los algoritmos de recomendación hasta la llamada “rendición cognitiva”, y plantea una cuestión decisiva: qué parte del esfuerzo de pensar queremos seguir conservando.
Llegué a esta pregunta después de leer el informe del MIT sobre inteligencia artificial, educación y aprendizaje (https://aiandeducation.mit.edu/report/). Esperaba encontrar una discusión sobre herramientas, profesores, estudiantes y nuevas formas de enseñar; terminé subrayando conceptos que me llevaron hacia una pregunta bastante menos tecnológica: ¿cómo llegamos hasta aquí? No cómo conseguimos construir una máquina capaz de responder preguntas, escribir textos o producir imágenes, sino cómo llegamos nosotros al otro lado de la pantalla, tan dispuestos a confiar en lo que nos dice. El informe ponía sobre la mesa asuntos como la fricción cognitiva, el esfuerzo productivo y el riesgo de externalizar operaciones que forman parte del aprendizaje. A mí me dejó una sospecha adicional: si hoy podemos entregar a una máquina una parte del trabajo de interpretar, comparar, argumentar y decidir, quizá valga la pena preguntarnos si esa disposición apareció con la inteligencia artificial o si veníamos practicando formas más pequeñas de delegación desde mucho antes.
Para no convertir esa sospecha en una de esas teorías que explican perfectamente el mundo siempre que nadie les pida evidencia, hice un ejercicio especulativo: traté la relación como si fuera un problema susceptible de medirse. Lo llamé Arbitraje de Consistencia Cultural. El nombre suena bastante más sofisticado de lo que realmente pretende hacer. La pregunta es sencilla: si pudiéramos medir, por un lado, cuánto nos hemos habituado a sistemas externos que seleccionan, recomiendan y personalizan nuestras decisiones y, por otro, cuánto estamos dispuestos a aceptar una respuesta de IA sin verificarla, ¿encontraríamos alguna relación? ¿Y aparecería entre ambas algo todavía más interesante: una menor tolerancia al esfuerzo, la incertidumbre, ¿la pausa o el “depende” que acompaña tantas veces al pensamiento real? No se trata de demostrar que la publicidad produjo la rendición cognitiva ni de aplicar una ecuación financiera a la historia de la cultura. Se trata de obligar a la hipótesis a mantener cierta distancia de sí misma y preguntarle qué tendría que ser verdad para que pudiera sostenerse.
De la publicidad a la inteligencia artificial: la intermediación
Ese ejercicio produjo algo más interesante que el modelo. Me permitió ver que quizá estaba mirando mal la relación entre publicidad e inteligencia artificial. El vínculo no tenía por qué buscarse en una historia de manipulación creciente, como si un publicista de 1950 hubiera estado preparando en secreto nuestra rendición ante ChatGPT. La pista estaba en otro lugar: la intermediación. Durante décadas hemos desarrollado sistemas cada vez más sofisticados para ayudarnos -y también para inducirnos- a resolver una pregunta muy humana: entre todo lo que existe, ¿qué, de todo lo que existe, es para mí?. La publicidad, el marketing, las marcas, los rankings, las plataformas, los algoritmos de recomendación y ahora la inteligencia artificial responden esa pregunta de maneras distintas, la diferencia es hasta dónde puede llegar cada uno.
Vista desde ahí, la escena cotidiana frente a una inteligencia artificial adquiere otro significado. Preguntamos algo y, unos segundos después, aparece una respuesta perfectamente escrita que no tartamudea, no se distrae, no mira al techo buscando una palabra ni comienza diciendo una cosa para detenerse a mitad de camino y advertir que quizá estaba equivocada. No necesita recordar dónde leyó aquello ni atraviesa ese silencio incómodo de quien conoce suficientemente un asunto como para sospechar de las respuestas demasiado sencillas. La máquina contesta y la mayoría de las veces le creemos. La pregunta deja entonces de ser si la IA sabe más que nosotros y empieza a ser mucho más incómoda: ¿qué tuvo que ocurrir para que una respuesta terminada pudiera parecernos más confiable que una persona pensando delante de nosotros?
La publicidad ofrece una pista, aunque conviene no pedirle que explique por sí sola dos siglos de transformaciones culturales. Cuando numerosos productos empezaron a cumplir funciones semejantes, diferenciarlos únicamente por lo que hacían resultaba insuficiente. Un jabón lavaba, un automóvil transportaba, una prenda abrigaba, un reloj daba la hora. La comunicación comercial aprendió a trabajar también sobre otra dimensión: lo que esos objetos podían significar. Un perfume podía asociarse con seducción, un automóvil con éxito, una prenda con pertenencia, un reloj con posición social o un teléfono con innovación. El producto seguía siendo un objeto, pero alrededor de él se construía una interpretación de aquello que una persona podía desear, representar o llegar a ser. No sería correcto afirmar que la publicidad inventó nuestros deseos, sería concederle demasiado mérito. Lo interesante es que aprendió a observar aspiraciones, inseguridades, necesidades y códigos culturales, a relacionarlos con objetos y a devolver esa relación convertida en una propuesta. El ejercicio de arbitraje previo, sirve de base para mostrar precisamente esa relación entre consumo, identificación, aspiración, representación social y pertenencia.
Ahí aparece la primera pieza del modelo conceptual que me interesa: alguien decodifica algo sobre nosotros y nos devuelve una respuesta hecha a medida.
Cuando los algoritmos interpretan nuestras preferencias
El marketing hizo esa interpretación progresivamente más específica. Ya no bastaba con hablarle a todo el mundo; era posible segmentar mercados, estudiar comportamientos y diseñar propuestas diferentes. Con la digitalización apareció otra posibilidad: observar conductas individuales a una escala antes impensable; las plataformas podían registrar búsquedas, clics y elecciones; los sistemas de recomendación utilizaron esas señales para ordenar un universo que empezaba a ser demasiado grande para recorrerlo personalmente. El problema dejó de ser encontrar algo para consumir y empezó a ser decidir, entre millones de cosas disponibles, cuál merecía nuestra atención. Eso también cambió nuestra relación con la elección. Frente a una oferta casi infinita, un intermediario que filtra puede ser extraordinariamente útil. No tengo ninguna nostalgia por recorrer diez mil canciones para encontrar una que me guste. La delegación no es en sí misma una derrota del pensamiento; muchas veces es exactamente lo contrario, una manera razonable de administrar tiempo y atención. Pero cada sistema al que entregamos una parte de la selección ocupa también una pequeña porción del espacio que existe entre nosotros y aquello que finalmente elegimos.
El ejercicio de arbitraje describe precisamente ese desplazamiento desde el mensaje persuasivo hacia entornos de rankings, recomendaciones, personalización y reducción del esfuerzo de elección. Un sistema de recomendación puede decirnos que quienes eligieron aquello también eligieron esto. La inteligencia artificial conversacional introduce una operación diferente porque puede escuchar nuestra situación, incorporar contexto y devolver una explicación completa: “… por lo que me ha contado, considerando lo que necesita y lo que quiere conseguir y esta parece la mejor alternativa…”.
Parece una diferencia pequeña hasta que se observa qué acaba de suceder. Ya no recibimos solamente una opción seleccionada. Recibimos una interpretación de nosotros mismos acompañada de una justificación.
La IA ya no solo recomienda: también interpreta .
Ese es el puente que estaba buscando.La publicidad puede relacionar un objeto con un deseo; el marketing puede identificar un perfil; un sistema de recomendación puede inferir una preferencia; una inteligencia artificial puede utilizar información sobre nosotros para elaborar una explicación. No son etapas inevitables de una misma historia ni tecnologías equivalentes, pero permiten observar una profundización de la intermediación: del objeto al significado, del significado al perfil, del perfil a la predicción y de la predicción a la interpretación expresada mediante lenguaje. Y el lenguaje cambia bastante las cosas, porque una recomendación acompañada de razones puede empezar a parecer razonamiento.
Por ejemplo: un anuncio de automóvil puede sugerirme que determinado vehículo corresponde al tipo de persona que quiero ser. Un algoritmo puede situarlo entre las primeras opciones que encuentro. Una IA puede escuchar que tengo dos hijos, conduzco principalmente en ciudad, hago viajes frecuentes, me preocupa el consumo y dispongo de determinado presupuesto; después puede comparar modelos y explicarme por qué uno de ellos parece más adecuado para mí. El automóvil sigue siendo un automóvil, lo que se ha vuelto extraordinariamente sofisticado es el intermediario.
Cuando delegamos también nuestra manera de pensar
La frontera importante aparece cuando esa capacidad sale del consumo. Puedo preguntarle qué automóvil comprar, pero también qué posición adoptar frente a un problema, cómo interpretar un artículo, qué conclusión sacar de unos datos, cuál de dos argumentos parece más sólido o qué debería responder a alguien con quien estoy en desacuerdo. En ese momento la intermediación ya no opera solamente entre la persona y un objeto de consumo, también puede instalarse entre la persona y su propia interpretación de un problema. Esto no significa que utilizar una IA equivalga a renunciar al criterio. Significa que por primera vez disponemos a gran escala de un intermediario capaz de acompañar no solamente la selección de la respuesta, sino parte de su elaboración argumentativa y aquí apareció una segunda pista que el modelo inicial no contemplaba suficientemente: quizá nuestra disposición a confiar no dependa solo de la personalización, sino también de la forma en que hemos aprendido a relacionarnos con la imperfección.
La apariencia de perfección y nuestra confianza
La moda permite verlo con claridad: buena parte de lo que percibimos como natural ha sido cuidadosamente producido. Una fotografía aparentemente espontánea puede requerir estilismo, maquillaje, iluminación, decenas de tomas, selección y retoque; hasta el cabello “casualmente” desordenado puede llevar media hora de trabajo. El problema no es que exista esa construcción, sino que terminemos comparándola con personas reales y esperando de ellas el mismo acabado. La evidencia muestra asociaciones entre la exposición a representaciones corporales idealizadas y la insatisfacción corporal, la autoobjetivación y la interiorización de ciertos ideales de apariencia. En otras palabras, sabemos que una imagen producida puede modificar nuestras referencias sobre lo que consideramos normal o deseable. La pregunta es qué ocurre cuando esa misma lógica de perfección deja de aplicarse al cuerpo y empieza a aplicarse también a la forma en que esperamos que alguien piense y responda.
Con el lenguaje podría estar ocurriendo algo que merece ser investigado. El cine nos presenta personajes que encuentran la frase precisa porque alguien la escribió, la corrigió y probablemente la repitió varias veces. Hemos aprendido perfectamente a entender que una fotografía puede estar editada, pero somos bastante menos conscientes de cuánto lenguaje consumimos también después de haber sido producido, seleccionado y corregido.
Entonces ponemos delante de nosotros a una persona real y ya no basta
El profesor necesita pensar, el investigador puede decir que los datos disponibles no permiten concluir todavía, un médico puede manejar dos hipótesis y negarse a elegir una antes de tener más información. Nada de eso demuestra inteligencia; una persona puede dudar y estar completamente equivocada. Pero tampoco ocurre lo contrario: una respuesta perfectamente construida no demuestra que detrás exista comprensión. Y ahí aparece la IA con una ventaja estética extraordinaria: nosotros vemos principalmente el resultado. Los modelos generativos pueden producir en segundos respuestas ordenadas, detalladas y convincentes, y esa presentación puede facilitar confusiones entre atributos diferentes: claridad y verdad, detalle y evidencia, seguridad y competencia, velocidad y comprensión, personalización y conocimiento. No estamos comparando exactamente dos inteligencias en igualdad de condiciones; muchas veces estamos comparando el proceso visible de un humano con el producto terminado de una máquina.
La combinación de ambas pistas: intermediación y producción de perfección, fue lo que terminó dándole sentido al ejercicio especulativo. Quizá la variable cultural relevante no sea simplemente cuánto hemos estado expuestos a publicidad, sino cuánto nos hemos acostumbrado a entornos que prometen interpretar nuestras preferencias, ordenar la complejidad, reducir incertidumbre y entregarnos resultados cada vez más ajustados a nosotros con cada vez menos fricción visible. La pregunta empírica sería si esa habituación guarda alguna relación con nuestra disposición a aceptar una respuesta automatizada sin reconstruir el razonamiento que la sostiene. Esa relación todavía tendría que demostrarse; precisamente por eso el modelo sirve como hipótesis y no como conclusión.
Rendición cognitiva: el riesgo de aceptar sin verificar
Es en este punto donde el concepto de cognitive surrender, o rendición cognitiva, adquiere sentido. Steven D. Shaw y Gideon Nave lo proponen para estudiar situaciones en las cuales una persona no se limita a delegar una tarea, sino que acepta una respuesta producida por IA con insuficiente verificación independiente. Es un marco de investigación emergente, no una teoría psicológica consolidada ni la demostración de que usar inteligencia artificial deteriore nuestras capacidades cognitivas. Sus experimentos involucraron 1.372 participantes y 9.593 ensayos: cuando la IA proporcionaba respuestas correctas, el desempeño mejoraba; cuando proporcionaba respuestas incorrectas, la precisión podía caer por debajo de la condición sin IA, mientras la confianza podía permanecer elevada incluso después de recibir información equivocada.
Eso me parece bastante más perturbador que decir que la IA nos vuelve tontos, porque los datos no dicen eso. Dicen algo menos espectacular y más difícil de resolver: una herramienta puede hacernos mejores cuando acierta y peores cuando se equivoca si hemos delegado también la capacidad de detectar la diferencia y ahí regresamos a la fricción cognitiva que inició todo este recorrido: pensar tiene etapas incómodas pero la inteligencia artificial puede ayudarnos extraordinariamente en todo ese proceso, pero también puede permitirnos saltarnos algunos de ellos si nuestra prioridad es llegar a una respuesta y no comprender cómo llegamos hasta ella.
¿Qué esfuerzo intelectual debemos conservar?
Eso no convierte la fricción en una virtud por sí misma. La humanidad lleva siglos inventando herramientas para evitar esfuerzos innecesarios y sería absurdo defender el sufrimiento cognitivo como método pedagógico. La escritura externalizó parte de la memoria, las calculadoras operaciones y los buscadores una parte considerable del trabajo de localizar información. La cuestión que el informe del MIT me dejó abierta puede formularse entonces de una manera más precisa: ¿qué esfuerzo conviene eliminar y cuál forma parte de la construcción del criterio que queremos conservar?. Por eso el recorrido desde la publicidad hasta la inteligencia artificial no debería leerse como una historia moral sobre cómo el mercado corrompió lentamente nuestro cerebro hasta entregárselo a una máquina. Sería una explicación magnífica si no tuviera el pequeño inconveniente de que no podemos demostrarla.
Lo que sí podemos investigar es algo más interesante: si existe una continuidad entre nuestra creciente familiaridad con sistemas que interpretan preferencias, filtran alternativas, reducen incertidumbre y personalizan recomendaciones, y nuestra relación actual con una tecnología que puede hacer todo eso en el terreno de las ideas. No sabemos todavía si esas etapas están estadísticamente relacionadas ni cuánto explicaría una a la otra. Para eso harían falta datos, experimentos y la saludable posibilidad de descubrir que la hipótesis estaba equivocada. Pero el ejercicio especulativo del arbitraje, deja una pregunta que ya no puedo quitarme de encima: si durante años perfeccionamos intermediarios para que elegir exigiera cada vez menos esfuerzo, ¿qué ocurre cuando el nuevo intermediario puede reducir también el esfuerzo necesario para construir una explicación?
La pregunta decisiva: ¿cuánto queremos seguir pensando?
Quizá por eso mi pregunta inicial ha cambiado, Ya no me interesa tanto saber por qué una máquina puede responder tan bien. Eso es un problema fascinante para ingenieros, lingüistas y científicos de la computación. Me interesa entender qué ocurre con nosotros cuando la respuesta llega antes de que hayamos tenido que formular del todo la pregunta, cuando la explicación aparece antes de atravesar la incertidumbre y cuando una conclusión perfectamente construida puede evitar el incómodo trabajo de llegar a ella.
Puede que la gran discusión sobre inteligencia artificial no termine siendo cuánto puede pensar una máquina.
Puede que sea cuánto pensamiento queremos seguir haciendo nosotros cuando ya no sea estrictamente necesario hacerlo.
