No es ningún secreto que en los últimos años se ha producido una explosión masiva en el uso de la inteligencia artificial para la recopilación de información general. Sin embargo, una tendencia aún más reciente es cómo los grandes modelos de lenguaje (LLM) como ChatGPT, Claude y Gemini se utilizan cada vez más para verificar y consumir noticias; Los informes del Pew Research Center durante el último año encontraron que uno de cada cinco adolescentes estadounidenses utiliza regularmente los LLM para recibir noticias, mientras que uno de cada cuatro adultos jóvenes ha informado que los utiliza con ese propósito al menos una vez.
Un nuevo estudio de acceso abierto del MIT Media Lab debería hacer reflexionar a algunos de esos usuarios: los investigadores descubrieron que, en el transcurso de un mes, los participantes que confiaron en sistemas de inteligencia artificial para verificar los hechos en realidad empeoraron en la detección de información errónea por sí mismos cuando les quitaron sus chatbots.
Este fenómeno, que a menudo se denomina “paradoja de la dependencia de la IA”, se ha observado en una amplia gama de dominios del conocimiento, como el estudio de 2025 que encontró que los médicos que usaban IA empeoraban en la detección del cáncer por sí solos. La dinámica refleja tendencias tecnológicas más amplias en torno a la llamada “descalificación” (o “descarga cognitiva”) que han estado bien documentadas durante décadas, desde calculadoras que debilitan nuestras habilidades matemáticas hasta tecnologías de Sistema de Posicionamiento Global (GPS) que impactan nuestro sentido natural de orientación.
En el nuevo estudio de Media Lab, que siguió a 67 personas durante cuatro semanas mientras evaluaban pares de titulares de noticias e imágenes, los participantes fueron un 21 por ciento más precisos en la detección de noticias falsas cuando fueron asistidos por un chatbot de IA durante una sesión, lo que confirma investigaciones previas de la Sloan School of Management del MIT que demuestran que la IA puede ser una herramienta eficaz para reducir las creencias de las personas en información falsa.
Sin embargo, el estudio mostró que surgió un nuevo problema cuando la IA ya no estaba presente: en la cuarta semana, el rendimiento sin ayuda de los participantes en nuevas noticias disminuyó en 15 puntos porcentuales en comparación con antes de que comenzara el estudio. (Aproximadamente una cuarta parte de todos los participantes en realidad informaron sentir que estaban mejorando en la detección, incluso cuando su desempeño disminuyó).
Dunning-Kruger se acerca sigilosamente
“Los usuarios se entusiasman con estos LLM ‘mágicos’, pero olvidan que son solo modelos estadísticos que predicen el siguiente ‘token’ en una secuencia [of letters/words]”, dice el estudiante de doctorado en artes y ciencias de los medios (MAS) del MIT, Anku Rani, coautor principal de un nuevo artículo sobre la investigación, junto con su compañero estudiante de doctorado del MAS, Valdemar Danry. “Muchos comportamientos impresionantes surgen de la ampliación de esto, pero viene con limitaciones reales, tanto en lo que el modelo puede generar de manera confiable como en su impacto más amplio en las personas que lo usan”.
El análisis cualitativo identificó distintos patrones de comportamiento, y el equipo etiquetó a una quinta parte de todos los participantes como “Desarrolladores de dependencia” que gradualmente pasaron de la autosuficiencia activa a la aceptación pasiva de la guía de la IA.
En la encuesta posterior al experimento, un encuestado reconoció explícitamente esta transición, señalando su papel pasivo en el proceso. “Mientras [the chatbots] “Enfatizaron que debes verificar múltiples fuentes para asegurarte de que una historia sea verdadera, pero no me enseñaron mucho sobre cómo explorar el contexto de las imágenes mismas”, dijo el participante.
El equipo de investigación dijo que estos modelos de IA son particularmente vulnerables a errores en medio de noticias de última hora cargadas de emociones, como lo demuestra la desinformación generalizada que acompañó el reciente intento de asesinato del presidente Trump y los principales acontecimientos durante la guerra iraní. (Los autores también señalan que el contenido de noticias original creado por humanos que se utiliza para entrenar los modelos de IA es cada vez menos confiable y/o sesgado, lo que exacerba aún más el problema).
El artículo, que Danry y Rani presentaron en la Conferencia CHI de 2026 sobre factores humanos en sistemas informáticos, fue coautor del profesor asistente Paul Pu Liang, el investigador científico principal Andrew Lippman y la autora principal Pattie Maes, profesora de artes y ciencias de los medios de Germeshausen.
La solución: ser entrenador, no una muleta
Los investigadores dicen que los resultados de su proyecto sugieren que la forma específica en que una IA interactúa con un usuario determina si su impacto será “como entrenador o como muleta”. El estudio encontró una clara distinción entre estrategias conversacionales que simplemente ayudan en el momento y aquellas que realmente apoyan el aprendizaje activo y el desarrollo de habilidades.
Para este último, el equipo de Media Lab descubrió varias estrategias asociadas con una detección independiente más fuerte en el futuro, incluso si las estrategias inicialmente ralentizaron el rendimiento durante la interacción. Esto incluyó el método socrático de la IA que hace preguntas guiadas, así como el llamado “sondeo profundo”, donde el sistema proporciona declaraciones suavemente persuasivas si el usuario parece desviarse de la respuesta correcta.
“Las IA que ‘cuentan’ proporcionando respuestas directas tienen más probabilidades de fomentar la confianza, mientras que aquellas que ‘preguntan’ a través de preguntas socráticas son mejores a la hora de involucrar a alguien para que realmente aprenda a discernir la verdad por sí solo”, dice Danry. “Pero es en gran medida una compensación entre velocidad y esfuerzo”.
Rani señaló algunas limitaciones clave del estudio de un mes, desde el pequeño conjunto de datos de aproximadamente 50 noticias validadas hasta el enfoque demográfico en los Estados Unidos y el Reino Unido. En el futuro, dice que el equipo espera realizar experimentos similares con cohortes más diversas geográficamente, incluidas comunidades de bajos recursos, y también está ansioso por explorar si otras estrategias de interacción multimodal, como interactuar con gemelos digitales culturalmente adaptables en lugar de chatbots basados en texto, ayudan a las personas a mejorar sus habilidades para detectar información errónea.
A un nivel superior, los investigadores esperan que el proyecto sea algo que los educadores puedan examinar mientras desarrollan planes de enseñanza que incorporan herramientas de inteligencia artificial en sus planes de estudio escolares.
“Es especialmente importante crear conciencia en nuestras escuelas y comunidades académicas sobre las deficiencias del uso de la IA como herramienta de aprendizaje”, afirma Maes. “La gente necesita saber que si ‘delegan’ su pensamiento, no mejorarán en ese tipo particular de resolución de problemas. En última instancia, la capacidad de cuestionar y analizar información es importante para todos, porque nos permite resolver problemas y formar nuestras propias opiniones independientes sobre el mundo”.
Danry agrega que el campo en rápida evolución del aprendizaje automático y el aprendizaje profundo requerirá educación continua sobre los beneficios y desventajas de los LLM.
“Hay mucho trabajo por hacer para garantizar que no simplemente descarguemos por completo las tareas críticas que queremos seguir haciendo en estos modelos”, afirma. “Necesitamos desarrollar un nuevo tipo de alfabetización en IA”.
El proyecto de investigación fue apoyado, en parte, por el Media Lab Consortium, una beca de diseño y tecnología del MIT Tata Center y una beca de doctorado de Google en interacción persona-computadora.