La Colisión Cognitiva:
Cómo la Inteligencia Artificial Está Remodelando el Pensamiento Humano, la Toma de Decisiones y la Práctica Científica
Por: Oscar Hernando Benavides Paz, MBA
Investigador, Universidad de Nariño
Resumen
La integración acelerada de la inteligencia artificial (IA) generativa en los procesos cognitivos humanos ha dejado de ser una promesa tecnológica para convertirse en un fenómeno de reconfiguración epistémica. Este artículo de revisión examina la evidencia científica disponible sobre lo que Eric So denomina “la colisión” entre la inteligencia humana y la inteligencia de máquina: un punto de inflexión en el que la delegación cognitiva sistemática amenaza con erosionar capacidades humanas fundamentales. A través de una síntesis crítica de literatura publicada entre 2018 y 2026 en fuentes como MIT, Cambridge University Press, IEEE, ILO y Frontiers in Ecology and the Environment, se analizan cuatro dimensiones interconectadas: (1) el desplazamiento cognitivo y la atrofia de habilidades críticas, (2) los sesgos de automatización en la toma de decisiones, (3) la transformación dialógica de la práctica científica, y (4) las asimetrías de gobernanza en América Latina. Los hallazgos revelan un consenso emergente: la IA no es inherentemente beneficiosa ni perjudicial, sino un amplificador de intenciones cuya trayectoria depende de decisiones humanas deliberadas. Se identifican retos críticos que exigen marcos regulatorios adaptativos, rediseño de la formación cognitiva y una reconfiguración de los incentivos institucionales para preservar el juicio humano como activo irremplazable.
Palabras clave: inteligencia artificial, cognición humana, desplazamiento cognitivo, sesgo de automatización, gobernanza algorítmica, práctica científica, América Latina.
1. Introducción
La inteligencia artificial generativa ha irrumpido en el ecosistema cognitivo humano con una velocidad y ubicuidad sin precedentes en la historia de las tecnologías intelectuales. A diferencia de innovaciones previas como la imprenta o la calculadora, que externalizaron funciones específicas de memoria o cálculo, los modelos de lenguaje de gran escala (LLM) intervienen directamente en procesos de razonamiento, síntesis, creatividad y juicio que hasta hace pocos años se consideraban dominio exclusivo de la cognición humana . Esta intervención no es neutral: como argumenta Eric So en The Collision: What AI Does to Us, la IA “no solo está cambiando lo que hacemos; está cambiando quiénes somos como pensadores” .
El fenómeno que este artículo examina bajo el término “la colisión que nos hace la IA” trasciende la mera adopción tecnológica. Se trata de una reconfiguración de las condiciones mismas del pensamiento: qué habilidades se ejercitan, qué capacidades se atrofian, qué formas de juicio se preservan y cuáles se delegan irreversiblemente. La evidencia emergente sugiere que nos encontramos ante una bifurcación: algunos usuarios utilizan la IA para pensar mejor, mientras otros la utilizan en lugar de pensar . Esta distinción, aparentemente trivial, contiene implicaciones profundas para la salud cognitiva individual, la calidad de las decisiones organizacionales y la integridad de la empresa científica.
El presente artículo de revisión tiene como propósito sintetizar la evidencia disponible sobre los mecanismos mediante los cuales la IA está remodelando la cognición humana, evaluar críticamente los riesgos y oportunidades identificados en la literatura científica, y proponer un marco de referencia para la acción institucional y regulatoria. La revisión se estructura en cuatro secciones sustantivas que abordan, respectivamente, los mecanismos de desplazamiento cognitivo, los sesgos en la toma de decisiones asistida por IA, la transformación de la práctica científica y las asimetrías de gobernanza en América Latina, seguidas de conclusiones y retos identificados.
2. Objetivos
Objetivo general: Analizar críticamente la evidencia científica sobre los efectos de la inteligencia artificial en la cognición humana, la toma de decisiones y la práctica científica, identificando mecanismos causales, riesgos documentados y estrategias de mitigación validadas empíricamente.
Objetivos específicos:
1. Caracterizar los mecanismos neurocognitivos y conductuales mediante los cuales la delegación sistemática de tareas intelectuales a sistemas de IA afecta capacidades como la memoria de trabajo, el razonamiento crítico y la creatividad.
2. Evaluar la evidencia sobre sesgos de automatización, confianza calibrada y riesgo de manipulación en entornos de decisión asistida por IA.
3. Examinar las transformaciones en la epistemología de la práctica científica derivadas de la integración de LLM en flujos de trabajo investigativos.
4. Identificar el estado actual de los marcos de gobernanza de IA en América Latina y sus implicaciones para la protección de la autonomía cognitiva.
3. Metas
Meta 1 — Diagnóstico: Establecer un estado del arte que permita a investigadores, formuladores de política y líderes organizacionales comprender la magnitud y naturaleza de los cambios cognitivos asociados a la adopción de IA, con base en evidencia publicada en fuentes primarias indexadas.
Meta 2 — Marco interpretativo: Proporcionar un marco conceptual que integre las perspectivas de la ciencia cognitiva, la economía del comportamiento y la gobernanza tecnológica para interpretar los hallazgos y orientar decisiones informadas.
Meta 3 — Recomendaciones accionables: Derivar recomendaciones específicas para tres audiencias: investigadores y académicos, organizaciones y empleadores, y formuladores de política pública en el contexto latinoamericano.
4. Desarrollo
4.1. El Desplazamiento Cognitivo: La Mecánica de la Atrofia
La arquitectura cognitiva humana está optimizada evolutivamente para conservar esfuerzo mental. Esta predisposición, funcional en entornos de escasez energética, se convierte en vulnerabilidad cuando el entorno ofrece herramientas que eliminan la fricción del pensamiento difícil . So articula este mecanismo con precisión: la IA es seductora precisamente porque asume las tareas mentales costosas, pero esa conveniencia “puede erosionar habilidades duramente ganadas, y los niños que rutinariamente externalizan el pensamiento pueden nunca desarrollar plenamente habilidades cognitivas robustas” .
La evidencia sobre desplazamiento cognitivo (cognitive offloading) documenta que la delegación de procesos de razonamiento a sistemas externos no es inocua. Un análisis presentado en el marco de AI for Good identifica cuatro mecanismos interconectados mediante los cuales la adopción de IA sin diseño centrado en la salud cognitiva puede desencadenar un cambio medible en la forma de pensar: (1) desplazamiento cognitivo, (2) sesgo de automatización, (3) fragmentación atencional, y (4) la tensión entre el cerebro predictivo humano y la IA predictiva . Estos mecanismos no operan en aislamiento; se refuerzan mutuamente en una espiral que puede erosionar la agencia humana, el juicio independiente y el pensamiento crítico .
El caso de los bomberos de Houston en 2013, documentado por So, ilustra las consecuencias letales del sesgo de automatización: los bomberos, confiando en cámaras térmicas, ignoraron señales sensoriales que indicaban el inminente colapso de la estructura, resultando en la muerte de cuatro de ellos . El paralelo con la delegación cognitiva en contextos profesionales es directo: cuando los sistemas de IA proporcionan respuestas plausibles y fluidas, la disposición a cuestionarlas disminuye, incluso cuando el costo del error es catastrófico.
La evidencia empírica sobre la magnitud del fenómeno proviene de múltiples frentes. Un estudio basado en encuestas a estudiantes, profesionales y emprendedores encontró que los individuos de 25 a 35 años exhiben la mayor dependencia de IA, con Gen Z y Millennials experimentando simultáneamente los mayores niveles de incomodidad y presión social asociados a su uso . La implementación de técnicas de IA explicable (XAI) —LIME y SHAP— sobre estos datos reveló que los impulsores clave de la dependencia incluyen beneficios de ahorro de tiempo, soporte para ideación y presión de pares . Estos hallazgos subrayan que la adopción de IA no es puramente instrumental; está mediada por dinámicas sociales y emocionales que complican las estrategias de mitigación puramente técnicas.
La distinción entre augmentation y replacement cognitivo es, por tanto, el eje crítico. So recomienda explícitamente “valorar la lucha del esfuerzo humano”, “conocer quién eres sin IA”, “reinvertir el excedente cognitivo que la IA crea” y “tratar la IA como un entrenador cognitivo, no como un reemplazo” . Estas prescripciones, aunque intuitivas, carecen aún de validación empírica sistemática en entornos controlados, lo que constituye una brecha significativa en la literatura.
4.2. La Toma de Decisiones Asistida: Entre la Complementariedad y la Manipulación
La literatura sobre toma de decisiones asistida por IA ha madurado desde posiciones polarizadas hacia un consenso matizado. El análisis de Clarke, Garcia-Garcia y Joffe en Smarter Together argumenta que los sistemas más efectivos integran agencia humana y predicción algorítmica en un modelo balanceado de “human-in-the-loop” . Sin embargo, la implementación de este modelo ideal enfrenta obstáculos significativos que la evidencia empírica comienza a documentar.
Una revisión sistemática de la influencia de la IA en la cognición humana y la toma de decisiones éticas, que abarcó el período 2018-2025, identificó tres áreas de impacto: (1) efectos psicológicos y emocionales, (2) procesos de toma de decisiones, y (3) problemas emergentes que incluyen sesgo de automatización, falta de confianza en algoritmos y riesgo de manipulación . Los autores observaron brechas específicas en la literatura, particularmente en la comprensión de respuestas emocionales de largo plazo y variaciones culturales en la interacción humano-IA . La recomendación de desarrollar IA explicable (XAI), sistemas regulatorios robustos y colaboración humano-IA más sofisticada emerge como respuesta a estas brechas .
La evidencia sobre cómo los individuos interactúan con IA en contextos de decisión reales proviene de un estudio de observación participante con emprendedores latentes . Los hallazgos revelan que, aunque los participantes reconocían la capacidad de la máquina para ofrecer sugerencias e información útiles, “no consideran las sugerencias de la tecnología confiables sin intervención y supervisión humana” . Esta desconfianza calibrada es funcional: los participantes que percibían control sobre la situación mostraban mayor compromiso y compromiso con las decisiones . Sin embargo, el mismo estudio documenta el fenómeno de la “biblioteca de Babel”: la proliferación de información falsa percibida como verdadera, donde “falsedad y verdad se superponen, socavando la credibilidad” . El efecto de “caja negra” de los modelos generativos agrava esta dinámica, reduciendo la confianza en la fiabilidad de los outputs .
La tensión entre eficiencia y calidad decisional es particularmente aguda en entornos organizacionales. El análisis del Foro Económico Mundial advierte que “reemplazar trabajadores humanos con IA erosiona activamente conocimiento institucional crítico y valor organizacional de largo plazo” . El estudio de PwC citado en ese análisis, basado en más de mil millones de anuncios de empleo en seis continentes, encontró que las empresas con mayores ganancias de productividad por IA la utilizaban para amplificar el desempeño humano, no para recortar costos; las firmas que trataban la IA como reemplazo obtuvieron peor desempeño que aquellas que la trataban como aumento . Este hallazgo es crítico: la elección entre aumento y reemplazo no es meramente ética, sino que tiene consecuencias medibles en el desempeño organizacional.
4.3. La Transformación Dialógica de la Práctica Científica
La irrupción de los LLM en la práctica científica constituye una reconfiguración epistémica que trasciende la mera ganancia de eficiencia. Gavrilova y Galli argumentan que los LLM han convertido la computación en diálogo: “el razonamiento se vuelve dialógico, evolucionando a través de la retroalimentación entre representación e interpretación, y los LLM funcionan como artefactos mediadores que dan forma a lo que puede inferirse y cómo se articulan las hipótesis” .
Esta transformación tiene implicaciones profundas para la trazabilidad y la reproducibilidad del conocimiento científico. La capa conversacional hace visible parte del razonamiento que antes permanecía implícito: las respuestas pueden ser interrogadas, revisadas o rastreadas, y los registros almacenados junto a los datos y el código que ayudaron a producir, constituyendo una suerte de “procedencia epistémica” análoga al control de versiones . Sin embargo, los autores advierten que la fluidez puede engañar: los modelos generan texto plausible más que verdad verificada, y las citas fabricadas o la precisión estilística pueden crear una “ilusión de rigor” .
El concepto de “normalidad rampante” (creeping normality), desarrollado por Jarić y colaboradores en Frontiers in Ecology and the Environment, captura la dinámica mediante la cual cambios profundos se aceptan porque ocurren a través de pasos pequeños y sutiles . Estos autores identifican varios dominios donde las transformaciones ya son evidentes. En colaboración científica, los investigadores utilizan cada vez más LLM para soporte que convencionalmente provenía de colegas y redes profesionales informales, lo que “puede debilitar interacciones interdisciplinarias, reducir la exposición a perspectivas diversas y fomentar una ciencia más aislada y menos innovadora” . En búsqueda de información e ideación, la dependencia de feedback generado por IA “puede reforzar involuntariamente el sesgo de confirmación, crear cámaras de eco intelectuales y contribuir a una mayor uniformidad y menor originalidad en el lenguaje, los enfoques y el pensamiento creativo científico” .
Las consecuencias para la formación científica y las trayectorias profesionales son igualmente significativas. Jarić et al. advierten que el uso de LLM “intensificará la pérdida de competencias centrales”, con habilidades fundamentales en ciencias biológicas —búsqueda y síntesis de literatura, lectura de historia natural, juicio taxonómico, codificación y depuración, razonamiento estadístico— siendo externalizadas a los modelos . Esto podría influir incluso en decisiones de contratación y oportunidades profesionales, reduciendo la necesidad y motivación para abrir nuevas posiciones de doctorado y postdoctorado .
La respuesta propuesta por estos autores no es rechazo ni adopción acrítica, sino el establecimiento de límites claros: los LLM “deberían ser ampliamente adoptados para tareas rutinarias como corrección de estilo, edición de lenguaje y anotación de flujos de trabajo, e, con control humano adecuado, también para tareas avanzadas como síntesis de literatura y extracción de datos. Sin embargo, el uso de IA debería ser indeseable en actividades que requieren juicio científico independiente, incluyendo priorización de investigación, revisión por pares, decisiones de financiamiento y consideraciones éticas” .
En el ámbito de la productividad, la evidencia es consistente con un impacto positivo pero heterogéneo. El economista jefe de Google cita estudios que documentan incrementos de 14% en resolución de problemas por hora en centros de llamadas, 21% de ahorro de tiempo en entornos de desarrollo de software, y 2.8% de ahorro de tiempo promedio en la economía danesa . Sin embargo, estas ganancias de eficiencia no se traducen automáticamente en mejor cognición o mejor ciencia; pueden, de hecho, coexistir con el deterioro de las capacidades que hacen posible el juicio científico de alto nivel.
4.4. Asimetrías de Gobernanza y el Contexto Latinoamericano
La gobernanza de la IA en América Latina presenta un panorama de fragmentación, asimetrías institucionales y capacidades desiguales. El análisis de Sánchez Rojas sobre gobernanza tecnológica adaptable documenta que la región ha experimentado un giro hacia la “regulación basada en principios en lugar de normas prescriptivas rígidas”, incorporando principios como protección de derechos, transparencia, rendición de cuentas y no discriminación . Chile, por ejemplo, lanzó consultas públicas sobre su política de datos, invitando a participación amplia del mundo académico, la sociedad civil y la industria .
El mapeo comparativo de marcos regulatorios revela heterogeneidad significativa. Argentina cuenta con una ley de protección de datos de 2000, complementada por legislación sobre delitos informáticos de 2008, supervisada por la Agencia de Acceso a la Información Pública . Bolivia carece de una ley específica de protección de datos, con normas fragmentadas en telecomunicaciones, banca y protección al consumidor . Colombia formuló su Política Nacional para la Transformación Digital e Inteligencia Artificial en 2019, y en 2021 estableció un Marco Ético para la IA con nueve principios, incluyendo transparencia, explicación, privacidad, control humano de las decisiones, responsabilidad y no discriminación . En 2024, el Ministerio de Ciencia, Tecnología e Innovación publicó una Hoja de Ruta para la Adopción Ética y Sostenible de IA, organizada en torno a cinco ejes: ética y gobernanza; educación, investigación e innovación; industrias innovadoras; datos y organizaciones; y privacidad, ciberseguridad y defensa .
A pesar de estos avances, persisten brechas críticas. La gobernanza distribuida —que distribuye poder de decisión entre gobiernos, reguladores, sociedad civil, academia y sector privado— se percibe como necesaria pero desafiante, exigiendo “coordinación entre actores con niveles muy diferentes de capacidad institucional y recursos” . Los participantes en el estudio de Sánchez Rojas enfatizaron repetidamente que “la cooperación regional es crucial para evitar la fragmentación de las regulaciones nacionales y fortalecer la resiliencia colectiva frente a riesgos transnacionales como la ciberdelincuencia, los sesgos algorítmicos y la monopolización digital” .
La perspectiva de derechos humanos en la gobernanza de IA ha sido articulada por el ex primer ministro peruano Eduardo Arana Ysa, quien advirtió que “en el ámbito digital, la IA no tiene fronteras” y que “bajo la influencia de decisiones algorítmicas o de IA, los derechos humanos pueden quedar subordinados a la eficiencia, el sesgo algorítmico y la falsa objetividad” . Arana Ysa identifica una amenaza más profunda: “estamos perdiendo la capacidad de tomar decisiones, resolver conflictos y prevenir desastres ambientales. Nos enfrentamos al peligro de una transferencia de poder a quienes controlan la tecnología de IA, o peor aún, de dejar que la tecnología misma determine qué es lo mejor para la humanidad” .
El contexto laboral latinoamericano añade una dimensión de urgencia. El informe de la OIT sobre “Trabajo Transformado” documenta que en América Latina los empleos más expuestos a la IA generativa tienden a ser urbanos, requerir educación superior, y ser ocupados por individuos más jóvenes, de mayores ingresos y en el sector formal . Campos como finanzas, seguros y administración pública enfrentan riesgos elevados de automatización . La evidencia de Brasil indica que los trabajadores con educación universitaria y los más jóvenes tienen más probabilidades de transitar hacia roles de alta complementariedad con IA, lo que sugiere que la adaptación exitosa está mediada por factores socioeconómicos preexistentes .
La recomendación de política de la OIT es explícita: invertir en habilidades complementarias a la IA —pensamiento crítico, resolución de problemas, creatividad, inteligencia emocional, alfabetización digital—, fortalecer la infraestructura digital accesible, promover la transferencia tecnológica, establecer pathways de educación y capacitación integrales, desarrollar programas de upskilling y reskilling, y regular el uso de IA con marcos que aseguren uso ético, transparente y accountable .
5. Conclusiones
La evidencia sintetizada en esta revisión permite articular seis conclusiones fundamentales:
Primera. La IA generativa no es cognitivamente neutral. Su adopción sistemática activa mecanismos documentados de desplazamiento cognitivo, sesgo de automatización y fragmentación atencional que, en ausencia de contramedidas deliberadas, pueden erosionar capacidades humanas fundamentales como el pensamiento crítico, el juicio independiente y la creatividad .
Segunda. La distinción entre IA como herramienta de aumento cognitivo y IA como sustituto del pensamiento es empíricamente significativa y tiene consecuencias medibles en el desempeño organizacional, la calidad decisional y la innovación científica . Las organizaciones y los individuos que logran mantener esta distinción —utilizando la IA para amplificar capacidades sin delegar el juicio— obtienen mejores resultados que quienes tratan la tecnología como reemplazo .
Tercera. La práctica científica está experimentando una reconfiguración epistémica dialógica que ofrece oportunidades sin precedentes para la transparencia del razonamiento y la equidad epistémica, pero simultáneamente introduce riesgos de uniformidad intelectual, pérdida de competencias centrales y erosión del juicio científico independiente . La comunidad científica debe establecer límites claros sobre dónde la IA es apropiada y dónde es epistémicamente peligrosa .
Cuarta. América Latina enfrenta un panorama de gobernanza fragmentado, con marcos regulatorios heterogéneos, capacidades institucionales desiguales y una dependencia persistente de modelos de IA desarrollados en jurisdicciones con diferentes prioridades éticas y regulatorias . La cooperación regional y la gobernanza distribuida emergen como estrategias necesarias pero insuficientemente desarrolladas .
Quinta. El impacto laboral de la IA en la región está mediado por factores socioeconómicos preexistentes: los trabajadores con mayor educación, en sectores formales y en ocupaciones urbanas están mejor posicionados para la complementariedad, mientras que los trabajadores en ocupaciones de exposición alta y complementariedad baja enfrentan riesgos de desplazamiento . Las políticas de reconversión laboral tradicionales son insuficientes ante la velocidad del cambio tecnológico .
Sexta. La evidencia disponible sobre los efectos de largo plazo de la IA en la cognición humana, particularmente en poblaciones infantiles y en contextos culturales no occidentales, es insuficiente. Se requieren estudios longitudinales que permitan distinguir entre adaptación funcional y atrofia patológica, y que informen el diseño de intervenciones basadas en evidencia .
6. Retos Identificados
La síntesis de la literatura permite identificar siete retos críticos que requieren atención prioritaria:
Reto 1 — Preservación del juicio humano en entornos de alta dependencia algorítmica. El sesgo de automatización y la fluidez de las respuestas generadas por IA crean condiciones propicias para la delegación acrítica. Diseñar sistemas que fomenten la fricción cognitiva productiva —sin sacrificar eficiencia— es un problema de diseño abierto .
Reto 2 — Reconfiguración de la formación cognitiva en todos los niveles educativos. Si las habilidades fundamentales —búsqueda de información, razonamiento estadístico, síntesis crítica— se externalizan sistemáticamente durante las etapas formativas, las generaciones futuras pueden carecer de las capacidades necesarias para evaluar críticamente los outputs de IA .
Reto 3 — Establecimiento de límites epistémicos en la práctica científica. La comunidad científica necesita desarrollar normas explícitas sobre el uso apropiado de IA en diferentes etapas del proceso investigativo, con mecanismos de verificación y trazabilidad que preserven la integridad del conocimiento .
Reto 4 — Gobernanza adaptativa en contextos de capacidad institucional limitada. Los marcos regulatorios latinoamericanos deben equilibrar flexibilidad —para no obstaculizar la innovación— con protecciones robustas para derechos fundamentales, en un contexto de recursos limitados y asimetrías de poder frente a los actores tecnológicos globales .
Reto 5 — Transición laboral justa en economías con alta informalidad. Las estrategias de reskilling y upskilling deben diseñarse para poblaciones diversas, incluyendo trabajadores informales, mujeres (que enfrentan 2.5 veces mayor exposición al riesgo de automatización que los hombres) y grupos históricamente marginados .
Reto 6 — Medición y monitoreo de impactos cognitivos de largo plazo. La ausencia de datos longitudinales sobre cómo la dependencia de IA afecta trayectorias cognitivas —especialmente en niños y adolescentes— limita la capacidad de diseñar intervenciones basadas en evidencia .
Reto 7 — Preservación de la diversidad epistémica y cultural. Los LLM, entrenados predominantemente con datos en inglés y de contextos occidentales, pueden homogeneizar prácticas científicas y culturales, reforzando desigualdades epistémicas existentes bajo la apariencia de neutralidad tecnológica .
Referencias
Clarke, M., Garcia-Garcia, M., & Joffe, M. (2026). Decision-making. In Smarter together: How we think, feel and decide with AI (pp. 87–112). Cambridge University Press.
Clarke, M., Garcia-Garcia, M., & Joffe, M. (2026). Cognition. In Smarter together: How we think, feel and decide with AI (pp. 3–22). Cambridge University Press.
Gavrilova, A. V., & Galli, C. (2026). Conversing with machines: How AI is changing the way scientists think. Quantitative Biology. Advance online publication.
International Labour Organization. (2025). Work transformed: The promise and peril of artificial intelligence. ILO.
Jarić, I., Pipek, P., Canavan, S., Firth, J. A., & Bertram, M. G. (2026). The creeping normality of AI in the life sciences. Frontiers in Ecology and the Environment. https://doi.org/10.1002/fee.70059
MIT Initiative on the Digital Economy. (2026, April 29). Book launch: “The Collision: What AI Does to Us” by Eric So. MIT IDE.
Sánchez Rojas, J. (2025). Gobernanza tecnológica adaptable: Hacia políticas públicas flexibles para tecnologías disruptivas en América Latina y el Caribe. LACNIC.
Sharma, P., Kumar, S., & Dixit, P. (2026). A review of artificial intelligence’s influence on human cognition and ethical decision-making. In Proceedings of the International Conference on Human-Computer Interaction. Taylor & Francis.
So, E. C. (2026). The collision: What AI does to us. W. W. Norton.
Stephens, M. (2026, July 16). Why the AI era presents not a jobs crisis, but a livelihood one. World Economic Forum.
United Nations Development Programme. (2025). Atlas de gobernanza de inteligencia artificial en América Latina. UNDP.
