3.1 IA como Prótesis Cognitiva: El Modelo "Pensar Primero"
La integración de la inteligencia artificial en el entorno escolar ha trascendido la fase de la mera curiosidad técnica para situarse en el centro de un debate pedagógico sobre la naturaleza misma del pensamiento humano. Como se ha analizado en los capítulos precedentes, la adopción masiva de herramientas de IA generativa por parte de nuestro alumnado ha generado un desfase de gobernanza que obliga a los docentes a replantear no solo qué enseñan, si no también cómo piensan sus estudiantes mientras utilizan estas tecnologías. Este capítulo profundiza en el impacto cognitivo de la IA, proponiendo marcos de actuación que permitan transformar estas herramientas en potentes exoesqueletos cognitivas, evitando al mismo tiempo la atrofia del juicio crítico y la autonomía del estudiante.
IA como Prótesis Cognitiva: El Modelo Pensar Primero
La noción de la inteligencia artificial como una prótesis cognitiva se aleja de la visión de la tecnología como un simple repositorio de información para situarla como un nuevo componente activo en un sistema de cognición distribuida. Este enfoque, fundamentado en las teorías de la psicología del aprendizaje, sugiere que el proceso de conocimiento no ocurre únicamente "dentro" de la cabeza del individuo, sino que emerge de la interacción entre el sujeto y los artefactos de su entorno, puesto que este puede delegar procesos cognitivos en herramientas, como ya pasaba, por ejemplo, con la calculadora.1
La Cognición Distribuida y el Marco Person-Plus
El concepto de "Person-plus", desarrollado originalmente por David Perkins en 1990 y ofrece una perspectiva interesante para entender el papel de la IA en el aula de 2026. Según Perkins, el aprendizaje no reside solo en la mente del aprendiz, sino también en el "entorno circundante", que actúa como un complemento del pensamiento. Desde este punto de vista, la IA no se entiende solo como un tutor externo que entrega respuestas, sino como una extensión de las capacidades del alumno que le permite manejar niveles de complejidad que antes le resultarían inalcanzables.
No debemos perder el foco, nuestro objetivo es el desarrollo cognitivo únicamente del alumnado, no del sistema IA-alumno. Para que esta prótesis sea efectiva y no limitante, es necesario que el diseño pedagógico reconozca que las herramientas digitales portan en sí mismas patrones de razonamiento previo. Al utilizar un modelo de lenguaje para estructurar un ensayo o un sistema de tutoría inteligente para resolver un problema de física, el alumno está "tomando prestada" una inteligencia distribuida.
El reto para el docente de primaria y secundaria es asegurar que el alumno mantenga la autoría sobre el proceso global, utilizando la IA para aliviar la carga cognitiva en tareas de bajo nivel (la carga extrínseca en la Teoría de la Carga Cognitiva) y concentrar el esfuerzo en funciones ejecutivas de orden superior.
El Mecanismo del Offloading Cognitivo y la Atrofia de la Memoria
A pesar del potencial de la IA como amplificador intelectual, existe un fenómeno crítico que la investigación de 2024 y 2025 ha identificado con claridad: el "offloading" o descarga cognitiva. Este proceso ocurre cuando el alumno delega de manera excesiva las operaciones mentales en la herramienta, lo que puede llevar a una disminución del compromiso cognitivo y del desarrollo de habilidades fundamentales.
La descarga cognitiva es la externalización de tareas mentales (memoria, cálculo, toma de decisiones) en herramientas externas, como IA, buscadores o notas, para liberar carga cerebral. Si bien optimiza la eficiencia al reducir la fatiga mental y permitir foco en tareas creativas, su abuso puede reducir la capacidad de aprendizaje, atención y memoria a largo plazo.
La evidencia científica advierte que el uso de IA generativa para el estudio autodirigido, sin una guía específica, puede perjudicar seriamente la retención de conocimientos factuales a largo plazo. Un uso por parte de estudiantes universitarios de ChatGPT, si no es guiado por los docentes, produce peores resultados (un 11%) que los obtenidos por estudiantes que usaron herramientas de investigación tradicional. Este perjuicio se mide en un test realuzado por sorpresa 54 días después que medía la memoria factual, es decir, la retención a 54 días.2
Este decaimiento se puede atribuye a la eliminación de las "dificultades deseables". El aprendizaje profundo requiere un esfuerzo de recuperación y una lucha productiva con el material. Cuando la IA entrega una explicación fluida y perfecta de manera instantánea, el cerebro percibe que el trabajo de síntesis y análisis ya ha sido realizado, reduciendo el esfuerzo de codificación interna necesario para consolidar la memoria en el hipocampo.
1 https://revistapixelbit.com/numeros/2024/71/107697/index_eng.htm
2 https://www.sciencedirect.com/science/article/pii/S2590291125010186