Cuando la IA se convierte en muleta: el peligro de depender de chatbots para verificar noticias

Introducción

En los últimos años los modelos de lenguaje como ChatGPT, Claude o Gemini se han vuelto herramientas comunes para buscar información y, cada vez más, para verificar noticias. Un estudio reciente del MIT Media Lab pone sobre la mesa un aspecto preocupante: el uso repetido de estos asistentes puede debilitar la capacidad de las personas para reconocer información falsa cuando la IA ya no está disponible.

Más allá del debate técnico sobre precisión, el estudio explora un problema humano: la dependencia cognitiva. Para tomadores de decisión, periodistas y educadores en América Latina, comprender este fenómeno es clave al integrar IA en flujos de trabajo y planes formativos.

Qué hizo el estudio

Investigadores del MIT Media Lab sometieron a 67 participantes a un experimento de cuatro semanas en el que evaluaron pares titular-imagen de noticias. El objetivo fue comparar la detección de noticias falsas cuando los participantes contaban con la ayuda de un chatbot de IA frente a cuando trabajaban sin asistencia.

El equipo, dirigido por los estudiantes de doctorado Anku Rani y Valdemar Danry y con coautores como Paul Pu Liang, Andrew Lippman y la profesora Pattie Maes, presentó sus resultados en la conferencia CHI 2026.

Resultados clave

• Durante las sesiones asistidas por IA, los participantes acertaron un 21% más al identificar noticias falsas, confirmando que los modelos pueden mejorar el rendimiento en el momento.
• Sin embargo, tras cuatro semanas, el desempeño de los participantes en tareas no asistidas cayó 15 puntos porcentuales comparado con su rendimiento inicial.
• Un grupo de cerca del 20% fue etiquetado como “Dependency Developers”: usuarios que pasaron de un enfoque activo y crítico a una aceptación pasiva de las respuestas de la IA.
• Curiosamente, aproximadamente una cuarta parte de los participantes sintió que estaban mejorando en la detección, pese a que su rendimiento objetivo había disminuido.

Estos resultados reflejan lo que investigadores llaman la “paradoja de dependencia”: las herramientas que mejoran el rendimiento inmediato pueden, a la larga, debilitar la habilidad humana para desempeñar esa tarea sin ayuda.

Por qué ocurre la dependencia

Los autores señalan varios factores. Primero, los modelos de lenguaje son modelos estadísticos que predicen texto y, pese a comportamientos impresionantes, cometen errores, sobre todo en noticias sensacionales o emocionalmente cargadas. El estudio subraya que los fallos tienden a multiplicarse en eventos de máxima emoción o desorden informativo —por ejemplo en torno a atentados o conflictos internacionales— donde la verificación es especialmente difícil.

Además, el contenido con el que se entrenan estos modelos proviene de fuentes humanas que pueden ser incompletas o sesgadas. Cuando las personas delegan sistemáticamente la comprobación en un chatbot, su práctica activa de evaluación (verificar fuentes, analizar contexto de imágenes, cuestionar supuestos) disminuye; es la clásica pérdida de habilidades por externalización cognitiva.

El fenómeno también tiene resonancias con sesgos psicológicos: usuarios entusiasmados con la “magia” de los LLM pueden sobreestimar su infalibilidad, un comportamiento cercano al efecto Dunning-Kruger en ciertos participantes.

Coach vs. muleta: cómo debe comportarse la IA

Una de las contribuciones prácticas del estudio es distinguir entre estilos de interacción de la IA. Hay una diferencia clara entre asistentes que “dicen” la respuesta y los que “preguntan” para guiar al usuario.

• Las estrategias tipo “coach” (por ejemplo, fomentar preguntas socráticas o realizar un sondeo profundo) tienden a promover el aprendizaje activo. Aunque estas técnicas pueden ralentizar la verificación en el momento, están asociadas con mejor desempeño independiente posterior.
• Las estrategias que entregan respuestas directas favorecen la dependencia; aceleran la tarea, pero reducen la oportunidad de practicar habilidades críticas.

El estudio identificó técnicas concretas como la interrogación guiada y las declaraciones persuasivas leves cuando el usuario se desvía, que ayudaron a sostener la habilidad humana.

Limitaciones del estudio

Los autores reconocen límites importantes: la muestra fue relativamente pequeña (67 personas), el conjunto de noticias validadas fue de alrededor de 50 ítems y los participantes provenían principalmente de Estados Unidos y Reino Unido. Por ello, los resultados no se pueden generalizar sin estudios adicionales en contextos culturales y lingüísticos distintos.

Implicaciones para América Latina

En América Latina la circulación de noticias ocurre a menudo en plataformas como WhatsApp y Telegram, donde contenidos verificados y no verificados conviven y se viralizan. La adopción de asistentes de IA por parte de periodistas, fact-checkers y público general trae beneficios, pero también el riesgo de atrofia de habilidades críticas en entornos con menor alfabetización digital.

Por eso, es urgente adaptar tanto herramientas como programas de formación:

• Diseñar asistentes que fomenten la comprobación activa: preguntas de verificación, listados de fuentes, pasos para analizar imágenes.
• Incluir módulos de alfabetización mediática que expliquen límites de la IA y fomenten el pensamiento crítico.
• Evaluar herramientas en comunidades locales y en español, para captar matices culturales y patrones de desinformación propios de la región.

Recomendaciones prácticas

• Para gestores y equipos de comunicación: incorporen IA que explique su razonamiento y proponga pasos de verificación, no solo respuestas.
• Para educadores: enseñen a los estudiantes a usar la IA como tutor, integrando ejercicios donde primero practiquen sin asistencia y luego con apoyo guiado.
• Para desarrolladores: prioricen interacciones socráticas y mecanismos que incentiven la verificación de fuentes y el análisis contextual de imágenes.

Conclusión

El estudio del MIT Media Lab muestra que la IA puede mejorar la detección de noticias falsas en el corto plazo, pero su uso repetido y pasivo corre el riesgo de convertir estas herramientas en una muleta cognitiva. La respuesta no es rechazar la IA, sino rediseñarla e integrarla con estrategias pedagógicas y periodísticas que la vuelvan un entrenador: que enseñe a pensar, más que a entregar respuestas. Para América Latina, donde los flujos informativos y las prácticas comunicativas tienen características particulares, esto es un llamado a desarrollar soluciones locales que fortalezcan —no disminuyan— la capacidad crítica de la ciudadanía.