Los investigadores de Wharton acuñaron el término 'rendición cognitiva' para describir lo que sucede cuando las personas permiten que la IA piense por ellas.

      TL;DRInvestigadores de Wharton encontraron que las personas aceptan respuestas incorrectas de la IA el 80% de las veces. Ahora aplicaciones como Moot están monetizando el instinto de externalizar decisiones.

      Un par de investigadores de Wharton han puesto un nombre a algo que muchos usuarios de IA han comenzado a hacer en silencio: dejar que los chatbots tomen decisiones por ellos. Steven Shaw y Gideon Nave publicaron un estudio en enero titulado “Pensar, Rápido, Lento y Artificial”, en el que introdujeron el término “rendición cognitiva” para describir la tendencia de las personas a deferir a los resultados de la IA incluso cuando esos resultados son incorrectos.

      El estudio, realizado a través de la Escuela Wharton de la Universidad de Pensilvania, pidió a los participantes que respondieran preguntas con y sin asistencia de IA. Aquellos que recibieron ayuda de IA aceptaron respuestas correctas el 93% de las veces, lo cual no es sorprendente. Lo que llamó la atención de los investigadores fue la tasa de error: los participantes aceptaron respuestas incorrectas de la IA el 80% de las veces y reportaron niveles de confianza un 11.7% más altos que aquellos que trabajaron sin IA.

      Los resultados provienen de condiciones experimentales controladas, no del uso en el mundo real, pero el patrón fue consistente en la muestra.

      Shaw y Nave propusieron lo que llaman “Teoría del Tri-Sistema”, añadiendo un “Sistema 3” al marco hecho famoso por “Pensar, Rápido y Lento” de Daniel Kahneman. En su modelo, el Sistema 1 es la intuición rápida, el Sistema 2 es la deliberación lenta, y el Sistema 3 es la cognición asistida por IA, un modo en el que la mente humana efectivamente externaliza el trabajo de pensar a una máquina. El riesgo, argumentan, es que el Sistema 3 debilita gradualmente los Sistemas 1 y 2 a través de la falta de uso.

      El fenómeno no se limita a experimentos académicos. Business Insider informó que Carolyn Yoo, una ex ingeniera de software en Nueva York, utilizó el chatbot Claude de Anthropic para ayudar a decidir si dejar su trabajo, cómo decírselo a sus padres y qué hacer con un amigo que la había molestado. Ella le dijo a la publicación que trataba al chatbot como una combinación de terapeuta y entrenador de vida.

      Business Insider también citó a Dominic Frisby, un escritor financiero, quien escribió en Substack que pidió consejo sobre relaciones a un chatbot de IA y encontró la respuesta más útil que cualquier cosa que un amigo humano le hubiera ofrecido.

      Ahora hay un producto comercial construido sobre este mismo impulso. Moot, una aplicación que se lanzó a principios de este año, permite a los usuarios someter decisiones de vida a un panel de cinco personas de IA llamadas El General, El Sabio, El Escéptico, El Diplomático y El Arquitecto. Las personas debaten la pregunta entre sí y luego votan, produciendo una recomendación.

      Según las listas de la aplicación en la App Store de Apple y Google Play, está diseñada para personas que se sienten atascadas en elecciones cotidianas, desde movimientos de carrera hasta preguntas sobre relaciones. Las afirmaciones de la aplicación sobre su efectividad provienen de la propia empresa y no han sido evaluadas de manera independiente.

      Cornelia C. Walther, una investigadora senior en la Iniciativa de IA y Análisis de Wharton, le dijo a Business Insider que la adulación de la IA, la tendencia de los chatbots a estar de acuerdo con los usuarios en lugar de desafiarlos, está agravando el problema. Cuando un chatbot valida cada instinto que un usuario le presenta, el bucle de retroalimentación que normalmente obligaría a reconsiderar desaparece.

      Walther, quien investiga aplicaciones de IA pro-sociales, describió un patrón consistente con la inquietud pública más amplia sobre los efectos sociales de la IA.

      Investigaciones separadas apoyan la preocupación. Anat Perry, una becaria Helen Putnam en el Instituto Radcliffe de Harvard y profesora asociada de psicología en la Universidad Hebrea de Jerusalén, coescribió un artículo en Science que examina cómo las respuestas aduladoras de la IA erosionan la capacidad de los usuarios para calibrar su propio juicio. El artículo encontró que cuando los sistemas de IA afirman consistentemente la posición de un usuario, la capacidad del usuario para la evaluación independiente se degrada con el tiempo.

      Joanna Stern, analista jefe de tecnología de NBC y autora de “No Soy un Robot: Mi Año Usando IA para Hacer (Casi) Todo”, ha documentado el avance de la dependencia de la IA en la vida diaria. Su reportaje ha mostrado cómo los usuarios comienzan con consultas de bajo riesgo, como qué cocinar para la cena o qué ponerse, y gradualmente escalan a decisiones importantes sobre carreras, finanzas y relaciones. La trayectoria de la conveniencia a la dependencia es difícil de revertir una vez establecida.

      El marco del estudio de Wharton sobre la rendición cognitiva como un riesgo estructural, no solo como un mal hábito, es importante porque cambia la conversación de la disciplina individual al diseño del sistema. Si las herramientas de IA están diseñadas para ser máximamente agradables y sin fricciones, la rendición cognitiva que Shaw y Nave describen no es un fracaso de la fuerza de voluntad, sino un resultado predecible de la arquitectura del producto.

      El informe del Índice de IA de Stanford 2026 encontró una brecha creciente entre la ansiedad pública sobre la IA y el optimismo de los expertos, sugiriendo que los usuarios comunes perciben algo que los constructores de estos sistemas han tardado más en reconocer. La pregunta es si la industria tratará la rendición cognitiva como un defecto de diseño que vale la pena corregir o como una métrica de compromiso que vale la pena optimizar.

      La recomendación de Shaw y Nave es sencilla: los sistemas de IA deben ser diseñados para incitar a los usuarios a pensar, no para pensar por ellos. Si esa recomendación sobrevive al contacto con las estructuras de incentivos de la IA de consumo, donde la facilidad de uso y la retención son las métricas que importan, es otra pregunta completamente diferente.