Este artículo cierra una serie de tres. El primero propuso que el historial de chats contiene evidencia del razonamiento propio; el segundo documentó el método para extraerla. Durante esa investigación apareció un paper que invierte la pregunta. La serie examina qué puede aprender un agente de nosotros; tres investigadores del MIT preguntan qué dejamos de aprender cuando delegamos en la IA. Su respuesta es una advertencia que conviene tomar en serio.
El modelo: conocimiento general, contexto e incentivos
En febrero de 2026, Daron Acemoglu, uno de los tres galardonados con el Premio Nobel de Economía de 2024, publicó junto a Dingwen Kong y Asuman Ozdaglar el working paper AI, Human Cognition and Knowledge Collapse (NBER 34910), actualizado en mayo de 2026. Es un modelo teórico todavía no revisado por pares. No predice que el colapso vaya a ocurrir; identifica las condiciones bajo las cuales podría emerger.
Aquí, “IA agéntica” se usa en el sentido específico del modelo: sistemas capaces de ofrecer información o recomendaciones personalizadas según el contexto. El paper formaliza algo que muchos intuíamos sin poder nombrar: esa IA puede mejorar decisiones individuales hoy mientras erosiona el conocimiento colectivo de mañana.
El modelo distingue dos tipos de conocimiento. El general pertenece a la comunidad: cómo funcionan las enfermedades, los instrumentos financieros o los protocolos de red. El conocimiento contextual depende de ti y de tu situación: los síntomas de este paciente, el riesgo de esta inversión, el bug de este servidor. La premisa clave es que ambos se complementan: el contexto sin una base general no vale nada. Un médico que ve los síntomas pero no entiende la enfermedad no puede tratar al paciente.
El segundo pilar es más sutil. Cuando una persona se esfuerza en aprender, produce dos cosas a la vez: entiende su problema y genera una pequeña pieza de conocimiento general que, compartida, beneficia a todos. Pero esa segunda parte genera una externalidad cuyo beneficio rara vez captura quien la produce. El ejemplo del paper es concreto: el ingeniero que diagnostica un bug raro en producción gana al restaurar su sistema; escribir el análisis en un foro público beneficiaría a miles de desarrolladores futuros, pero a él le aporta muy poco.
Aquí entra la IA agéntica: entrega recomendaciones contextuales y, por eso, desplaza el principal incentivo privado que teníamos para esforzarnos. El conocimiento general, en cambio, complementa el esfuerzo: cuanto más sabe la comunidad, más rentable es aprender. Esa asimetría es el corazón del modelo, y su consecuencia tiene nombre: colapso del conocimiento.
Cuatro riesgos del colapso del conocimiento
El hallazgo central es que, cuando el esfuerzo de aprendizaje responde con suficiente intensidad a los incentivos, el sistema puede tener dos destinos: un equilibrio de alto conocimiento y una trampa en la que el conocimiento general desaparece. A medida que la IA se vuelve más precisa, más puntos de partida conducen a la trampa. Existe además un umbral crítico: bajo las condiciones del modelo, si la precisión lo cruza, el equilibrio de alto conocimiento desaparece y el colapso se vuelve inevitable desde cualquier punto de partida.
Cuatro peligros concretos se desprenden del modelo, y conviene mirarlos de frente.
El primero es que nadie actúa irracionalmente. Cada persona que usa la IA puede mejorar sus decisiones hoy; el daño es colectivo y diferido. Es el tipo de fallo que el mercado no corrige por sí solo, porque el incentivo individual y el interés común apuntan en direcciones opuestas.
El segundo es que la transición es discontinua. El sistema puede parecer estable hasta que, de golpe, deja de serlo. El modelo no garantiza una alarma gradual que nos avise de la cercanía del umbral.
El tercero es que, cerca del colapso, hasta la ventaja individual puede perderse. El modelo muestra que la precisión contextual total, la combinación de la recomendación de la IA y lo que aprende la persona, puede empezar a caer cuando la pérdida de esfuerzo humano supera la mejora de la máquina. Incluso una IA perfectamente personalizada puede perder gran parte de su utilidad sin el conocimiento general que le da sentido.
Y el cuarto es que la IA se come su propio combustible. En el modelo, las recomendaciones pierden utilidad cuando se erosiona el conocimiento general que permite interpretarlas. Los autores también conectan este mecanismo con el riesgo de degradación cuando los sistemas se alimentan de forma recursiva con contenido generado por otros modelos.
El mecanismo es teórico, pero no parte de un vacío empírico. En Stack Overflow, un estudio publicado en PNAS Nexus estimó una reducción relativa del 25 % en la actividad durante los seis meses posteriores al lanzamiento de ChatGPT, frente a plataformas donde el chatbot era menos accesible o menos competente. Otro trabajo sobre Wikipedia detectó descensos mayores en las visualizaciones y, con evidencia más débil, en las ediciones de artículos recientes y populares cuyo contenido se parecía más a lo que ChatGPT podía producir.
En el terreno cognitivo, un preprint pequeño basado en mediciones de EEG encontró menor conectividad funcional durante la tarea, menor capacidad para citar el propio texto y menor sensación de autoría entre quienes escribieron con asistencia de un modelo de lenguaje. Otro estudio observó una correlación entre mayor uso de herramientas de IA, mayor descarga cognitiva y puntuaciones inferiores en pensamiento crítico, especialmente entre participantes jóvenes; por sí solo, no demuestra causalidad.
En conjunto, estas investigaciones no prueban el colapso que modelan Acemoglu y sus coautores, pero sí muestran señales compatibles con su mecanismo: menos producción pública de conocimiento y una posible reducción del esfuerzo cognitivo cuando la IA sustituye, en vez de complementar, el aprendizaje.
Qué podemos hacer para evitarlo
El modelo no ofrece una salida simple. Los autores estudian restricciones temporales y permanentes sobre las recomendaciones agénticas. Pero también identifican una palanca inequívocamente beneficiosa: la agregación, es decir, la capacidad de una comunidad para compartir y acumular el conocimiento que sus miembros generan.
Eso incluye comunidades que documentan, foros vivos, blogs técnicos y análisis públicos de problemas resueltos. Todo lo que convierta el esfuerzo individual en acervo común hace al sistema más resistente. La lección aplicable hoy, para cualquiera, es directa: el mismo esfuerzo que ya haces vale más cuando se comparte.
Hay un matiz esperanzador en las extensiones del paper: cuando las máquinas pueden generar conocimiento nuevo verificable automáticamente, el riesgo de un colapso total disminuye. Pero los propios autores advierten que eso solo aplica en ámbitos como los juegos o las demostraciones formales. En el mundo abierto, el conocimiento nuevo sigue naciendo del esfuerzo humano.
Las 4D, y la quinta dimensión que faltaba
Una pregunta obligada al escribir esta serie: ¿no estoy haciendo yo exactamente lo que el paper critica, pidiéndole a una IA que trabaje conmigo en estos artículos? La respuesta está en la distinción que el propio modelo hace. Lo que erosiona el conocimiento no es usar la IA: es sustituir con ella el esfuerzo de aprender. Esta serie existe porque una tesis mía fue puesta a prueba, corregida y documentada en público. Ese esfuerzo fue mío; la IA me ayudó a leer a escala y a preparar borradores.
En marzo escribí sobre el Framework de Fluidez en IA de Rick Dakan y Joseph Feller, y sus cuatro competencias humanas. Releídas después del paper del MIT, describen con precisión cómo se mantiene activo el proceso cognitivo en lugar de delegarlo.
Delegación es saber qué le das a la máquina y qué retienes. En términos del paper: delega la tarea, nunca el criterio. La IA organiza; tú decides.
Descripción es llegar con tu propia tesis antes de pedirle una al modelo. Si empiezas con “escríbeme algo sobre X”, ya delegaste el pensamiento. Si empiezas con tu argumento, tus ejemplos y tu marco, la IA amplifica en lugar de sustituir.
Discernimiento es la competencia que el paper vuelve urgente. Los modelos pueden sonar convincentes incluso cuando se equivocan, y una respuesta complaciente que aceptas sin verificar representa un esfuerzo de aprendizaje que no ocurrió. Investigar lo que te entregan, contrastarlo con la realidad y rechazar lo que suena bonito pero no resiste es exactamente el esfuerzo que sostiene el conocimiento general.
Diligencia es hacerse responsable de lo que publicas y ser transparente sobre cómo lo hiciste.
Pero el paper deja ver algo que las 4D no cubren, porque describen competencias individuales. Puedes ser impecable en las cuatro y aun así contribuir al colapso, simplemente quedándote con el resultado. Falta una quinta dimensión, y es colectiva: diseminar. Publicar lo que aprendiste, documentar el problema que resolviste, escribir el análisis que a ti no te rinde nada pero a otros les ahorra semanas. En el modelo del MIT, esa es la palanca que mejora inequívocamente el resultado y aleja el colapso.
Las cuatro primeras te protegen a ti. La quinta nos protege a todos.
La IA puede ser la mejor herramienta de pensamiento que hemos tenido o el sustituto que lo apague. La diferencia no depende solo de la máquina; depende también de si seguimos haciendo el esfuerzo del que nace todo lo demás y de si lo compartimos.
Por: Cesar Rosa Polanco - Escrito a partir de una experiencia real, con asistencia de inteligencia artificial en investigación, lectura a escala, preparación de borradores y edición.
