La paradoja rendimiento-aprendizaje en la era de la IA

La investigación citada por la OCDE muestra que la IA puede mejorar el rendimiento mientras la competencia real del empleado se mantiene igual. Qué significa esto para cómo las empresas en crecimiento deberían diseñar la formación con IA.

El 19 de enero de 2026, la OCDE publicó una revisión de 247 páginas sobre cómo la IA generativa está llegando realmente a las aulas y universidades de todo el mundo —no la versión de marketing, sino la evidencia.

Se escribió para ministerios de educación. Pero si se elimina el lenguaje escolar, lo que queda es una de las bases de evidencia más claras disponibles sobre cómo las personas aprenden —o no logran aprender— mientras trabajan junto a la IA. Esa distinción importa tanto en un equipo comercial o en un departamento de asuntos regulatorios como en un aula.

Investigado y redactado con ayuda de IA; revisado, verificado y editado por Primož Verbič.

Resumen

La IA puede mejorar el rendimiento de una persona en una tarea mientras su competencia real se mantiene igual o disminuye —la investigación citada por la OCDE encontró una brecha de rendimiento del 17% una vez retirado el apoyo de la IA.
La causa es la “descarga cognitiva”: delegar una tarea a la IA salta los pasos de diagnóstico, evaluación e iteración que generan una comprensión duradera.
Las herramientas de IA bien configuradas y diseñadas para un propósito específico ayudan mucho más que el acceso a un chatbot genérico —y benefician más a los empleados más nuevos (una ganancia de 9 puntos en la tasa de aprobación para los usuarios menos experimentados en un estudio).
El modelo humano-IA más sólido es la “aumentación”: crítica y refinamiento iterativo conjunto, no la sustitución directa de tareas.
Para L&D (aprendizaje y desarrollo): organiza el trabajo como intento-y-luego-asistencia, prioriza el acceso a la IA para las nuevas incorporaciones, y mide la competencia con controles diferidos sin herramientas.

El hallazgo central del informe es un desajuste entre rendimiento y aprendizaje. La IA generativa puede hacer que alguien sea notablemente mejor en una tarea en el momento, mientras su competencia real permanece exactamente igual, o disminuye.

17% peor. Un ensayo aleatorizado con 1.000 estudiantes de secundaria en Turquía encontró que quienes practicaron matemáticas con un chatbot GPT-4 de propósito general resolvieron muchos más problemas correctamente durante la práctica —pero obtuvieron un 17% peor resultado que los estudiantes que nunca habían usado IA, una vez retirado el chatbot para un examen sin material de apoyo.

Los investigadores llaman a este mecanismo “descarga cognitiva”. Cuando una herramienta entrega una respuesta terminada, las personas se saltan los pasos que realmente generan comprensión: diagnosticar el problema, sopesar opciones, iterar. Un estudio independiente que utilizó imágenes cerebrales descubrió que los estudiantes que escribieron un ensayo con ChatGPT apenas podían recordar su propio contenido una hora después —solo el 12% pudo citar una línea de él, frente al 89% de quienes escribieron sin ayuda. Escribir primero e incorporar la IA después preservó la memoria; empezar con la IA no lo hizo. La secuencia, no solo el uso, determinó el resultado.

El informe no es contrario a la IA —es específico sobre qué hace que la IA ayude en lugar de perjudicar. Las herramientas configuradas en torno a una práctica pedagógica real superaron sistemáticamente el acceso directo a un chatbot de propósito general.

Brecha de 9 puntos. Un asistente de tutoría desarrollado por Stanford aumentó las tasas de aprobación de los estudiantes en un 4% de media —pero la ganancia fue desigual: +9 puntos porcentuales para los tutores menos experimentados, casi nada para los más experimentados. Cuanto mejor diseñada estaba la herramienta, más cerraba la brecha para quienes más apoyo necesitaban.

Sobre cómo debería situarse la IA junto a la experiencia humana, el informe analiza tres modelos: sustitución, complementariedad y “aumentación”, en el que humano e IA critican y refinan iterativamente el trabajo del otro. La aumentación produjo los mejores resultados y la menor erosión de la competencia profesional; automatizar tareas sin más fue sistemáticamente la opción más débil.

Otro hallazgo vale la pena sacar del aula: la retroalimentación generada por IA ahora iguala a la humana en precisión y profundidad. Pero las personas confían menos en ella y actúan menos según ella cuando saben que la escribió una máquina, incluso cuando es objetivamente igual de buena. La brecha de credibilidad no se cierra solo porque se cierre la brecha de calidad.

Qué significa esto para el desarrollo de tu equipo

Nada de lo anterior se escribió pensando en una cuenta de resultados. Pero cada hallazgo se traduce directamente en cómo una empresa en crecimiento debería —y no debería— incorporar la IA al desarrollo de su equipo.

Mide la competencia, no la velocidad de producción. Si tus métricas de L&D miden la rapidez con la que una nueva incorporación produce un primer borrador o un correo a un cliente, estás midiendo exactamente el número que advierte el informe de la OCDE —el que puede subir mientras la capacidad real se mantiene igual. Añade un control diferido: ¿puede esta persona realizar la tarea sin la herramienta unas semanas después? Ese es el examen sin material de apoyo, aplicado a tu equipo.
Dirige la IA primero hacia las personas más nuevas. El resultado de la tutoría —mayores ganancias para los menos experimentados, mínimas para los más experimentados— es el dato más útil aquí. Un asistente de IA bien configurado para la incorporación o el manejo de objeciones hará más por una nueva incorporación en su primer mes que por tu especialista más sénior. La prioridad de implementación debe seguir esa curva, no la antigüedad.
Establece el orden: intentar primero, asistir después. Haz que las personas redacten la propuesta o el plan de cuenta antes de abrir la herramienta de IA —aunque sea un intento breve de cinco minutos. Incorporar la IA después para refinar preserva el pensamiento; empezar con la IA y limpiar después no lo hace. Esto es una política de asignación de trabajo, no una diapositiva de formación.
Configura la herramienta; no entregues una licencia y lo llames formación. La diferencia entre una plaza de IA genérica y una herramienta configurada en torno a los manuales y el lenguaje reales de tu empresa es la misma diferencia que el informe encuentra entre la IA de propósito general y la educativa diseñada para un propósito específico. Trata al asistente de IA interno como un producto diseñado, no como una línea de compra —mapea los flujos de trabajo antes de comprar las licencias.
Deja que la IA redacte la retroalimentación; que la firme una persona. Usa la IA para generar el primer borrador de una nota de coaching o una revisión de llamada —es rápido y es bueno. Pero haz que el responsable la lea, la ajuste y la entregue. Las personas descartan los consejos que saben que provienen de una máquina, sin importar su calidad.
Enseña a las personas a trabajar con la IA, no solo a acceder a ella. Los mejores resultados del informe provinieron de usuarios que entendían lo que la herramienta estaba haciendo —cómo formular indicaciones, cuándo desconfiar de una respuesta que suena convincente. Eso es una competencia que se puede enseñar. Constrúyela con la misma intención que la formación en negociación o producto, con la aumentación como comportamiento objetivo.

Los autores del informe plantean el reto para los responsables políticos como asegurar que la IA sea un compañero de aprendizaje, no un atajo de aprendizaje. Es la misma pregunta de diseño para cualquier equipo que esté invirtiendo en IA ahora mismo —y es la que estamos incorporando directamente en cómo diseñamos la adopción de IA para nuestros clientes.

Preguntas frecuentes

¿Con qué rapidez aparece la pérdida de competencias por el uso de IA? Rápido. La evidencia más clara proviene de un examen sin material de apoyo realizado inmediatamente después de un breve período de práctica con IA, donde el efecto ya era medible. Por eso un control de competencia diferido debería realizarse en un plazo similar —semanas, no el ciclo de evaluación anual.

¿Cuál es la diferencia entre dar a los empleados una licencia de IA y formarlos en alfabetización en IA? Una licencia es acceso; la alfabetización es criterio —saber cuándo confiar en un resultado, reconocer una alucinación que suena convincente, y formular indicaciones con eficacia. Los mejores resultados en la investigación subyacente provinieron de usuarios que entendían las limitaciones de la herramienta, no simplemente de usuarios que tenían acceso a ella.

¿Esto se aplica a puestos no técnicos o sin contacto con clientes? Sí. El mecanismo subyacente, la descarga cognitiva, no es específico de ningún puesto —se aplica en cualquier lugar donde una herramienta pueda producir un resultado terminado en lugar de apoyar el razonamiento propio de la persona. Los estudios de origen abarcan la práctica de matemáticas, la escritura de ensayos y la tutoría, ninguno de los cuales son puestos de cara al cliente, por lo que el patrón se generaliza bien más allá del trabajo del conocimiento.

Fuente: OECD (2026), OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education, OECD Publishing, Paris.

La paradoja rendimiento-aprendizaje en la era de la IA — y qué significa para el desarrollo de tu equipo