La IA promete rapidez. La clave está en entender qué es lo que se está acelerando. Según un estudio publicado en 2025 por Polytechnique Insights, quienes utilizaban ChatGPT para redactar un ensayo eran un 60 % más rápidos, pero también mostraban una reducción del 32 % en la carga cognitiva relevante; además, el 83 % no era capaz de recordar un pasaje que acababa de escribir, según el análisis publicado por Polytechnique Insights. Para una empresa, esto no es un detalle académico. Es una señal operativa.
Cuando un equipo utiliza la IA para generar informes, resúmenes, previsiones o explicaciones, la eficiencia puede aumentar rápidamente. Pero si el uso se vuelve pasivo, el trabajo cognitivo no desaparece. Simplemente se desplaza. Las personas realizan menos análisis autónomos, menos verificaciones y construyen menos argumentos propios. El riesgo no es «volverse menos inteligentes». El riesgo es perder práctica precisamente en las competencias que se necesitan cuando el resultado automático es ambiguo, incompleto o simplemente erróneo.
Por eso, el tema de la «atrofia de las habilidades de pensamiento crítico ante la IA» afecta sobre todo a las pymes, los equipos de análisis, el comercio minorista, las finanzas y las funciones operativas. No hay que renunciar a la IA. Lo que hay que hacer es diseñar flujos de trabajo que mantengan activo el criterio humano. Ahí es donde reside la verdadera ventaja competitiva.
La implantación de la IA en las empresas suele presentarse como una simple cuestión de productividad: más rapidez, menos trabajo manual, más automatización. Esto solo es cierto en parte. La cuestión más importante es otra: si la IA realiza el trabajo intelectual en lugar del equipo, ¿qué queda realmente dentro de la organización?
Para una pyme italiana, esta cuestión es más importante de lo que parece. La elaboración de informes, la elaboración de previsiones, la clasificación, el apoyo a la toma de decisiones y el análisis de síntesis son actividades que se delegan cada vez más a sistemas generativos. A corto plazo, el resultado parece positivo. A medio plazo, sin embargo, puede surgir un coste menos visible: la pérdida de autonomía a la hora de comprender, verificar y defender una decisión.
El tema dela «atrofia de las habilidades de pensamiento crítico» provocada por la IA debe interpretarse así: no como una cruzada contra la tecnología, sino como un reto de diseño organizativo. Las empresas más maduras no serán aquellas que lo automaticen todo, sino aquellas que distingan con precisión entre el uso de la IA que potencia la competencia y el uso de la IA que la sustituye.
Una parte del riesgo de la IA no se debe a errores espectaculares. Se debe a procesos que funcionan lo suficientemente bien como para que ya nadie los cuestione.
La atrofia del pensamiento crítico provocada por la IA describe precisamente esto: un debilitamiento selectivo de habilidades que solo se mantienen fuertes si se ejercitan de forma continuada. No estamos hablando de una disminución general de la inteligencia. Nos referimos a capacidades muy específicas, decisivas en el trabajo directivo y analítico: formular hipótesis, comparar explicaciones alternativas, detectar incongruencias y defender una conclusión cuando los datos son incompletos o ambiguos.
Para una pyme, la pregunta relevante no es si la IA permite ahorrar tiempo. La pregunta relevante es de carácter más operativo: ¿se reinvierte el tiempo ahorrado en un mejor análisis, o se prescinde por completo de dicho análisis?
Aquí es donde está la línea divisoria que realmente importa para el negocio. Un equipo financiero que utiliza la IA para depurar datos, reorganizar categorías o resumir actas está reduciendo las tareas de escaso valor cognitivo. Por el contrario, un equipo que recurre a la IA para interpretar anomalías, evaluar el riesgo y sugerir la decisión final está transfiriendo a la máquina la parte del trabajo que genera competencia interna.
Por lo tanto, la distinción relevante no es «IA sí o no». Se trata de un uso asistido frente a un uso sustitutivo.
Esta diferencia solo parece sutil sobre el papel. En la práctica, lo que cambia es lo que la organización es capaz de hacer por sí misma.
La atrofia no se produce cuando un equipo recurre a menudo a la IA. Se produce cuando deja de realizar los procesos mentales intermedios.
Si cada análisis llega ya ordenado, comentado y priorizado, la persona ve el resultado, pero practica menos el proceso que conduce a él. Con el tiempo, se practican menos algunas operaciones que hacen que un juicio sea fiable: desglosar un problema, distinguir entre señal y ruido, buscar contraargumentos, evaluar las ventajas e inconvenientes de opciones imperfectas.
El riesgo, por lo tanto, no es la respuesta automática en sí misma. El riesgo es un flujo de trabajo que acostumbra al equipo a aprobar sin replantearse el razonamiento.
La pregunta adecuada desde el punto de vista directivo es sencilla: ¿quién, dentro de este proceso, sigue viéndose obligado a formarse una opinión independiente antes de aprobar el resultado?
El uso pasivo de la IA no afecta a todas las competencias por igual. Las primeras en verse mermadas son aquellas que requieren esfuerzo cognitivo, es decir, un trabajo mental lento, comparativo y verificable.
La cuestión no es eliminar la IA. La cuestión es evitar que elimine precisamente esa parte del trabajo en la que el equipo debería cuestionar, comparar y verificar.
Los estudios más relevantes en la actualidad no sirven para respaldar la tesis simplista de que la IA «nos vuelve estúpidos». Sirven para poner de manifiesto un riesgo más concreto para quienes gestionan personas y procesos: a medida que avanza la automatización cognitiva, una parte de los usuarios tiende a delegar en el sistema no solo la ejecución, sino también el control de calidad.
Un ejemplo que se cita a menudo en este debate es el artículo de Microsoft Research sobre la relación entre la IA generativa y el pensamiento crítico, que analiza cómo el uso frecuente de herramientas generativas se asocia a una disminución del control crítico en ciertas actividades que requieren un alto nivel de conocimiento. Lo interesante para un directivo no es la fórmula estadística en sí misma, sino el mecanismo organizativo que se pone de manifiesto: cuanto más plausible es la respuesta que genera el sistema, más fácil resulta confundir la plausibilidad con la fiabilidad.
Esto cambia la naturaleza de las competencias requeridas. El valor ya no recae en quien obtiene un resultado más rápido, sino en quien sabe evaluar sus supuestos, límites y condiciones de uso. Para las empresas, el aspecto más relevante es otro. La adopción de la IA puede aumentar la productividad a corto plazo y reducir la capacidad de diagnóstico a medio plazo, si el flujo de trabajo no incluye pasos explícitos de verificación.
Por eso, el debate más útil no se centra únicamente en la potencia del modelo, sino también en la ilusión del razonamiento en el mundo de la IA. Un resultado convincente puede parecer un pensamiento. En muchos casos, no es más que una buena síntesis lingüística de patrones ya conocidos.
Un proceso tiende a reforzar la competencia cuando la IA proporciona un resultado, pero la persona debe aún explicitar los supuestos, verificar las excepciones relevantes, comparar al menos una alternativa y justificar la elección final.
Un proceso tiende a requerir la intervención de un responsable cuando este lee, revisa y aprueba.
La diferencia está precisamente ahí. No en la herramienta, sino en el diseño del trabajo.
Una PYME bien diseñada utiliza la IA para mejorar la calidad del juicio, no para prescindir del juicio en sí.
Para una pyme, el riesgo rara vez se presenta como un problema teórico. Se manifiesta como una decisión aprobada con demasiada prisa, una previsión que nadie cuestiona, un panel de control que orienta el presupuesto sin un debate real sobre las excepciones. El coste no es solo un error aislado. Es una pérdida progresiva de la capacidad del equipo para comprender por qué una decisión es acertada, frágil o errónea.
La clave está aquí. La IA no merma las competencias de manera uniforme. Las refuerza cuando agiliza el análisis, manteniendo a la vista las hipótesis, los límites y las alternativas. Las merma cuando ofrece una conclusión ya preparada y el trabajo humano se reduce a aprobar, pulir y enviar.
Un responsable de comercio electrónico recibe una previsión de ventas generada por un sistema de inteligencia artificial. La cifra final parece coherente con la tendencia reciente, por lo que se utiliza para planificar los pedidos, las promociones y la asignación del presupuesto publicitario. El problema surge después. El modelo había incorporado un pico temporal debido a una campaña irrepetible, o bien había interpretado de forma errónea la combinación de canales, los márgenes y la rotación de algunas categorías.
En estos casos, el equipo no fracasa por falta de preparación. Fracasa porque el proceso valora más la rapidez de la aprobación que la calidad del análisis.
Las consecuencias operativas son inmediatas:
Para una gran empresa, estos errores pueden ser absorbidos. Para una pyme, pueden reducir la liquidez, el margen y la capacidad de reacción en un solo trimestre.
En el ámbito de las finanzas y la presentación de informes de riesgos, el problema es más sutil. Un analista utiliza un informe generado por IA para preparar una auditoría de cumplimiento normativo o un resumen de riesgos. El documento señala patrones, excepciones y prioridades. El analista comprueba rápidamente la forma, el vocabulario y la coherencia aparente, y luego remite el material al responsable.
El riesgo no se limita a la precisión de los datos. Afecta a la jerarquía de la atención. Si el resultado del modelo ya decide qué es relevante, el lector tiende a prestar más atención a lo que se ha destacado y menos a lo que se ha dejado fuera. En muchos procesos, las excepciones más costosas son precisamente aquellas que se sitúan al margen del patrón dominante.
Un análisis publicadopor el IE Center for Health and Well-being sobre los efectos cognitivos de la IA destaca un aspecto relevante para el contexto empresarial: el uso frecuente de la IA sin contexto ni supervisión puede reducir la activación del pensamiento crítico y aumentar la dependencia de atajos cognitivos, como el sesgo de automatización y la aceptación pasiva de los resultados. Por ello, en los procesos de alto impacto, se necesitan etapas de revisión humana sustancial e interfaces que hagan visibles las fuentes, el nivel de fiabilidad y las áreas de incertidumbre.
Cuando un sistema funciona correctamente, el equipo puede dejar de buscar lo que no aparece.
Los directivos pueden detectar el problema antes de que se convierta en algo estructural. Las señales más útiles no son de carácter técnico, sino de comportamiento.
Aquí es donde entra en juego una parte importante de la competitividad de las pymes. La adopción madura de la IA no consiste en automatizar el mayor número posible de pasos. Consiste en separar los pasos en los que la máquina agiliza el análisis de aquellos en los que el ser humano debe seguir siendo responsable del juicio, la interpretación y la decisión. Una referencia útil, a nivel organizativo, es la contribución de ELECTE dedicada a crear equipos que prosperen con flujos de trabajo potenciados por la inteligencia artificial.
Una mitigación eficaz comienza por una decisión de diseño organizativo. El objetivo no es aumentar el número de tareas asignadas a la IA, sino proteger los puntos del proceso en los que se forma el criterio de valoración. En las pymes, el verdadero riesgo no es utilizar demasiado la IA, sino utilizarla en las fases equivocadas, hasta el punto de convertir a personas competentes en meros validadores de resultados.
Por lo tanto, una estrategia útil distingue entre dos usos muy diferentes. El primero aumenta la velocidad sin reducir la calidad del razonamiento. El segundo reduce el esfuerzo cognitivo a corto plazo, pero debilita la capacidad del equipo para analizar casos ambiguos, excepciones y compensaciones. Por eso, la pregunta correcta no es «¿dónde podemos automatizar?», sino «¿en qué pasos la automatización mejora el trabajo sin mermar la competencia?».
Primer pilar: política de uso responsable
Una política seria asigna responsabilidades concretas. Debe aclarar qué decisiones pueden ser respaldadas por la IA, cuáles requieren una revisión sustancial y cuáles no deben delegarse en absoluto. También conviene definir unos requisitos mínimos de trazabilidad: hipótesis utilizadas, datos que faltan, verificación realizada y nombre del responsable de la decisión final. De este modo, el control no queda implícito.
Segundo pilar: rediseño de los flujos de trabajo
Aquí es donde se decide si la IA refuerza o debilita al equipo. Un flujo de trabajo bien diseñado utiliza el sistema para generar opciones, señalar anomalías, simular escenarios y poner a prueba las hipótesis iniciales. Un flujo de trabajo deficiente, en cambio, exige directamente una conclusión prefabricada. La diferencia operativa es clara: en el primer caso, el colaborador debe interpretar; en el segundo, solo debe aprobar.
Tercer pilar: formación orientada al análisis crítico
No basta con enseñar a utilizar la herramienta. Es necesario formar al equipo para que compruebe las condiciones de validez, los límites del modelo, los conflictos con los datos internos y las explicaciones alternativas. Esto es aún más importante en el caso de los puestos junior. Una estrategia útil consiste en introducir momentos de aprendizaje por descubrimiento en los procesos de trabajo, en los que la persona realice un primer análisis autónomo antes de confrontarse con el sistema.
Cuarto pilar: seguimiento del proceso de toma de decisiones
Las métricas de productividad por sí solas no bastan. Si un equipo entrega más rápido pero formula menos hipótesis propias, la mejora es solo aparente. Los responsables deberían fijarse en indicadores concretos: número de escenarios alternativos debatidos, calidad de las explicaciones, frecuencia de las objeciones motivadas a los resultados de la IA y capacidad para reconocer excepciones sin ayuda.
El aspecto más delicado se refiere a quienes aún están desarrollando su propio método de trabajo. En el caso de un profesional con experiencia, la IA tiende a integrarse en estructuras cognitivas ya consolidadas. En el caso de un profesional sin experiencia, puede ocupar ese espacio incluso antes de que se consoliden los criterios personales.
Esto cambia la forma en que una pyme debería organizar la incorporación, la tutoría y la evaluación. Si el nuevo empleado utiliza la IA para dar respuestas demasiado rápido, el responsable observa una buena rapidez de ejecución, pero pierde visibilidad sobre el proceso mental subyacente. Se trata de un riesgo operativo, no solo formativo. Al cabo de unos meses, el equipo puede encontrarse con personas que ofrecen resultados aceptables en contextos estándar, pero que tienen dificultades en cuanto el problema se sale del guion.
Para reducir este riesgo, conviene establecer normas sencillas y verificables:
Una organización madura no solo evalúa la rapidez con la que un empleado junior entrega su trabajo. Evalúa si está desarrollando habilidades que seguirán siendo útiles incluso cuando el resultado automático sea erróneo, incompleto o engañoso.
La calidad de un flujo de trabajo con IA depende de una decisión de diseño: si se utiliza el sistema para generar una respuesta definitiva o para mejorar la calidad del criterio humano. Para una pyme, esta distinción es más importante que la herramienta elegida, ya que determina si el equipo desarrolla criterio propio o se vuelve dependiente.
En el debate sobre la IA, el aspecto menos comprendido suele ser el operativo. El riesgo no surge de la automatización en sí misma, sino del momento en que una persona deja de formular hipótesis, comparar alternativas y verificar supuestos porque el sistema ya ha llegado a una conclusión. La contribución de ANSI sobre la relación entre la IA y el pensamiento crítico aborda precisamente este punto: el efecto de la IA varía en función de cómo se integra en el proceso de toma de decisiones.
Por eso, la distinción útil para diseñar bien los flujos no es «IA presente» o «IA ausente». Es «uso asistido» frente a «uso sustitutivo».
| Actividades | Flujo de trabajo de riesgo (uso sustitutivo) | Flujo de trabajo potenciador (uso asistido) |
|---|---|---|
| Análisis de marketing | La IA redacta el informe final de la campaña y el especialista en marketing solo revisa el tono y la forma | La IA señala anomalías, agrupaciones inesperadas y posibles hipótesis. El profesional del marketing verifica, interpreta y extrae la conclusión |
| Previsión de la cadena de suministro | El sistema genera una propuesta de reordenación lista para su aprobación | El sistema simula diferentes escenarios. El responsable compara los costes, las restricciones y la probabilidad de que se agoten las existencias |
| Informes de gestión | La IA elabora un resumen final para la dirección | La dirección elabora un borrador en el que se detallan las hipótesis y los puntos inciertos. El directivo lo confirma, lo corrige o lo rechaza. |
| Resolución operativa de problemas | El usuario pregunta cuál es la mejor solución | El usuario solicita opciones, compensaciones, excepciones y comprobaciones que deben realizarse antes de tomar una decisión |
La diferencia parece sutil. En cuanto a las competencias, no lo es.
Un analista de marketing que recibe de la IA un informe casi terminado trabaja más rápido, pero entrena poco la capacidad que genera valor a largo plazo: comprender si una caída en la conversión se debe a la segmentación, la creatividad, la estacionalidad o la calidad de los clientes potenciales. Si, por el contrario, utiliza la IA para detectar patrones anómalos, segmentos que deben aislarse y datos que faltan, el sistema se convierte en un acelerador del análisis, no en un sustituto del razonamiento.
Lo mismo ocurre en la cadena de suministro. Un responsable que apruebe una propuesta de reposición plausible pero poco transparente corre el riesgo de darse cuenta demasiado tarde de que el modelo no ha tenido en cuenta una restricción real, como un plazo de entrega inestable o una promoción comercial inminente. Un flujo bien diseñado utiliza la IA para generar escenarios, no para tomar la decisión definitiva. El trabajo humano se centra en las prioridades, las excepciones y el riesgo operativo.
Aquí surge un criterio de gestión del que se habla poco. Un buen flujo de trabajo no solo reduce el tiempo de ejecución, sino que mantiene visible el punto en el que se toma la decisión.
Hay tres principios que ayudan a diseñar procesos de este tipo:
Para los equipos que desean crecer sin convertir la IA en un atajo cognitivo, vale la pena retomar los principiosdel aprendizaje por descubrimiento. Aplicado a los flujos de trabajo empresariales, esto significa diseñar interacciones en las que el sistema amplíe el ámbito de las preguntas y las verificaciones, en lugar de cerrarlo demasiado pronto.
Llegados a este punto, el camino a seguir está claro. No tienes que elegir entre la productividad y la capacidad de razonamiento. Debes diseñar un sistema en el que la productividad no acabe silenciosamente con el juicio interno.
Identifica las tareas en las que el equipo delega demasiado pronto
. Consulta informes, previsiones, resúmenes y clasificaciones. Pregúntate en qué casos la IA ya ofrece la respuesta definitiva y en cuáles sigue apoyando el razonamiento.
Clasifica los flujos de trabajo según su impacto en la toma de decisiones
Las actividades de alto impacto deben contar con una verificación humana explícita, una comparación con los valores de referencia internos y un registro de los supuestos.
Rediseña las indicaciones y las peticiones a l
. En lugar de pedirle «dame la conclusión», pídele «muéstrame tres hipótesis», «señala anomalías», «indica qué falta» o «propone escenarios alternativos».
Enseña al equipo a explicar el porqué
. Cualquier resultado importante debería poder ser defendido verbalmente por quien lo presenta. Si no es así, el proceso está creando dependencia.
Protege el itinerario de los perfiles junior
Para los más jóvenes, la IA debe utilizarse de forma más estructurada. Menos sustitución directa y más ejercicios guiados de verificación, comparación y argumentación.
Premia las dudas bien fundadas
Si una organización solo incentiva la rapidez y la entrega, el equipo utilizará la IA para terminar el trabajo. Si también premia la calidad de la interpretación, surgirán comportamientos muy diferentes.
Una empresa que utiliza bien la IA no genera dependencia. Ayuda a las personas a razonar mejor, más rápido y con mayor contexto. Esa es la diferencia entre una automatización frágil y una ventaja competitiva duradera.
Si quieres utilizar la IA para agilizar la toma de decisiones sin perder transparencia ni capacidad de análisis, puedes ver cómo ELECTE, una plataforma de análisis de datos basada en IA para pymes, ayuda a los equipos a transformar datos brutos en información clara, verificable y útil para la toma de decisiones. Para quienes desean crecer sin ceder el control a la máquina, es un buen punto de partida.
.svg)
.svg)
.svg)
