El experimento y lo que mide
Un equipo dirigido desde la Universidad de California en Berkeley ha publicado pruebas causales de que una exposición breve a un asistente de IA reduce el tiempo que la gente sigue intentando resolver un problema difícil. Berkeley News dio cuenta del resultado el 9 de octubre, cuando la versión revisada por pares del artículo se presentó en la Conference on Language Modeling. Un borrador preliminar está en arXiv desde el 6 de abril.
El diseño son tres ensayos controlados aleatorizados con 1.222 participantes en línea: 354 y 667 con series de problemas de fracciones, y 201 con comprensión lectora de estilo SAT. En cada uno, un grupo disponía de ChatGPT para ayudarse, incluso para pedir la respuesta. En el problema 12 se le retiraba el asistente.
El resumen lo dice sin rodeos: “aunque la asistencia de IA mejora el rendimiento a corto plazo, las personas rinden significativamente peor sin IA y es más probable que se rindan”. Los autores subrayan que los efectos “aparecen tras interacciones breves con la IA (unos 10 minutos)”.
No la precisión, sino el abandono
La distinción importa, porque es lo primero que se pierde en los resúmenes. El grupo asistido rindió mejor mientras tuvo la herramienta. Lo que cambió al retirarla no fue solo la precisión, sino la disposición a seguir: Berkeley News informa de que la tasa de resolución cayó con fuerza y la de problemas saltados subió de forma notable, mientras el grupo de control que nunca tuvo asistente se mantuvo estable y terminó mejor.
La explicación de los autores tiene que ver con la expectativa más que con la capacidad. La IA, escriben, “acostumbra a las personas a esperar respuestas inmediatas, privándolas así de la experiencia de abrirse paso por sí mismas a través de las dificultades”. Enmarcan la preocupación en el aprendizaje: la perseverancia, sostienen, es la base de la adquisición de destrezas y uno de los predictores más fuertes del aprendizaje a largo plazo.
Su conclusión es de diseño. El artículo contrapone la figura del mentor —que acompaña, sigue el progreso y antepone el crecimiento al resultado inmediato— con los sistemas actuales, a los que llama “colaboradores fundamentalmente cortoplacistas”, optimizados para responder al instante y por completo y para no decir nunca que no salvo por seguridad. La recomendación es que el desarrollo de modelos priorice el andamiaje de la competencia a largo plazo junto con la resolución de la tarea que tiene delante.
Quién lo firma y qué no demuestra
El artículo es de Grace Liu, Brian Christian, Tsvetomira Dumbalska, Michiel A. Bakker y Rachit Dubey. Christian es investigador del Center for Human-Compatible AI de Berkeley, y Berkeley News menciona coautores de Carnegie Mellon, el MIT, Oxford y UCLA.
“Es un hallazgo llamativo, pero en cierto modo da munición a una historia que muchos sentimos en las tripas”, dijo Christian a Berkeley News. “Hemos construido estos sistemas para que sean útiles, pero ¿nos están siendo útiles de una manera que de verdad nos ayude?”
Los límites son los propios de este tipo de estudio. Son tareas breves en línea con un punto de retirada pautado, no aulas ni puestos de trabajo, y el artículo mide lo que pasa minutos después de que desaparezca la herramienta, no semanas después. No demuestra un daño duradero al aprendizaje, ni comprueba si un asistente diseñado de otro modo —que retenga las respuestas o devuelva preguntas— evita el efecto. Los experimentos usan además aritmética y comprensión lectora, tareas con una respuesta correcta clara, que no es a lo que se parece la mayor parte del uso de IA en el trabajo.
Lo genuinamente nuevo esta semana es la revisión por pares y la presentación en el congreso, no el hallazgo, que circula desde la primavera. Lo que hay que seguir es si alguien lo replica en un horizonte más largo y si algún laboratorio construye el asistente con andamiaje que el artículo reclama y vuelve a medir lo mismo.
