Pensar rápido, despacio y con IA: la «rendición cognitiva» y sus críticos

Cuando una persona puede consultar a una inteligencia artificial mientras resuelve un problema, la consulta en más de la mitad de los casos y, si la IA le da una respuesta, la adopta casi siempre. Si la respuesta es correcta, acierta mucho más que sin ayuda. Si es incorrecta, acierta mucho menos que sin ayuda. Y en los dos casos se siente más segura de lo que hizo. Es lo que encontraron Steven Shaw y Gideon Nave, de la Wharton School de la Universidad de Pensilvania, en tres experimentos preregistrados con 1.372 personas y 9.593 respuestas.

Los autores llaman a ese patrón «rendición cognitiva» (cognitive surrender): adoptar la respuesta de la IA con un escrutinio mínimo, por encima de la propia intuición y de la propia reflexión. Y proponen un marco para explicarlo, la teoría de los tres sistemas, que agrega a los dos sistemas de pensamiento de Daniel Kahneman un tercero, artificial, que opera fuera del cerebro.

Una advertencia antes de seguir: el trabajo es un preprint, publicado el 12 de enero de 2026 en PsyArXiv y todavía sin revisión por pares. Los datos son sólidos en su diseño, pero las conclusiones no pasaron aún por el filtro de una revista.

Qué se preguntó y por qué importa

Durante medio siglo, la psicología del juicio y la decisión se apoyó en una distinción que la publicidad conoce bien. El Sistema 1 es rápido, intuitivo y asociativo: el que decide una compra por impulso, el que prefiere una marca porque le resulta familiar. El Sistema 2 es lento, deliberado y analítico: el que compara precios, lee la letra chica y desconfía de la primera impresión. Kahneman sistematizó esa distinción en 2003, en American Psychologist, y la popularizó después en Pensar rápido, pensar despacio.

Shaw y Nave señalan un supuesto que esos modelos daban por obvio: que todo el pensamiento ocurre dentro de la cabeza. Hoy una parte creciente de las decisiones pasa por sistemas externos. Un asistente de IA recomienda un producto, resume reseñas, arma un itinerario o responde una duda técnica antes de la compra. La pregunta del paper es qué le pasa al juicio humano cuando ese tercer actor está siempre disponible.

Para el marketing, la pregunta es concreta. Si los consumidores delegan en una IA la búsqueda, la comparación y hasta la elección, las marcas ya no le hablan solo a una persona que piensa rápido o despacio: le hablan también al sistema en el que esa persona deposita su juicio.

La teoría de los tres sistemas

Los autores definen el Sistema 3 como cognición artificial: razonamiento externo, automatizado, basado en datos y dinámico, porque responde en tiempo real a lo que la persona le pregunta. No está en el cerebro ni es accesible por introspección, pero sus respuestas se integran al pensamiento y a la conducta.

Según el modelo, una respuesta puede llegar por varias rutas:

• Intuición: el estímulo pasa por el Sistema 1 y sale una respuesta, sin conflicto ni revisión.
• Deliberación: el Sistema 1 detecta un conflicto o una duda y activa al Sistema 2, que corrige.
• Descarga cognitiva: la persona sigue razonando y usa la IA como apoyo, como quien usa una calculadora. La IA amplía el razonamiento, pero no lo reemplaza.
• Rendición cognitiva: la persona apenas procesa el problema, consulta a la IA y adopta su respuesta como propia, sin verificarla.
• Piloto automático: la respuesta de la IA se adopta sin que el problema llegue a procesarse internamente.

La teoría dual de la que parten no es indiscutida, y la propuesta hereda sus problemas. Gideon Keren y Yaacov Schul objetaron en 2009, en Perspectives on Psychological Science, que la división en dos sistemas no tiene criterios claros para decidir qué proceso pertenece a cuál. Arie Kruglanski y Gerd Gigerenzer sostuvieron en 2011, en Psychological Review, que los juicios intuitivos y los deliberados se basan en los mismos principios de inferencia y no en dos sistemas distintos. David Melnikoff y John Bargh fueron más lejos en 2018, en Trends in Cognitive Sciences: los atributos que se agrupan en cada sistema (rápido, automático, inconsciente, por un lado; lento, controlado, consciente, por el otro) no aparecen juntos de manera fiable, y el número dos, dicen, es en buena medida un mito. Jonathan Evans y Keith Stanovich defendieron la distinción en 2013, en la misma Perspectives on Psychological Science, pero la redefinieron de forma más estrecha: lo que separa a los dos tipos de proceso es si usan o no la memoria de trabajo. Shaw y Nave citan estas críticas y reconocen que la distinción dual es una simplificación; su apuesta es que, aun así, sirve para describir cómo entra la IA en el razonamiento.

La distinción central es entre descargar y rendirse. La descarga cognitiva es un concepto conocido: Evan Risko y Sam Gilbert la definieron en 2016, en Trends in Cognitive Sciences, como el uso de acciones físicas o herramientas externas para reducir la demanda de procesamiento de una tarea. La rendición, según los autores, es algo más profundo: no delegar una parte del trabajo, sino abdicar de la evaluación crítica.

Cómo se hizo

La tarea

Los tres experimentos usaron una versión de la Prueba de Reflexión Cognitiva (CRT), creada por Shane Frederick en 2005 para medir la tendencia a frenar la primera respuesta intuitiva. El ejemplo clásico: un bate y una pelota cuestan 1,10 dólares en total, y el bate cuesta un dólar más que la pelota; ¿cuánto cuesta la pelota? La respuesta que viene a la mente es 10 centavos. La correcta es 5. Cada problema tiene una respuesta intuitiva incorrecta y una deliberada correcta, por eso la prueba sirve para separar el Sistema 1 del Sistema 2.

Shaw y Nave usaron siete problemas reformulados, tomados de un trabajo previo de Nave, para evitar que los participantes los reconocieran de memoria. Las respuestas eran abiertas: había que escribir el número.

La IA, con una trampa oculta

En las condiciones con IA, cada pregunta tenía un asistente de chat integrado, basado en GPT-4o, que los participantes podían consultar cuanto quisieran o no consultar. La manipulación clave estaba escondida en las instrucciones de sistema del asistente: cuando se le preguntaba por el problema en pantalla, devolvía al azar la respuesta correcta o la respuesta intuitiva incorrecta, en ambos casos con una breve explicación y en tono seguro. Los participantes no sabían que la IA iba a equivocarse a propósito en cerca de la mitad de los problemas, y mantenían siempre la libertad de seguirla o no.

Los tres experimentos

• Estudio 1: 359 personas reclutadas en persona por un laboratorio universitario. Un grupo de 121 resolvió los problemas sin IA y otro de 238, con IA disponible. Después calificaron su confianza en las respuestas.
• Estudio 2: 485 personas, 138 en laboratorio y 347 en línea, en Prolific. Todos tenían IA disponible, salvo en un problema elegido al azar que funcionaba como línea de base sin IA. La mitad tuvo 30 segundos por problema y la otra mitad, tiempo libre.
• Estudio 3: 450 personas en línea. La mitad recibía 20 centavos de dólar y una chance en un sorteo de 20 dólares por cada respuesta correcta, y además veía después de cada problema si había acertado. La otra mitad, nada de eso. La confianza se midió problema por problema.

Al final de cada sesión, los participantes completaron escalas de confianza en la IA, de necesidad de cognición (cuánto disfruta una persona de pensar con esfuerzo, una medida creada por John Cacioppo y Richard Petty en 1982) y una prueba cronometrada de inteligencia fluida. Los análisis usaron modelos mixtos, que tienen en cuenta que cada persona respondió varios problemas. Los tres estudios fueron preregistrados y los materiales están en el Open Science Framework.

Qué encontraron

La IA se consulta y se obedece

En el primer estudio, quienes tenían IA disponible la consultaron en el 54,4 % de los problemas en que la IA iba a acertar y en el 52,8 % de aquellos en que iba a fallar; no podían saber cuál era cuál. Una vez que la consultaban, siguieron su respuesta en el 92,7 % de los casos cuando era correcta y en el 79,8 % cuando era incorrecta. Detectaron el error más que el acierto, pero aun así siguieron a la IA equivocada en cuatro de cada cinco consultas.

La precisión pasa a depender de la IA

Sin IA, los participantes acertaron el 45,8 % de los problemas. Con la IA dando la respuesta correcta, el 71,0 %, unos 25 puntos más. Con la IA dando la respuesta incorrecta, el 31,5 %, unos 15 puntos menos que sin ayuda. Entre los problemas con IA correcta y con IA incorrecta, las probabilidades de acertar fueron unas 14 veces mayores en los primeros. Es un efecto grande: un tamaño de efecto h de Cohen de 0,81, donde 0,8 ya se considera grande. Esa asimetría, mejor que solo cuando la IA acierta y peor que solo cuando se equivoca, es lo que los autores llaman la firma conductual de la rendición cognitiva.

Más seguros, aunque se equivoquen

Tener la IA disponible aumentó la confianza en 11,7 puntos sobre 100: 77,0 contra 65,3 de quienes resolvieron solos. Y esa confianza no bajó a medida que aumentaba la cantidad de respuestas incorrectas de la IA que cada persona había recibido. Usar la IA hizo que la gente se sintiera mejor con sus respuestas, independientemente de si eran mejores.

La presión de tiempo no cambia el patrón

En el segundo estudio, el límite de 30 segundos bajó la precisión como era de esperar: en el problema sin IA, del 46,9 % al 32,6 %. Los autores separaron a los participantes en dos perfiles según su conducta: «independientes», que consultaron la IA una vez o ninguna (170 personas), y «usuarios de IA», que la consultaron dos veces o más (315). Los independientes se comportaron como quienes no tenían IA: el apuro los perjudicó y acertaron lo mismo con IA buena o mala, porque no la usaban. Los usuarios de IA, en cambio, acertaron el 80,0 % de los problemas con IA correcta sin apuro y el 71,3 % con apuro, pero solo el 20,4 % y el 12,1 % cuando la IA se equivocaba. Con prisa, la IA correcta amortiguó la caída; la IA incorrecta la profundizó.

Los incentivos ayudan, pero no alcanzan

El tercer estudio probó la intervención más obvia: pagar por acertar y avisar enseguida si la respuesta era correcta. Funcionó. Entre quienes consultaron la IA cuando se equivocaba, la proporción que rechazó su respuesta pasó del 20,0 % al 42,3 %. Los usuarios de IA mejoraron tanto con IA correcta (del 77,2 % al 84,8 %) como con IA incorrecta (del 26,8 % al 40,6 %).

Pero la brecha entre los dos tipos de problema apenas se achicó: de unos 50 puntos porcentuales a unos 44. Incluso con dinero en juego y con la información de que se habían equivocado en el problema anterior, los usuarios de IA siguieron acertando o fallando según lo que dijera la IA. En este estudio, donde la confianza se midió problema por problema, apareció un matiz: la confianza sí tuvo algo de valor diagnóstico. Cada 10 puntos más de confianza se asociaron con un 22 % más de probabilidades de haber acertado.

El efecto conjunto

Al combinar los tres estudios, con un análisis también preregistrado, las probabilidades de acertar fueron 16 veces mayores cuando la IA tenía razón que cuando se equivocaba. El tamaño de efecto fue grande en los tres estudios por separado (h de 0,83, 0,86 y 0,78). La presión de tiempo y los incentivos movieron el nivel general de aciertos, pero no eliminaron la brecha.

Los autores también clasificaron cada consulta en la que la IA se había equivocado. En el 73,2 % la persona adoptó la respuesta incorrecta (rendición). En el 19,7 % la rechazó y llegó a la correcta (descarga cognitiva: usó la IA, pero siguió pensando). En el 7,1 % la rechazó pero igual se equivocó. Con incentivos y retroalimentación, la rendición bajó al 57,9 % y la descarga subió al 37,1 %. Con presión de tiempo, la descarga cayó al 6,2 %.

Quiénes se rinden más

Tres rasgos individuales marcaron diferencias consistentes. Quienes confiaban más en la IA la consultaron más y siguieron más sus errores: en el primer estudio, la confianza en la IA multiplicó por 3,5 las probabilidades de seguir una respuesta incorrecta. Quienes tenían más necesidad de cognición y más inteligencia fluida se resistieron mejor: acertaron más cuando la IA fallaba. En el segundo estudio, los usuarios de IA confiaban más en ella y tenían menos necesidad de cognición que los independientes, pero no diferían en inteligencia fluida: lo que separa a quienes consultan de quienes no parece ser la disposición, no la capacidad.

El contexto: qué se sabía antes

La rendición cognitiva no aparece de la nada. Se apoya en varias líneas de investigación, y algunas apuntan en direcciones opuestas.

Delegar memoria y cálculo

Betsy Sparrow, Jenny Liu y Daniel Wegner mostraron en 2011, en Science, que cuando las personas esperan poder volver a encontrar una información en internet, recuerdan menos la información y más dónde encontrarla. Andy Clark y David Chalmers habían propuesto en 1998, en la revista Analysis, la idea de la mente extendida: si una herramienta cumple de forma fiable una función cognitiva, puede considerarse parte del sistema cognitivo. La idea tuvo críticos desde el principio: Frederick Adams y Kenneth Aizawa respondieron en 2001, en Philosophical Psychology, que estar acoplado a una herramienta no la vuelve parte de la cognición, y que confundir ambas cosas es un error conceptual. Shaw y Nave toman la idea de Clark y Chalmers, pero la llevan más lejos: la IA no solo guarda o calcula, también decide. Y quedan expuestos a la misma objeción.

El sesgo de automatización

En aviación y medicina se estudia desde hace décadas la tendencia a confiar de más en sistemas automáticos. Linda Skitka, Kathleen Mosier y Mark Burdick mostraron en 1999, en el International Journal of Human-Computer Studies, que las personas con un asistente automático cometían dos tipos de errores: no detectaban problemas que el sistema no señalaba y seguían indicaciones incorrectas del sistema. Una revisión sistemática de Kate Goddard, Abdul Roudsari y Jeremy Wyatt, publicada en 2012 en el Journal of the American Medical Informatics Association, documentó el mismo fenómeno en el uso de sistemas de apoyo a la decisión clínica. Raja Parasuraman y Dietrich Manzey integraron en 2010, en Human Factors, la evidencia sobre complacencia y sesgo de automatización: el sesgo produce errores de omisión y de comisión cuando el sistema es imperfecto, aparece tanto en novatos como en expertos y no se corrige con simple práctica. La rendición cognitiva se parece mucho a este sesgo. La diferencia que reclaman Shaw y Nave es que la IA generativa no solo señala o alerta: razona, explica y responde preguntas abiertas.

Un estudio reciente sugiere además que el efecto puede durar más allá del momento de uso. Krzysztof Budzyń y sus colegas analizaron en 2025, en The Lancet Gastroenterology & Hepatology, colonoscopias hechas sin IA en cuatro centros de Polonia antes y después de que los médicos empezaran a usar una IA para detectar pólipos. La tasa de detección de adenomas en las colonoscopias sin IA bajó del 28,4 % al 22,4 %. Es un estudio observacional y no prueba causalidad, pero es una señal de que depender de un sistema externo puede erosionar la habilidad propia.

Aversión y aprecio por los algoritmos

La literatura sobre cómo reacciona la gente ante los algoritmos no es unánime. Berkeley Dietvorst, Joseph Simmons y Cade Massey describieron en 2015 la aversión a los algoritmos: después de ver a un algoritmo equivocarse, las personas preferían el juicio humano aunque el algoritmo fuera más preciso. Jennifer Logg, Julia Minson y Don Moore encontraron en 2019 lo contrario en tareas de estimación: las personas daban más peso a un consejo cuando creían que venía de un algoritmo que cuando venía de otra persona. El estudio de Shaw y Nave se ubica del lado del aprecio, con una particularidad: los participantes nunca supieron que la IA se había equivocado, salvo en el tercer estudio, y aun allí siguieron consultándola.

El descuento del consejo, la evidencia en contra

El resultado choca con una de las regularidades más sólidas de la psicología del consejo. En los experimentos de «juez y asesor», donde una persona estima algo y después recibe la opinión de otra, la regla es el descuento egocéntrico: la gente le da más peso a su propia opinión que al consejo, aun cuando el consejo es igual de bueno o mejor. Ilan Yaniv y Eli Kleinberger lo documentaron en 2000, en Organizational Behavior and Human Decision Processes, y Silvia Bonaccio y Reeshad Dalal lo confirmaron en 2006, en una revisión de la literatura publicada en la misma revista.

Shaw y Nave encuentran lo contrario: una adopción casi completa del consejo. La diferencia puede deberse a varias cosas. En los estudios clásicos, la persona ya tenía una respuesta antes de recibir el consejo; en este, muchos consultaban la IA antes de pensar. La IA, además, entregaba una respuesta cerrada y con una explicación en tono seguro, y Janet Sniezek y Lyn Van Swol mostraron en 2001, en la misma revista, que la confianza que expresa un asesor aumenta la probabilidad de que su consejo se siga. Y los problemas de la CRT generan dudas, lo que vuelve más atractivo cualquier apoyo externo. El contraste no invalida ninguno de los dos hallazgos, pero indica que la rendición cognitiva depende de condiciones que todavía no están bien delimitadas.

Las explicaciones de la IA, un arma de doble filo

En el estudio, la IA no solo daba una respuesta: la acompañaba con una breve explicación. Gagan Bansal y sus colegas mostraron en 2021, en las actas de la conferencia CHI, que las explicaciones de un sistema de IA aumentaban la aceptación de sus recomendaciones tanto cuando eran correctas como cuando eran incorrectas, y no mejoraban el rendimiento conjunto de la persona y la máquina. Ese antecedente sugiere que una parte de la rendición observada puede deberse a la explicación, y no solo a la respuesta. El diseño de Shaw y Nave no permite separarlas.

Cuando la IA sí mejora el trabajo

Otra línea de investigación muestra el lado positivo de delegar en la IA. Shakked Noy y Whitney Zhang asignaron en 2023, en Science, tareas de redacción profesional a 453 personas con título universitario, y la mitad pudo usar ChatGPT: el tiempo de trabajo bajó un 40 % y la calidad del resultado subió un 18 %. Erik Brynjolfsson, Danielle Li y Lindsey Raymond estudiaron en 2025, en The Quarterly Journal of Economics, a 5.172 agentes de atención al cliente: el acceso a un asistente de IA aumentó en un 15 % los casos resueltos por hora, con mejoras más grandes para los menos experimentados y pequeñas caídas de calidad para los más expertos. Shaw y Nave no contradicen estos resultados: cuando la IA acierta, sus participantes también mejoran mucho. Lo que agregan es el costo del otro lado, cuando la IA se equivoca y nadie lo nota.

IA y razonamiento, ahora

Sofia Eleni Spatharioti y sus colegas de Microsoft Research compararon en 2025, en las actas de la conferencia CHI, la búsqueda tradicional con la búsqueda asistida por un modelo de lenguaje en tareas de decisión, y encontraron que la segunda era más rápida pero llevaba a confiar de más en las respuestas del modelo cuando eran incorrectas. Michael Gerlich publicó en 2025, en la revista Societies, una encuesta con 666 participantes en la que el uso frecuente de herramientas de IA se asoció con peores puntajes de pensamiento crítico, una relación mediada por la descarga cognitiva. Es un estudio correlacional y no permite saber qué causa qué.

Por qué se confía en lo que se siente correcto

Dos trabajos ayudan a entender el mecanismo. Valerie Thompson, Jamie Prowse Turner y Gordon Pennycook mostraron en 2011, en Cognitive Psychology, que la sensación de que una respuesta es correcta (lo que llaman sensación de acierto) determina si la persona la revisa o no: cuanto más fuerte es esa sensación, menos se piensa después. Shaw y Nave proponen que las respuestas de la IA, fluidas y seguras, producen justamente esa sensación y bajan el umbral para revisar. Pennycook y David Rand encontraron en 2019, en Cognition, que quienes puntúan más alto en la CRT distinguen mejor las noticias falsas de las verdaderas: la reflexión protege contra la información incorrecta, y en este estudio también protegió contra la IA incorrecta.

Quién recibe mejor a la IA

En marketing, Stephanie Tully, Chiara Longoni y Gil Appel mostraron en 2025, en el Journal of Marketing, que las personas con menos conocimientos sobre IA son más receptivas a ella, porque tienden a percibirla como algo mágico. El resultado conversa con el de Shaw y Nave, aunque no midieron lo mismo: en su estudio, la confianza en la IA fue el predictor más fuerte de la rendición.

Las críticas, una por una

Es un preprint

El trabajo no pasó por revisión por pares. Los experimentos fueron preregistrados y los materiales están publicados, lo que da transparencia, pero la teoría y la interpretación todavía no fueron evaluadas por revisores independientes.

La IA se equivocaba igual que la intuición

Es probablemente el punto más importante para leer los resultados. Cuando la IA fallaba, no daba una respuesta incorrecta cualquiera: daba exactamente la respuesta intuitiva incorrecta, la que el propio Sistema 1 del participante probablemente ya estaba sugiriendo. Eso vuelve muy difícil detectar el error, porque la IA y la intuición coinciden. Los errores de una IA real no siempre se parecen a los errores humanos, y es posible que algunos se detecten con más facilidad. El estudio muestra con claridad que una IA que se equivoca como nosotros es difícil de corregir; no muestra cuánto se rendiría la gente ante errores de otro tipo.

La IA se equivocaba muy seguido

En la vida real, un modelo como GPT-4o acierta este tipo de problemas la gran mayoría de las veces. En el estudio, por diseño, fallaba en cerca de la mitad. Los participantes no lo sabían, pero la proporción no refleja un uso cotidiano. Eso no invalida el hallazgo central, la asimetría entre IA correcta e incorrecta, pero sí impide extrapolar cuánto daño haría la rendición en condiciones normales.

Una tarea muy particular

La CRT mide un tipo específico de razonamiento: problemas cerrados, con una respuesta correcta y una trampa intuitiva conocida. Y la propia prueba tiene problemas de validez. Matthew Haigh mostró en 2016, en Advances in Cognitive Psychology, que muchos participantes ya conocían los problemas originales y que haberlos visto antes mejora los puntajes; por eso Shaw y Nave usaron versiones reformuladas. Andrei Sinayev y Ellen Peters encontraron en 2015, en Frontiers in Psychology, que buena parte de lo que la CRT predice se explica por la habilidad numérica, no por la reflexión. Gordon Pennycook y sus colegas mostraron en 2015, en Behavior Research Methods, que la prueba mide a la vez la tendencia a reflexionar y la fuerza de la intuición. Si la CRT mide en parte cálculo, la rendición observada podría ser, en parte, una delegación de cálculo en quien parece calcular mejor. Los autores lo reconocen y piden probar el efecto en razonamiento probabilístico, decisiones cotidianas y juicios morales. Una decisión de compra, con preferencias personales y sin respuesta correcta, es un terreno muy distinto.

Laboratorio, una sola vez y con poco en juego

Los participantes usaron la IA una sola vez, en una sesión, y en dos de los tres estudios no había nada en juego. En la vida real, la gente interactúa con la IA de forma repetida, aprende cuándo se equivoca y ajusta su confianza. Los autores proponen estudios longitudinales para saber si la rendición crece o se reduce con la experiencia.

Los perfiles no son experimentales

La división entre «usuarios de IA» e «independientes» surge de la propia conducta de los participantes, no de una asignación al azar. Que los usuarios de IA confiaran más en ella y tuvieran menos necesidad de cognición es una asociación, no una causa.

¿Un tercer sistema o una fuente externa?

La propuesta teórica es la parte más discutible. El Sistema 1 y el Sistema 2 describen modos de procesamiento dentro de una misma mente; la IA es una fuente externa de información, como lo fueron antes un experto, un manual o un buscador. Se puede objetar que lo que el estudio muestra es una forma intensa de seguir un consejo, que encaja en la literatura existente sobre el sesgo de automatización y la toma de consejos, sin necesidad de un tercer sistema. Y si las críticas de Melnikoff y Bargh a la teoría dual son correctas, agregar un tercer sistema multiplica el problema en lugar de resolverlo. Los autores responden que la IA es distinta por su disponibilidad permanente, su fluidez y su capacidad de razonar en lugar de solo informar. El debate está abierto, y los datos del estudio sostienen la rendición cognitiva con independencia de cómo se nombre.

No hay medidas cerebrales

A pesar del vocabulario de sistemas, el estudio no midió actividad cerebral. Que una respuesta venga del Sistema 1, del 2 o del 3 se infiere de la conducta (si se consultó la IA, si se siguió su respuesta, si se acertó). Es una inferencia razonable, pero no una observación directa.

Qué sirve y qué no para una marca o una agencia

Lo que sigue es una lectura de El Neuromarketer. El estudio no midió compras ni avisos, así que sus conclusiones se trasladan al consumo con cautela.

El consumidor que delega

Cada vez más decisiones de compra empiezan con una consulta a un asistente de IA: qué producto conviene, qué opinan los demás, cuál es más barato. Si la rendición cognitiva funciona también en esas consultas, la respuesta de la IA pasa a ocupar el lugar que antes ocupaban la comparación y la reflexión del propio consumidor. Para una marca, eso cambia el punto de contacto decisivo: ya no alcanza con persuadir a la persona; hay que estar bien representado en la respuesta del sistema al que la persona le cree.

La confianza inflada

El hallazgo sobre la confianza tiene consecuencias directas. Un consumidor que decidió con ayuda de una IA puede sentirse más seguro de su elección aunque la información fuera incorrecta. Eso podría reducir la búsqueda posterior, la comparación con alternativas y la disposición a reconsiderar. Es una hipótesis para el consumo, no un resultado del estudio.

La fluidez como autoridad

Los autores atribuyen la rendición a que las respuestas de la IA son fluidas y seguras. La investigación sobre fluidez de procesamiento ya mostraba que lo que se procesa con facilidad se juzga como más verdadero. Una respuesta clara, bien redactada y sin dudas tiende a aceptarse, sea correcta o no. La misma lógica vale para la comunicación de las marcas, con una advertencia ética: la fluidez convence también cuando no debería.

La investigación de mercados

Si los encuestados usan IA para responder, sus respuestas pueden reflejar lo que dice el modelo y no lo que piensan. El estudio muestra que incluso con incentivos, la mayoría de quienes consultan siguen a la IA. Para quien diseña encuestas en línea, es un argumento para controlar el uso de herramientas externas y para preferir medidas de conducta sobre respuestas declaradas cuando sea posible.

Lo que no se puede afirmar con este estudio

No dice que la IA vuelva menos inteligentes a los consumidores, ni que la rendición cognitiva sea irracional: los propios autores advierten que, en muchos dominios, seguir a un sistema estadísticamente mejor puede ser la decisión correcta. Tampoco dice cuánto se rinden las personas ante recomendaciones de productos, donde no hay una respuesta correcta y las preferencias personales pesan. Esas son preguntas abiertas.

Lo que queda

El estudio deja un hallazgo claro y bien medido: cuando una IA está disponible, la mayoría de las personas la consulta, adopta su respuesta y se siente más segura, sin importar si la respuesta es correcta. La precisión humana pasa a depender de la precisión de la máquina. Los incentivos y la retroalimentación reducen el efecto, pero no lo eliminan, y quienes más confían en la IA son los que más se rinden.

La teoría de los tres sistemas es una propuesta ambiciosa que todavía tiene que pasar por la revisión por pares y por el debate de la disciplina. Pero la pregunta que plantea ya es práctica para cualquiera que trabaje en comunicación: en un mercado donde una parte del juicio del consumidor se toma fuera de su cabeza, entender cómo y cuándo se delega es tan importante como entender cómo se piensa.