Llevamos meses, quizá años, hablando de inteligencia artificial en educación casi siempre desde la misma superficie: herramientas, prompts, productividad, automatización, ahorro de tiempo. La conversación se ha llenado de listas y tutoriales: qué plataforma genera mejores actividades, qué modelo redacta mejor, qué prompt “desbloquea” la magia.
Pero quizá el verdadero impacto de la IA en educación no esté solo en lo que automatiza.
Quizá esté, sobre todo, en lo que nos obliga a rediseñar.
Porque si la IA puede asumir con enorme facilidad tareas que antes exigían leer, resumir, estructurar, comparar, redactar o argumentar, entonces el gran problema educativo ya no es únicamente tecnológico. Es instruccional. La pregunta importante deja de ser qué herramienta usamos y pasa a ser otra mucho más incómoda: qué parte del pensamiento queremos que siga ocurriendo dentro del alumno.
La revisión de Stanford sobre IA en educación es un buen punto de partida, siempre que se lea con precisión. Analizó más de 800 trabajos, pero solo una veintena reunía la calidad causal suficiente para estimar impacto real: la evidencia rigurosa, hoy, es escasa y todavía emergente. Y lo poco que esa evidencia sugiere apunta justamente en esta dirección: la IA puede aliviar carga cognitiva y mejorar el rendimiento mientras el alumno dispone de la herramienta, pero ese beneficio tiende a debilitarse cuando la herramienta desaparece, y las aplicaciones que mejor sostienen el aprendizaje no son las que entregan respuestas, sino las que ofrecen pistas y razonamiento guiado. (Stanford SCALE, 2026).
Qué entendemos por fricción cognitiva
Empecemos por una honestidad de partida: “fricción cognitiva” no es un término académico establecido. No lo encontrarás como tal en la literatura científica. Lo usamos aquí como una etiqueta divulgativa, una forma de nombrar de un tirón algo que la ciencia del aprendizaje sí ha estudiado a fondo, aunque con varios nombres distintos. Hecha la advertencia, precisemos a qué nos referimos.
La fricción cognitiva no es frustración gratuita, ni oscuridad metodológica, ni sobrecarga innecesaria, ni dificultad mal diseñada. Llamamos así a esa resistencia mental productiva que aparece cuando una tarea obliga al alumno a recuperar conocimiento, comparar alternativas, sostener la duda, corregir un error, justificar una decisión o transferir lo aprendido a una situación nueva. No hablamos de cualquier dificultad, sino de aquella que activa procesos mentales con valor formativo.
En la literatura científica esta idea no aparece bajo una única etiqueta. Se reparte entre marcos como las desirable difficulties, la práctica de recuperación, la autogeneración, la metacognición, el productive failure o el aprendizaje guiado por errores de predicción. Todos, con matices distintos, apuntan a lo mismo: el aprendizaje profundo no suele ocurrir cuando todo resulta inmediato y resuelto de antemano, sino cuando el estudiante tiene que implicarse en un desafío calibrado, generar una respuesta, contrastarla, revisarla y reconstruir su comprensión.
Robert y Elizabeth Bjork formularon una parte central de esta idea con el concepto de “dificultades deseables”. Y se llaman deseables precisamente por eso: no porque cuanto más difícil mejor, sino porque el reto debe situarse en un punto óptimo. Si la tarea es demasiado fácil, apenas exige pensamiento; si es excesivamente difícil, deja de ser productiva. En el trabajo de Metcalfe sobre la Region of Proximal Learning aparece ese mismo matiz: el desafío funciona cuando el alumnado sigue comprometido con la tarea, ni aburrido por la facilidad ni desbordado por la complejidad. La dificultad útil no es la máxima; es la mejor calibrada.
Y aquí conviene añadir un matiz que se pierde con frecuencia: esa calibración no depende solo de la tarea, sino de quién la afronta. Lo que para un estudiante es una dificultad deseable, para otro —con menos conocimiento previo— puede ser una dificultad que bloquea. La fricción productiva no es una propiedad fija de la actividad, sino una relación entre la actividad y el aprendiz. No es un detalle menor: es, probablemente, lo que separa un buen diseño de otro que, con la mejor intención, deja fuera a parte del aula.
Dentro de esa franja intermedia, la investigación revisada por Metcalfe muestra que prácticas como la recuperación, la autogeneración o el espaciamiento pueden hacer que el aprendizaje se sienta menos fluido en el momento, pero produzca mejores resultados después. La lógica del productive failure va en la misma dirección: intentar resolver antes de recibir la explicación, aunque la primera respuesta sea incompleta o errónea, puede preparar mejor para comprender el contenido y transferirlo. Y la investigación sobre error de predicción sugiere algo complementario: el cerebro aprende especialmente cuando tiene que actualizar sus expectativas ante algo que no encaja del todo con lo que anticipaba.
Por eso, aunque no sea un término técnico, la etiqueta resulta útil: traduce a lenguaje educativo una evidencia bastante consistente. Aprender exige, muchas veces, atravesar una dificultad bien diseñada. No una que bloquee, sino una que obligue a pensar; no una carga absurda, sino una resistencia mental que active recuperación, comparación, revisión y transferencia. Y ahí conecta de lleno con la IA: si muchas herramientas reducen o externalizan justo esos momentos de esfuerzo productivo, el diseño instruccional del futuro tendrá que decidir con mucha más precisión dónde y cómo queremos que esa fricción siga ocurriendo.
La IA no ha creado el problema. Lo ha dejado al descubierto
Aquí hay una idea incómoda, pero necesaria. Muchas de las tareas escolares que hoy la IA resuelve con enorme facilidad ya estaban débilmente diseñadas antes de que existiera la IA generativa. No porque no requirieran tiempo, ni ocuparan espacio en la programación, ni parecieran académicas, sino porque, en muchos casos, ya podían completarse con muy poco pensamiento real.
Pensemos en algo tan clásico como el ensayo de cinco párrafos. Mucho antes de ChatGPT, esa tarea ya podía resolverse desde la superficialidad: copiando estructuras prefabricadas, repitiendo ideas previsibles, ensamblando información sin verdadera elaboración o siguiendo plantillas que permitían “cumplir” sin pensar demasiado. La IA no ha inventado esa fragilidad. La ha expuesto. Y, además, la ha acelerado brutalmente, porque lo que antes podía hacerse con copia encubierta o cumplimiento mecánico ahora puede automatizarse casi por completo en segundos.
La conclusión importante es esta: no es que la IA rompa un sistema que funcionaba bien, sino que una parte del sistema ya descansaba sobre tareas de bajo valor cognitivo, y la IA ha hecho imposible seguir ignorándolo.
Eso cambia la conversación. Porque entonces el problema no es solo que el alumnado pueda delegar más, sino que quizá llevábamos demasiado tiempo confundiendo actividad con aprendizaje, producción con pensamiento y cumplimiento con comprensión. Y si es así, la IA no nos obliga únicamente a responder a una nueva tecnología, sino a revisar de frente una pregunta mucho más antigua: cuántas de las tareas que considerábamos válidas estaban provocando realmente el tipo de pensamiento que decíamos querer desarrollar.
La ciencia del aprendizaje lleva tiempo diciéndonos algo importante
Sabemos, por ejemplo, que recuperar activamente información fortalece el aprendizaje más que volver a exponerse cómodamente a ella. Karpicke y Blunt mostraron que la práctica de recuperación producía más aprendizaje significativo que el estudio elaborativo con mapas conceptuales, incluso en tareas de comprensión e inferencia. Y un detalle de ese estudio importa especialmente aquí: la mayoría de los estudiantes no anticipó ese beneficio; de hecho, predecían lo contrario.
Ese detalle no es anecdótico. Lo que solemos percibir como aprendizaje es, muchas veces, fluidez, y la fluidez engaña. Bjork lo llamó “ilusiones de competencia”: confundimos la facilidad con la que algo nos entra en el momento con haberlo aprendido de verdad. Conviene retener esta idea, porque la IA la vuelve especialmente delicada: una herramienta que entrega resultados fluidos, ordenados y bien acabados es, también, una máquina de producir esa ilusión. Puede hacer que el aprendizaje parezca haber ocurrido precisamente cuando más fácil ha sido evitarlo.
En la misma línea, una revisión neurocognitiva del testing effect mostró que la recuperación no es una lectura pasiva de la memoria, sino un proceso activo que fortalece asociaciones relevantes, inhibe otras irrelevantes y prepara mejor el aprendizaje posterior.
También sabemos que intentar antes de ser instruido puede ser cognitivamente muy valioso. El metaanálisis de Sinha y Kapur (2021), recogido en la síntesis de Kapur y Roll, reúne más de 12.000 participantes en 166 comparaciones experimentales y encuentra una mejora moderada de la comprensión conceptual y la transferencia —del orden de d ≈ 0,36, mayor cuando el diseño respeta con fidelidad los principios del fracaso productivo— sin perjudicar el dominio procedimental. Ahora bien, conviene leer ese resultado con sus condiciones: la evidencia es sólida sobre todo en disciplinas STEM y mucho más escasa en habilidades generales y áreas no científicas, y los efectos son mayores a partir de secundaria, mientras que en edades tempranas el mismo diseño exige más andamiaje. Es decir, el fracaso productivo no consiste en dejar al alumnado “luchar” sin más, sino en un diseño muy preciso y sensible al nivel de quien aprende. (Kapur y Roll, BOLD).
Merece la pena subrayarlo, porque es un malentendido frecuente: la fricción cognitiva no es ausencia de guía. La evidencia sobre la enseñanza con mínima orientación es, más bien, desfavorable —ya lo argumentaron Kirschner, Sweller y Clark—, y el fracaso productivo funciona precisamente porque está muy guiado y desemboca en instrucción, no porque renuncie a ella. Diseñar fricción y acompañar no son tareas opuestas: son la misma tarea.
Desde una perspectiva más neurocientífica, el aprendizaje tampoco parece depender solo del esfuerzo en abstracto, sino de la necesidad de actualizar predicciones. Un estudio en Nature Communications mostró que, durante la adquisición de asociaciones predictivas, el hipocampo representa inicialmente más los estímulos inesperados que violan la regularidad y, después, las predicciones ya consolidadas. En otras palabras: el cerebro aprende, en buena medida, cuando se ve obligado a corregir su modelo del mundo. (Nature Communications).
El problema no es que la IA ayude. El problema es qué ayuda elimina
Y aquí aparece el verdadero giro. La investigación sobre cognitive offloading lleva años mostrando que apoyarnos en recursos externos reduce la demanda cognitiva y puede ser una estrategia muy eficaz: usamos recordatorios, notas y alarmas porque funcionan. Esas decisiones, además, están guiadas por procesos metacognitivos: solemos descargar más trabajo cognitivo cuando confiamos menos en nuestra memoria o percibimos más dificultad. (UCL Discovery).
La IA lleva ese fenómeno a otra escala. Ya no externalizamos solo una fecha o un recordatorio: podemos externalizar la búsqueda, la síntesis, la organización, la primera redacción, la comparación de argumentos e incluso parte del razonamiento.
Y ahí el diseño instruccional se vuelve decisivo. Porque si la herramienta elimina justamente la recuperación, la duda, la revisión, la comparación o la necesidad de generar una primera solución, puede estar eliminando también la fricción cognitiva que sostenía el aprendizaje. Stanford lo formula con claridad: la IA puede reducir la carga extrínseca, pero también la carga germana o productiva; puede hacer la experiencia más agradable en el momento, pero los efectos sin acceso a la herramienta son más mixtos; y las herramientas mejor diseñadas son las que ofrecen apoyo estructurado y razonamiento paso a paso, no las que entregan respuestas completas. (Stanford SCALE).
Por eso el futuro de la educación con IA será, sobre todo, un reto de diseño instruccional
Durante mucho tiempo, diseñar una tarea razonable bastaba para generar cierto esfuerzo cognitivo. Un ensayo obligaba a planificar; un resumen, a comprender; una comparación de textos, a leer con atención. Hoy ya no podemos darlo por supuesto: la tarea puede seguir existiendo en apariencia, pero el proceso mental que la justificaba puede haberse desplazado fuera del alumno.
Por eso el futuro de la educación con IA va a convertir el diseño instruccional en una pieza clave. Ya no bastará con secuenciar objetivos, contenidos y actividades. Habrá que decidir con mucha más precisión dónde queremos conservar la dificultad formativa y dónde, en cambio, tiene sentido aliviar carga innecesaria. Enseñar con IA exigirá diseñar no solo actividades, sino resistencias cognitivas bien calibradas: las que hacen pensar, las que obligan a justificar, las que exigen revisar, las que fuerzan a transferir, las que no permiten que el aprendizaje quede reducido a supervisar por encima un producto generado por otro. (Bjork Lab).
Rediseñar la fricción cognitiva
Quizá una de las tareas más importantes de los próximos años sea precisamente esa: rediseñar la fricción cognitiva. No para endurecer la escuela, ni para romantizar la dificultad, ni para prohibir la IA y fingir que el contexto no ha cambiado, sino para distinguir mejor que nunca entre la fricción que estorba y la que forma.
Sobran las instrucciones confusas, la burocracia académica, las tareas repetitivas vacías y las dificultades arbitrarias. Pero no deberíamos perder esas operaciones mentales que la ciencia del aprendizaje lleva décadas señalando como valiosas: recuperar, generar, comparar, equivocarse con sentido, corregir, justificar y transferir.
Esa distinción nos devuelve a la pregunta con la que empezábamos: qué parte del pensamiento queremos que siga ocurriendo dentro del alumno. La IA no la responde por nosotros; solo la ha vuelto inaplazable. Durante años pudimos diseñar tareas sin hacérnosla del todo, porque el formato escolar garantizaba por sí mismo algún esfuerzo. Ese margen ha desaparecido: si no decidimos nosotros dónde tiene que pensar el estudiante, lo decidirá la herramienta por defecto.
Y ahí, más que en el prompt perfecto, está el trabajo que tenemos por delante.
