Un asistente redacta en segundos lo que a una persona le lleva un buen rato ordenar. Esa comparación puede resultar desalentadora, sobre todo cuando la tarea forma parte de lo que alguien ha pasado años aprendiendo. Jose Alcántara propone examinar qué estamos comparando con la máquina antes de convertir su rapidez en una sentencia sobre nuestras capacidades.«Los LLMs no nos van a volver estúpidos. Al mismo tiempo, nos harán sentir estúpidos», escribe el autor de Versvs en un artículo publicado el 18 de junio de 2026. Los LLM son los grandes modelos de lenguaje que utilizan los asistentes conversacionales. La frase expresa una interpretación del autor, no el resultado de una prueba de inteligencia.Alcántara defiende aprovechar esas herramientas y, a la vez, mantener la práctica necesaria para trabajar sin ellas. Su argumento concede importancia a escribir, concebir ideas y revisar lo que produce el sistema. Deja planteada una cuestión cotidiana: cómo conservar la capacidad de juzgar un resultado cuando una parte creciente de su elaboración se encarga a un programa.La productividad no mide toda nuestra capacidadHay evidencia de que la ayuda puede mejorar trabajos concretos. Shakked Noy y Whitney Zhang realizaron un experimento con 453 profesionales con estudios universitarios, a quienes asignaron tareas de escritura relacionadas con sus ocupaciones. El acceso a ChatGPT redujo un 40 % el tiempo medio y elevó un 18 % la calidad evaluada. Los beneficios se midieron en esas tareas, una precisión necesaria en el debate sobre IA y trabajo.El estudio, publicado en Science en 2023, permite hablar de productividad en un entorno delimitado. No comparaba el valor intelectual de una persona con el de un modelo, ni medía el efecto de años de uso sobre sus habilidades. Una mejora en el texto entregado tampoco revela por sí sola cuánto aprendió su autor durante el proceso.Esta distinción también afecta a los usos para estudiar. Una herramienta puede ahorrar tiempo en una actividad y exigir comprobaciones adicionales en otra. Para interpretar cualquier resultado hay que saber qué se pidió a los participantes, qué versión del sistema utilizaron y quién valoró el trabajo. La etiqueta inteligencia artificial agrupa situaciones y usos demasiado diferentes para extraer una conclusión única sobre las personas.Confiar en una respuesta cambia el esfuerzo de revisiónOtra investigación, presentada en CHI 2025 por Hao-Ping Lee y colaboradores, encuestó a 319 trabajadores que utilizaban IA generativa. Reunió 936 ejemplos de uso laboral y encontró una asociación: una mayor confianza en la herramienta acompañaba a menos pensamiento crítico declarado; una mayor confianza en la propia capacidad, a más. Se trata de respuestas de los participantes, no de una medición neurológica.Los autores señalan que el esfuerzo también se desplaza hacia verificar información, integrar respuestas y dirigir la tarea. Revisar las citas falsas es un ejemplo claro de trabajo que sigue siendo necesario. La encuesta no establece causalidad ni demuestra deterioro cerebral; sus limitaciones incluyen la naturaleza subjetiva de las valoraciones y una muestra de usuarios habituales de estas herramientas.Eso obliga a separar tres preguntas: si un asistente produce un buen resultado, si su usuario sabe evaluarlo y si mantiene las destrezas para hacerlo por sí mismo. La discusión sobre los contenidos educativos generados muestra por qué importa establecer qué se está midiendo. Ahorrar esfuerzo y perder criterio no son expresiones equivalentes: la segunda requiere pruebas que la primera no proporciona.La reflexión de Alcántara puede leerse desde esa diferencia. Compararse con la velocidad de un sistema aporta poca información sobre la capacidad para formular una buena pregunta, reconocer una respuesta insuficiente o decidir qué merece atención. La autonomía al usar estas herramientas se juega en esas decisiones, incluidas las ocasiones en que conviene detenerse y comprobar el trabajo.