Capítulo 4: Dentro de la mente: ¿por qué sucede esto?

En la segunda parte de su artículo el Dr. Eduardo Mayorga analiza los mecanismos cognitivos que explican cómo la inteligencia artificial puede influir en el pensamiento crítico durante la formación médica.

Para entender por qué residentes inteligentes y motivados caen en estas trampas, necesitamos examinar lo que está sucediendo a nivel cognitivo. La literatura señala varios mecanismos interconectados, cada uno reforzando a los demás.

El Instinto de Descarga Cognitiva

La descarga cognitiva — la delegación de tareas mentales a herramientas externas — es un comportamiento profundamente humano, uno que precede a la IA por mucho tiempo. Escribimos cosas para no tener que recordarlas; usamos calculadoras para no tener que computar.5 El trabajo seminal de Risko y Gilbert en Trends in Cognitive Sciences mostró que las decisiones sobre cuándo descargar están impulsadas por evaluaciones metacognitivas que frecuentemente están mal calibradas: las personas descargan más de lo que necesitan, especialmente cuando una herramienta externa está fácilmente disponible.5

Cuando la herramienta externa es un modelo de lenguaje grande capaz de producir razonamiento clínico pulido en segundos, la tentación de descargar se vuelve abrumadora. El estudio de Gerlich de 2025 con 666 participantes de diversos grupos de edad y educación cuantificó la relación con precisión inusual: la correlación entre el uso de herramientas de IA y la descarga cognitiva fue de +0.72, y la correlación entre la descarga cognitiva y la disminución del pensamiento crítico fue de −0.75.4 Múltiples revisiones sistemáticas han confirmado desde entonces que este patrón de descarga reduce el análisis independiente y la generación de hipótesis que son los bloques fundamentales de la experticia clínica.17,18

La Autoridad de la Máquina

Los sistemas de IA portan una autoridad implícita que puede ser difícil de resistir, especialmente para residentes que ya están acostumbrados a la deferencia jerárquica. Los resultados son seguros, articulados con elocuencia y formateados con el pulido visual de un libro de texto. No hay frases dubitativas, no hay incertidumbre visible — y no hay forma de que un residente mire detrás del telón y comprenda por qué el modelo llegó a su conclusión.3,10 Esta opacidad crea lo que equivale a una autoridad infalsificable: la IA puede estar equivocada, pero no hay forma fácil de probarlo sin hacer el estudio diagnóstico completo uno mismo.

Los estudiantes de medicina y los residentes junior, que ya navegan gradientes de autoridad pronunciados en su entorno de formación, pueden encontrar psicológicamente más fácil deferir ante la recomendación de una IA que cuestionarla. Sallam argumentó que esta generación de aprendices nativos digitales es especialmente vulnerable: están cómodos con las herramientas de IA pero carecen de la experiencia clínica para calibrar su confianza apropiadamente.6,8

El Cortocircuito del Razonamiento Clínico

La experticia clínica se desarrolla a través de la interacción de dos sistemas cognitivos, elegantemente descritos por el modelo de proceso dual de Croskerry.9 El Sistema 1 es rápido e intuitivo — el reconocimiento de patrones que permite a un clínico experimentado mirar a un paciente y pensar “algo está mal.” El Sistema 2 es lento y analítico — el proceso deliberado de generar hipótesis, sopesar evidencia y descartar alternativas. La experticia se desarrolla precisamente en la interfaz entre estos sistemas, a medida que los clínicos aprenden a través de miles de encuentros cuándo confiar en su intuición y cuándo anularla con un análisis cuidadoso.

La IA interrumpe este proceso de desarrollo de manera fundamental. Cuando un modelo proporciona un diagnóstico diferencial ya elaborado, el residente pasa de generar hipótesis a simplemente evaluar una lista prefabricada — una tarea cognitivamente menos demandante que involucra vías neuronales diferentes.9,19 La lucha esforzada de trabajar a través de la incertidumbre diagnóstica, que los psicólogos educativos reconocen como una “dificultad deseable” esencial para el aprendizaje profundo, es reemplazada por la facilidad sin fricción de revisar la salida de una IA.4 Con el tiempo, el desarrollo de la intuición diagnóstica del residente — construida precisamente a través de este tipo de lucha productiva — se ve comprometido.15

La Ilusión de comprensión

Quizás el mecanismo más sutil es la ilusión de fluidez: la falsa sensación de comprensión que proviene de leer explicaciones bien elaboradas. Un residente que le pide a un LLM que explique la fisiopatología de una condición puede sentir que la entiende después de leer la respuesta, cuando en realidad solo ha reconocido la información sin codificarla en la memoria a largo plazo.4,17 Esto refleja el bien documentado “efecto Google”, en el que el acceso a información buscable infla las evaluaciones subjetivas de las personas sobre su propio conocimiento.5,27 En un contexto médico, la brecha entre sentirse conocedor y ser competente puede tener consecuencias de vida o muerte.

Capítulo 5: Lo que dicen los propios residentes

La evidencia no es exclusivamente cautelar, y la perspectiva de los propios residentes agrega matices importantes. Almazrou y colegas encuestaron a 392 estudiantes de medicina y encontraron que la mayoría creía que ChatGPT podría beneficiar el pensamiento crítico al generar perspectivas diversas y fomentar el cuestionamiento.25 Este optimismo, sin embargo, coexistía con una conciencia limitada de los riesgos: solo una minoría reconoció el peligro de la dependencia excesiva.

Médicos residentes de posgrado en Londres, entrevistados por Banerjee y colegas, ofrecieron un panorama más complejo. Reportaron preocupaciones genuinas sobre IA y Pensamiento Crítico en la Formación Médica oportunidades reducidas para desarrollar juicio clínico, menos experiencias prácticas y una erosión sutil de la responsabilidad personal cuando la IA era parte de la cadena de toma de decisiones.24 Estos hallazgos cualitativos son notables porque provienen de residentes que conviven con la tecnología a diario y observan sus efectos en su propio desarrollo.

Çiçek y colegas evaluaron si la retroalimentación de ChatGPT sobre preguntas de razonamiento clínico podía igualar la retroalimentación de expertos humanos en un ensayo controlado aleatorizado con estudiantes de medicina. El hallazgo fue instructivo: ChatGPT produjo ganancias de aprendizaje comparables, pero no demostró superioridad.31 La IA, en otras palabras, podía igualar a un profesor, pero no reemplazar el proceso de desarrollo del aprendizaje del razonamiento.

Esta tensión — entre los beneficios percibidos y los riesgos medidos — recorre toda la literatura. Los estudiantes ven la IA como útil,25 pero sus datos de rendimiento a menudo cuentan una historia diferente.1,17 La brecha de percepción en sí misma puede ser el hallazgo más importante: si los residentes creen que la IA les ayuda a pensar más críticamente cuando en realidad está pensando por ellos, la erosión avanzará sin ser detectada hasta que sea demasiado tarde para revertirla.

Capítulo 6: La evidencia en contexto

Antes de pasar a las soluciones, vale la pena detenerse a evaluar la solidez de la evidencia sobre la que descansa esta narrativa. El panorama es más complejo de lo que sugerirían los optimistas o los pesimistas.

Los cimientos empíricos más sólidos provienen de ensayos aleatorizados — Goh et al,1 Wu et al,12 McDuff et al,13 Wang et al,11 y Çiçek et al31 — y de estudios experimentales bien diseñados de Gaube et al,3 Kücking et al,14 y Jussupow et al.19 Las revisiones sistemáticas de Goddard et al,2 Lyell y Coiera,21 Zhai et al,17 Li et al,18 y Natali et al7 sintetizan patrones más amplios a través de docenas de estudios.

Varias tensiones importantes merecen atención. El contraste entre el ensayo de Goh (sin beneficio del acceso ad hoc al LLM)1 y el estudio AMIE (beneficio significativo con un sistema de IA estructurado)13 sugiere que el diseño de la interacción humano-IA importa tanto como la propia IA. Simplemente entregar un chatbot a un residente no es lo mismo que integrar la IA dentro de un flujo de trabajo clínico reflexivo. Esta distinción tiene profundas implicaciones para la implementación.

La brecha más crítica en la literatura es la ausencia casi total de estudios longitudinales. Casi toda la evidencia es transversal o de corto plazo.26,7 Aún no sabemos qué sucede con una cohorte de residentes que entrenan con IA durante el arco completo de su residencia. ¿Disminuirá su precisión diagnóstica sin asistencia en tres años? ¿Desarrollarán habilidades compensatorias que compensen los riesgos? Los datos de des-capacitación en endoscopia ofrecen un precedente cautelar,32 pero un estudio prospectivo de tres años sobre el efecto de la IA en el desarrollo de los residentes — el estudio que el campo necesita más urgentemente — aún no se ha realizado.

La Guía BEME No. 84, una revisión de alcance integral de Gordon y colegas, advirtió que la IA en la educación médica está creciendo rápidamente pero la evidencia del impacto en el pensamiento de orden superior sigue siendo limitada, cautivando contra la adopción acrítica sin marcos pedagógicos.23 La revisión sistemática de Feigerlova llegó a una conclusión similar: mientras que las herramientas de IA pueden mejorar algunos resultados educativos, la evidencia está limitada por diseños de estudio a corto plazo, heterogeneidad y dependencia de autorreporte en lugar de medidas de rendimiento objetivas.26

 Referencias:

  1. Goh E, Gallo R, Hom J, et al. Large language model influence on diagnostic reasoning: a randomized clinical trial. JAMA Netw Open. 2024;7(10):e2440969. doi:10.1001/jamanetworkopen.2024.40969 https://doi.org/10.1001/jamanetworkopen.2024.40969
  2. Goddard K, Roudsari A, Wyatt JC. Automation bias: a systematic review of frequency, effect mediators, and mitigators. J Am Med Inform Assoc. 2012;19(1):121-127. doi:10.1136/amiajnl-2011-000089 https://doi.org/10.1136/amiajnl-2011-000089
  3. Gaube S, Suresh H, Raue M, et al. Do as AI say: susceptibility in deployment of clinical decision-aids. NPJ Digit Med. 2021;4(1):31. doi:10.1038/s41746-021-00385-9 https://doi.org/10.1038/s41746-021-00385-9
  4. Gerlich M. AI tools in society: impacts on cognitive offloading and the future of critical thinking. Societies. 2025;15(1):6. doi:10.3390/soc15010006 https://doi.org/10.3390/soc15010006
  5. Risko EF, Gilbert SJ. Cognitive offloading. Trends Cogn Sci. 2016;20(9):676-688. doi:10.1016/j.tics.2016.07.002 https://doi.org/10.1016/j.tics.2016.07.002
  6. Sallam M, Barakat M, Sallam M. A student’s viewpoint on ChatGPT use and automation bias in medical education. JMIR Med Educ. 2024;10:e57696. doi:10.2196/57696 https://doi.org/10.2196/57696
  7. Natali C, Marconi L, Duran LD, Miglioretti M, Cabitza F. AI-induced deskilling in medicine: a mixed-method review and research agenda for healthcare and beyond. Artif Intell Rev. 2025;58:178. doi:10.1007/s10462-025-11352-1 https://doi.org/10.1007/s10462-025-11352-1
  8. Sallam M. ChatGPT in medical education: a precursor for automation bias? JMIR Med Educ. 2024;10:e50174. doi:10.2196/50174 https://doi.org/10.2196/50174
  9. Croskerry P. A universal model of diagnostic reasoning. Acad Med. 2009;84(8):1022-1028. doi:10.1097/ACM.0b013e3181ace703 https://doi.org/10.1097/ACM.0b013e3181ace703
  10. Parasuraman R, Manzey DH. Complacency and bias in human use of automation: an attentional integration. Hum Factors. 2010;52(3):381-410. doi:10.1177/0018720810376055 https://doi.org/10.1177/0018720810376055
  11. Wang DY, Liu TH, Li JY, et al. Artificial intelligence suppression as a strategy to mitigate artificial intelligence automation bias. J Am Med Inform Assoc. 2023;30(10):1684-1693. doi:10.1093/jamia/ocad118 https://doi.org/10.1093/jamia/ocad118
  12. Wu X, Huang Y. A large language model improves clinicians’ diagnostic performance in complex critical illness cases. Crit Care. 2025;29:230. doi:10.1186/s13054-025-05468-7 https://doi.org/10.1186/s13054-025-05468-7
  13. McDuff D, Schaekermann M, Tu T, et al. Towards conversational diagnostic artificial intelligence. Nature. 2025. doi:10.1038/s41586-025-08866-7 https://doi.org/10.1038/s41586-025-08866-7
  14. Kücking F, Hübner U, Przysucha M, et al. Automation bias in AI-decision support: results from an empirical study. Stud Health Technol Inform. 2024;317:298-304. doi:10.3233/SHTI240871 https://doi.org/10.3233/SHTI240871
  15. Abdulnour REE, Gin B, Boscardin CK. Educational strategies for clinical supervision of artificial intelligence use. N Engl J Med. 2025;393(8):786-797. doi:10.1056/NEJMra2503232 https://doi.org/10.1056/NEJMra2503232
  16. Zhou J, Zhang J, Wan R, et al. Integrating AI into clinical education: evaluating general practice trainees’ proficiency in distinguishing AI-generated hallucinations. BMC Med Educ. 2025;25:304. doi:10.1186/s12909-025-06916-2 https://doi.org/10.1186/s12909-025-06916-2
  17. Zhai C, Wibowo S, Li L. The effects of over-reliance on AI dialogue systems on students’ cognitive abilities: a systematic review. Smart Learn Environ. 2024;11:26. doi:10.1186/s40561-024-00316-7
  18. Li J, Ai F, Wang J, et al. Application of AIGC in medical education: a systematic review of the impact on critical thinking abilities of medical students. JMIR Med Educ. 2025;11:e79939. doi:10.2196/79939 https://doi.org/10.2196/79939
  19. Jussupow E, Spohrer K, Heinzl A, Gawlitza J. Augmenting medical diagnosis decisions? An investigation into physicians’ decision-making process with artificial intelligence. Inf Syst Res. 2021;32(3):713-735. doi:10.1287/isre.2020.0980 https://doi.org/10.1287/isre.2020.0980
  20. Tsopra R, Peiffer-Smadja N, Charlier C, et al. Putting undergraduate medical students in AI-CDSS designers’ shoes: an innovative teaching method to develop digital health critical thinking. Int J Med Inform. 2022;171:104980. doi:10.1016/j.ijmedinf.2022.104980 https://doi.org/10.1016/j.ijmedinf.2022.104980
  21. Lyell D, Coiera E. Automation bias and verification complexity: a systematic review. J Am Med Inform Assoc. 2017;24(2):423-431. doi:10.1093/jamia/ocw105 https://doi.org/10.1093/jamia/ocw105
  22. Shimizu I, Kasai H, Shikino K, et al. Developing medical education curriculum reform strategies to address the impact of generative AI: qualitative study. JMIR Med Educ. 2023;9:e53466. doi:10.2196/53466 https://doi.org/10.2196/53466
  23. Gordon M, Daniel M, Ajiboye A, et al. A scoping review of artificial intelligence in medical education: BEME Guide No. 84. Med Teach. 2024;46(4):446-470. doi:10.1080/0142159X.2024.2314198 https://doi.org/10.1080/0142159X.2024.2314198
  24. Banerjee M, Chiew D, Patel KT, et al. The impact of artificial intelligence on clinical education: perceptions of postgraduate trainee doctors in London (UK) and recommendations for trainers. BMC Med Educ. 2021;21(1):429. doi:10.1186/s12909-021-02870-x https://doi.org/10.1186/s12909-021-02870-x
  25. Almazrou R, Alarfaj HF, Alsadhan R, et al. Medical students’ perceptions of ChatGPT and its impact on critical thinking in medical education. Nutr Health. 2025;31(1):89-97. doi:10.1177/02601060241273627 https://doi.org/10.1177/02601060241273627
  26. Feigerlova E, Hani H, Hothersall-Davies E. A systematic review of the impact of artificial intelligence on educational outcomes in health professions education. BMC Med Educ. 2025;25:392. doi:10.1186/s12909-025-06719-5 https://doi.org/10.1186/s12909-025-06719-5
  27. Raitskaya L, Tikhonova E. Enhancing critical thinking skills in ChatGPT-human interaction: a scoping review. J Lang Educ. 2025;11(1):11-28. doi:10.17323/jle.2025.27387 https://doi.org/10.17323/jle.2025.27387
  28. Kim DH, Kang YJ, Lee YM. Twelve tips for developing and implementing AI curriculum for undergraduate medical education. Med Educ Online. 2025;30(1):2585637. doi:10.1080/10872981.2025.2585637 https://doi.org/10.1080/10872981.2025.2585637
  29. Rajpurkar P, Chen E, Banerjee O, Topol EJ. AI in health and medicine. Nat Med. 2022;28(1):31-38. doi:10.1038/s41591-021-01614-0 https://doi.org/10.1038/s41591-021-01614-0
  30. Lee P, Bubeck S, Petro J. Benefits, limits, and risks of GPT-4 as an AI chatbot for medicine. N Engl J Med. 2023;388(13):1233-1239. doi:10.1056/NEJMsr2214184 https://doi.org/10.1056/NEJMsr2214184
  31. Çiçek F, Ülker M, Özer M, K yak Y. ChatGPT versus expert feedback on clinical reasoning questions and their effect on learning: a randomized controlled trial. Postgrad Med J. 2024;100(1190):1074-1081. doi:10.1093/postmj/qgae170 https://doi.org/10.1093/postmj/qgae170
  32. Mazouri-Karker S, Bjelogrlic M, Audétat MC. IA et raisonnement clinique : entre promesses et risques de « deskilling » (partie 1). Rev Med Suisse. 2026;22(950):1-6. https://www.revmed.ch/revue-medicale-suisse/202 6/revue-medicale-suisse-950/ia-et-raisonnement-clinique-entre-promesses-et-risques-de-deskilling-partie-1
  33. Mayorga, E. (2026). La mente y la máquina: Cómo la inteligencia artificial está transformando el pensamiento crítico en la formación médica. Una síntesis narrativa de la evidencia actual. La_Mente_y_la_Maquina_IA_Pensamiento_Critico – Adobe cloud storage
Post Views: 43

De interés

Scroll to Top