Una IA puede encontrar las palabras que necesitábamos escuchar. Eso abre dos preguntas diferentes: qué ocurre en la máquina y qué ocurre en nosotros cuando la leemos.

Imaginemos una escena cotidiana, construida para este artículo. Es tarde. Después de una discusión, alguien abre un chat y escribe lo que todavía no se atreve a contar a otra persona. La respuesta llega enseguida: «Tiene sentido que esto te haya dolido. Podemos intentar ordenar lo que ha pasado».

Quien lee se emociona. Quizá afloja los hombros. Quizá encuentra, por primera vez en todo el día, una forma de explicar lo que siente.

La escena plantea una incomodidad interesante: el alivio puede ser real aunque no sepamos si hay alguien sintiendo al otro lado. ¿Basta con que una respuesta parezca comprensiva? ¿Qué estamos reconociendo cuando decimos que una máquina nos entiende?

Y, mientras buscamos palabras para responder, aparece otra pregunta: si empezamos a confiar a las máquinas parte de nuestro pensamiento, ¿qué parte seguiremos ejercitando nosotros?

Lo que Turing preguntó realmente

En 1950, Alan Turing publicó Computing Machinery and Intelligence. Partió de la pregunta «¿Pueden pensar las máquinas?» y propuso sustituirla por otra más concreta, ligada al juego de imitación. Su planteamiento inicial incluía un hombre, una mujer y un interrogador que se comunicaba por escrito; después introducía una máquina en el lugar de uno de los participantes. El desplazamiento llevaba la discusión hacia las respuestas observables y las posibilidades de identificación del interrogador. [1]

Podemos resumir ese giro como una pregunta operacional: ¿puede una máquina producir respuestas que, bajo determinadas condiciones, resulten difíciles de distinguir de las humanas? Esta es una paráfrasis explicativa. No una cita literal ni la afirmación de que para Turing la vida interior careciera de importancia.

En el mismo artículo abordó la objeción de la conciencia. Su juego no proporciona acceso directo a una experiencia subjetiva. Tampoco establece que comportarse de manera semejante implique funcionar internamente del mismo modo. [1, texto completo]

Lo indistinguible siempre necesita un contexto

Hay una diferencia entre no distinguir dos mensajes y demostrar que sus autores son equivalentes.

Un texto breve puede parecernos humano. Una conversación larga puede revelar otras cosas. Conocer la identidad del interlocutor también puede cambiar nuestra manera de recibir exactamente las mismas palabras.

Por eso, cuando hablemos de una IA «indistinguible», conviene añadir: ¿para quién, en qué tarea, durante cuánto tiempo y con qué información? Lo indistinguible describe un resultado dentro de unas condiciones. No constituye por sí solo un certificado de humanidad.

El salto al terreno emocional es especialmente delicado. Reconocemos el cuidado en gestos y palabras, pero una expresión de cuidado no contesta todas las preguntas sobre lo que la produce. Aquí comienza nuestra nueva pregunta: ¿pueden sentir las máquinas?

Expresar una emoción, desempeñar una función y sentirla

Para avanzar sin confundirnos, necesitamos separar tres planos:

• La conducta y la función. Un sistema puede identificar indicios emocionales en un texto, adaptar su respuesta y ofrecer una formulación útil. Hablamos de desempeño funcional; llamarlo simulación no significa negar que pueda tener efectos reales.
• La experiencia subjetiva. Sentir dolor supone que ese dolor sea vivido: que haya algo que resulte doloroso para quien lo experimenta. Producir la frase «me duele» no demuestra esa vivencia.
• La conciencia. El término tiene distintos usos. Aquí nos interesa especialmente la conciencia fenomenal: tener experiencia subjetiva. Poder describirse, informar sobre procesos o utilizar información para resolver tareas no basta, por sí solo, para establecerla.

Esta distinción evita dos atajos. Que una IA hable de sentimientos no prueba que los tenga. Y esa falta de prueba tampoco resuelve, para siempre, si un sistema artificial podría llegar a sentir.

Butlin y colaboradores proponen evaluar indicadores derivados de teorías de la conciencia, atendiendo a propiedades de los sistemas y no solamente a sus declaraciones. Su trabajo, publicado inicialmente en línea en 2025 y asignado a un número de 2026, presenta un método de evaluación bajo incertidumbre, no una prueba definitiva de conciencia artificial. Las teorías de partida también están en discusión. [2]

No contamos con una demostración científica consensuada de experiencia subjetiva en los chatbots actuales. La respuesta prudente no es una certeza metafísica, sino reconocer qué evidencia falta y qué inferencias no podemos extraer de una conversación.

Si me siento comprendido, ¿esa experiencia deja de valer?

No hace falta ridiculizar lo que siente una persona para examinar con rigor qué es una IA.

En un experimento de Yin, Jia y Wakslak, los mensajes generados por IA hicieron que los participantes se sintieran más escuchados que los mensajes de los interlocutores humanos estudiados. A la vez, creer que la respuesta procedía de una IA reducía esa sensación. El efecto dependía tanto del mensaje como de su origen atribuido. No era una comparación de psicoterapias ni una demostración de beneficios duraderos. [3]

Otro estudio, de Ayers y colaboradores, encontró valoraciones superiores de empatía para respuestas de un chatbot frente a respuestas médicas a preguntas de un foro. Evaluaban profesionales sanitarios; no se midió si los pacientes mejoraban. Además, los textos del chatbot eran más largos. Valorar un mensaje como empático no equivale a demostrar que su emisor sienta empatía o que pueda asumir la atención clínica. [4]

Desde una lectura clínica, podemos sostener dos cosas a la vez: una conversación puede ayudar a poner nombre al malestar y esa ayuda no establece una relación humana recíproca. Sentirse acompañado y estar ante alguien que puede responsabilizarse de nuestro cuidado son cuestiones distintas.

Esto importa cuando una persona pasa de «me ayuda a ordenar lo que siento» a «es el único que me entiende y ya no necesito hablar con nadie». La pregunta útil no es si su afecto resulta absurdo. Es qué lugar está ocupando esa interacción en su vida y qué posibilidades está abriendo o cerrando.

Por qué es tan fácil encontrar a “alguien” en una conversación

Antropomorfizar significa atribuir rasgos humanos a algo que no es humano. Una voz cálida, una respuesta adaptada o la recuperación de un detalle personal pueden favorecer esa lectura. Peter, Riemer y West analizan tanto las posibilidades comunicativas como los riesgos de los agentes conversacionales antropomórficos. Su artículo es una perspectiva argumentada, no un ensayo clínico que permita calcular cuántas personas desarrollarán dependencia. [5]

Como criterio clínico y editorial, conviene distinguir validar una emoción de confirmar cualquier interpretación. Alguien puede sentirse herido sin que todas sus conclusiones sobre otra persona sean ciertas. Una respuesta que nos da siempre la razón puede resultar agradable y, aun así, ayudarnos poco a revisar lo ocurrido.

Por eso el diseño y la transparencia importan. Merecemos saber con qué estamos hablando, qué límites tiene y cómo se tratan nuestras conversaciones. La calidez del lenguaje no debería convertirse en una promesa de amor, de confidencialidad clínica o de cuidado profesional que el servicio no puede sostener.

Si las máquinas piensan por nosotros, ¿dejarán de hacerlo nuestras mentes?

La pregunta contiene una preocupación legítima, pero su respuesta no puede ser un sí automático.

Hace mucho que pensamos con ayuda. Anotamos citas, consultamos mapas y hacemos operaciones sobre papel. La descarga cognitiva, o cognitive offloading, consiste en apoyarse en acciones o recursos externos para reducir las exigencias mentales de una tarea. Risko y Gilbert revisan sus mecanismos, consecuencias y relación con la metacognición: cómo valoramos nuestras propias capacidades para decidir cuándo recurrir a una ayuda. [6]

Delegar puede ser sensato. No necesitamos memorizar cada cita ni calcular mentalmente cada factura. La cuestión cambia cuando nuestro objetivo es aprender una habilidad, mantenerla o poder comprobar si una respuesta es correcta.

Resolver una tarea con ayuda, aprender a resolverla y conservar una capacidad previa son tres resultados diferentes. Un buen producto final no nos dice, por sí solo, cuál de ellos ha ocurrido.

Calculadoras: el uso educativo no equivale a dejar de aprender

Una calculadora ejecuta operaciones que antes hacíamos a mano. De ahí no se sigue que destruya el pensamiento matemático. El metaanálisis de Ellington sobre calculadoras gráficas sin álgebra simbólica reunió 42 estudios y encontró beneficios en distintos resultados educativos; estos dependían también de si la calculadora se utilizaba durante la enseñanza, las pruebas o ambas. Es evidencia sobre esos usos y dispositivos, no sobre cualquier forma de automatización. [7]

Una propuesta práctica es conservar la estimación: antes de aceptar un resultado, preguntarse si su magnitud tiene sentido. La herramienta puede hacer la cuenta mientras nosotros seguimos pensando qué cuenta necesitamos.

GPS: llegar a un lugar y aprender el camino

Seguir indicaciones puede llevarnos a destino sin que construyamos un buen mapa del recorrido. Dahmani y Bohbot encontraron asociaciones entre uso habitual del GPS y peor memoria espacial al navegar sin él. Estudiaron a 50 participantes y siguieron a 13 de ellos años después. El tamaño del seguimiento y el diseño observacional limitan la inferencia causal: no demuestra que el GPS provoque un deterioro cerebral general. [8]

Si queremos conocer un entorno, podemos mirar el itinerario completo y fijarnos en referencias, además de seguir la flecha. Mantener esa participación no exige renunciar a una ayuda necesaria para orientarnos con seguridad.

Correctores: un texto sin errores no demuestra una regla aprendida

Corregir automáticamente, señalar una falta y explicar una regla son intervenciones diferentes. En un pequeño estudio cuasiexperimental con 30 estudiantes, Rimbar observó que el corrector ayudaba a revisar un dictado, pero después persistían errores. Esto sugiere que la corrección del producto no garantiza aprendizaje; no demuestra pérdida de una capacidad que antes estuviera adquirida. Tampoco permite extrapolar el resultado a toda la ortografía española o a todos los autocorrectores actuales. [9]

Si estamos aprendiendo, detenernos en una corrección y explicar por qué corresponde puede ser más útil que aceptarla sin mirarla.

Buscadores: recordar una respuesta o dónde encontrarla

Sparrow, Liu y Wegner describieron resultados experimentales compatibles con recordar menos cierta información cuando se esperaba disponer de ella después, y recordar mejor dónde encontrarla. [10] Pero el popular «efecto Google» agrupa resultados distintos. Hesselmann no encontró evidencia concluyente al intentar replicar el componente llamado Google Stroop, relativo a la activación de conceptos informáticos tras preguntas difíciles. Esa dificultad de replicación no invalida automáticamente todos los otros experimentos; sí exige evitar el relato de una “amnesia digital” demostrada. [11]

Consultar puede ampliar lo que sabemos. Para incorporar una idea, podemos cerrar el buscador un momento e intentar explicarla con nuestras palabras.

Qué cambia cuando la IA también escribe la explicación

La IA generativa puede entregar un razonamiento completo, una interpretación de una discusión o una decisión aparentemente justificada. Eso hace especialmente importante distinguir la claridad del texto de nuestra comprensión del asunto.

En un ensayo aleatorizado de matemáticas de secundaria, Bastani y colaboradores encontraron que una ayuda basada en GPT-4 mejoraba el rendimiento durante la práctica, pero la modalidad sin las salvaguardas pedagógicas específicas se asociaba a peores resultados posteriores al retirar la ayuda, frente al grupo sin IA. Un tutor diseñado con apoyo docente para guiar mediante pistas mitigó ese perjuicio. El estudio permite hablar de un efecto educativo concreto a corto plazo, no de atrofia mental ni de pérdida general de inteligencia. [12]

Lee y colaboradores, por su parte, encuestaron a 319 trabajadores. Una mayor confianza en la IA se relacionaba con menor pensamiento crítico declarado; también describieron un desplazamiento hacia verificar e integrar respuestas. Eran autoinformes, no mediciones longitudinales de pérdida de habilidad. [13]

La metacognición aparece aquí en una pregunta muy sencilla: ¿lo entiendo o solamente reconozco una explicación que suena bien? Poder discutir una conclusión, detectar un supuesto y explicar por qué aceptamos una respuesta ofrece más información sobre nuestra comprensión que su fluidez.

Cómo seguir participando en lo que pensamos

Estas son propuestas de uso reflexivo, no un protocolo clínico validado ni una garantía contra cualquier pérdida de habilidad:

1. Aclarar el objetivo. Si queremos terminar una gestión, delegar puede bastar. Si queremos aprender, necesitamos participar en el proceso.
2. Intentarlo antes de pedir la solución. Escribir una primera idea permite comparar la ayuda con un razonamiento propio.
3. Pedir una pista, una objeción o un contraejemplo. Una conversación puede servir para revisar lo que pensamos, además de producir respuestas.
4. Comprobar qué queda sin la herramienta. Explicar el concepto o resolver un problema parecido permite distinguir familiaridad de comprensión.
5. Verificar lo que importa. Una referencia debe existir y sostener la afirmación. Una conclusión relevante necesita algo más que un tono seguro.
6. Observar el lugar emocional del chat. Podemos preguntarnos si nos ayuda a hablar con otras personas y actuar, o si estamos aplazando cada vez más esos pasos.

Estas propuestas deben adaptarse a las capacidades y necesidades de cada persona. Una ayuda que permite escribir, orientarse o comunicarse también puede ser una condición de autonomía. El objetivo no es convertir la autosuficiencia en otra exigencia.

Lo que todavía no sabemos

Faltan respuestas sobre los efectos de distintos usos de IA durante años, sobre qué habilidades se transfieren a situaciones nuevas y sobre quién se beneficia más o queda en mayor desventaja. Las versiones de los sistemas, los contextos y las formas de utilizarlos cambian; un resultado con una herramienta concreta no describe automáticamente a todas.

También sigue abierta la cuestión de qué evidencia permitiría atribuir experiencia subjetiva a un sistema artificial. Y necesitamos distinguir mejor el consuelo momentáneo, el apoyo sostenido y la eficacia clínica de una intervención. Son preguntas relacionadas, pero no intercambiables.

La pregunta también nos mira a nosotros

Podemos tomarnos en serio la pregunta «¿pueden sentir las máquinas?» sin adelantar una respuesta que la investigación no ha establecido. Y podemos reconocer el valor de una ayuda sin entregarle todas las decisiones sobre lo que sentimos o pensamos.

Tal vez una de las tareas más humanas de este momento sea aprender a detenernos entre la respuesta que recibimos y el significado que le atribuimos.

Que una máquina encuentre palabras para mi dolor puede ayudarme. Comprender qué significan en mi vida sigue siendo una tarea en la que necesito participar.

Artículo divulgativo. Las reflexiones de uso no sustituyen una evaluación psicológica individual. Revisión de fuentes: 11 de septiembre de 2026.

Referencias

1. Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, 59(236), 433–460. Artículo original.
2. Butlin, P., et al. (2026; publicación electrónica en 2025). Identifying indicators of consciousness in AI systems. Trends in Cognitive Sciences, 30(6), 488–501. Artículo.
3. Yin, Y., Jia, N., & Wakslak, C. J. (2024). AI can help people feel heard, but an AI label diminishes this impact. PNAS, 121(14), e2319112121. Artículo.
4. Ayers, J. W., et al. (2023). Comparing Physician and Artificial Intelligence Chatbot Responses to Patient Questions Posted to a Public Social Media Forum. JAMA Internal Medicine, 183(6), 589–596. Artículo.
5. Peter, S., Riemer, K., & West, J. D. (2025). The benefits and dangers of anthropomorphic conversational agents. PNAS, 122(22), e2415898122. Artículo.
6. Risko, E. F., & Gilbert, S. J. (2016). Cognitive Offloading. Trends in Cognitive Sciences, 20(9), 676–688. Artículo.
7. Ellington, A. J. (2006). The Effects of Non-CAS Graphing Calculators on Student Achievement and Attitude Levels in Mathematics: A Meta-Analysis. School Science and Mathematics, 106(1), 16–26. Artículo.
8. Dahmani, L., & Bohbot, V. D. (2020). Habitual use of GPS negatively impacts spatial memory during self-guided navigation. Scientific Reports, 10, 6310. Artículo.
9. Rimbar, H. (2017). The influence of spell-checkers on students’ ability to generate repairs of spelling errors. Journal of Nusantara Studies, 2(1), 1–12. Artículo.
10. Sparrow, B., Liu, J., & Wegner, D. M. (2011). Google effects on memory: Cognitive consequences of having information at our fingertips. Science, 333(6043), 776–778. Artículo.
11. Hesselmann, G. (2020). No conclusive evidence that difficult general knowledge questions cause a “Google Stroop effect”. A replication study. PeerJ, 8, e10325. Artículo.
12. Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 122(26), e2422633122. Artículo. Corrección de afiliación institucional.
13. Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. Proceedings of CHI ’25, artículo 1121, 1–22. Artículo.

#PsicologíaClínica #InteligenciaArtificial #PensamientoCrítico #Emociones #Metacognición

Dr. Psi. RICARDO BRAVO DE MEDINA

Psicólogo Especialista en Psicología Clínica