Usar IA para estudiar no sube tus notas: qué haces mal y cómo arreglarlo
Usar IA para estudiar no garantiza mejores notas: estudios de Wharton y el MIT explican qué usos hunden el aprendizaje y cuáles sí lo refuerzan.
Un 86 % de los estudiantes universitarios ya utiliza inteligencia artificial en sus estudios, según el Digital Education Council (2024). Sin embargo, la evidencia académica publicada desde entonces apunta en una dirección incómoda: usar IA para estudiar, tal y como lo hace la mayoría, no mejora las notas. Un experimento de la Wharton School (Universidad de Pensilvania, 2024) con cerca de 1.000 alumnos encontró que quienes practicaron con un chatbot rindieron un 17 % peor en el examen final que quienes nunca lo usaron.
El hallazgo importa porque contradice la intuición dominante en aulas y residencias: si la herramienta responde mejor que un profesor particular, las notas deberían subir. No lo hacen. La diferencia entre el estudiante que mejora y el que empeora no está en la herramienta, sino en cómo la usa, y esa distinción tiene ya respaldo experimental.
- El 86 % de los universitarios usa IA en sus estudios y más de la mitad lo hace cada semana, según el Digital Education Council (2024).
- El experimento de Wharton (2024) midió mejoras de hasta un 127 % durante la práctica con IA, que desaparecieron al retirar la herramienta.
- Un estudio del MIT Media Lab (2025) registró menor conectividad cerebral en quienes escribían ensayos con ChatGPT.
- Los usos que sí funcionan comparten un patrón: el estudiante produce la respuesta antes de que la IA la corrija.
Contexto: la evidencia sobre la IA para estudiar llega tarde y desmiente al marketing
El experimento de referencia es «Generative AI Can Harm Learning» (Bastani et al., Wharton School, 2024): estudiantes turcos de secundaria que practicaron matemáticas con GPT-4 mejoraron su rendimiento en las sesiones de práctica hasta un 127 %, pero al examinarse sin la herramienta rindieron un 17 % peor que el grupo de control.
El diseño del estudio es lo que le da peso. Los investigadores compararon tres grupos: uno sin IA, otro con un chatbot estándar y un tercero con un chatbot tutorizado, programado para dar pistas en lugar de soluciones. Durante la práctica, ambos grupos con IA parecían aprender más rápido. En el examen, el grupo del chatbot estándar quedó por debajo de quienes estudiaron sin ayuda.
«El acceso a GPT-4 mejora significativamente el rendimiento. Sin embargo, cuando ese acceso se retira, los estudiantes rinden peor que quienes nunca lo tuvieron.»
Un año después, el MIT Media Lab aportó la pieza neurológica. Su estudio «Your Brain on ChatGPT» (2025) midió con electroencefalografía la actividad cerebral de 54 participantes mientras redactaban ensayos. Quienes escribían con ChatGPT mostraron menor conectividad neuronal que quienes escribían sin ayuda, y una mayoría no era capaz de citar frases de su propio texto minutos después de entregarlo.
El mecanismo: por qué la IA para estudiar puede restar en lugar de sumar
La psicología cognitiva lo denomina descarga cognitiva: cuando la máquina genera la respuesta, el cerebro no ejecuta el esfuerzo de recuperación que consolida la memoria. La revisión de Dunlosky et al. (2013), referencia del sector, ya situaba la práctica de recuperación entre las técnicas de estudio más eficaces documentadas.
El aprendizaje duradero depende de un tipo de fricción concreta: intentar recordar, fallar, corregir. Es la llamada «dificultad deseable». Pedir a un chatbot que resuma el tema, resuelva el problema o redacte la respuesta elimina exactamente esa fricción. El estudiante lee una solución impecable y confunde fluidez de lectura con dominio del contenido.
Esa confusión tiene nombre: ilusión de competencia. Y la IA generativa la amplifica porque sus respuestas son más claras que la mayoría de apuntes. El resultado es un estudiante que llega al examen convencido de saber, sin haber practicado nunca el acto de responder sin red. Los patrones concretos que producen este efecto ya los desglosamos en los cinco errores más comunes al estudiar con IA.
Qué distingue a los usos que sí funcionan
El propio experimento de Wharton (2024) señala la salida: el grupo que usó un chatbot tutorizado —con pistas en lugar de soluciones— no sufrió la caída del 17 % en el examen. La variable decisiva no es usar o no usar IA para estudiar, sino quién produce la respuesta: el alumno o la máquina.
La literatura sobre técnicas de estudio permite trazar la frontera con bastante precisión. Los usos que dañan el aprendizaje sustituyen el esfuerzo de recuperación; los que lo refuerzan lo provocan.
| Uso de la IA | Qué hace el estudiante | Efecto esperado según la evidencia |
|---|---|---|
| Pedir resúmenes del temario | Lee de forma pasiva | Ilusión de competencia; retención baja |
| Pedir la solución de ejercicios | Copia el razonamiento ajeno | Mejora en práctica, caída en examen (Wharton, 2024) |
| Generar preguntas de examen y responderlas antes de ver la solución | Recupera de memoria y luego se corrige | Práctica de recuperación; retención alta (Dunlosky, 2013) |
| Pedir pistas graduales, no soluciones | Mantiene el esfuerzo de resolución | Sin penalización en examen (grupo tutor, Wharton, 2024) |
| Explicar el tema a la IA y pedir que detecte huecos | Elabora y verbaliza lo aprendido | Elaboración activa; consolidación alta |
Algunas aplicaciones EdTech, de las startups españolas a plataformas como Quizlet o Anki con extensiones de IA, ya orientan el producto hacia ese segundo bloque: generar tests y flashcards en lugar de entregar respuestas. El chatbot generalista, en cambio, hace por defecto lo contrario, y corregir ese comportamiento exige que el estudiante configure el uso de forma deliberada, como detalla el análisis de errores frecuentes con IA y notas publicado en esta misma sección.
Qué significa para estudiantes y universidades
Para el estudiante, la conclusión operativa es verificable: si la IA produce la respuesta antes que él, está pagando la práctica con el examen. Para las universidades, el reto es de diseño de evaluación, porque el 86 % de uso documentado por el Digital Education Council (2024) hace inviable la prohibición.
En el corto plazo, el coste recae en quien estudia. Las sesiones con IA parecen más productivas —se avanza más temario en menos tiempo—, pero esa sensación es precisamente el síntoma del problema. La métrica honesta no es cuánto material se cubre, sino cuánto se puede reproducir sin la herramienta delante.
Para las instituciones, los datos de Wharton y el MIT desplazan el debate. La pregunta ya no es si permitir la IA, sino cómo evaluar de forma que el uso pasivo deje de ser rentable: más examen presencial sin dispositivos, más defensa oral, más evaluación del proceso y no solo del resultado. Varias universidades europeas han empezado a moverse en esa dirección durante el curso 2025-2026, aunque sin un estándar común.
La próxima ronda de evidencia dirá si el patrón se sostiene a gran escala: hay replicaciones del experimento de Wharton en marcha y los primeros datos longitudinales sobre cohortes que han estudiado toda la carrera con IA llegarán hacia 2027. Hasta entonces, la pregunta que cada estudiante puede responder hoy mismo es más sencilla: de la última sesión con IA para estudiar, ¿cuánto queda al cerrar la pestaña?
