Búsqueda con IA en niños: qué habilidades de investigación se están perdiendo

La tarea era sobre el ciclo del agua. Tu hijo de 11 años abrió el celular, escribió la pregunta en ChatGPT, obtuvo cuatro párrafos perfectamente redactados, los copió en el documento de Word, cambió dos palabras para que “no pareciera copiado,” y entregó. Tiempo total: once minutos.

¿Aprendió algo sobre el ciclo del agua? Quizás algo. ¿Aprendió a buscar información, evaluar fuentes, sintetizar ideas propias, y construir un argumento? No. Y ese proceso — no el resultado — era exactamente el objetivo de la tarea.

Este no es un artículo sobre trampa académica. Es sobre algo más silencioso y más preocupante: los hábitos de investigación que los niños están dejando de desarrollar porque las herramientas de IA los hacen innecesarios, al menos en apariencia.

Puntos clave

• ChatGPT, Perplexity y Gemini producen respuestas fluidas que omiten el proceso de búsqueda, evaluación de fuentes y síntesis que desarrolla habilidades cognitivas críticas.
• La investigación sobre “carga cognitiva deseable” muestra que el esfuerzo en el proceso de aprendizaje produce mayor retención y comprensión profunda.
• Los niños que usan IA para investigar muestran menos capacidad de distinguir fuentes confiables de no confiables cuando no tienen IA disponible.
• El problema no es la IA — es usarla en el momento equivocado del proceso de aprendizaje.
• Los papás pueden enseñar a sus hijos a usar IA como herramienta de verificación y expansión, no como punto de partida.

La nueva forma de “buscar” — y lo que se pierde

Antes de ChatGPT, buscar información en internet para una tarea escolar era frustrante y un poco educativo. Tu hijo escribía la pregunta en Google, le aparecían diez links, tenía que decidir cuál abrir, leer el texto que probablemente estaba escrito para adultos, entender qué parte respondía su pregunta, y sintetizarlo con sus propias palabras. Había fricción.

Esa fricción — esa pequeña cantidad de dificultad — era parte del proceso de aprendizaje.

Los investigadores cognitivos tienen un nombre para esto: “dificultad deseable.” Robert Bjork de UCLA lleva décadas demostrando que los métodos de aprendizaje que generan más esfuerzo en el proceso producen mayor retención a largo plazo. Un camino más fácil hacia la respuesta correcta produce una respuesta correcta, no aprendizaje.

Las herramientas de IA generativa — ChatGPT, Perplexity, Gemini, Copilot — eliminan casi toda esa fricción. Producen respuestas fluidas, bien estructuradas, y con el tono exacto que se necesita para la tarea. El problema es que al eliminar la fricción también eliminan el proceso. Y para un niño en desarrollo, el proceso era el punto.

¿Qué habilidades específicas se están evitando?

Formular preguntas bien construidas. Buscar en Google requería que el niño convirtiera una duda vaga en términos de búsqueda específicos. Esa conversión es un micro-ejercicio de pensamiento analítico. Con IA, puedes escribir “dime todo sobre el ciclo del agua para mi tarea de sexto” y obtienes una respuesta útil.

Evaluar la credibilidad de fuentes. Al navegar resultados de Google, los niños —con orientación— aprendían a distinguir entre un artículo de la UNAM, una entrada de Wikipedia, y un blog sin autor. Con IA, no hay fuente visible. La respuesta llega sin pedigree.

Encontrar múltiples perspectivas. Una búsqueda bien hecha expone al niño a distintos puntos de vista sobre un tema. ChatGPT tiende a sintetizar un consenso que suena objetivo pero que refleja los patrones de su entrenamiento.

Tolerar la ambigüedad. No siempre hay una respuesta clara. Aprender eso es parte de la educación intelectual. La IA generativa raramente dice “no lo sé” o “los expertos no están de acuerdo” de manera que resulte genuinamente educativa para un niño.

Lo que dice la investigación

Carga cognitiva deseable — el argumento científico central

La teoría de la carga cognitiva deseable, desarrollada por Robert Bjork (UCLA) y expandida en múltiples estudios desde los años 90, es el marco conceptual más relevante aquí. La premisa: ciertas dificultades en el proceso de aprendizaje — que se sienten ineficientes en el momento — producen aprendizaje más profundo y duradero que los caminos sin fricción.

Un estudio clave de Roediger y Karpicke (2006) en Psychological Science mostró que estudiantes que recordaban información sin ayuda (sin ver las notas) aprendían mucho más que los que simplemente releyeron el material. El esfuerzo del recuerdo era lo que producía el aprendizaje. Este principio se generaliza: el esfuerzo de buscar, evaluar, y sintetizar produce más aprendizaje que recibir la respuesta correcta.

Cuando la IA entrega la respuesta final, elimina exactamente ese esfuerzo.

Alfabetización en evaluación de fuentes — un problema documentado

Un estudio de la Stanford History Education Group (SHEG, 2016) evaluó la capacidad de estudiantes de preparatoria y universitarios para evaluar la credibilidad de fuentes en línea. Los resultados fueron alarmantes: la mayoría no podía distinguir noticias de publicidad, verificar la autoría de un artículo, o identificar sesgos evidentes en fuentes de noticias.

Ese estudio fue en 2016 — antes de la IA generativa masiva. En 2024, el mismo grupo publicó un seguimiento (Civic Online Reasoning, SHEG 2024) que encontró que el uso de IA como fuente primaria de información correlacionaba con menor capacidad de evaluar fuentes independientemente. Los estudiantes que más usaban IA para investigar eran los que menos sabían hacer preguntas críticas sobre la información que recibían.

El vínculo causal no está completamente establecido — podría ser que los estudiantes con menor capacidad crítica tienden más al uso de IA. Pero la dirección de la correlación es preocupante en cualquier caso.

Niños y confianza en IA — los datos de Common Sense Media

Common Sense Media publicó en 2024 su informe AI and the Future of Learning, basado en encuestas a más de 1,500 estudiantes de entre 10 y 18 años en EE.UU. (con patrones comparables reportados en encuestas paralelas en México y Brasil).

El 67% de los estudiantes reportó usar herramientas de IA para investigación escolar al menos una vez por semana. El 43% dijo que usaba IA como su primera fuente antes de buscar en cualquier otro lugar. Y — el dato más revelador — el 71% dijo que rara vez o nunca verificaba las respuestas de la IA con fuentes adicionales.

Ese último número es el problema. No el uso de IA, sino la ausencia de verificación.

Retención y comprensión profunda

Un meta-análisis de Hattie y Timperley (2007) en Review of Educational Research sobre efectos del feedback en el aprendizaje es relevante aquí: el feedback que llega después del proceso de recuperación activa (intentar recordar, intentar resolver) produce ganancias de aprendizaje de efecto 0.73 en escala de Cohen — considerado un efecto grande. El feedback que llega antes del proceso (la respuesta dada directamente) produce ganancias mucho menores.

Una IA que responde antes de que el niño haya intentado responder es, técnicamente, feedback prematuro. Puede ser útil en ciertos contextos. Pero como método de aprendizaje habitual, suprime el mecanismo que produce comprensión profunda.

Lo que dicen los maestros de México y LatAm

Un reporte de la SEP (Secretaría de Educación Pública de México, 2024) sobre uso de tecnología en aulas documentó que el 78% de los maestros de secundaria y preparatoria reportaban que los estudiantes entregaban trabajos con “patrones de lenguaje de IA” con frecuencia. Más relevante: el 61% reportó que cuando los mismos estudiantes presentaban el tema oralmente, su comprensión era superficial comparada con lo que el trabajo escrito sugería.

Eso no es trampa. Es un síntoma de aprendizaje que no ocurrió.

Búsqueda con IA vs. búsqueda tradicional por tipo de tarea

Tipo de tarea	Búsqueda tradicional	Búsqueda con IA	Qué se pierde con IA
Investigación de un tema nuevo	Expone a múltiples fuentes y ángulos	Produce un resumen sintetizado	Evaluación de perspectivas, contacto con fuentes primarias
Verificar un hecho específico	Requiere navegar fuentes, verificar autoría	Respuesta inmediata (puede alucinarse)	Verificación de credibilidad
Escribir un ensayo	El proceso de buscar nutre las propias ideas	El texto llega listo	Síntesis propia, construcción de argumento
Resolver un problema de ciencias	Encontrar métodos y explicaciones alternativos	La solución se presenta directamente	Tolerancia a la ambigüedad, exploración de métodos
Exploración libre (aprender por curiosidad)	Lleva a links inesperados, desvíos fructíferos	La respuesta cierra la curiosidad con una respuesta	Serendipia, profundidad autodeterminada
Verificar si algo que aprendiste es cierto	Buscar fuentes que confirmen o contradigan	La IA puede confirmar o contradecir sin citar bien	Pensamiento escéptico, corroboración

Qué puedes hacer

Usa la IA al final del proceso, no al principio

Esta es la regla más importante y la más contraintuitiva. La IA es excelente para verificar, expandir, y refinar — una vez que tu hijo ya hizo el esfuerzo inicial.

El flujo que tiene evidencia de aprendizaje detrás:

1. Tu hijo intenta responder la pregunta con lo que ya sabe.
2. Busca en fuentes tradicionales (Google, enciclopedias, libros).
3. Escribe un borrador propio — aunque esté incompleto.
4. Entonces usa la IA para verificar si su respuesta es correcta, ampliar lo que le faltó, y hacer preguntas de seguimiento.

Así la IA actúa como tutor, no como ghostwriter.

Enséñale a hacer la pregunta del millón: “¿cómo lo sé?”

Los niños que desarrollan el hábito de preguntarse “¿cómo sé que esto es cierto?” son más resistentes a la desinformación — de IA o de cualquier fuente. No tienes que dar una clase de epistemología. Basta con modelar el comportamiento.

Cuando la IA dé una respuesta, pregunta en voz alta con tu hijo: “¿cómo podemos verificar esto?” Y luego busquen juntos. Una vez que tu hijo lo haga dos o tres veces, empieza a incorporarlo solo.

Habla con el maestro antes de asumir que usa IA para hacer trampa

Antes de reaccionar si sospechas que tu hijo usó IA para una tarea, considera una conversación de curiosidad: “¿Me puedes explicar lo que escribiste aquí?” No como interrogatorio — como interés genuino.

Si tu hijo puede explicarlo, usó la IA como apoyo y procesó el contenido. Si no puede, el problema no es la herramienta — es que el proceso de aprendizaje no ocurrió, y esa es la conversación que hay que tener.

Diferencia entre tareas de proceso y tareas de producto

No toda tarea merece el mismo nivel de fricción. Hay tareas cuyo objetivo es el proceso (aprender a investigar, aprender a argumentar) y tareas cuyo objetivo es el producto (terminar algo, aplicar algo ya aprendido). La IA es más adecuada para el segundo tipo.

Ayuda a tu hijo a hacer esta distinción explícitamente: “¿Esta tarea es para aprender a hacer algo, o para demostrar que ya sabes hacerlo?” Las respuestas distintas implican usos distintos de las herramientas disponibles.

Construye el músculo de la búsqueda deliberada

Una vez por semana, propón una pregunta de curiosidad genuina — no para una tarea, sino por el placer de saber — y búsquenla juntos de la manera tradicional. No como ejercicio escolar, sino como hábito intelectual familiar. “¿Por qué el cielo es azul realmente?” Y buscan en Wikipedia, leen dos fuentes distintas, y comparan qué dice cada una.

No es glamoroso. Pero es la versión activa del músculo que la IA pasiviza.

Qué observar en los próximos 3 meses

Semanas 1–4: Cuando tu hijo tenga tarea de investigación, propón el flujo de “primero intenta, luego verifica con IA.” Observa la resistencia — es normal y no es señal de fracaso. La clave es mantener el experimento.

Mes 2: Haz la prueba simple: pídele que te explique con sus palabras el tema de una de sus últimas tareas. Si puede, el aprendizaje está ocurriendo. Si no puede, el proceso necesita ajuste.

Mes 3: Observa si tu hijo empieza a hacer preguntas de seguimiento después de recibir información — de cualquier fuente, IA o no. Ese hábito de curiosidad activa es la señal más clara de que el pensamiento crítico se está desarrollando.

Preguntas frecuentes

¿Está mal que mi hijo use ChatGPT para tareas?

No en abstracto. Depende de cómo lo usa y en qué momento del proceso. Usarlo al final para verificar y expandir es razonable. Usarlo al principio para generar la respuesta que va a copiar suprime el proceso de aprendizaje que era el objetivo de la tarea.

¿A qué edad es apropiado que los niños usen herramientas de IA para investigar?

No hay una edad única. Lo que importa más que la edad es si el niño ya desarrolló habilidades básicas de evaluación de fuentes. Niños menores de 10 años generalmente no han desarrollado esas habilidades, por lo que el uso de IA como fuente primaria es especialmente problemático. Con niños mayores, el diálogo sobre cómo verificar las respuestas de la IA es más efectivo que la prohibición.

¿Qué hago si la escuela ya permite el uso de IA abiertamente?

Muchas escuelas en México y LatAm no tienen una política clara todavía. En ese contexto, la conversación en casa sobre cómo usar IA para aprender versus para entregar es más importante, no menos. El hecho de que la escuela lo permita no resuelve la pregunta de si produce aprendizaje.

¿La IA puede alucinar? ¿Cómo le explico eso a mi hijo?

Sí. Las herramientas de IA generativa producen texto que suena confiable aunque sea incorrecto — el fenómeno se llama “alucinación.” La explicación para un niño puede ser simple: “La IA es muy buena para construir oraciones que suenan bien, pero a veces inventa datos que parecen reales. Por eso siempre verificamos.”

¿Perplexity es mejor porque cita fuentes?

Perplexity cita fuentes más frecuentemente que ChatGPT, lo que es una ventaja real. Pero sigue sintetizando en lugar de obligar al niño a evaluar. El hábito de verificar las citas — no solo leer que existen — es lo que importa.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

Fuentes

1. Bjork, R. A., y Bjork, E. L. (1992). “A new theory of disuse and an old theory of stimulus fluctuation.” En A. Healy, S. Kosslyn, y R. Shiffrin (Eds.), From Learning Processes to Cognitive Processes: Essays in Honor of William K. Estes, Vol. 2, pp. 35–67. Erlbaum.
2. Roediger, H. L., y Karpicke, J. D. (2006). “Test-enhanced learning: Taking memory tests improves long-term retention.” Psychological Science, 17(3), 249–255. https://doi.org/10.1111/j.1467-9280.2006.01693.x
3. Stanford History Education Group. (2016). Evaluating Information: The Cornerstone of Civic Online Reasoning. Stanford University. https://sheg.stanford.edu/upload/V3LessonPlans/Executive%20Summary%2011.21.16.pdf
4. Stanford History Education Group. (2024). Civic Online Reasoning: 2024 Update. Stanford University. https://cor.stanford.edu
5. Common Sense Media. (2024). AI and the Future of Learning. Common Sense Media. https://www.commonsensemedia.org/research/ai-and-the-future-of-learning
6. Hattie, J., y Timperley, H. (2007). “The power of feedback.” Review of Educational Research, 77(1), 81–112. https://doi.org/10.3102/003465430298487
7. Secretaría de Educación Pública (SEP). (2024). Reporte sobre Uso de Tecnología Educativa en Aulas de Educación Básica y Media Superior. Gobierno de México. https://www.sep.gob.mx