Fricción productiva: la lucha por aprender que la IA no debería eliminar

Un profesor asigna un estudio de caso. Un estudiante abre ChatGPT, pega la consigna y, 15 segundos después, tiene un análisis fluido. Lo entrega, obtiene un notable alto y pasa a otra cosa. La respuesta es correcta. Pero el aprendizaje no se produjo.

Esta es la paradoja que la IA generativa obliga a afrontar a los educadores. No se trata de cómo detectarla, sino de cómo preservar el esfuerzo cognitivo que hace que el aprendizaje perdure. El concepto que recoge este desafío es la fricción productiva: el tipo específico de dificultad que genera aprendizaje, no frustración.

Qué significa la fricción productiva

El informe de Ivey Business School De la pizarra al chatbot define el aprendizaje de calidad como un proceso que incluye tres formas distintas de trabajo cognitivo: lidiar con conceptos para comprenderlos, repetir y corregir para desarrollar habilidades, y tomar decisiones en situaciones ambiguas para ejercitar el juicio (págs. 2-3). Cada una exige esfuerzo, pero de un tipo diferente y orientado a un resultado distinto.

La fricción productiva surge del encuentro entre la resistencia y la participación activa. Esta precisión importa, y la Nota 9 del informe lo deja claro: la resistencia sin participación es simplemente dificultad; la participación sin resistencia es solo trabajo mecánico (pág. 9). Un libro de texto confuso sin apoyos genera resistencia, pero no aprendizaje. Un cuestionario de opción múltiple bien diseñado genera participación, pero no una dificultad duradera. La fricción productiva se sitúa en el punto medio: un esfuerzo que el estudiante puede afrontar y que se dirige al trabajo cognitivo específico que exige el objetivo.

Esto no equivale a «hacerlo más difícil». Para aprender a calcular el valor actual neto, hay que practicar el cálculo, no leer un libro de texto más difícil. Para aprender a negociar un contrato, hay que tomar decisiones sobre concesiones y defenderlas, no memorizar una lista más larga de tácticas de negociación. La fricción debe corresponder al objetivo.

Cómo cambia la tarea de aprendizaje con la IA generativa

Antes de la IA generativa, el esfuerzo cognitivo era una condición habitual de la mayoría de las tareas académicas. No se podía escribir un ensayo sin reflexionar sobre el argumento, porque no había ninguna herramienta que lo hiciera por ti. La IA cambia esa realidad estructural. Como señala el informe de Ivey, la fricción pasa de ser una condición predeterminada a convertirse en una opción que se elige (pág. 3). Ahora el estudiante decide si pensar por su cuenta o delegar esa tarea.

Esta elección genera tensión entre el rendimiento a corto plazo y el aprendizaje duradero. La investigación sobre las dificultades deseables (Bjork y Bjork, 2011) muestra que las condiciones que dificultan el aprendizaje en el momento, como la práctica de recuperación, la práctica espaciada y el aprendizaje intercalado, mejoran la retención a largo plazo. La IA elimina esas condiciones al proporcionar la respuesta antes de que tenga lugar la recuperación. El estudiante obtiene buenos resultados en la tarea, pero no ha construido el modelo mental que necesitaría en una situación sin IA.

Lo que algunos observadores llaman pereza metacognitiva no es un defecto de carácter. Es una respuesta racional a las herramientas disponibles. Cuando un estudiante puede obtener una respuesta fluida en segundos, disminuye el incentivo para supervisar su propia comprensión, detectar lagunas y practicar los aspectos que domina menos. El informe de Ivey señala indicios de una menor perseverancia cuando se dispone de IA (pág. 3; referencias en pág. 9). Sin embargo, la pereza metacognitiva describe un patrón de comportamiento en determinadas condiciones, no es un diagnóstico de estudiantes individuales. Si cambian las condiciones, cambia la evaluación y cambia el comportamiento.

Cuatro tipos de esfuerzo que vale la pena proteger

No todo esfuerzo cognitivo es igual. En un entorno saturado de IA, conviene proteger deliberadamente cuatro tipos de esfuerzo, cada uno vinculado a un objetivo de aprendizaje distinto.

Recordar y explicar un concepto. Comprender un marco significa poder recordarlo de memoria y explicarlo con tus propias palabras. Cuando la IA lo recupera y resume en nombre del estudiante, nunca se produce el proceso de almacenamiento y recuperación que desarrolla la memoria a largo plazo. Para protegerlo, hay que exigir que se recuerde sin ayuda: ejercicios iniciales sin consultar materiales, debates sin dispositivos o explicaciones cronometradas antes de permitir el uso de herramientas.

Decidir qué información se necesita. En entornos profesionales, el paso más difícil suele ser determinar qué pregunta hacer y qué datos recopilar. Muchas tareas cortocircuitan este proceso al proporcionar desde el inicio todo el material pertinente. Para protegerlo, presenta la información por etapas: ofrece datos parciales, deja que los estudiantes identifiquen lo que falta y proporciona detalles adicionales solo después de que los soliciten y justifiquen por qué los necesitan.

Practicar una habilidad difícil. Las habilidades mejoran mediante la práctica repetida y exigente, acompañada de comentarios correctivos. La IA puede saltar directamente al resultado pulido. En los objetivos relacionados con habilidades, las evaluaciones deben recoger el proceso, el borrador, el intento y la revisión, no solo el producto final.

Tomar y defender una decisión en una situación ambigua. Este es el tipo de esfuerzo con mayores consecuencias. Consiste en convivir con información incompleta, sopesar perspectivas contrapuestas, comprometerse con una decisión y expresar el razonamiento que la sustenta. La IA puede ofrecer un juicio razonable, pero el estudiante no ha lidiado con las concesiones necesarias. Para proteger este esfuerzo, utiliza situaciones que exijan tomar una decisión antes de revelar los resultados, seguidas de reflexión y revisión.

¿Restaurar la fricción o introducir fricción nueva?

Cuando una evaluación ha perdido su fricción productiva, los educadores tienen dos conjuntos de herramientas a su disposición.

Restaurar la fricción eliminando la posibilidad de delegar el trabajo. Los momentos sin consultar materiales, las fases sin dispositivos y las respuestas que se revelan más adelante obligan al estudiante a recordar y pensar sin IA. Son intervenciones sencillas y de baja tecnología que funcionan cuando el objetivo es recordar o practicar.

Introducir fricción añadiendo elementos que la IA no pueda simplificar fácilmente. Se pueden incluir contraargumentos que el estudiante deba abordar, información que se revele por etapas y solo después de una decisión inicial, consecuencias derivadas de las decisiones y ciclos de revisión que exijan mejorar el propio trabajo. Así se crea un entorno estructural en el que el esfuerzo es necesario, no opcional.

Ambos enfoques pueden coexistir. Un mismo curso podría incluir comprobaciones de conceptos sin consultar materiales y una simulación de varias etapas en la que se permita usar IA, siempre que la herramienta no sustituya la decisión basada en el juicio. La elección depende del objetivo de aprendizaje, no de la postura del profesor respecto a la IA.

Una auditoría de fricción para cualquier tarea

Antes de diseñar o revisar una tarea, responde estas cuatro preguntas. Juntas, forman una auditoría reutilizable que puede aplicarse en distintas disciplinas y formatos.

¿Qué debería ser más fácil? La fricción administrativa, como dar formato, gestionar citas, resumir información básica y buscar datos, no es productiva. La IA puede reducirla y liberar capacidad cognitiva para tareas más exigentes. Identifica los elementos que realmente no necesitan requerir esfuerzo.

¿Qué debe seguir requiriendo esfuerzo? Identifica el trabajo cognitivo específico que exige el objetivo de aprendizaje. Si el objetivo es analizar un balance, el cálculo es importante. Si consiste en recomendar un curso de acción basándose en ese análisis, importan el razonamiento y la evaluación de las concesiones. Conserva el esfuerzo en esos aspectos.

¿Qué pruebas demuestran que el estudiante hizo el trabajo? Las pruebas del proceso, como borradores, anotaciones, registros de decisiones, grabaciones de explicaciones en voz alta y el historial de revisiones, revelan más que un producto final pulido. Diseña la tarea para que esas pruebas se generen de forma natural durante el trabajo.

¿Cómo pueden los comentarios mejorar el siguiente intento? La fricción productiva no es un encuentro aislado. Es un ciclo: esfuerzo, comentarios y revisión. Las mejores tareas incorporan la iteración en su estructura, de modo que el primer intento aporte información útil para el segundo.

Cómo las simulaciones estructuradas dan propósito al esfuerzo

Las simulaciones estructuradas muestran cómo se manifiesta la fricción productiva en la práctica. Una simulación bien diseñada presenta a los estudiantes información incompleta, introduce perspectivas de partes interesadas con objetivos contrapuestos, plantea decisiones que implican concesiones, vincula las elecciones con sus consecuencias e incorpora sesiones de análisis y ciclos de comentarios.

En la plataforma LiveCase, los estudiantes recorren escenarios que se desarrollan mediante una interfaz de chat, toman decisiones con información parcial y observan sus consecuencias. La fricción es deliberada: deben decidir qué pregunta hacer a continuación, en qué parte interesada confiar y qué concesión aceptar. El esfuerzo se corresponde con el objetivo de aprendizaje, que es ejercer el juicio en situaciones ambiguas, y no afrontar una dificultad arbitraria.

Pero no toda simulación genera fricción productiva automáticamente. Una simulación que convierte las opciones en caminos lineales y evidentes, o que recompensa respuestas superficiales, añade trabajo mecánico, no dificultades provechosas. La calidad depende de los objetivos de aprendizaje y de las decisiones de diseño que los llevan a la práctica. Se aplica el mismo principio: la resistencia sin participación es simplemente dificultad.

Para profundizar en cómo la IA cambia quién asume el trabajo cognitivo de las tareas, lee Reconstruir la responsabilidad cognitiva. Y para conocer el cambio más amplio de los contenidos pasivos al aprendizaje activo, ¿Qué significa realmente el aprendizaje experiencial? ofrece un marco de referencia.

Descarga la auditoría de fricción productiva de una página. Aplícala a una tarea actual y descubre dónde hay que rediseñar la fricción. Después, explora cómo el Estudio de creación con IA de LiveCase, de acceso gratuito, te permite crear simulaciones estructuradas que preservan el tipo adecuado de esfuerzo cognitivo, sin escribir código.

Lecturas relacionadas sobre experiencias de aprendizaje interactivas e inmersivas con IA: 3 cambios de diseño que vuelven irrelevante hacer trampa con IA (al cambiar la experiencia, en vez de vigilarla).

Preguntas frecuentes

¿Qué es la fricción productiva en el aprendizaje?

La fricción productiva es el tipo específico de esfuerzo cognitivo que genera aprendizaje: lidiar con conceptos, practicar habilidades con correcciones y tomar decisiones en situaciones ambiguas. Requiere tanto resistencia como participación, y varía según el objetivo de aprendizaje.

¿La fricción productiva es lo mismo que la dificultad deseable?

La fricción productiva es un concepto más amplio que incluye las dificultades deseables, que, según las investigaciones, mejoran la retención a largo plazo. La dificultad deseable es uno de los mecanismos de la fricción productiva. Todas las dificultades deseables generan fricción productiva, pero no toda fricción productiva adopta la forma de una dificultad deseable.

¿Qué es la pereza metacognitiva?

La pereza metacognitiva describe la reducción de la supervisión de la propia comprensión y de la perseverancia cuando la IA proporciona respuestas fluidas rápidamente. Es un patrón de comportamiento en determinadas condiciones, no un diagnóstico de estudiantes individuales. Si cambian las condiciones de evaluación, cambia el comportamiento.

¿Cómo puede la IA apoyar el aprendizaje sin hacer el trabajo de pensar?

La IA brinda mayor apoyo cuando explica en lugar de resolver, organiza la información en vez de recuperarla o genera opciones que el estudiante debe evaluar. El principio clave de diseño es que la IA debe reducir la fricción administrativa, pero nunca sustituir los procesos de recuperación, práctica o juicio que exige el objetivo de aprendizaje.

¿Pueden las simulaciones generar una dificultad productiva?

Sí, cuando se diseñan para los objetivos de aprendizaje adecuados. Una simulación que exige sopesar información incompleta, hacer concesiones y afrontar consecuencias puede generar fricción productiva. Una simulación que convierte las opciones en caminos lineales y evidentes, o recompensa respuestas superficiales, genera trabajo mecánico, no dificultades provechosas.

¿Quieres hablarlo? Reserva una llamada gratuita de 15 minutos