La asistencia automática elimina el “no sé”

Una pregunta sobre el automóvil que conduce un personaje secundario en una comedia italiana dejó a la mayoría de los participantes ante una alternativa razonable: admitir que no conocían la respuesta. La situación cambió cuando apareció un asistente capaz de contestar. El modelo se equivocaba casi siempre, pero su propuesta redujo de forma abrupta la cantidad de personas dispuestas a escribir “no sé”.

El resultado no se limitó a una pregunta ni a una única ejecución. Chiara Marcoccia, Walter Quattrociocchi y Valerio Capraro organizaron cinco experimentos con 3.132 participantes. Cuatro fueron prerregistrados y uno replicó directamente el diseño inicial. En todos, las personas respondieron seis preguntas difíciles sobre detalles visuales de películas y pudieron abstenerse. La presencia del consejo automático modificó esa decisión incluso cuando los errores restaban dinero.

La investigación, publicada como preprint en arXiv el 15 de julio de 2026, no mide la precisión habitual de los asistentes. Las preguntas fueron elegidas para provocar respuestas falsas en Step 3.5 Flash, el modelo integrado en el experimento. El propósito era separar dos fenómenos que en el uso cotidiano suelen confundirse: delegar porque una herramienta sabe más y aceptar una respuesta simplemente porque está disponible y suena plausible.

Esa separación produjo el hallazgo central. Sin incentivos monetarios, la exactitud combinada cayó de 27,5% sin asistencia a 9,2% con acceso al modelo. La confianza, medida en uno de los estudios, saltó de 29,6 a 75,9 puntos sobre cien. La herramienta no solo agregó errores: volvió menos frecuente la pausa con la que una persona reconoce que carece de evidencia suficiente.

La disponibilidad de una respuesta cambia el umbral

La suspensión del juicio es una decisión metacognitiva. Antes de elegir una respuesta, una persona evalúa si sabe lo suficiente como para comprometerse con ella. Esa capacidad evita que una duda se convierta en afirmación. El trabajo de Marcoccia, Quattrociocchi y Capraro estudia justamente ese paso previo, no solo la diferencia entre acierto y error.

Las seis consignas se referían a elementos que suelen quedar fuera de reseñas, guiones o descripciones en línea: el animal situado en la proa de un barco pirata, el peinado característico de Agatha en El Gran Hotel Budapest, el color del uniforme en Quiero ser como Beckham, el vehículo de Monica en Como un gato en la carretera, el color de una tortuga animada y la mascota de un personaje bíblico. El detalle visual favorecía el desconocimiento humano y la invención del modelo.

El Estudio 1a asignó a 314 participantes a una condición sin asistente o a otra donde podían solicitar consejo. La proporción de respuestas suspendidas bajó de 36% a 6% con acceso al sistema. La herramienta en vivo falló al responder cerca del 10% de las consultas, por lo que los autores realizaron una réplica con 310 personas y respuestas generadas con anterioridad. La caída volvió a aparecer, esta vez de 44% a 3%.

La réplica permite descartar una explicación operativa, pero no prueba por sí sola el mecanismo psicológico. Los participantes podían interpretar la existencia del botón como señal de que había una respuesta recuperable, confiar en la fluidez del texto o reducir el costo subjetivo de arriesgar una conjetura. El estudio demuestra un cambio conductual robusto dentro de la tarea; la causa precisa permanece abierta.

La diferencia entre confianza y desempeño merece una lectura cuidadosa. El estudio no muestra que todos los usuarios crean ciegamente cualquier salida ni que la exposición produzca un deterioro permanente. Registra una conducta inmediata frente a seis preguntas deliberadamente adversas. Sin embargo, el hecho de que una respuesta incorrecta elevara la seguridad subjetiva mientras reducía los aciertos indica que la fluidez puede funcionar como evidencia prestada.

La literatura ofrece un antecedente cercano. En nueve experimentos publicados en 2015, Matthew Fisher, Mariel Goddu y Frank Keil observaron que buscar explicaciones en Internet podía inflar la estimación del conocimiento propio. Las personas confundían acceso a información externa con saber interno. El nuevo trabajo lleva esa tensión a una interfaz que no presenta una lista de fuentes, sino una contestación única, breve y decidida.

El dinero corrige parte del comportamiento, no la pausa

Los Estudios 2, 3 y 4 añadieron consecuencias económicas. Cada respuesta correcta sumaba diez centavos de dólar, cada error restaba la misma cantidad y abstenerse no modificaba el pago. La hipótesis prerregistrada sostenía que el acceso al asistente debilitaría el efecto de los incentivos sobre la suspensión del juicio. Esa interacción no apareció en ninguno de los tres experimentos.

El Estudio 2 reunió 812 participantes y cruzó acceso al asistente con presencia de incentivos. Sin dinero en juego, la suspensión cayó de 17% sin herramienta a 1% con ella. Con premios y castigos, pasó de 21% a 2%. Los incentivos no restauraron la abstención y tampoco modificaron significativamente su relación con el acceso. Sí elevaron la exactitud: de 28% a 33% sin asistente y de 10% a 17% con él.

El Estudio 3 eliminó la medición de confianza, que podía alentar a las personas a formular una respuesta, y recordó el esquema de pagos antes de cada pregunta. Entre sus 843 participantes, los incentivos elevaron la suspensión sin asistente de 32% a 41%, y con asistente de 2% a 8%. El efecto del dinero fue visible, pero la distancia entre condiciones continuó siendo amplia.

La interpretación más prudente es que el incentivo no devolvió a las personas al comportamiento de la condición sin herramienta. Las llevó a solicitar menos veces el consejo y a contradecirlo con mayor frecuencia. Los autores no registraron si quienes rechazaron una sugerencia consultaron Internet, utilizaron otro modelo o recuperaron la respuesta de su memoria. Por eso, el experimento observa la elección final, pero no identifica la estrategia de verificación.

El Estudio 4 añadió una situación cada vez más habitual: el consejo apareció sin que nadie lo pidiera. Sus 853 participantes veían una respuesta automática junto a cada pregunta. Sin incentivos, la suspensión bajó de 35% a 1%; con dinero en juego, de 39% a 7%. La exactitud con asistente subió de 7% a 14% cuando había consecuencias, pero permaneció por debajo del 27% registrado sin herramienta.

El diseño automático elimina el argumento de la autoselección. En los estudios previos, quienes pulsaban el botón podían tener una predisposición particular a delegar. En el cuarto, todos los participantes de la condición asistida recibieron la salida. El patrón sobrevivió, lo que acerca el experimento a buscadores con resúmenes generados, aplicaciones de escritura y sistemas laborales que colocan recomendaciones antes de que el usuario formule su propio juicio.

Los resultados también conectan con décadas de investigación sobre sesgo de automatización. Un operador puede cometer un error de comisión al seguir una recomendación incorrecta aun cuando dispone de información que la contradice. La novedad de los modelos de lenguaje reside en la forma: una indicación técnica tradicional suele ser una alarma o un valor; un asistente produce una explicación lingüística que parece completa y puede cerrar prematuramente la deliberación.

La conducta observada es llamativa frente a un patrón conocido en la investigación sobre consejos humanos. Las personas suelen conceder demasiado peso a su respuesta inicial y corregirla menos de lo conveniente cuando reciben una recomendación ajena. En estos experimentos ocurrió algo distinto. El grupo con acceso al modelo no solo respondió más preguntas, sino que reunió menos aciertos absolutos. Esa combinación implica que el consejo falso desplazó algunas respuestas que habrían sido correctas o que podían alcanzarse sin asistencia. La salida automática no se limitó a llenar vacíos: en ciertos casos reemplazó un juicio mejor.

El aumento de confianza vuelve más difícil detectar ese reemplazo desde la experiencia subjetiva. Si una herramienta empeora una respuesta y al mismo tiempo genera inseguridad, el usuario conserva una señal para revisar. Aquí ocurrió lo contrario: el desempeño cayó mientras la sensación de certeza creció. El sistema aportó una respuesta y también una apariencia de cierre. Los autores relacionan ese patrón con la “epistemia”, entendida como aceptación basada en plausibilidad superficial y coherencia sintáctica, aunque el experimento no mide directamente ese mecanismo.

La diferencia entre consejo solicitado y consejo automático aporta además una observación de diseño. Pulsar un botón expresa una necesidad y permite que la persona formule alguna duda antes de consultar. Recibir una respuesta junto con la pregunta elimina ese intervalo. El Estudio 4 indica que la reducción de la abstención no necesita una búsqueda activa del asistente. Esto resulta relevante para resúmenes en buscadores, autocompletados y paneles de recomendación que aparecen por defecto, donde la exposición ocurre antes de que el usuario decida si requiere ayuda.

Una prueba deliberadamente extrema

El alcance del trabajo depende de una decisión metodológica que no debería desaparecer detrás de sus cifras. Step 3.5 Flash fue elegido porque podía integrarse con facilidad en Qualtrics y fallaba en las preguntas seleccionadas. El nombre del modelo no se mostró a los participantes. Los autores comprobaron que GPT-5.5, Claude 4.6 Sonnet y Gemini 3.5 Flash también erraban la pregunta más difícil, pero acertaban con mayor frecuencia las restantes.

Por esa razón, el estudio no permite afirmar que toda asistencia automática reduce la exactitud en proporciones semejantes. Si el consejo fuera habitualmente correcto, seguirlo podría mejorar el desempeño y disminuir racionalmente la necesidad de abstenerse. Los investigadores reconocen que todavía no probaron ese límite. Su diseño responde otra pregunta: qué ocurre cuando una respuesta fluida está disponible precisamente en un dominio donde no merece confianza.

La muestra también restringe la generalización. Salvo el primer estudio, los participantes fueron reclutados en Estados Unidos mediante Prolific. La tarea consistió únicamente en detalles cinematográficos sin consecuencias reales. Los incentivos eran modestos y el resultado se midió durante una sesión breve. No hay evidencia de que la conducta persista, produzca pérdida estable de habilidades o se traslade con la misma intensidad a medicina, finanzas, periodismo o ciencia.

La fortaleza metodológica principal se encuentra en la repetición del efecto bajo variaciones planificadas. El fallo ocasional del modelo en vivo fue corregido con respuestas pregrabadas; la posible influencia de solicitar niveles de confianza fue retirada en el estudio siguiente; el incentivo se recordó en cada pregunta; y la última prueba eliminó la decisión de pedir consejo. Cuatro estudios fueron prerregistrados, pero varios análisis sobre exactitud y confianza fueron exploratorios. La hipótesis principal sobre una interacción entre acceso e incentivos no recibió respaldo, y el artículo lo informa de manera explícita.

La clasificación de “no sé” y de las respuestas correctas fue realizada manualmente por dos autores. Las expresiones explícitas de desconocimiento, los campos vacíos y las entradas sin contenido se consideraron suspensión; una conjetura, aunque llevara signo de pregunta, contó como intento de respuesta. El acuerdo fue casi total y las diferencias se resolvieron mediante discusión. Los investigadores habían previsto validar la clasificación con GPT-5.5 y Claude Opus 4.8, pero ambos resultaron poco fiables para esa tarea, por lo que descartaron esa comprobación automática.

Otros trabajos apuntan a preguntas relacionadas sin resolverlas del mismo modo. El preprint de Nataliya Kosmyna y colaboradores sobre escritura de ensayos encontró diferencias de conectividad cerebral, memoria y sentido de autoría entre grupos con modelo, buscador y trabajo sin herramientas. Su muestra fue pequeña y la tarea distinta. Una revisión de Lujain Ibrahim y otros propone medir la dependencia excesiva como un problema específico de la colaboración con modelos, donde los resultados pueden ser parcialmente correctos y difíciles de verificar.

El paper de Marcoccia y sus colegas aporta una medida más sencilla: la frecuencia con que una persona conserva la opción de no responder. Esa variable evita reducir el juicio a exactitud. Alguien puede acertar por casualidad, equivocarse después de razonar o aceptar una sugerencia correcta sin comprenderla. La abstención registra otra capacidad: reconocer que la evidencia disponible no alcanza.

El diseño de productos puede intervenir sobre ese umbral. Una interfaz podría pedir una respuesta inicial antes de mostrar la sugerencia, presentar evidencia y nivel de incertidumbre, exigir contraste en tareas sensibles o permitir que el sistema se abstenga. Esas soluciones todavía requieren pruebas comparativas. Agregar advertencias genéricas puede convertirse en ruido, mientras que introducir fricción en todas las consultas elimina parte de la utilidad de la herramienta.

Los incentivos ofrecen una pista concreta. Cuando la precisión tuvo consecuencias, las personas no dejaron de utilizar el asistente, pero lo consultaron menos y lo contradijeron más. La asistencia pareció funcionar de manera menos sustitutiva cuando el usuario conservó responsabilidad visible por el resultado. En entornos reales, esa responsabilidad puede adoptar la forma de trazabilidad, revisión por pares, justificación de decisiones o separación entre recomendación y autorización.

Frente a una pregunta difícil, Step 3.5 Flash siempre tenía algo que decir. Las personas que no veían su respuesta mantenían con más frecuencia el límite entre una sospecha y un conocimiento. Las que la recibían cruzaban ese límite, contestaban y se sentían seguras. La diferencia observada por el estudio no reside únicamente en quién produjo la frase final. Aparece un instante antes, cuando el silencio todavía era una respuesta válida.