Sabes que la IA está equivocada. Harás lo que ella diga de todas formas.

El GPS te dijo que giraras a la derecha. Habías recorrido esa misma ruta docenas de veces. Sabías con total certeza que al doblar a la derecha ibas directo a unas obras que llevaban tres meses cortando el paso. Giraste a la derecha de todas formas. Los investigadores llaman a esto sesgo de automatización —y la mayoría de las personas hacen algo equivalente decenas de veces al día.

O quizá tu versión tiene otra cara. Una herramienta de IA sugiere una afirmación que es factualmente incorrecta. Llevas siete años trabajando en ese campo y sabes en tus entrañas que está mal. La pegas igualmente, quizá con una pequeña edición, quizá sin ella. O el algoritmo te recomienda un producto que no encaja nada con tu situación, algo en ti no acaba de fiarse, pero haces clic en «añadir al carrito» porque, bueno, la máquina algo sabrá que tú no sabes.

Esto no es un defecto de carácter. No es pereza ni cobardía intelectual. Tiene detrás una investigación concreta y un mecanismo que opera incluso —especialmente— cuando intentas pensar con cuidado.

Lo que Kathleen Mosier y Linda Skitka descubrieron realmente

En 1996, dos investigadoras publicaron un artículo que debería haber cambiado fundamentalmente la manera en que las organizaciones despliegan tecnología. No lo hizo. Pero debería cambiar cómo tú la utilizas en tu propia vida.

Kathleen Mosier y Linda Skitka, en su artículo fundacional «Human Decision Makers and Automated Decision Aids: Made for Each Other?», llevaron a cabo una serie de experimentos en los que los participantes realizaban tareas complejas y cognitivamente exigentes, del tipo en que comprobar múltiples fuentes de información con cuidado era genuinamente necesario para llegar a la respuesta correcta. La mitad de los participantes trabajó con una ayuda para decidir: un sistema automatizado que señalaba problemas y hacía recomendaciones. La otra mitad trabajó sin ninguna ayuda.

Los resultados fueron sorprendentes por su consistencia.

Los participantes que tenían acceso a la ayuda cometieron más errores, no menos. Y los errores se agruparon en dos patrones distintos y preocupantes. Primero, los errores de omisión: cuando el sistema automatizado no detectó un problema real, los participantes tenían muchas menos probabilidades de encontrarlo por sí solos que quienes trabajaban sin ninguna ayuda. La presencia de un sistema diseñado para ayudarles deterioró su vigilancia independiente. Habían dejado de mirar con la misma atención porque algo más estaba mirando por ellos.

Segundo, y peor: los errores de comisión. Cuando el sistema automatizado ofrecía una recomendación demostrablemente incorrecta, los participantes la seguían de todas formas, anulando su propio criterio acertado para obedecer una sugerencia automatizada equivocada. En algunos ensayos, los participantes tenían ante ellos información que contradecía directamente la recomendación del sistema. Siguieron al sistema.

Léelo de nuevo. Tenían la respuesta correcta. Tenían la evidencia. La descartaron porque la máquina decía otra cosa.

Mosier y Skitka llamaron a esto sesgo de automatización: la tendencia sistemática a depender en exceso de una fuente automatizada o algorítmica, que se manifiesta tanto como reducción de la vigilancia cuando el sistema guarda silencio como deferencia hacia él cuando contradice tu propio criterio más informado.

El mecanismo: por qué el esfuerzo más la autoridad es la tormenta perfecta

Aquí está la parte que la mayoría de los resúmenes de esta investigación omiten, y es precisamente la que la hace genuinamente útil en el día a día.

El sesgo de automatización no aparece de igual forma en todas las tareas. Se intensifica específicamente bajo dos condiciones que casi siempre ocurren juntas: la tarea es exigente y la fuente automatizada parece tener autoridad.

Piensa en lo que eso implica. Esperarías que cuanto más difícil sea una tarea, más cuidadosamente usarías toda la información disponible —incluido tu propio criterio— para acertar. La investigación dice lo contrario. Cuando una tarea es cognitivamente exigente y tienes acceso a una fuente automatizada aparentemente fiable, tu cerebro trata esa fuente como una señal para reducir su propio procesamiento independiente. No porque seas descuidado. Porque esa es, en realidad, una estrategia eficiente la mayor parte del tiempo. Si la máquina suele acertar y la tarea es difícil, delegar el juicio en la máquina es un atajo razonable.

El problema es que esa búsqueda de eficiencia persiste incluso cuando la máquina no acierta. Y aunque tengas evidencia privada de que no lo hace.

La pieza de «fuente con autoridad» tiene una importancia enorme. Mosier y Skitka comprobaron que el sesgo se amplificaba cuando los participantes percibían la ayuda como proveniente de un sistema creíble, experto o que parecía fiable. En 2026, piensa en lo que eso significa: las herramientas de IA no solo te dan recomendaciones. Te dan recomendaciones seguras, fluidas, repletas de referencias y bien formateadas. Parecen tener autoridad de una manera en que la sugerencia informal de un compañero no lo hace. Cada elección de diseño —la interfaz limpia, la respuesta instantánea, la ausencia de incertidumbre visible— refuerza la percepción de que la fuente sabe de lo que habla.

Lo que significa que la tecnología que se supone debe ampliar tu pensamiento está haciendo exactamente lo contrario, justo en las condiciones en que más te beneficiaría tu propio razonamiento cuidadoso.

Fatiga decisional: por qué tu mañana arruina el trabajo profundo

La distinción que importa: esto no es pensamiento grupal

Vale la pena ser preciso sobre lo que el sesgo de automatización no es, porque la gente lo confunde con otros patrones cognitivos que ya conoce.

El pensamiento grupal de Irving Janis describe lo que ocurre dentro de un grupo humano cuando la presión hacia el consenso impide que los miembros expresen su disconformidad. Es una dinámica social: las personas silencian sus propias opiniones para preservar la armonía del grupo. El realismo ingenuo de Lee Ross habla de lo seguros que se sienten las personas sobre la objetividad de su propia percepción, la convicción de que ves el mundo tal como es mientras los demás están sesgados.

El sesgo de automatización no es ninguno de esos dos. No es un fenómeno social que requiera otros seres humanos. No tiene que ver con sobrestimar la propia precisión. Tiene que ver específicamente, y de forma concreta, con lo que ocurre cuando una fuente no humana, algorítmica o automatizada entra en escena. La investigación demostró que un solo individuo, aislado, sin ninguna presión social y con evidencia privada en mano de que la máquina estaba equivocada, seguiría deferiendo a la máquina con una frecuencia notable.

Esta distinción importa en la práctica. El consejo tradicional para el pensamiento grupal —habla, crea seguridad psicológica, designa un abogado del diablo— no aborda en absoluto el sesgo de automatización. No estás intentando superar la presión de los demás. Estás intentando superar tu propia tendencia silenciosa, eficiente y completamente involuntaria a delegar el trabajo cognitivo en un sistema que resulta estar equivocado en este caso concreto.

Por qué esto es más relevante ahora que en 1996

Los experimentos originales de Mosier y Skitka usaron simuladores de vuelo y sistemas de vigilancia industrial. En 1996, la mayoría de las personas no interactuaban con una ayuda para decidir más que ocasionalmente, en contextos profesionales especializados.

En 2026, interactúas con ayudas automatizadas para decidir decenas de veces antes del mediodía.

Tu cliente de correo electrónico clasifica qué mensajes merecen atención. Tu aplicación de navegación te lleva por rutas basadas en criterios que tú nunca especificaste. Tu procesador de textos señala la gramática. Tu motor de búsqueda decide qué resultados son más relevantes. Tu asistente de IA redacta, sugiere, resume y recomienda —de forma fluida, segura y a gran velocidad.

Ninguno de estos sistemas es infalible. Cada uno tiene modos de fallo que te resultan opacos. Y cada uno de ellos, según la investigación, está reduciendo silenciosamente la vigilancia que de otro modo aplicarías a las mismas preguntas.

La implicación contraintuitiva —la que cuesta aceptar— es que tener acceso a una herramienta de IA para una decisión concreta no neutraliza tus sesgos cognitivos. Los suma. Si crees que usar una IA hace tu razonamiento más objetivo, los datos de Mosier y Skitka sugieren que deberías reconsiderarlo. Has introducido un sistema que tu cerebro ya está tratando como más fiable que tu propia evaluación cuidadosa, independientemente de si se ha ganado esa confianza en este caso específico.

Seth Godin lo resumió en una sola frase

Seth Godin publicó un texto breve titulado «Eager to give up agency» que capturó algo que Mosier y Skitka tardaron páginas en demostrar con datos: las personas están encantadas de ceder el control. No de mala gana. No coaccionadas. Encantadas.

Esta es la observación incómoda que se esconde bajo la investigación. El sesgo de automatización no es solo una vulnerabilidad: con frecuencia se experimenta como alivio. Delegar el juicio en una fuente con autoridad reduce la incertidumbre. Reduce la incomodidad de equivocarse en nombre propio. Reduce el esfuerzo. Y los sistemas con los que interactuamos a diario están diseñados, explícitamente, para proporcionar exactamente ese alivio —para parecer un compañero capaz y fiable que ya ha pensado las cosas para que tú no tengas que hacerlo.

La pregunta no es si eso resulta atractivo. Obviamente lo es. La pregunta es qué dice la investigación real sobre lo que le ocurre a la calidad de tus decisiones cuando aceptas la oferta sin verificarla primero.

Por qué la mayor parte de tu día funciona en piloto automático — La ciencia real

Cómo detectar tu propio sesgo de automatización antes de que te atrape

Esto no es un argumento en contra de usar herramientas de IA, algoritmos o cualquier otra forma de asistencia automatizada. Es un argumento a favor de un único hábito concreto que la investigación respalda directamente.

Forma tu criterio antes de consultar la herramienta.

Eso es el núcleo. Antes de leer el borrador de la IA, escribe tu propia primera frase. Antes de ver la recomendación del algoritmo, decide qué elegirías tú sin él. Antes de dejar que la aplicación de navegación te dirija, recuerda lo que sabes sobre las carreteras. Luego consulta. Luego compara. La secuencia es lo que importa.

Los datos de Mosier y Skitka muestran que el sesgo opera en el momento de la primera exposición a la fuente automatizada. Una vez que has leído la recomendación, la influencia ya está activa: tu evaluación independiente ya está comprometida. La única posición genuinamente protegida es la que formaste antes de ver el resultado.

Cómo hacerlo práctico:

1. Nombra la decisión antes de abrir la herramienta. Antes de lanzar el asistente de IA o ver el resultado del algoritmo, escribe en una sola frase lo que ya piensas o sabes. No tienes que acertar. Solo tienes que comprometer tu propio criterio en palabras antes de que llegue el input externo.

2. Lleva un registro de decisiones para todo lo que tenga consecuencias. Cuando una decisión importante implica una recomendación automatizada, anota primero tu juicio independiente, luego el resultado de la herramienta, luego lo que finalmente decidiste. Revisar estos registros con el tiempo revela tu patrón de sesgo de automatización: en qué ámbitos cedes, en cuáles no.

3. Pregúntate: «¿Qué concluiría si la herramienta dijera lo contrario?» Este es el reencuadre más rápido. Si la fuente automatizada hubiera recomendado la otra opción con la misma confianza, ¿cambiaría tu evaluación? Si la respuesta es sí, no tienes evidencia independiente: tienes una preferencia por el resultado de la herramienta disfrazada de razonamiento propio.

4. Nota cuándo «la máquina sabe algo que yo no» se convierte en un reflejo en lugar de un paso razonado. Esa frase a veces es verdad y vale la pena decirla. También es exactamente el movimiento cognitivo que aprovecha el sesgo de automatización. La investigación no dice que las máquinas no sepan cosas. Dice que las personas dejan de comprobar si la máquina acierta en esta pregunta concreta, en este momento preciso. Son cosas distintas.

5. Ajusta la profundidad de tu revisión al nivel de las consecuencias. No toda recomendación automatizada requiere verificación independiente: el filtro de spam de tu correo no necesita un criterio previo. Pero para decisiones con consecuencias reales —laborales, económicas, relacionales, de salud— la evidencia dice que la evaluación independiente no es opcional. Es precisamente el punto.

¿Qué son los modelos mentales y cómo usarlos?

La perspectiva del diseño de tu evolución

Hay una versión de esta investigación que paraliza: no puedes fiarte de tu propio criterio, no puedes fiarte de la máquina, todo está comprometido. Esa lectura es errónea y se pierde lo que los datos realmente dicen.

Mosier y Skitka no encontraron que el juicio humano independiente sea poco fiable. Encontraron que está infrautilizado —soslayado, no reemplazado— cuando una fuente automatizada entra en escena. Tu juicio, ejercido primero, antes de que hable el algoritmo, es exactamente tan capaz como lo era antes de que existieran las ayudas para decidir. Quizá más, porque sabes algo que la máquina no sabe: tu situación concreta, tus limitaciones, tu historial con exactamente este tipo de problema.

Diseñar tu evolución a partir de esta investigación significa proteger algo que ya tienes. No desarrollar una nueva capacidad. No instalar un nuevo sistema. Solo negarte a que tu mejor pensamiento llegue después de la recomendación, cuando la influencia ya está activa, en lugar de antes.

Una pregunta que merece la pena considerar: la última vez que un algoritmo o una herramienta de IA te recomendó algo sobre lo que no estabas seguro, ¿qué hiciste? ¿Formaste primero tu criterio, o dejaste que la herramienta lo formara por ti?

No es una pregunta retórica. Es el dato que Mosier y Skitka andaban buscando.

---

Fuentes:

• Mosier, K. L., & Skitka, L. J. (1996). Human Decision Makers and Automated Decision Aids: Made for Each Other? En Automation and Human Performance: Theory and Applications. Lawrence Erlbaum Associates. Semantic Scholar
• Parasuraman, R., & Riley, V. (1997). Humans and automation: Use, misuse, disuse, abuse. Human Factors, 39(2), 230–253. https://doi.org/10.1518/001872097778543886
• Cummings, M. L. (2004). Automation bias in intelligent time critical decision support systems. AIAA 3rd Intelligent Systems Conference. https://doi.org/10.2514/6.2004-6313
• Godin, S. (2026, julio 29). Eager to give up agency. Seth's Blog. https://seths.blog