La ventaja inesperada de las mentes curiosas ante la IA

La inteligencia artificial puede acelerar tareas y sugerir soluciones, pero su rendimiento también depende de quién la utiliza. Investigadores del programa europeo Mnesys sostienen que la curiosidad, la creatividad y el pensamiento crítico ayudan a sacar más partido de estas herramientas que el dominio técnico aislado. La idea no relega a ingenieros ni especialistas: señala que saber manejar un sistema no basta si se aceptan sus respuestas sin examinarlas.

La diferencia se nota en la forma de trabajar. Un usuario que prueba hipótesis, reformula preguntas y contrasta lo obtenido convierte la interacción en un diálogo; quien se conforma con la primera respuesta deja que la máquina marque el camino. Esa colaboración, llamada inteligencia híbrida, puede ampliar las capacidades humanas, aunque no garantiza por sí sola mejores resultados ni elimina la posibilidad de error.

El planteamiento de Mnesys: importa la mente que conversa

Mnesys reúne investigación en neurociencia en Italia y cuenta con financiación vinculada al plan de recuperación italiano. Sus responsables han llevado al debate sobre inteligencia artificial una pregunta distinta de la habitual: además de qué puede hacer un modelo, importa qué habilidades aporta la persona que lo guía. El enfoque conecta con su trabajo sobre el cerebro, el aprendizaje y la plasticidad, es decir, la capacidad de adaptarse y reorganizarse ante nuevas experiencias.

Antonio Uccelli, coordinador científico de Mnesys, catedrático de Neurología en la Universidad de Génova y director científico del IRCCS Ospedale Policlinico San Martino, describe la inteligencia híbrida como una interacción capaz de potenciar las facultades humanas. Pero ese efecto, según su planteamiento, no se activa automáticamente al abrir una aplicación. La apertura mental y la flexibilidad influyen en cómo se interpreta una respuesta, en si se detectan sus límites y en la disposición a cambiar de enfoque cuando una primera aproximación no funciona.

Uccelli también remite a un estudio de la Universidad Johns Hopkins que, según Mnesys, apunta a un mejor rendimiento cuando la combinación entre persona y máquina resulta adecuada en términos de rasgos de personalidad. La información divulgada sobre ese trabajo no ofrece detalles suficientes para convertirlo en una regla universal ni para medir cuánto pesa cada rasgo. Su valor, por ahora, está en subrayar que el resultado no depende solo del modelo: también intervienen la tarea, la persona y la manera de relacionarse con la herramienta.

Usar la herramienta no es lo mismo que pensar con ella

La habilidad técnica sigue siendo importante. Entender qué puede hacer un programa, qué datos procesa o cómo integrarlo en un flujo de trabajo evita errores y permite aprovechar sus funciones. Sin embargo, conocer comandos o automatizaciones no asegura que la respuesta sea pertinente. La máquina puede producir una contestación fluida y convincente sin haber comprendido el problema como lo haría una persona; por eso, la destreza operativa necesita criterio.

La curiosidad cambia el intercambio porque impulsa a explorar lo que falta. En lugar de pedir una respuesta cerrada y darla por buena, el usuario puede solicitar una explicación, plantear un caso contrario o comprobar si la conclusión se sostiene bajo otros supuestos. No se trata de acumular instrucciones ingeniosas, sino de reconocer qué pregunta conviene hacer después. Esa actitud permite que la conversación descubra supuestos ocultos y genere alternativas que no aparecían en la primera respuesta.

Los investigadores y filósofos citados por Mnesys sirven como ejemplos de esa disposición, no como profesiones naturalmente superiores. En ambos campos es habitual trabajar con incertidumbres, distinguir el problema aparente del problema real y revisar una hipótesis cuando los datos no encajan. Esas prácticas pueden ser útiles en muchos oficios. Un técnico con curiosidad y capacidad de contraste puede colaborar muy bien con una IA, mientras que una persona de cualquier otra disciplina puede usarla de forma pasiva: la diferencia está en el método mental, no en la etiqueta profesional.

Creatividad, crítica y conversación forman una colaboración activa

La creatividad permite apartarse de la respuesta más previsible y utilizar la herramienta para abrir caminos, no solo para completar una tarea. Puede servir para explorar enfoques distintos o encontrar conexiones entre ideas, pero la novedad aparente no equivale automáticamente a originalidad valiosa. Hace falta decidir qué propuesta merece desarrollarse y cuál repite una fórmula conocida. En ese proceso, la persona aporta contexto, propósito y selección, elementos que dan sentido a las posibilidades generadas.

El pensamiento crítico cumple otra función: separar una respuesta convincente de una respuesta fiable. Los sistemas generativos pueden expresarse con seguridad y, aun así, equivocarse o presentar información incompleta. Revisar la lógica, localizar contradicciones y verificar datos sensibles no es una fase prescindible del trabajo; es parte de él. La fluidez del lenguaje puede dar una impresión de certeza que no debe confundirse con pruebas o conocimiento comprobado.

La conversación, por su parte, convierte una petición aislada en un proceso de ajustes. Una respuesta inicial puede ayudar a precisar el encargo, revelar una ambigüedad o sugerir una línea que el usuario no había considerado. El diálogo funciona mejor cuando la persona sabe qué busca y evalúa cada paso, en vez de delegar toda la tarea de definir el objetivo. Por eso, formular buenas preguntas no es una técnica secreta: es una expresión de comprensión del problema y capacidad para revisarlo.

El riesgo de aceptar demasiado pronto una respuesta

Sergio Martinoia, catedrático de Bioingeniería en la Universidad de Génova y coordinador del comité científico de Mnesys, advierte de que aceptar sin examen las soluciones propuestas por la IA puede debilitar la capacidad de desarrollar ideas innovadoras. El problema no es que la herramienta destruya la creatividad por sí misma. Es que, si sustituye de manera constante el esfuerzo de proponer, comparar y corregir, el usuario practica menos esas operaciones. La comodidad puede ahorrar tiempo en una tarea concreta, pero también reducir el ejercicio de pensar alternativas propias.

Mnesys cita investigaciones de la Universidad de Nankín y un metaanálisis reciente de la Universidad de Múnich para ilustrar una tensión: la IA generativa puede mejorar el rendimiento creativo en determinadas tareas y, a la vez, reducir la diversidad de las ideas. No son resultados incompatibles. Un sistema puede ayudar a producir una solución eficaz con rapidez, mientras muchas personas terminan recurriendo a propuestas parecidas. La productividad individual y la variedad colectiva miden cosas distintas; confundirlas oculta el coste posible de la estandarización.

Ese efecto puede aparecer cuando usuarios distintos reciben sugerencias basadas en patrones similares y las incorporan sin apenas modificación. Los textos, diseños o propuestas pueden ganar pulcritud y velocidad, pero acercarse entre sí en tono y enfoque. La homogeneidad no es inevitable: depende del uso, de la tarea y de cuánto criterio conserve la persona. El aviso de Martinoia invita a mirar más allá de la rapidez y preguntarse si el resultado mantiene una diversidad real de planteamientos, no solo una apariencia de variedad.

Una musa que no debe ocupar el puesto de piloto

Martinoia plantea que la IA puede actuar como una musa, una fuente de estímulos que amplía el espacio de ideas cuando existe una inteligencia creativa capaz de dirigir el intercambio. La metáfora tiene un límite claro: una musa inspira, pero no determina qué merece hacerse. La máquina puede proponer caminos y acelerar borradores; la elección y la responsabilidad siguen en manos humanas, especialmente cuando una decisión afecta a otras personas o depende de datos precisos.

Conocer los límites del sistema significa saber que una recomendación puede estar incompleta, desactualizada o mal ajustada al contexto. Por eso, Mnesys destaca la necesidad de comprobar directamente las fuentes cuando el contenido lo requiere y de decidir cuándo confiar en una sugerencia. No basta con pedirle a la propia herramienta que confirme lo que acaba de responder: ese intercambio puede repetir el mismo error. La verificación debe apoyarse en evidencias adecuadas a la importancia de la afirmación.

La cautela no obliga a desconfiar de cada frase ni convierte el uso de IA en una auditoría interminable. Consiste en calibrar la revisión: una idea para empezar un borrador no tiene el mismo peso que un dato científico, una afirmación periodística o un resultado que guíe una actuación profesional. La supervisión humana aporta valor cuando identifica qué requiere comprobación y qué puede servir solo como punto de partida. Así, la herramienta ayuda a avanzar sin transformarse en una autoridad automática.

Lo que muestra la experiencia de los laboratorios

El propio Mnesys presenta su trabajo como un ejemplo de cooperación entre investigadores, supercomputadores e inteligencia artificial. Enrico Castanini, presidente del programa, ha explicado que analizar grandes volúmenes de datos con ayuda de estas herramientas, bajo la guía de científicos, ha permitido ampliar el conocimiento sobre el sistema nervioso. El programa señala que se han publicado más de 1.600 estudios sobre el cerebro, un balance que ilustra la escala de la investigación y el papel que puede desempeñar la computación en ella.

En ese tipo de trabajo, la máquina puede procesar y ordenar cantidades de información difíciles de manejar manualmente, además de ayudar a encontrar patrones que merecen análisis. Pero localizar una regularidad no equivale a explicar qué significa. Los investigadores deben valorar si el resultado es relevante, si encaja con la pregunta planteada y si podría deberse a un sesgo o a una coincidencia. La colaboración funciona porque cada parte aporta capacidades diferentes: velocidad de procesamiento y juicio científico no son intercambiables.

La experiencia no demuestra que toda tarea mejore con IA ni que cualquier equipo obtenga los mismos resultados. Sí ofrece un ejemplo concreto de una relación menos simplista que la sustitución: las herramientas amplían lo que puede analizarse y las personas orientan qué conviene estudiar y cómo interpretar los hallazgos. Esa combinación requiere conocimientos del campo, objetivos claros y capacidad para cuestionar salidas inesperadas. El valor de la inteligencia híbrida reside precisamente en coordinar capacidades distintas, no en borrar sus diferencias.

La consecuencia para el trabajo y la educación

La discusión también modifica la forma de hablar de las habilidades laborales. Durante años, el debate sobre tecnología puso el foco en la especialización técnica. Mnesys no sostiene que haya dejado de ser necesaria; plantea que, junto a ella, adquieren peso capacidades como la creatividad, la cultura general, la flexibilidad y el pensamiento crítico. La curiosidad deja de parecer un rasgo decorativo cuando permite detectar errores, formular mejores objetivos y adaptarse a herramientas que cambian. La ventaja está en combinar competencias, no en elegir entre técnica y pensamiento.

En la educación, enseñar a manejar una aplicación sin aprender a evaluar sus respuestas puede formar usuarios rápidos, pero dependientes. La cuestión no es prohibir la herramienta ni dar por hecho que toda respuesta es válida, sino integrar su uso con prácticas de razonamiento, contraste y explicación. Un estudiante que puede describir por qué una respuesta le parece sólida aprende algo distinto de quien solo entrega un texto bien redactado. El aprendizaje conserva su valor cuando la tecnología apoya el proceso sin ocultar quién ha razonado.

En empresas, laboratorios y redacciones, la automatización puede reducir tareas repetitivas y liberar tiempo, pero el ahorro solo es útil si no se confunde con calidad. En periodismo, por ejemplo, la capacidad de redactar con fluidez no sustituye la jerarquización de hechos, la comprobación ni la lectura del contexto. En investigación, detectar patrones no reemplaza la interpretación. En todos esos ámbitos, el riesgo aparece cuando la eficiencia desplaza la pregunta más importante: si el resultado es correcto, pertinente y suficientemente diverso. La velocidad no es una medida completa del trabajo bien hecho.

Lo que la evidencia permite afirmar y lo que no

El mensaje de Mnesys es sugerente, pero conviene distinguir una orientación de una ley general. La información disponible sobre los estudios citados no detalla aquí sus muestras, tareas, medidas ni el tamaño de los efectos. Por eso no permite afirmar que las personas curiosas superen siempre a los perfiles técnicos, ni que una característica de personalidad garantice una colaboración eficaz. La conclusión prudente es más acotada: la forma de interactuar influye en el rendimiento y merece tanta atención como la herramienta elegida.

También importa el tipo de tarea. Una operación técnica bien definida puede depender sobre todo de conocimientos especializados; una labor abierta, con ambigüedad y varias soluciones posibles, puede beneficiarse más de explorar hipótesis y discutir criterios. Incluso dentro de un mismo trabajo, las necesidades cambian entre generar opciones, comprobar datos y tomar una decisión. No hay una única combinación ideal para todo. El resultado depende de la relación entre objetivo, sistema y experiencia humana.

Así se entiende por qué esta tesis no enfrenta a especialistas técnicos con humanistas. Los perfiles expertos aportan comprensión de los sistemas y de los problemas; una mente inquisitiva ayuda a formular preguntas y a no confundir una salida plausible con una conclusión sólida. Ninguna de esas cualidades anula a la otra. El debate útil no consiste en decidir qué profesión gana, sino en identificar qué capacidades hacen falta en cada contexto y cómo se complementan. La curiosidad amplía la técnica cuando ambas trabajan juntas.

El criterio humano sigue llevando el timón

La IA puede sugerir, resumir, comparar y generar posibilidades con una rapidez que altera el trabajo cotidiano. Pero no convierte por sí sola una respuesta en conocimiento ni una idea en una innovación. Hace falta una persona que entienda el propósito, reconozca los límites del sistema y decida qué merece atención. La colaboración más rica aparece cuando el usuario no consume respuestas, sino que las examina, las contrasta y las modifica. En ese sentido, pensar con la máquina exige no dejar de pensar.

La advertencia de Mnesys tiene menos que ver con una revancha de las humanidades frente a la tecnología que con una corrección de expectativas. Los conocimientos técnicos siguen siendo indispensables, pero no bastan para garantizar resultados fiables o originales. La apertura mental permite cambiar de perspectiva; la creatividad amplía las opciones; el pensamiento crítico distingue lo sólido de lo aparente. Ninguna de esas capacidades convierte a la IA en infalible, pero sí ayuda a usarla con más intención y menos obediencia.

En una época en la que cada vez resulta más fácil obtener una respuesta inmediata, la ventaja puede estar en saber detenerse antes de aceptarla. No para desconfiar por sistema, sino para preguntar qué falta, qué supuesto sostiene la propuesta y qué otra explicación cabe. La máquina ofrece potencia; el juicio humano decide el rumbo. Cuando esa diferencia se conserva, la tecnología puede ampliar el trabajo intelectual sin estrecharlo hasta una colección de respuestas iguales. El criterio, más que el teclado, determina la calidad de la colaboración.