Resumen
Este ensayo propone una lectura epistemológica del uso de inteligencia artificial generativa a partir de tres ejes: abducción, cognición distribuida y pensamiento crítico. Frente a la idea de que la IA destruye de manera uniforme la capacidad crítica, se plantea que el debate actual confunde operaciones distintas del conocimiento: generar hipótesis, justificar afirmaciones, verificar fuentes, interpretar discursos y circular respuestas. A partir de la noción peirceana de abducción, el texto sostiene que ciertos usos de IA intervienen en el contexto de descubrimiento, al ayudar a formular intuiciones, organizar señales dispersas y construir mapas conceptuales provisionales. Sin embargo, esa función no equivale a validación: toda hipótesis generada con apoyo de IA requiere cierre verificativo, trazabilidad y contraste externo. El ensayo distingue, además, entre dos posiciones subjetivas: el sujeto abductivo-activo, que conserva agencia sobre la pregunta, la hipótesis y la verificación; y el sujeto-vehículo, que opera dentro de sistemas de cumplimiento y solo transporta respuestas formalmente aceptables. La tesis central es que la IA no elimina necesariamente el pensamiento crítico, sino que obliga a precisar en qué fase del conocimiento interviene y qué tipo de sujeto produce su uso.
Toda teoría del conocimiento es también una construcción de discurso. No solo define qué cuenta como verdad o como evidencia; también organiza un vocabulario, establece criterios de validez, imagina un tipo de sujeto cognoscente y delimita qué operaciones pueden ser reconocidas como pensamiento. Por eso, el debate contemporáneo sobre inteligencia artificial podría ampliarse al analizar una disputa epistemológica más amplia: qué entendemos por conocer, qué consideramos validación y qué tipo de sujeto emerge cuando el pensamiento se realiza en interacción con sistemas generativos.
La discusión pública sobre IA y “pensamiento crítico” suele partir de una ambigüedad. Se habla de pensamiento crítico como si fuera una capacidad cognitiva general, equivalente a analizar o argumentar. Sin embargo, bajo esa expresión suelen mezclarse operaciones distintas: la evaluación de fuentes, la refutación de hipótesis, la sospecha ideológica, la interpretación del discurso, la contrastación empírica, la coherencia lógica, la replicabilidad y la trazabilidad. No todas pertenecen al mismo marco epistemológico, aunque en el debate público aparezcan fundidas bajo una sola etiqueta.
Cuando se afirma que la IA destruye el pensamiento crítico, rara vez se precisa qué forma de pensamiento estaría siendo desplazada. ¿Se habla de la capacidad de razonar? ¿De la lectura profunda? ¿De la verificación de fuentes? ¿De la autonomía para formular preguntas? ¿De la crítica ideológica? ¿De la producción de hipótesis? ¿O de la justificación de una afirmación? Sin esa distinción, el debate tiende a tratar todo uso de IA como una misma práctica cognitiva, cuando en realidad los usos pueden ser muy distintos.
Una parte de la filosofía de la ciencia permite ordenar mejor el problema. Durante buena parte del siglo XX, la distinción entre contexto de descubrimiento y contexto de justificación marcó las discusiones sobre el conocimiento científico. El primero refiere a la generación de nuevas ideas o hipótesis; el segundo, a su defensa, prueba o verificación. La Stanford Encyclopedia of Philosophy resume esta división como una de las distinciones dominantes en las discusiones sobre descubrimiento científico durante el siglo XX.
Esa separación tuvo consecuencias importantes. Algunos sectores de la filosofía de la ciencia, influidos por la received view, el positivismo lógico y el ideal de reconstrucción formal de la ciencia, privilegiaron el análisis de la justificación: cómo se estructura racionalmente una teoría, cómo se prueban sus afirmaciones, cómo se reconstruyen sus relaciones lógicas. En cambio, el descubrimiento quedó muchas veces relegado a una zona menos formalizable, asociada con la psicología, la creatividad, la intuición o la imaginación. El problema de cómo aparecen las hipótesis, cómo se pasa de señales dispersas a una explicación tentativa, fue tratado con más dificultad.
Charles S. Peirce (1958) ocupa un lugar decisivo en esta discusión porque intentó pensar la abducción como una forma de inferencia capaz de generar hipótesis nuevas. La abducción no equivale a la prueba de una hipótesis; más bien permite formular una explicación posible frente a un conjunto de indicios. La literatura reciente sigue discutiendo la relación entre la abducción peirceana, la inferencia a la mejor explicación y el contexto de descubrimiento, precisamente porque no se trata de una operación puramente deductiva ni de una simple acumulación inductiva de datos.
Pensamiento crítico
El pensamiento crítico, en cambio, tuvo otro destino. En el ámbito educativo y público, se expandió como una competencia transversal. Se volvió una fórmula para nombrar la capacidad de evaluar información, detectar errores, revisar argumentos, desconfiar de afirmaciones débiles y tomar decisiones razonadas. En educación superior, investigación, alfabetización mediática y debate público, el pensamiento crítico fue presentado como una habilidad necesaria para enfrentar la sobreabundancia de información, la propaganda, la desinformación y los discursos de autoridad. Esa expansión lo volvió socialmente más reconocible que la abducción. Mientras esta última permanecía ligada al problema especializado de la generación de hipótesis, el pensamiento crítico se volvió una consigna pedagógica general.
La abducción pregunta cómo nace una hipótesis; el pensamiento crítico pregunta, con frecuencia, cómo evaluamos una afirmación ya formulada. La abducción se mueve en el terreno de lo posible; el pensamiento crítico suele operar sobre lo disponible. La abducción abre; el pensamiento crítico filtra. La abducción produce una orientación; el pensamiento crítico examina, corrige, descarta o valida.
Al expandirse el lenguaje del pensamiento crítico, muchas operaciones diferentes quedaron absorbidas bajo esa etiqueta. Se empezó a llamar pensamiento crítico tanto a verificar una fuente como a sospechar de una ideología, evaluar una evidencia, leer con atención, detectar una falacia, contrastar un dato o rechazar una autoridad. Esa ampliación tuvo valor pedagógico, pero también produjo ambigüedad. Si todo análisis riguroso es llamado pensamiento crítico, se vuelve más difícil reconocer otras formas de racionalidad que no operan como evaluación de algo ya dado.
En ese punto, la IA generativa introduce una perturbación. Los modelos no solo responden preguntas; también ayudan a formularlas. No solo resumen contenidos; también sugieren hipótesis, analogías, rutas bibliográficas, relaciones conceptuales y nombres para intuiciones todavía imprecisas. Es decir, intervienen con especial fuerza en el terreno que la filosofía de la ciencia formalista había tratado con mayor incomodidad: el contexto de descubrimiento.
Por eso el uso de IA puede parecer sospechoso incluso cuando no sustituye la validación. Si una persona utiliza un modelo para desplegar una intuición, encontrar conceptos, ordenar señales y formular una hipótesis provisional, puede sentir que “no pensó” porque el resultado apareció con rapidez y con lenguaje ya organizado. Pero en realidad puede haber ocurrido una operación abductiva: el sujeto llegó con indicios, una memoria conceptual parcial, una tensión reconocida y una pregunta propia; el modelo funcionó como mediador para volver explícito un mapa posible. La hipótesis no nació de la nada, ni quedó validada por la respuesta. Se volvió formulable.
La dificultad está en que nuestra cultura educativa tiene más vocabulario para evaluar respuestas que para describir la generación de hipótesis. Sabemos decir “verifica”, “contrasta”, “argumenta”, “cita”, “evalúa críticamente”. Pero tenemos menos lenguaje común para nombrar el momento en que una idea todavía no está probada, aunque tampoco sea arbitraria. Ese momento puede parecer una ocurrencia, una inspiración o una dependencia de la IA, cuando en realidad podría tratarse de una fase abductiva asistida.
IA: Cambio de enfoque
Los modelos generativos no intervienen únicamente en la escritura final ni en la producción automática de respuestas. También pueden intervenir en una fase anterior del conocimiento: la generación de hipótesis, la organización de intuiciones, la formulación de mapas conceptuales, la búsqueda de analogías y la apertura de rutas bibliográficas. En otras palabras, pueden participar en el momento abductivo del pensamiento.
Esa participación no debe confundirse con validación. Un output de IA no convierte una intuición en conocimiento. Pero puede ayudar a que una intuición tome forma de hipótesis. Puede sugerir nombres, ordenar relaciones, señalar familias teóricas, formular objeciones preliminares o mostrar posibles conexiones entre señales que el sujeto humano ya percibía, aunque todavía no pudiera nombrarlas. En ese sentido, la IA puede funcionar como una herramienta de navegación en el contexto de descubrimiento.
Una hipótesis generada o desplegada con ayuda de IA no está validada por el hecho de haber sido formulada con fluidez. Debe pasar por procesos de verificación como búsqueda de fuentes, lectura directa, contraste, verificación de citas, reconstrucción de trazabilidad y, cuando corresponde, comprobación empírica o replicabilidad. La abducción abre posibilidades; no las certifica.
Pero también existe el error inverso: descartar todo proceso asistido por IA como si no hubiera pensamiento humano. Ese rechazo parte de una imagen estrecha del pensamiento: una mente individual, aislada, consciente de cada paso, productora de una respuesta completa desde sí misma. Sin embargo, buena parte del pensamiento real no ocurre así. Muchas veces comienza como reconocimiento estructural: una tensión que se percibe antes de poder nombrarla, una memoria conceptual fragmentaria, una sensibilidad formada por lecturas previas, una anomalía que todavía no tiene marco.
La literatura reciente sobre escritura académica asistida por IA ayuda a matizar esta discusión. En el estudio «Patrones de colaboración entre humanos e IA en la escritura académica asistida por IA», mostró que la interacción con herramientas generativas no se reduce necesariamente a delegar una tarea completa: puede incluir estrategias iterativas, reformulación, revisión, apoyo estructural y usos diferenciados durante distintas fases del trabajo intelectual. Además encontró que los estudiantes que realizaron iteración con modelos de lenguaje mejorar la calidad de su redacción.
Esto permite distinguir entre uso automático y uso colaborativo. Cuando el usuario conserva agencia sobre la pregunta, revisa la salida, reformula, compara, descarta, verifica y decide, la IA participa como parte de un proceso cognitivo ampliado, no como sustituto total del pensamiento. El modelo no es la fuente final de autoridad; funciona como un interlocutor provisional dentro de una secuencia más amplia.
Pensamiento asistido
La noción de cognición distribuida ofrece otra vía para comprender este fenómeno. En lugar de situar todo el pensamiento dentro de una mente aislada, este enfoque permite observar cómo ciertas operaciones cognitivas se reparten entre sujetos, herramientas, interfaces, textos, memoria externa y entornos de trabajo. Investigaciones recientes han aplicado este marco a la cooperación humano-IA, analizando cómo la inteligencia artificial puede reconfigurar coordinación, atención compartida, alineación cognitiva y toma de decisiones en sistemas híbridos.
Desde esta perspectiva, decir que una persona piensa con IA no significa afirmar que la IA piense por ella. Significa que ciertas operaciones se redistribuyen. La intuición inicial, la pregunta, el criterio de selección y el juicio final pueden permanecer en el sujeto humano, mientras el modelo ayuda a desplegar posibilidades, ordenar lenguaje, sugerir conexiones o hacer visible un mapa provisional. El pensamiento no necesariamente desaparece; puede desplazarse hacia una forma más distribuida.
Sin embargo, esta lectura no debe idealizar el uso de IA. La misma herramienta que puede asistir una fase abductiva también puede automatizar tareas de cumplimiento. La literatura sobre IA, escritura académica, pensamiento crítico e integridad ha señalado que los asistentes de escritura pueden producir ensayos o trabajos completos, dejando al estudiante apenas con la tarea de leer o editar superficialmente el resultado.
En el estudio «El papel de la IA en la escritura académica: impacto en las habilidades de escritura, el pensamiento crítico y la integridad en la educación superior», se concluyó que «si bien las herramientas de IA pueden ser perjudiciales para el desarrollo de las habilidades de escritura, pueden fomentar el aprendizaje autodirigido y la mejora cuando se integran cuidadosamente en los cursos».
Ese riesgo también aparece en reportes recientes sobre educación superior. En Reino Unido, la «Encuesta estudiantil sobre IA generativa 2025» señaló que 92% de estudiantes usaba herramientas de IA generativa, con usos que incluían explicar conceptos, resumir artículos, sugerir ideas de investigación e incorporar texto generado en trabajos académicos. El mismo reporte advertía que muchas instituciones aún no habían dado formación suficiente sobre el uso de estas herramientas.
Abducción vs vehículo
Estas preocupaciones no deben descartarse. Existen usos de IA que pueden debilitar la apropiación del problema, la memoria, la escritura y la responsabilidad intelectual. Pero esos usos no agotan el fenómeno. Más bien obligan a distinguir entre dos figuras emergentes: el sujeto abductivo-activo y el sujeto-vehículo.
El sujeto abductivo-activo usa la IA para abrir conocimiento. No parte de una consigna externa cerrada, sino de una pregunta propia, una intuición, una anomalía o una tensión conceptual. Utiliza el modelo para explorar hipótesis, encontrar nombres, formular mapas, identificar literatura posible y ordenar rutas de verificación. Pero no delega la verdad. La salida generada funciona como una hipótesis o como una cartografía provisional, no como una conclusión. El cierre ocurre fuera del modelo: en la fuente localizada, en la evidencia contrastada, en la cita verificada, en la posibilidad de reconstruir el camino entre afirmación y prueba.
El sujeto-vehículo opera de otra manera. Usa la IA para trasladar información dentro de una consigna ya delimitada por otro sistema: una tarea escolar, un reporte laboral, una presentación corporativa, un trámite burocrático, una cadena de contenido repetitivo. En este caso, la persona no formula la pregunta, no transforma el problema, no verifica de manera sustantiva y no se apropia del conocimiento. Pide una salida aceptable, la ajusta mínimamente y la entrega.
El sujeto-vehículo puede definirse como una posición subjetiva producida al interior de dispositivos institucionales de cumplimiento. No se trata simplemente de un usuario pasivo, sino de un nodo dentro de una red de normas, jerarquías, tiempos, formatos y obligaciones que anteceden su interacción con la IA. A diferencia del sujeto abductivo-activo, cuya práctica se organiza en torno a una pregunta propia y a un proceso posterior de verificación, el sujeto-vehículo opera bajo una racionalidad heterónoma: responde a una consigna ya formulada, dentro de criterios de entrega definidos externamente. En este marco, la IA funciona como mediación técnica entre el mandato institucional y la respuesta formalmente aceptable. Su uso no revela solo una decisión individual, sino una modalidad de subjetivación: el sujeto aprende a circular información, satisfacer formatos y producir evidencia de cumplimiento, aun cuando esa producción no implique apropiación efectiva del conocimiento.
La diferencia no debe leerse como una jerarquía moral entre personas. El sujeto-vehículo no siempre elige su pasividad. Muchas instituciones ya habían organizado tareas donde lo importante no era comprender, sino cumplir: llenar formularios, entregar reportes que nadie leerá, repetir una estructura, producir resúmenes, circular información, satisfacer una métrica. En esos casos, la IA no destruye pensamiento profundo; automatiza una ausencia que el sistema ya toleraba.
Por eso, la pregunta decisiva no es si una persona usa o no IA. La pregunta es si conserva agencia sobre la pregunta, la hipótesis, la verificación y el cierre. La IA puede ser una prótesis abductiva o una cinta transportadora de respuestas. Puede abrir una investigación o cerrar prematuramente una tarea. Puede participar en la producción de conocimiento o limitarse a acelerar la circulación de contenido.
En ese sentido, el debate actual no muestra únicamente una crisis del pensamiento crítico, sino una crisis de vocabulario epistemológico. Se exige a las personas “pensar críticamente”, pero no siempre se aclara si eso significa sospechar del poder, verificar evidencia, reconstruir fuentes, refutar hipótesis, interpretar discursos, formular preguntas propias o distinguir entre descubrimiento y justificación. La IA vuelve urgente esa distinción porque comprime etapas que antes parecían separadas: búsqueda, asociación, síntesis, redacción, argumentación y presentación.
La filosofía de la ciencia dejó en una zona secundaria ciertas formas inferenciales vinculadas al descubrimiento. La IA generativa las reactiva bajo nuevas condiciones técnicas. No porque invente la abducción, la intuición o la formulación de hipótesis, sino porque permite externalizar y acelerar procesos que antes ocurrían de manera más lenta, dispersa o tácita. Al hacerlo, también produce desconcierto: muchas personas no reconocen como pensamiento aquello que no se presenta bajo la forma clásica de justificación lineal.
Pero reconocer la dimensión abductiva del uso de IA no implica aceptar cualquier salida generada. Al contrario: obliga a reforzar el cierre verificativo. Cuanto más potente sea la IA para producir hipótesis, más necesario será distinguir qué fase del conocimiento está en juego. Si estamos en la fase de descubrimiento, la salida puede ser útil como orientación. Si estamos en la fase de justificación, la misma salida es insuficiente sin prueba, fuente y trazabilidad.
La discusión sobre IA y conocimiento debería abandonar la oposición simple entre pensamiento humano y respuesta artificial. Lo que está en juego es una redistribución de operaciones: quién formula la pregunta, quién genera hipótesis, quién verifica, quién decide qué cuenta como evidencia y quién asume responsabilidad por la afirmación final. En esa redistribución emergen sujetos distintos.
Uno es sujeto de la pregunta: formula, explora, duda, contrasta y verifica. Otro es vehículo de la consigna: recibe, solicita, copia, adapta y entrega. Ambos pueden usar la misma herramienta, pero no participan del mismo modo en la producción de conocimiento.
Tal vez la IA no esté destruyendo de manera uniforme el pensamiento crítico. Tal vez esté mostrando que nunca tuvimos una definición suficientemente clara de sus operaciones. Pensar críticamente no puede significar solo desconfiar de las respuestas. En la era de los modelos generativos, también debe significar saber en qué fase del conocimiento estamos: si apenas estamos abduciendo, si ya estamos justificando, si estamos verificando o si solo estamos moviendo información dentro de un sistema que nunca nos pidió pensar.
La IA no vuelve innecesario al sujeto. Lo obliga a definirse. Y quizá esa sea la disputa epistemológica central: no si las máquinas pueden producir respuestas, sino si las personas seguirán siendo sujetos de la pregunta o se convertirán en vehículos de una respuesta ajena.
Referencias
Burch, R. (2021). Charles Sanders Peirce. En E. N. Zalta (Ed.), The Stanford Encyclopedia of Philosophy. Metaphysics Research Lab, Stanford University. https://plato.stanford.edu/entries/peirce/
Deep, P. D., & Chen, Y. (2025). The role of AI in academic writing: Impacts on writing skills, critical thinking, and integrity in higher education. Societies, 15(9), Article 247. https://doi.org/10.3390/soc15090247
Douven, I. (2025). Abduction. En E. N. Zalta & U. Nodelman (Eds.), The Stanford Encyclopedia of Philosophy. Metaphysics Research Lab, Stanford University. https://plato.stanford.edu/entries/abduction/
Freeman, J. (2025). Student Generative AI Survey 2025 (HEPI Policy Note 61). Higher Education Policy Institute. https://www.hepi.ac.uk/reports/student-generative-ai-survey-2025/
Nguyen, A., Hong, Y., Dang, B., & Huang, X. (2024). Human-AI collaboration patterns in AI-assisted academic writing. Studies in Higher Education, 49(5), 847–864. https://doi.org/10.1080/03075079.2024.2323593
Peirce, C. S. (1931–1958). Collected papers of Charles Sanders Peirce (Vols. 1–8; C. Hartshorne, P. Weiss, & A. W. Burks, Eds.). Harvard University Press.
