pág. 6139
DEL PENSAMIENTO CRÍTICO A LA
ALIENACIÓN COGNITIVA: EL USO DE LA
INTELIGENCIA ARTIFICIAL EN LA
EDUCACIÓN SUPERIOR UNIVERSITARIA
FROM CRITICAL THINKING TO COGNITIVE ALIENATION:
THE USE OF ARTIFICIAL INTELLIGENCE IN UNIVERSITY
HIGHER EDUCATION
Teodoro Huamán Torres
Universidad Nacional de San Cristóbal de Huamanga, Ayacucho, Perú
pág. 6140
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25571
Del pensamiento crítico a la alienación cognitiva: el uso de la inteligencia
artificial en la educación superior universitaria
Teodoro Huamán Torres1
Teodoro.huaman@unsch.edu.pe
https://orcid.org/0009-0006-8173-3194
Universidad Nacional de San Cristóbal de Huamanga, Ayacucho, Perú
Perú
RESUMEN
El uso creciente de la inteligencia artificial (IA) en la educación superior universitaria ha reactivado la
pregunta por sus efectos sobre el pensamiento crítico del estudiantado. El objetivo fue analizar el uso de
la IA en la educación superior universitaria y su relación con el pensamiento crítico y la alienación
cognitiva, a partir de la literatura especializada publicada entre 2019 y 2026. Se empleó un enfoque
cualitativo, de tipo básico, método analítico-documental y diseño de revisión sistemática, con un corpus
final de 13 documentos empíricos y de revisión sistematizados mediante ficha de extracción y matrices
de síntesis categorial en tres dimensiones: dependencia cognitiva y pensamiento crítico, alienación
epistémica desde la teoría crítica, y mediación pedagógica. Los hallazgos muestran una correlación
negativa entre el uso intensivo de IA y el pensamiento crítico mediada por la descarga cognitiva; una
lectura desde la teoría marxista del trabajo que interpreta este fenómeno como sustitución de trabajo
intelectual vivo por trabajo muerto cristalizado en el algoritmo; y evidencia consistente de que el
encuadre pedagógico y la alfabetización algorítmica actúan como factores protectores. Se concluye que
la IA no aliena el pensamiento por sí misma, sino en ausencia de mediación formativa.
Palabras clave: inteligencia artificial; pensamiento crítico; alienación cognitiva; educación superior;
descarga cognitiva.
1 Autor principal
Correspondencia: Teodoro.huaman@unsch.edu.pe
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25571
Del pensamiento crítico a la alienación cognitiva: el uso de la inteligencia
artificial en la educación superior universitaria
Teodoro Huamán Torres1
Teodoro.huaman@unsch.edu.pe
https://orcid.org/0009-0006-8173-3194
Universidad Nacional de San Cristóbal de Huamanga, Ayacucho, Perú
Perú
RESUMEN
El uso creciente de la inteligencia artificial (IA) en la educación superior universitaria ha reactivado la
pregunta por sus efectos sobre el pensamiento crítico del estudiantado. El objetivo fue analizar el uso de
la IA en la educación superior universitaria y su relación con el pensamiento crítico y la alienación
cognitiva, a partir de la literatura especializada publicada entre 2019 y 2026. Se empleó un enfoque
cualitativo, de tipo básico, método analítico-documental y diseño de revisión sistemática, con un corpus
final de 13 documentos empíricos y de revisión sistematizados mediante ficha de extracción y matrices
de síntesis categorial en tres dimensiones: dependencia cognitiva y pensamiento crítico, alienación
epistémica desde la teoría crítica, y mediación pedagógica. Los hallazgos muestran una correlación
negativa entre el uso intensivo de IA y el pensamiento crítico mediada por la descarga cognitiva; una
lectura desde la teoría marxista del trabajo que interpreta este fenómeno como sustitución de trabajo
intelectual vivo por trabajo muerto cristalizado en el algoritmo; y evidencia consistente de que el
encuadre pedagógico y la alfabetización algorítmica actúan como factores protectores. Se concluye que
la IA no aliena el pensamiento por sí misma, sino en ausencia de mediación formativa.
Palabras clave: inteligencia artificial; pensamiento crítico; alienación cognitiva; educación superior;
descarga cognitiva.
1 Autor principal
Correspondencia: Teodoro.huaman@unsch.edu.pe
pág. 6141
From critical thinking to cognitive alienation: the use of artificial
intelligence in university higher education
ABSTRACT
The growing use of artificial intelligence (AI) in university higher education has revived questions about
its effects on students' critical thinking. This study analyzed the use of AI in higher education and its
relationship with critical thinking and cognitive alienation, based on specialized literature published
between 2019 and 2026, using a qualitative, documentary-analytical, systematic review design. A final
corpus of 13 empirical and review documents was systematized through an extraction record and
categorical synthesis matrices across three dimensions: cognitive dependence and critical thinking,
epistemic alienation from critical theory, and pedagogical mediation. Findings show a negative
correlation between intensive AI use and critical thinking mediated by cognitive offloading; a Marxist
labor-theory reading of this phenomenon as the substitution of living intellectual labor by dead labor
crystallized in the algorithm; and consistent evidence that pedagogical framing and algorithmic literacy
act as protective factors.
Keywords: artificial intelligence; critical thinking; cognitive alienation; higher education; cognitive
offloading.
Artículo recibido 20 junio 2026
Aceptado para publicación: 20 julio 2026
From critical thinking to cognitive alienation: the use of artificial
intelligence in university higher education
ABSTRACT
The growing use of artificial intelligence (AI) in university higher education has revived questions about
its effects on students' critical thinking. This study analyzed the use of AI in higher education and its
relationship with critical thinking and cognitive alienation, based on specialized literature published
between 2019 and 2026, using a qualitative, documentary-analytical, systematic review design. A final
corpus of 13 empirical and review documents was systematized through an extraction record and
categorical synthesis matrices across three dimensions: cognitive dependence and critical thinking,
epistemic alienation from critical theory, and pedagogical mediation. Findings show a negative
correlation between intensive AI use and critical thinking mediated by cognitive offloading; a Marxist
labor-theory reading of this phenomenon as the substitution of living intellectual labor by dead labor
crystallized in the algorithm; and consistent evidence that pedagogical framing and algorithmic literacy
act as protective factors.
Keywords: artificial intelligence; critical thinking; cognitive alienation; higher education; cognitive
offloading.
Artículo recibido 20 junio 2026
Aceptado para publicación: 20 julio 2026
pág. 6142
INTRODUCCIÓN
La incorporación de la inteligencia artificial (IA) generativa a las tareas académicas ha reabierto, con
nueva urgencia, un debate que la psicología cognitiva y la pedagogía venían sosteniendo desde antes de
la aparición de estas herramientas: ¿qué ocurre con el pensamiento crítico cuando una parte creciente
del esfuerzo intelectual se delega en un sistema externo? La evidencia empírica reciente, lejos de ser
unánime, documenta tanto riesgos de dependencia cognitiva como condiciones bajo las cuales la IA
puede fortalecer, en lugar de sustituir, las habilidades críticas del estudiantado universitario (Gerlich,
2025; Bolaños Gómez et al., 2026).
El problema que orienta esta revisión es la necesidad de un marco interpretativo que dé cuenta de por
qué la dependencia cognitiva de la IA no afecta de la misma manera a todos los estudiantes, ni en todos
los contextos pedagógicos. La literatura empírica describe el fenómeno con precisión estadística
(Gerlich, 2025; Del Cisne Loján et al., 2024), pero rara vez lo interpreta a la luz de una teoría del trabajo
intelectual que explique el mecanismo de fondo. Este estudio adopta la alienación, en su sentido
marxista, como esa lente interpretativa: la pregunta no es solo si el pensamiento crítico disminuye, sino
de quién pasa a ser la actividad de pensar cuando se delega de forma sistemática en un sistema técnico.
Marco teórico y conceptual
La noción de alienación que orienta este estudio parte de los Manuscritos económico-filosóficos de
Marx (1844/2013), donde el trabajador se aliena de su producto, de su propia actividad, de su ser
genérico y de los demás cuando el proceso de trabajo deja de pertenecerle. Marx (1867/2008) precisa
esta idea en El Capital al distinguir el trabajo vivo —la actividad humana orientada a fines, capaz de
razonar y corregirse— del trabajo muerto, conocimiento y valor ya cristalizados en un objeto o, en este
caso, en un sistema de IA. Esta distinción, retomada por Moroni (2023) para analizar la IA en el
capitalismo contemporáneo, permite trasladar la alienación del taller a la actividad intelectual: cuando
el estudiante delega en la IA la tarea de razonar, no pierde solo tiempo de estudio, sino el control sobre
su propio proceso de pensar.
Esta lectura converge con la tradición de la Escuela de Fráncfort y con la sociología crítica del trabajo.
Braverman (1974) había descrito, para el trabajo manual, un proceso de descualificación (deskilling) en
el que la mecanización separa la concepción de la tarea de su ejecución, dejando al trabajador con una
INTRODUCCIÓN
La incorporación de la inteligencia artificial (IA) generativa a las tareas académicas ha reabierto, con
nueva urgencia, un debate que la psicología cognitiva y la pedagogía venían sosteniendo desde antes de
la aparición de estas herramientas: ¿qué ocurre con el pensamiento crítico cuando una parte creciente
del esfuerzo intelectual se delega en un sistema externo? La evidencia empírica reciente, lejos de ser
unánime, documenta tanto riesgos de dependencia cognitiva como condiciones bajo las cuales la IA
puede fortalecer, en lugar de sustituir, las habilidades críticas del estudiantado universitario (Gerlich,
2025; Bolaños Gómez et al., 2026).
El problema que orienta esta revisión es la necesidad de un marco interpretativo que dé cuenta de por
qué la dependencia cognitiva de la IA no afecta de la misma manera a todos los estudiantes, ni en todos
los contextos pedagógicos. La literatura empírica describe el fenómeno con precisión estadística
(Gerlich, 2025; Del Cisne Loján et al., 2024), pero rara vez lo interpreta a la luz de una teoría del trabajo
intelectual que explique el mecanismo de fondo. Este estudio adopta la alienación, en su sentido
marxista, como esa lente interpretativa: la pregunta no es solo si el pensamiento crítico disminuye, sino
de quién pasa a ser la actividad de pensar cuando se delega de forma sistemática en un sistema técnico.
Marco teórico y conceptual
La noción de alienación que orienta este estudio parte de los Manuscritos económico-filosóficos de
Marx (1844/2013), donde el trabajador se aliena de su producto, de su propia actividad, de su ser
genérico y de los demás cuando el proceso de trabajo deja de pertenecerle. Marx (1867/2008) precisa
esta idea en El Capital al distinguir el trabajo vivo —la actividad humana orientada a fines, capaz de
razonar y corregirse— del trabajo muerto, conocimiento y valor ya cristalizados en un objeto o, en este
caso, en un sistema de IA. Esta distinción, retomada por Moroni (2023) para analizar la IA en el
capitalismo contemporáneo, permite trasladar la alienación del taller a la actividad intelectual: cuando
el estudiante delega en la IA la tarea de razonar, no pierde solo tiempo de estudio, sino el control sobre
su propio proceso de pensar.
Esta lectura converge con la tradición de la Escuela de Fráncfort y con la sociología crítica del trabajo.
Braverman (1974) había descrito, para el trabajo manual, un proceso de descualificación (deskilling) en
el que la mecanización separa la concepción de la tarea de su ejecución, dejando al trabajador con una
pág. 6143
actividad cada vez más vaciada de juicio propio; este estudio traslada esa misma lógica al trabajo
intelectual del estudiante universitario frente a la IA generativa. Marcuse (1964) advirtió que la
racionalidad tecnológica avanzada tiende a producir un pensamiento de una sola dimensión, incapaz de
negar o cuestionar lo dado, en la medida en que las herramientas técnicas resuelven problemas sin que
el sujeto necesite comprenderlos. Habermas (1968/1984), por su parte, señaló que la ciencia y la técnica
funcionan como ideología cuando su racionalidad instrumental se extiende a esferas —como la
formación del juicio crítico— que exigen una racionalidad comunicativa distinta. Postman (1993) llevó
esta preocupación al terreno educativo al advertir que una cultura tecnopolista tiende a redefinir qué
cuenta como conocimiento válido en función de lo que la tecnología puede procesar, y no en función de
lo que el pensamiento humano necesita desarrollar.
Desde la psicología cognitiva, el concepto de descarga cognitiva (cognitive offloading) de Risko y
Gilbert (2016) describe el uso de recursos externos para reducir la carga de procesamiento mental, un
mecanismo que Gerlich (2025) identifica empíricamente como mediador entre el uso de IA y la
disminución del pensamiento crítico. Esta noción dialoga en tensión con la tesis de la mente extendida
de Clark y Chalmers (1998), para quienes delegar procesos cognitivos en herramientas externas no
constituye necesariamente una pérdida, sino una extensión legítima de la cognición humana; y con la
teoría sociocultural de Vygotsky (1978), que entiende toda herramienta —incluida la IA— como un
mediador que transforma, sin eliminar, la actividad mental superior. El estudio no resuelve esta tensión
de antemano: la trata como una pregunta empírica abierta, que la síntesis de resultados busca responder
a partir de la evidencia disponible.
El concepto de pensamiento crítico se define, siguiendo a Facione (2020), como el juicio autorregulado
y con propósito que se traduce en interpretación, análisis, evaluación e inferencia, y que Ennis (1985)
había definido antes como el pensamiento razonado y reflexivo enfocado en decidir qué creer o hacer.
Halpern (2014), cuyo instrumento de evaluación emplea empíricamente Gerlich (2025), añade a estas
definiciones un componente disposicional: pensar críticamente exige no solo la habilidad cognitiva, sino
la disposición a ejercerla de forma consistente. Estas tres definiciones comparten un elemento clave para
este estudio: el pensamiento crítico no es solo procesar información, sino ejercer un juicio propio sobre
ella, precisamente la actividad que la alienación cognitiva, en el sentido aquí propuesto, delega en un
actividad cada vez más vaciada de juicio propio; este estudio traslada esa misma lógica al trabajo
intelectual del estudiante universitario frente a la IA generativa. Marcuse (1964) advirtió que la
racionalidad tecnológica avanzada tiende a producir un pensamiento de una sola dimensión, incapaz de
negar o cuestionar lo dado, en la medida en que las herramientas técnicas resuelven problemas sin que
el sujeto necesite comprenderlos. Habermas (1968/1984), por su parte, señaló que la ciencia y la técnica
funcionan como ideología cuando su racionalidad instrumental se extiende a esferas —como la
formación del juicio crítico— que exigen una racionalidad comunicativa distinta. Postman (1993) llevó
esta preocupación al terreno educativo al advertir que una cultura tecnopolista tiende a redefinir qué
cuenta como conocimiento válido en función de lo que la tecnología puede procesar, y no en función de
lo que el pensamiento humano necesita desarrollar.
Desde la psicología cognitiva, el concepto de descarga cognitiva (cognitive offloading) de Risko y
Gilbert (2016) describe el uso de recursos externos para reducir la carga de procesamiento mental, un
mecanismo que Gerlich (2025) identifica empíricamente como mediador entre el uso de IA y la
disminución del pensamiento crítico. Esta noción dialoga en tensión con la tesis de la mente extendida
de Clark y Chalmers (1998), para quienes delegar procesos cognitivos en herramientas externas no
constituye necesariamente una pérdida, sino una extensión legítima de la cognición humana; y con la
teoría sociocultural de Vygotsky (1978), que entiende toda herramienta —incluida la IA— como un
mediador que transforma, sin eliminar, la actividad mental superior. El estudio no resuelve esta tensión
de antemano: la trata como una pregunta empírica abierta, que la síntesis de resultados busca responder
a partir de la evidencia disponible.
El concepto de pensamiento crítico se define, siguiendo a Facione (2020), como el juicio autorregulado
y con propósito que se traduce en interpretación, análisis, evaluación e inferencia, y que Ennis (1985)
había definido antes como el pensamiento razonado y reflexivo enfocado en decidir qué creer o hacer.
Halpern (2014), cuyo instrumento de evaluación emplea empíricamente Gerlich (2025), añade a estas
definiciones un componente disposicional: pensar críticamente exige no solo la habilidad cognitiva, sino
la disposición a ejercerla de forma consistente. Estas tres definiciones comparten un elemento clave para
este estudio: el pensamiento crítico no es solo procesar información, sino ejercer un juicio propio sobre
ella, precisamente la actividad que la alienación cognitiva, en el sentido aquí propuesto, delega en un
pág. 6144
sistema externo. Finalmente, en el plano específico de la IA en educación, Selwyn (2019) plantea que
automatizar decisiones pedagógicas sin cuestionar sus supuestos reproduce, en el aula, la misma
sustitución de juicio humano por proceso automatizado que Fuchs (2014) y Dyer-Witheford (2015)
documentan para el trabajo digital en general.
El objetivo general fue analizar el uso de la inteligencia artificial en la educación superior universitaria
y su relación con el pensamiento crítico y la alienación cognitiva, según la literatura especializada; y los
objetivos específicos: (a) examinar la dependencia cognitiva y su efecto sobre el pensamiento crítico;
(b) examinar la alienación epistémica desde la teoría crítica; y (c) examinar la mediación pedagógica
como factor protector.
METODOLOGÍA
El estudio se desarrolló bajo un enfoque cualitativo, de tipo básico, método analítico-documental y
diseño de revisión sistemática. La población estuvo constituida por documentos académicos y científicos
referidos al uso de la IA, la dependencia cognitiva y el pensamiento crítico en educación superior.
Conviene precisar que el corpus documental se organiza en dos conjuntos de fuentes con función
distinta: quince fuentes conceptuales y normativas (teoría de la alienación, teoría crítica, teorías del
pensamiento crítico y de la cognición), que sustentan el marco teórico presentado en la Introducción, y
trece documentos empíricos y de revisión que conforman el corpus propiamente dicho, sistematizados
en las Tablas 3 a 6. Ambos conjuntos se citan por separado y no se mezclan en la ficha de extracción.
Criterios de inclusión y exclusión
Tabla 1
Criterios de inclusión y exclusión aplicados en la selección de documentos
Criterios de inclusión Criterios de exclusión
Publicados entre 2019 y 2026 Publicados antes de 2019
Indexados en Scopus, WoS, ERIC, Redalyc,
SciELO, MDPI, Frontiers, Springer Nature, o
repositorios institucionales de acceso abierto con
revisión por pares
No indexados ni con revisión por pares (blogs,
opiniones, activismo)
sistema externo. Finalmente, en el plano específico de la IA en educación, Selwyn (2019) plantea que
automatizar decisiones pedagógicas sin cuestionar sus supuestos reproduce, en el aula, la misma
sustitución de juicio humano por proceso automatizado que Fuchs (2014) y Dyer-Witheford (2015)
documentan para el trabajo digital en general.
El objetivo general fue analizar el uso de la inteligencia artificial en la educación superior universitaria
y su relación con el pensamiento crítico y la alienación cognitiva, según la literatura especializada; y los
objetivos específicos: (a) examinar la dependencia cognitiva y su efecto sobre el pensamiento crítico;
(b) examinar la alienación epistémica desde la teoría crítica; y (c) examinar la mediación pedagógica
como factor protector.
METODOLOGÍA
El estudio se desarrolló bajo un enfoque cualitativo, de tipo básico, método analítico-documental y
diseño de revisión sistemática. La población estuvo constituida por documentos académicos y científicos
referidos al uso de la IA, la dependencia cognitiva y el pensamiento crítico en educación superior.
Conviene precisar que el corpus documental se organiza en dos conjuntos de fuentes con función
distinta: quince fuentes conceptuales y normativas (teoría de la alienación, teoría crítica, teorías del
pensamiento crítico y de la cognición), que sustentan el marco teórico presentado en la Introducción, y
trece documentos empíricos y de revisión que conforman el corpus propiamente dicho, sistematizados
en las Tablas 3 a 6. Ambos conjuntos se citan por separado y no se mezclan en la ficha de extracción.
Criterios de inclusión y exclusión
Tabla 1
Criterios de inclusión y exclusión aplicados en la selección de documentos
Criterios de inclusión Criterios de exclusión
Publicados entre 2019 y 2026 Publicados antes de 2019
Indexados en Scopus, WoS, ERIC, Redalyc,
SciELO, MDPI, Frontiers, Springer Nature, o
repositorios institucionales de acceso abierto con
revisión por pares
No indexados ni con revisión por pares (blogs,
opiniones, activismo)
pág. 6145
Abordan directamente la relación entre uso de
IA, dependencia cognitiva y/o pensamiento
crítico en educación superior
Sin relación directa con IA, pensamiento crítico
o dependencia cognitiva en educación superior
Artículos empíricos (cuantitativos, cualitativos o
mixtos) o revisiones sistemáticas/teóricas
Tesis no publicadas, actas de congreso sin
arbitraje
Español, inglés o portugués Duplicados (se conserva una sola versión)
Disponibles en texto completo Solo resumen o acceso restringido
Nota. El rango temporal (2019-2026) incluye deliberadamente un antecedente previo a la IA generativa (León Rodríguez y
Viña Brito, 2017 quedó fuera de rango y se excluyó del corpus final por esa razón, aunque se menciona en la discusión como
antecedente conceptual).
Proceso de búsqueda y selección
La búsqueda se realizó mediante un motor de búsqueda académica con acceso a MDPI, Frontiers,
Springer, Ciencia Latina, Redalyc, SciELO y Revista Simón Rodríguez. Como verificación adicional
de exhaustividad, se cotejó el corpus propio contra la lista de referencias de una revisión sistemática ya
publicada sobre el mismo tema (Bolaños Gómez et al., 2026, con 28 estudios propios), lo que permitió
incorporar dos fuentes adicionales no localizadas en la búsqueda inicial. Este procedimiento no sustituye
un acceso de suscripción a Scopus o Web of Science, lo cual se reconoce como límite metodológico.
Tabla 2
Proceso de búsqueda y selección de documentos
Fuente / motor Descriptores utilizados
Resultados
revisados
Incluidos en el
corpus final
Motor de
búsqueda
académica (acceso
a MDPI,
Frontiers,
"inteligencia artificial" AND
"pensamiento crítico" AND
"educación superior"; "artificial
intelligence" AND "critical
thinking" AND "higher
41 11
Abordan directamente la relación entre uso de
IA, dependencia cognitiva y/o pensamiento
crítico en educación superior
Sin relación directa con IA, pensamiento crítico
o dependencia cognitiva en educación superior
Artículos empíricos (cuantitativos, cualitativos o
mixtos) o revisiones sistemáticas/teóricas
Tesis no publicadas, actas de congreso sin
arbitraje
Español, inglés o portugués Duplicados (se conserva una sola versión)
Disponibles en texto completo Solo resumen o acceso restringido
Nota. El rango temporal (2019-2026) incluye deliberadamente un antecedente previo a la IA generativa (León Rodríguez y
Viña Brito, 2017 quedó fuera de rango y se excluyó del corpus final por esa razón, aunque se menciona en la discusión como
antecedente conceptual).
Proceso de búsqueda y selección
La búsqueda se realizó mediante un motor de búsqueda académica con acceso a MDPI, Frontiers,
Springer, Ciencia Latina, Redalyc, SciELO y Revista Simón Rodríguez. Como verificación adicional
de exhaustividad, se cotejó el corpus propio contra la lista de referencias de una revisión sistemática ya
publicada sobre el mismo tema (Bolaños Gómez et al., 2026, con 28 estudios propios), lo que permitió
incorporar dos fuentes adicionales no localizadas en la búsqueda inicial. Este procedimiento no sustituye
un acceso de suscripción a Scopus o Web of Science, lo cual se reconoce como límite metodológico.
Tabla 2
Proceso de búsqueda y selección de documentos
Fuente / motor Descriptores utilizados
Resultados
revisados
Incluidos en el
corpus final
Motor de
búsqueda
académica (acceso
a MDPI,
Frontiers,
"inteligencia artificial" AND
"pensamiento crítico" AND
"educación superior"; "artificial
intelligence" AND "critical
thinking" AND "higher
41 11
pág. 6146
Springer, Ciencia
Latina, Redalyc,
SciELO, Revista
Simón Rodríguez)
education"; "cognitive
offloading"; "dependencia
cognitiva"
Verificación
cruzada contra la
lista de referencias
de una revisión
sistemática ya
publicada sobre el
mismo tema
(Bolaños Gómez
et al., 2026)
Cotejo de las 32 referencias de esa
revisión con los criterios de
inclusión propios
6 2
TOTAL 47 13
Nota. De los 47 resultados revisados, se descartaron 34 por no cumplir los criterios de inclusión. El corpus final quedó
conformado por 13 documentos.
Ficha de extracción del corpus
La Tabla 3 sistematiza la información de cada uno de los 13 documentos del corpus final.
Tabla 3
Ficha de extracción bibliográfica del corpus final (n = 13)
N° Autor(es) / Año País Objetivo Diseño /
Enfoque Hallazgo principal
1 Gerlich (2025) Suiza
Analizar la relación
entre el uso de
herramientas de IA
y las habilidades de
pensamiento crítico,
con la descarga
cognitiva (cognitive
Mixto:
encuestas y
entrevistas (n =
666), ANOVA
y correlación,
Halpern Critical
Correlación negativa
significativa entre uso
frecuente de IA y
pensamiento crítico,
mediada por la
descarga cognitiva;
los participantes más
Springer, Ciencia
Latina, Redalyc,
SciELO, Revista
Simón Rodríguez)
education"; "cognitive
offloading"; "dependencia
cognitiva"
Verificación
cruzada contra la
lista de referencias
de una revisión
sistemática ya
publicada sobre el
mismo tema
(Bolaños Gómez
et al., 2026)
Cotejo de las 32 referencias de esa
revisión con los criterios de
inclusión propios
6 2
TOTAL 47 13
Nota. De los 47 resultados revisados, se descartaron 34 por no cumplir los criterios de inclusión. El corpus final quedó
conformado por 13 documentos.
Ficha de extracción del corpus
La Tabla 3 sistematiza la información de cada uno de los 13 documentos del corpus final.
Tabla 3
Ficha de extracción bibliográfica del corpus final (n = 13)
N° Autor(es) / Año País Objetivo Diseño /
Enfoque Hallazgo principal
1 Gerlich (2025) Suiza
Analizar la relación
entre el uso de
herramientas de IA
y las habilidades de
pensamiento crítico,
con la descarga
cognitiva (cognitive
Mixto:
encuestas y
entrevistas (n =
666), ANOVA
y correlación,
Halpern Critical
Correlación negativa
significativa entre uso
frecuente de IA y
pensamiento crítico,
mediada por la
descarga cognitiva;
los participantes más
pág. 6147
offloading) como
factor mediador
Thinking
Assessment
jóvenes muestran
mayor dependencia y
menores puntajes.
2
Bolaños Gómez,
Márquez Zambrano,
Tagua Pomaina y
Vinueza Morales
(2026)
Ecuador
Analizar la relación
entre el uso de IA y
el desarrollo del
pensamiento crítico
en educación
superior
Revisión
sistemática
PRISMA 2020
(Scopus, WoS,
ProQuest,
SciELO, 2020-
2026, n = 28
estudios)
La relación IA-
pensamiento crítico
no es lineal, depende
del encuadre
pedagógico; la IA
fortalece el
pensamiento crítico
solo cuando existe
mediación formativa
y alfabetización
algorítmica.
3
Rojas Marín,
Espinoza Padilla y
Mendoza Pacheco
(2024)
Bolivia
Evaluar la
dependencia y
afección de la IA en
el desarrollo del
pensamiento crítico
Cuantitativo,
encuesta a
estudiantes
universitarios
El 70% percibe un
impacto importante
de la IA en su
pensamiento crítico;
el 60% reconoce
dependencia excesiva
de la máquina para
resolver problemas.
4
Del Cisne Loján,
Romero, Sancho
Aguilera y Yajaira
Romero (2024)
Ecuador
Examinar las
consecuencias de la
dependencia de la
IA en habilidades
críticas y
aprendizaje
autónomo
Cuantitativo,
encuesta a 65
docentes,
ANOVA y
regresión lineal
Correlación
significativa (F(1,63)
= 5.12, p < .001)
entre dependencia de
la IA y disminución
de habilidades
críticas y autonomía
de aprendizaje.
5 Rocha Yucra (2026) Bolivia
Analizar la
dependencia
cognitiva, los
factores
moderadores y la
Estudio con
estudiantes
universitarios,
análisis de
Concluye que la
integración ética de la
IA exige diseños
instruccionales con
prompting
offloading) como
factor mediador
Thinking
Assessment
jóvenes muestran
mayor dependencia y
menores puntajes.
2
Bolaños Gómez,
Márquez Zambrano,
Tagua Pomaina y
Vinueza Morales
(2026)
Ecuador
Analizar la relación
entre el uso de IA y
el desarrollo del
pensamiento crítico
en educación
superior
Revisión
sistemática
PRISMA 2020
(Scopus, WoS,
ProQuest,
SciELO, 2020-
2026, n = 28
estudios)
La relación IA-
pensamiento crítico
no es lineal, depende
del encuadre
pedagógico; la IA
fortalece el
pensamiento crítico
solo cuando existe
mediación formativa
y alfabetización
algorítmica.
3
Rojas Marín,
Espinoza Padilla y
Mendoza Pacheco
(2024)
Bolivia
Evaluar la
dependencia y
afección de la IA en
el desarrollo del
pensamiento crítico
Cuantitativo,
encuesta a
estudiantes
universitarios
El 70% percibe un
impacto importante
de la IA en su
pensamiento crítico;
el 60% reconoce
dependencia excesiva
de la máquina para
resolver problemas.
4
Del Cisne Loján,
Romero, Sancho
Aguilera y Yajaira
Romero (2024)
Ecuador
Examinar las
consecuencias de la
dependencia de la
IA en habilidades
críticas y
aprendizaje
autónomo
Cuantitativo,
encuesta a 65
docentes,
ANOVA y
regresión lineal
Correlación
significativa (F(1,63)
= 5.12, p < .001)
entre dependencia de
la IA y disminución
de habilidades
críticas y autonomía
de aprendizaje.
5 Rocha Yucra (2026) Bolivia
Analizar la
dependencia
cognitiva, los
factores
moderadores y la
Estudio con
estudiantes
universitarios,
análisis de
Concluye que la
integración ética de la
IA exige diseños
instruccionales con
prompting
pág. 6148
paradoja educativa
del pensamiento
crítico frente a la IA
generativa
factores
moderadores
estructurado y
acompañamiento
docente para que la
tecnología fortalezca,
y no sustituya, la
autonomía
intelectual.
6
Caballero-Cantu,
Chavez-Ramirez,
Lopez-Almeida,
Inciso-Mendo y
Méndez Vergaray
(2023)
Perú
Revisar
sistemáticamente el
aprendizaje
autónomo en
educación superior
Revisión
sistemática
El aprendizaje
autónomo requiere
autorregulación y
autoeficacia,
condiciones que la
dependencia
tecnológica puede
debilitar.
7 León Rodríguez y
Viña Brito (2017) Cuba
Analizar
oportunidades y
amenazas de la IA
en la educación
superior
Ensayo
académico con
revisión
documental
Identifica, ya antes de
la IA generativa, el
riesgo de sustitución
de procesos
cognitivos propios
por herramientas
automatizadas.
8 Moroni (2023) Argentina
Estudiar la
dinámica del
desarrollo
tecnológico en el
capitalismo
contemporáneo a
partir de la teoría
del valor-trabajo de
Marx
Ensayo teórico
con categorías
marxistas
aplicadas a la
IA
El trabajo vivo
(inteligencia humana
orientada a fines) se
diferencia del trabajo
muerto (conocimiento
cristalizado en la
máquina); la IA
intensifica la
sustitución del
primero por el
segundo.
9 Melisa, Ashadi,
Triastuti, Hidayati, Indonesia Revisar
sistemáticamente
Revisión
sistemática
Identifica cuatro ejes
de habilidades
paradoja educativa
del pensamiento
crítico frente a la IA
generativa
factores
moderadores
estructurado y
acompañamiento
docente para que la
tecnología fortalezca,
y no sustituya, la
autonomía
intelectual.
6
Caballero-Cantu,
Chavez-Ramirez,
Lopez-Almeida,
Inciso-Mendo y
Méndez Vergaray
(2023)
Perú
Revisar
sistemáticamente el
aprendizaje
autónomo en
educación superior
Revisión
sistemática
El aprendizaje
autónomo requiere
autorregulación y
autoeficacia,
condiciones que la
dependencia
tecnológica puede
debilitar.
7 León Rodríguez y
Viña Brito (2017) Cuba
Analizar
oportunidades y
amenazas de la IA
en la educación
superior
Ensayo
académico con
revisión
documental
Identifica, ya antes de
la IA generativa, el
riesgo de sustitución
de procesos
cognitivos propios
por herramientas
automatizadas.
8 Moroni (2023) Argentina
Estudiar la
dinámica del
desarrollo
tecnológico en el
capitalismo
contemporáneo a
partir de la teoría
del valor-trabajo de
Marx
Ensayo teórico
con categorías
marxistas
aplicadas a la
IA
El trabajo vivo
(inteligencia humana
orientada a fines) se
diferencia del trabajo
muerto (conocimiento
cristalizado en la
máquina); la IA
intensifica la
sustitución del
primero por el
segundo.
9 Melisa, Ashadi,
Triastuti, Hidayati, Indonesia Revisar
sistemáticamente
Revisión
sistemática
Identifica cuatro ejes
de habilidades
pág. 6149
Salido, Ero y Fuad
(2025)
los efectos de la IA
en el pensamiento
crítico en educación
superior
afectadas: análisis y
evaluación,
razonamiento,
autorregulación y
juicio ético.
10
Salido, Syarif,
Sitepu, Suparjan,
Wana, Taufika y
Melisa (2025)
Indonesia
Analizar
bibliométricamente
la integración de
pensamiento crítico
e IA en educación
superior
Revisión
bibliométrica y
sistemática
Confirma la
centralidad de la
alfabetización
algorítmica como
condición para que la
IA no erosione las
habilidades críticas.
11 Lee y Low (2024) Singapur
Argumentar la
importancia del
pensamiento crítico
en el uso de IA
generativa en
educación
Artículo de
perspectiva
Sostiene que el
pensamiento crítico
debe enseñarse
explícitamente como
contrapeso al uso de
la IA generativa, no
darse por supuesto.
12 Wang y Fan (2025) China
Meta-analizar el
efecto de ChatGPT
en el rendimiento,
la percepción de
aprendizaje y el
pensamiento de
orden superior
Meta-análisis
Encuentra efectos
heterogéneos según el
diseño instruccional;
el pensamiento de
orden superior mejora
solo bajo condiciones
pedagógicas
específicas.
13
Ricra Ruiz, Queque
Luque, Vega Lazo,
Martínez Horna,
Ross Audureau y
Lara Tapia (2026)
Perú
Sintetizar la
evidencia sobre
impacto, beneficios,
desafíos e
implicancias éticas
de la IA generativa
en educación
superior
Revisión
sistemática
PRISMA
Identifica la
dependencia
cognitiva y la erosión
del pensamiento
crítico como riesgos
éticos emergentes
recurrentes en la
literatura 2023-2025.
Salido, Ero y Fuad
(2025)
los efectos de la IA
en el pensamiento
crítico en educación
superior
afectadas: análisis y
evaluación,
razonamiento,
autorregulación y
juicio ético.
10
Salido, Syarif,
Sitepu, Suparjan,
Wana, Taufika y
Melisa (2025)
Indonesia
Analizar
bibliométricamente
la integración de
pensamiento crítico
e IA en educación
superior
Revisión
bibliométrica y
sistemática
Confirma la
centralidad de la
alfabetización
algorítmica como
condición para que la
IA no erosione las
habilidades críticas.
11 Lee y Low (2024) Singapur
Argumentar la
importancia del
pensamiento crítico
en el uso de IA
generativa en
educación
Artículo de
perspectiva
Sostiene que el
pensamiento crítico
debe enseñarse
explícitamente como
contrapeso al uso de
la IA generativa, no
darse por supuesto.
12 Wang y Fan (2025) China
Meta-analizar el
efecto de ChatGPT
en el rendimiento,
la percepción de
aprendizaje y el
pensamiento de
orden superior
Meta-análisis
Encuentra efectos
heterogéneos según el
diseño instruccional;
el pensamiento de
orden superior mejora
solo bajo condiciones
pedagógicas
específicas.
13
Ricra Ruiz, Queque
Luque, Vega Lazo,
Martínez Horna,
Ross Audureau y
Lara Tapia (2026)
Perú
Sintetizar la
evidencia sobre
impacto, beneficios,
desafíos e
implicancias éticas
de la IA generativa
en educación
superior
Revisión
sistemática
PRISMA
Identifica la
dependencia
cognitiva y la erosión
del pensamiento
crítico como riesgos
éticos emergentes
recurrentes en la
literatura 2023-2025.
pág. 6150
Nota. Un documento puede aportar hallazgos a más de una categoría en la síntesis de las Tablas 4 a 6.
Como técnica se empleó el análisis documental, y el instrumento fue la ficha de análisis documental
organizada según tres categorías: (C1) dependencia cognitiva y pensamiento crítico (pensamiento crítico
y resolución de problemas, autorregulación del aprendizaje, alfabetización algorítmica); (C2) alienación
epistémica desde la teoría crítica (trabajo intelectual vivo vs. trabajo muerto, externalización del
pensamiento, mediación tecnológica de la cognición); y (C3) mediación pedagógica y factores
protectores (encuadre pedagógico e integración crítica, autoeficacia y autorregulación, formación
docente en alfabetización de IA).
Como limitación, se reconoce que esta revisión no contó con acceso de suscripción a Scopus ni Web of
Science, ni siguió un protocolo PRISMA registrado con doble evaluación independiente de pares, por
lo que sus hallazgos deben interpretarse como una síntesis orientativa.
RESULTADOS Y DISCUSIÓN
Los resultados se presentan siguiendo el orden de los objetivos específicos, para culminar con una
discusión que responde al objetivo general.
Resultados respecto al primer objetivo específico: dependencia cognitiva y pensamiento crítico (C1)
Tabla 4
Síntesis categorial — C1: Dependencia cognitiva y pensamiento crítico
N°
art.
Autor / Año Subcategoría Hallazgo + análisis interpretativo
1 Gerlich (2025)
Pensamiento
crítico y
resolución de
problemas
Hallazgo: Correlación negativa significativa
entre uso frecuente de IA y habilidades de
pensamiento crítico, mediada por la descarga
cognitiva.
Análisis: Que la descarga cognitiva medie
estadísticamente esta relación indica que no es el
uso de la IA en sí lo que erosiona el pensamiento
crítico, sino el hábito de delegarle tareas
Nota. Un documento puede aportar hallazgos a más de una categoría en la síntesis de las Tablas 4 a 6.
Como técnica se empleó el análisis documental, y el instrumento fue la ficha de análisis documental
organizada según tres categorías: (C1) dependencia cognitiva y pensamiento crítico (pensamiento crítico
y resolución de problemas, autorregulación del aprendizaje, alfabetización algorítmica); (C2) alienación
epistémica desde la teoría crítica (trabajo intelectual vivo vs. trabajo muerto, externalización del
pensamiento, mediación tecnológica de la cognición); y (C3) mediación pedagógica y factores
protectores (encuadre pedagógico e integración crítica, autoeficacia y autorregulación, formación
docente en alfabetización de IA).
Como limitación, se reconoce que esta revisión no contó con acceso de suscripción a Scopus ni Web of
Science, ni siguió un protocolo PRISMA registrado con doble evaluación independiente de pares, por
lo que sus hallazgos deben interpretarse como una síntesis orientativa.
RESULTADOS Y DISCUSIÓN
Los resultados se presentan siguiendo el orden de los objetivos específicos, para culminar con una
discusión que responde al objetivo general.
Resultados respecto al primer objetivo específico: dependencia cognitiva y pensamiento crítico (C1)
Tabla 4
Síntesis categorial — C1: Dependencia cognitiva y pensamiento crítico
N°
art.
Autor / Año Subcategoría Hallazgo + análisis interpretativo
1 Gerlich (2025)
Pensamiento
crítico y
resolución de
problemas
Hallazgo: Correlación negativa significativa
entre uso frecuente de IA y habilidades de
pensamiento crítico, mediada por la descarga
cognitiva.
Análisis: Que la descarga cognitiva medie
estadísticamente esta relación indica que no es el
uso de la IA en sí lo que erosiona el pensamiento
crítico, sino el hábito de delegarle tareas
pág. 6151
mentales que antes se resolvían sin apoyo
externo.
3
Rojas Marín et al.
(2024)
Pensamiento
crítico y
resolución de
problemas
Hallazgo: El 70% de los estudiantes encuestados
percibe un impacto importante de la IA en su
forma de abordar el pensamiento crítico.
Análisis: Que la propia población afectada
reconozca el fenómeno sugiere que la
dependencia cognitiva no opera de forma
inadvertida, sino que convive con cierta
conciencia del riesgo que no necesariamente se
traduce en cambio de conducta.
6
Caballero-Cantu et al.
(2023)
Autorregulación
del aprendizaje
Hallazgo: El aprendizaje autónomo en educación
superior depende de la autorregulación y la
autoeficacia del estudiante.
Análisis: Situar la autorregulación como
condición previa del aprendizaje autónomo
permite explicar por qué la dependencia de la IA
no afecta a todos los estudiantes por igual:
quienes ya autorregulan su aprendizaje disponen
de un factor protector frente a la descarga
cognitiva.
4
Del Cisne Loján et al.
(2024)
Autorregulación
del aprendizaje
Hallazgo: Correlación significativa entre
dependencia de la IA y disminución de la
autonomía de aprendizaje y la capacidad de
resolución de problemas.
mentales que antes se resolvían sin apoyo
externo.
3
Rojas Marín et al.
(2024)
Pensamiento
crítico y
resolución de
problemas
Hallazgo: El 70% de los estudiantes encuestados
percibe un impacto importante de la IA en su
forma de abordar el pensamiento crítico.
Análisis: Que la propia población afectada
reconozca el fenómeno sugiere que la
dependencia cognitiva no opera de forma
inadvertida, sino que convive con cierta
conciencia del riesgo que no necesariamente se
traduce en cambio de conducta.
6
Caballero-Cantu et al.
(2023)
Autorregulación
del aprendizaje
Hallazgo: El aprendizaje autónomo en educación
superior depende de la autorregulación y la
autoeficacia del estudiante.
Análisis: Situar la autorregulación como
condición previa del aprendizaje autónomo
permite explicar por qué la dependencia de la IA
no afecta a todos los estudiantes por igual:
quienes ya autorregulan su aprendizaje disponen
de un factor protector frente a la descarga
cognitiva.
4
Del Cisne Loján et al.
(2024)
Autorregulación
del aprendizaje
Hallazgo: Correlación significativa entre
dependencia de la IA y disminución de la
autonomía de aprendizaje y la capacidad de
resolución de problemas.
pág. 6152
Análisis: El hallazgo, obtenido con docentes y
no con estudiantes, sugiere que el propio
profesorado percibe el deterioro de la
autorregulación en sus estudiantes, lo que añade
una fuente de evidencia distinta a la
autopercepción estudiantil de otros estudios del
corpus.
10 Salido et al. (2025)
Alfabetización
algorítmica
Hallazgo: La alfabetización algorítmica es una
condición central para que la integración de la IA
no erosione las habilidades críticas.
Análisis: Nombrar la alfabetización algorítmica
como condición, y no solo como recomendación
genérica, desplaza el problema de 'usar o no
usar IA' hacia 'qué tan bien se entiende su
funcionamiento', lo que conecta directamente
con la transparencia algorítmica discutida en la
literatura sobre ética de la IA.
2
Bolaños Gómez et al.
(2026)
Alfabetización
algorítmica
Hallazgo: La IA fortalece el pensamiento crítico
solo cuando existe mediación formativa, criterios
de calidad y alfabetización algorítmica.
Análisis: Esta revisión, con 28 estudios y
protocolo PRISMA, es la evidencia más robusta
del corpus en volumen; su conclusión matizada
(ni sustituto ni complemento automático)
desestima tanto el tecnooptimismo como el
tecnopesimismo sin matices.
Análisis: El hallazgo, obtenido con docentes y
no con estudiantes, sugiere que el propio
profesorado percibe el deterioro de la
autorregulación en sus estudiantes, lo que añade
una fuente de evidencia distinta a la
autopercepción estudiantil de otros estudios del
corpus.
10 Salido et al. (2025)
Alfabetización
algorítmica
Hallazgo: La alfabetización algorítmica es una
condición central para que la integración de la IA
no erosione las habilidades críticas.
Análisis: Nombrar la alfabetización algorítmica
como condición, y no solo como recomendación
genérica, desplaza el problema de 'usar o no
usar IA' hacia 'qué tan bien se entiende su
funcionamiento', lo que conecta directamente
con la transparencia algorítmica discutida en la
literatura sobre ética de la IA.
2
Bolaños Gómez et al.
(2026)
Alfabetización
algorítmica
Hallazgo: La IA fortalece el pensamiento crítico
solo cuando existe mediación formativa, criterios
de calidad y alfabetización algorítmica.
Análisis: Esta revisión, con 28 estudios y
protocolo PRISMA, es la evidencia más robusta
del corpus en volumen; su conclusión matizada
(ni sustituto ni complemento automático)
desestima tanto el tecnooptimismo como el
tecnopesimismo sin matices.
pág. 6153
El hallazgo más robusto del corpus proviene de Gerlich (2025), quien documenta con una muestra de
666 participantes una correlación negativa significativa entre el uso frecuente de IA y las habilidades de
pensamiento crítico, mediada estadísticamente por la descarga cognitiva. Este resultado se corrobora,
con metodología distinta, en Rojas Marín et al. (2024): el 70% de los estudiantes encuestados percibe
un impacto importante de la IA en su forma de pensar críticamente, y el 60% reconoce depender en
exceso de la herramienta para resolver problemas.
Sin embargo, Caballero-Cantu et al. (2023) matizan este panorama al situar la autorregulación y la
autoeficacia como condiciones previas del aprendizaje autónomo: quienes ya autorregulan su
aprendizaje disponen de un factor protector que los estudios centrados solo en frecuencia de uso no
capturan. Del Cisne Loján et al. (2024), con una muestra de docentes y no de estudiantes, confirma la
misma tendencia desde una perspectiva externa: la correlación entre dependencia de la IA y disminución
de la autonomía de aprendizaje se sostiene incluso cuando quien reporta el efecto no es el propio
estudiante. Finalmente, la revisión sistemática de Bolaños Gómez et al. (2026), con 28 estudios y
protocolo PRISMA, concluye que la IA fortalece el pensamiento crítico únicamente cuando existe
mediación formativa y alfabetización algorítmica, hallazgo que Salido et al. (2025) confirman de forma
independiente en su propia revisión bibliométrica.
En conjunto, esto responde al primer objetivo específico: la dependencia cognitiva es un efecto
documentado y medible, pero no uniforme. Depende de factores individuales —la autorregulación— y
de factores institucionales —la alfabetización algorítmica— que la literatura apenas empieza a modelar
de forma conjunta.
El hallazgo más robusto del corpus proviene de Gerlich (2025), quien documenta con una muestra de
666 participantes una correlación negativa significativa entre el uso frecuente de IA y las habilidades de
pensamiento crítico, mediada estadísticamente por la descarga cognitiva. Este resultado se corrobora,
con metodología distinta, en Rojas Marín et al. (2024): el 70% de los estudiantes encuestados percibe
un impacto importante de la IA en su forma de pensar críticamente, y el 60% reconoce depender en
exceso de la herramienta para resolver problemas.
Sin embargo, Caballero-Cantu et al. (2023) matizan este panorama al situar la autorregulación y la
autoeficacia como condiciones previas del aprendizaje autónomo: quienes ya autorregulan su
aprendizaje disponen de un factor protector que los estudios centrados solo en frecuencia de uso no
capturan. Del Cisne Loján et al. (2024), con una muestra de docentes y no de estudiantes, confirma la
misma tendencia desde una perspectiva externa: la correlación entre dependencia de la IA y disminución
de la autonomía de aprendizaje se sostiene incluso cuando quien reporta el efecto no es el propio
estudiante. Finalmente, la revisión sistemática de Bolaños Gómez et al. (2026), con 28 estudios y
protocolo PRISMA, concluye que la IA fortalece el pensamiento crítico únicamente cuando existe
mediación formativa y alfabetización algorítmica, hallazgo que Salido et al. (2025) confirman de forma
independiente en su propia revisión bibliométrica.
En conjunto, esto responde al primer objetivo específico: la dependencia cognitiva es un efecto
documentado y medible, pero no uniforme. Depende de factores individuales —la autorregulación— y
de factores institucionales —la alfabetización algorítmica— que la literatura apenas empieza a modelar
de forma conjunta.
pág. 6154
Resultados respecto al segundo objetivo específico: alienación epistémica desde la teoría crítica
(C2)
Tabla 5
Síntesis categorial — C2: Alienación epistémica desde la teoría crítica
N°
art.
Autor / Año Subcategoría Hallazgo + análisis interpretativo
8 Moroni (2023)
Trabajo
intelectual vivo
vs. trabajo muerto
Hallazgo: El trabajo vivo (inteligencia orientada
a fines) se diferencia del trabajo muerto
(conocimiento cristalizado en la máquina); la IA
intensifica la sustitución del primero por el
segundo.
Análisis: Trasladada al aula, esta distinción
marxista permite leer la dependencia cognitiva
no como una simple pérdida de hábito de
estudio, sino como un desplazamiento
estructural: el estudiante deja de ejercer trabajo
intelectual vivo (razonar, dudar, corregirse)
para administrar trabajo muerto ya resuelto por
el algoritmo.
7
León Rodríguez y
Viña Brito (2017)
Externalización
del pensamiento
Hallazgo: Ya antes de la IA generativa se
identificaba el riesgo de sustituir procesos
cognitivos propios por herramientas
automatizadas.
Análisis: Que esta advertencia sea anterior a
ChatGPT (2017) indica que la alienación
cognitiva no es un fenómeno inaugurado por la
IA generativa, sino una tendencia de largo plazo
Resultados respecto al segundo objetivo específico: alienación epistémica desde la teoría crítica
(C2)
Tabla 5
Síntesis categorial — C2: Alienación epistémica desde la teoría crítica
N°
art.
Autor / Año Subcategoría Hallazgo + análisis interpretativo
8 Moroni (2023)
Trabajo
intelectual vivo
vs. trabajo muerto
Hallazgo: El trabajo vivo (inteligencia orientada
a fines) se diferencia del trabajo muerto
(conocimiento cristalizado en la máquina); la IA
intensifica la sustitución del primero por el
segundo.
Análisis: Trasladada al aula, esta distinción
marxista permite leer la dependencia cognitiva
no como una simple pérdida de hábito de
estudio, sino como un desplazamiento
estructural: el estudiante deja de ejercer trabajo
intelectual vivo (razonar, dudar, corregirse)
para administrar trabajo muerto ya resuelto por
el algoritmo.
7
León Rodríguez y
Viña Brito (2017)
Externalización
del pensamiento
Hallazgo: Ya antes de la IA generativa se
identificaba el riesgo de sustituir procesos
cognitivos propios por herramientas
automatizadas.
Análisis: Que esta advertencia sea anterior a
ChatGPT (2017) indica que la alienación
cognitiva no es un fenómeno inaugurado por la
IA generativa, sino una tendencia de largo plazo
pág. 6155
en la automatización educativa que la IA
generativa simplemente acelera.
12 Wang y Fan (2025)
Mediación
tecnológica de la
cognición
Hallazgo: El pensamiento de orden superior
mejora con ChatGPT solo bajo condiciones
pedagógicas específicas; el efecto general es
heterogéneo.
Análisis: La heterogeneidad del efecto es, en sí
misma, evidencia contra una lectura
determinista: la IA no aliena por naturaleza,
sino que la ausencia de mediación pedagógica es
la que convierte una herramienta cognitiva en un
sustituto acrítico del pensamiento propio.
Leído desde la teoría marxista del trabajo, el hallazgo de Moroni (2023) —la sustitución del trabajo vivo
por el trabajo muerto cristalizado en la máquina— ofrece un mecanismo explicativo para el dato
estadístico de Gerlich (2025): la descarga cognitiva no es un simple hábito, sino el desplazamiento de
una actividad (razonar, dudar, corregirse) hacia un producto ya terminado (la respuesta generada por el
modelo de lenguaje). León Rodríguez y Viña Brito (2017) permiten fechar este proceso antes de la IA
generativa: la alienación cognitiva no nace con ChatGPT, sino que la IA generativa acelera una
tendencia de automatización educativa ya identificada hace más de una década.
El hallazgo de Wang y Fan (2025) matiza esta lectura: el efecto de ChatGPT en el pensamiento de orden
superior es heterogéneo, y mejora bajo condiciones pedagógicas específicas. Interpretado a la luz de
Marcuse (1964) y de la tesis de la mente extendida de Clark y Chalmers (1998), este resultado sugiere
que la alienación cognitiva no es un atributo inherente a la tecnología, sino una consecuencia de su uso
sin mediación crítica: la misma herramienta que aliena cuando sustituye el juicio propio puede, en otras
condiciones, extender legítimamente la capacidad cognitiva del estudiante, en el sentido que proponía
Vygotsky (1978) para toda herramienta mediadora.
en la automatización educativa que la IA
generativa simplemente acelera.
12 Wang y Fan (2025)
Mediación
tecnológica de la
cognición
Hallazgo: El pensamiento de orden superior
mejora con ChatGPT solo bajo condiciones
pedagógicas específicas; el efecto general es
heterogéneo.
Análisis: La heterogeneidad del efecto es, en sí
misma, evidencia contra una lectura
determinista: la IA no aliena por naturaleza,
sino que la ausencia de mediación pedagógica es
la que convierte una herramienta cognitiva en un
sustituto acrítico del pensamiento propio.
Leído desde la teoría marxista del trabajo, el hallazgo de Moroni (2023) —la sustitución del trabajo vivo
por el trabajo muerto cristalizado en la máquina— ofrece un mecanismo explicativo para el dato
estadístico de Gerlich (2025): la descarga cognitiva no es un simple hábito, sino el desplazamiento de
una actividad (razonar, dudar, corregirse) hacia un producto ya terminado (la respuesta generada por el
modelo de lenguaje). León Rodríguez y Viña Brito (2017) permiten fechar este proceso antes de la IA
generativa: la alienación cognitiva no nace con ChatGPT, sino que la IA generativa acelera una
tendencia de automatización educativa ya identificada hace más de una década.
El hallazgo de Wang y Fan (2025) matiza esta lectura: el efecto de ChatGPT en el pensamiento de orden
superior es heterogéneo, y mejora bajo condiciones pedagógicas específicas. Interpretado a la luz de
Marcuse (1964) y de la tesis de la mente extendida de Clark y Chalmers (1998), este resultado sugiere
que la alienación cognitiva no es un atributo inherente a la tecnología, sino una consecuencia de su uso
sin mediación crítica: la misma herramienta que aliena cuando sustituye el juicio propio puede, en otras
condiciones, extender legítimamente la capacidad cognitiva del estudiante, en el sentido que proponía
Vygotsky (1978) para toda herramienta mediadora.
pág. 6156
Con esto queda atendido el segundo objetivo específico: la teoría crítica aporta un mecanismo —trabajo
vivo frente a trabajo muerto, racionalidad instrumental— capaz de explicar por qué la dependencia
cognitiva documentada empíricamente no es uniforme. La alienación aparece cuando la IA reemplaza
el juicio; no cuando lo media.
Resultados respecto al tercer objetivo específico: mediación pedagógica y factores protectores (C3)
Tabla 6
Síntesis categorial — C3: Mediación pedagógica y factores protectores
N°
art.
Autor / Año Subcategoría Hallazgo + análisis interpretativo
5 Rocha Yucra (2026)
Encuadre
pedagógico e
integración crítica
Hallazgo: La integración ética de la IA exige
diseños instruccionales con prompting
estructurado y acompañamiento docente.
Análisis: El énfasis en 'prompting estructurado'
traduce en términos operativos lo que la Tabla 4
planteaba de forma general (alfabetización
algorítmica): no basta con saber que existe un
riesgo, se requiere un procedimiento pedagógico
concreto para mitigarlo.
11 Lee y Low (2024)
Encuadre
pedagógico e
integración crítica
Hallazgo: El pensamiento crítico debe enseñarse
explícitamente como contrapeso al uso de la IA
generativa, y no darse por supuesto en el
estudiantado.
Análisis: Este hallazgo desplaza la
responsabilidad de la alienación cognitiva del
estudiante individual hacia el diseño curricular:
si el pensamiento crítico no se enseña de forma
Con esto queda atendido el segundo objetivo específico: la teoría crítica aporta un mecanismo —trabajo
vivo frente a trabajo muerto, racionalidad instrumental— capaz de explicar por qué la dependencia
cognitiva documentada empíricamente no es uniforme. La alienación aparece cuando la IA reemplaza
el juicio; no cuando lo media.
Resultados respecto al tercer objetivo específico: mediación pedagógica y factores protectores (C3)
Tabla 6
Síntesis categorial — C3: Mediación pedagógica y factores protectores
N°
art.
Autor / Año Subcategoría Hallazgo + análisis interpretativo
5 Rocha Yucra (2026)
Encuadre
pedagógico e
integración crítica
Hallazgo: La integración ética de la IA exige
diseños instruccionales con prompting
estructurado y acompañamiento docente.
Análisis: El énfasis en 'prompting estructurado'
traduce en términos operativos lo que la Tabla 4
planteaba de forma general (alfabetización
algorítmica): no basta con saber que existe un
riesgo, se requiere un procedimiento pedagógico
concreto para mitigarlo.
11 Lee y Low (2024)
Encuadre
pedagógico e
integración crítica
Hallazgo: El pensamiento crítico debe enseñarse
explícitamente como contrapeso al uso de la IA
generativa, y no darse por supuesto en el
estudiantado.
Análisis: Este hallazgo desplaza la
responsabilidad de la alienación cognitiva del
estudiante individual hacia el diseño curricular:
si el pensamiento crítico no se enseña de forma
pág. 6157
explícita, delegarlo a la IA se vuelve la opción de
menor esfuerzo por defecto.
9 Melisa et al. (2025)
Autoeficacia y
autorregulación
Hallazgo: La evidencia converge en cuatro ejes
de habilidades afectadas: análisis y evaluación,
razonamiento, autorregulación y juicio ético.
Análisis: Que la autorregulación aparezca junto
al juicio ético, y no solo junto a habilidades
cognitivas, sugiere que la alienación cognitiva
tiene un componente moral: no es solo pensar
menos, sino delegar también la responsabilidad
de decidir qué es correcto.
13
Ricra Ruiz et al.
(2026)
Formación
docente en
alfabetización de
IA
Hallazgo: La dependencia cognitiva y la erosión
del pensamiento crítico figuran entre los riesgos
éticos emergentes más citados en la literatura
reciente sobre IA en educación superior.
Análisis: La recurrencia de este hallazgo en un
corpus independiente (el de la revisión sobre
ética de la IA) confirma que la alienación
cognitiva no es una preocupación aislada de la
literatura psicológica sobre pensamiento crítico,
sino un punto de convergencia con la literatura
ética sobre IA en educación.
Rocha Yucra (2026) traduce en términos operativos lo que las categorías anteriores plantean de forma
general: la integración ética de la IA exige diseños instruccionales con prompting estructurado y
acompañamiento docente. Lee y Low (2024) sitúan la responsabilidad de este diseño en el currículo y
explícita, delegarlo a la IA se vuelve la opción de
menor esfuerzo por defecto.
9 Melisa et al. (2025)
Autoeficacia y
autorregulación
Hallazgo: La evidencia converge en cuatro ejes
de habilidades afectadas: análisis y evaluación,
razonamiento, autorregulación y juicio ético.
Análisis: Que la autorregulación aparezca junto
al juicio ético, y no solo junto a habilidades
cognitivas, sugiere que la alienación cognitiva
tiene un componente moral: no es solo pensar
menos, sino delegar también la responsabilidad
de decidir qué es correcto.
13
Ricra Ruiz et al.
(2026)
Formación
docente en
alfabetización de
IA
Hallazgo: La dependencia cognitiva y la erosión
del pensamiento crítico figuran entre los riesgos
éticos emergentes más citados en la literatura
reciente sobre IA en educación superior.
Análisis: La recurrencia de este hallazgo en un
corpus independiente (el de la revisión sobre
ética de la IA) confirma que la alienación
cognitiva no es una preocupación aislada de la
literatura psicológica sobre pensamiento crítico,
sino un punto de convergencia con la literatura
ética sobre IA en educación.
Rocha Yucra (2026) traduce en términos operativos lo que las categorías anteriores plantean de forma
general: la integración ética de la IA exige diseños instruccionales con prompting estructurado y
acompañamiento docente. Lee y Low (2024) sitúan la responsabilidad de este diseño en el currículo y
pág. 6158
no en el estudiante individual: si el pensamiento crítico no se enseña de forma explícita, delegarlo en la
IA se convierte en la opción de menor esfuerzo por defecto.
Melisa et al. (2025) amplían esta lectura al mostrar que la evidencia converge en cuatro ejes de
habilidades afectadas —análisis, razonamiento, autorregulación y juicio ético—. La alienación cognitiva
tendría, entonces, un componente moral: no se trata solo de pensar menos, sino de delegar la
responsabilidad de decidir qué es correcto. Ricra Ruiz et al. (2026), en un corpus independiente centrado
en ética de la IA, confirman que la dependencia cognitiva figura entre los riesgos éticos emergentes más
citados; este hallazgo, obtenido por autores distintos y con otro objeto de estudio, no es exclusivo de la
literatura psicológica sobre pensamiento crítico, sino un punto de convergencia con la literatura sobre
ética de la IA en educación superior.
Con esto queda atendido el tercer objetivo específico: la formación docente en alfabetización de IA y el
diseño curricular explícito son los factores protectores mejor documentados frente a la alienación
cognitiva, por encima de cualquier medida que dependa solo de la voluntad individual del estudiante.
Discusión: respuesta al objetivo general
El objetivo general de este estudio fue analizar el uso de la inteligencia artificial en la educación superior
universitaria y su relación con el pensamiento crítico y la alienación cognitiva. Los resultados de las tres
categorías convergen en una misma conclusión: la IA no aliena el pensamiento por una propiedad
intrínseca de la tecnología, sino por la ausencia de mediación pedagógica que convierta su uso en una
extensión crítica, y no en un reemplazo acrítico, del juicio propio del estudiante. Esta lectura concilia la
aparente contradicción entre los datos de Gerlich (2025), que muestran una correlación negativa robusta,
y los de Wang y Fan (2025) o Bolaños Gómez et al. (2026), que documentan efectos positivos bajo
condiciones pedagógicas específicas: ambos resultados son compatibles si se entiende la alienación,
siguiendo a Marx (1867/2008) y Moroni (2023), como la sustitución del trabajo intelectual vivo por
trabajo muerto, y no como una consecuencia automática del contacto con la herramienta.
Cabe señalar una tensión no resuelta en la literatura: mientras Risko y Gilbert (2016) y Gerlich (2025)
tratan la descarga cognitiva como un riesgo, Clark y Chalmers (1998) la tratarían, en su marco teórico,
como una extensión legítima de la cognición. El corpus revisado no permite zanjar esta tensión de
manera definitiva, pero sí sugiere un criterio operativo para distinguir ambos casos: la descarga cognitiva
no en el estudiante individual: si el pensamiento crítico no se enseña de forma explícita, delegarlo en la
IA se convierte en la opción de menor esfuerzo por defecto.
Melisa et al. (2025) amplían esta lectura al mostrar que la evidencia converge en cuatro ejes de
habilidades afectadas —análisis, razonamiento, autorregulación y juicio ético—. La alienación cognitiva
tendría, entonces, un componente moral: no se trata solo de pensar menos, sino de delegar la
responsabilidad de decidir qué es correcto. Ricra Ruiz et al. (2026), en un corpus independiente centrado
en ética de la IA, confirman que la dependencia cognitiva figura entre los riesgos éticos emergentes más
citados; este hallazgo, obtenido por autores distintos y con otro objeto de estudio, no es exclusivo de la
literatura psicológica sobre pensamiento crítico, sino un punto de convergencia con la literatura sobre
ética de la IA en educación superior.
Con esto queda atendido el tercer objetivo específico: la formación docente en alfabetización de IA y el
diseño curricular explícito son los factores protectores mejor documentados frente a la alienación
cognitiva, por encima de cualquier medida que dependa solo de la voluntad individual del estudiante.
Discusión: respuesta al objetivo general
El objetivo general de este estudio fue analizar el uso de la inteligencia artificial en la educación superior
universitaria y su relación con el pensamiento crítico y la alienación cognitiva. Los resultados de las tres
categorías convergen en una misma conclusión: la IA no aliena el pensamiento por una propiedad
intrínseca de la tecnología, sino por la ausencia de mediación pedagógica que convierta su uso en una
extensión crítica, y no en un reemplazo acrítico, del juicio propio del estudiante. Esta lectura concilia la
aparente contradicción entre los datos de Gerlich (2025), que muestran una correlación negativa robusta,
y los de Wang y Fan (2025) o Bolaños Gómez et al. (2026), que documentan efectos positivos bajo
condiciones pedagógicas específicas: ambos resultados son compatibles si se entiende la alienación,
siguiendo a Marx (1867/2008) y Moroni (2023), como la sustitución del trabajo intelectual vivo por
trabajo muerto, y no como una consecuencia automática del contacto con la herramienta.
Cabe señalar una tensión no resuelta en la literatura: mientras Risko y Gilbert (2016) y Gerlich (2025)
tratan la descarga cognitiva como un riesgo, Clark y Chalmers (1998) la tratarían, en su marco teórico,
como una extensión legítima de la cognición. El corpus revisado no permite zanjar esta tensión de
manera definitiva, pero sí sugiere un criterio operativo para distinguir ambos casos: la descarga cognitiva
pág. 6159
extiende el pensamiento cuando conserva el juicio autorregulado del estudiante sobre el resultado
(Facione, 2020), y lo aliena cuando lo sustituye.
CONCLUSIONES
En respuesta al objetivo general, la evidencia sistematizada en este estudio permite afirmar que la
alienación cognitiva —entendida como la sustitución del trabajo intelectual vivo del estudiante por el
trabajo muerto ya resuelto en el algoritmo (Marx, 1867/2008; Moroni, 2023)— no es una metáfora
aplicada desde fuera a los datos, sino una descripción precisa de lo que Gerlich (2025) mide
empíricamente en más de 600 participantes: una correlación negativa significativa entre el uso frecuente
de IA y el pensamiento crítico, mediada estadísticamente por la descarga cognitiva. Que esta mediación
estadística exista —y no una simple asociación directa— es, en sí mismo, evidencia a favor de la
interpretación marxista adoptada aquí: la IA no erosiona el pensamiento crítico por su sola presencia,
sino por el mecanismo específico de delegar en ella una actividad que antes pertenecía al estudiante. Del
Cisne Loján et al. (2024) corroboran este mecanismo desde una fuente distinta —el reporte de 65
docentes, no de estudiantes— y con otra técnica estadística (ANOVA y regresión, F(1,63) = 5.12, p <
.001), lo que descarta que el hallazgo de Gerlich (2025) sea un artefacto de su instrumento o de su
población. La convergencia de dos diseños metodológicos independientes sobre un mismo fenómeno es
el respaldo científico más sólido de esta revisión para sostener que la alienación cognitiva, y no solo la
dependencia cognitiva en un sentido difuso es la categoría que mejor describe lo que ocurre cuando el
uso de la IA carece de mediación pedagógica.
Sobre el primer objetivo específico, el corpus revisado documenta la alienación cognitiva con tres tipos
de evidencia convergente. Primero, evidencia de autopercepción: Rojas Marín et al. (2024) reportan que
el 70% de los estudiantes encuestados reconoce un impacto importante de la IA en su forma de pensar
críticamente, y el 60% admite depender en exceso de la herramienta para resolver problemas, lo que
indica que el fenómeno no ocurre de forma inadvertida, sino con cierto grado de conciencia que no se
traduce en cambio de conducta. Segundo, evidencia observacional externa: Del Cisne Loján et al. (2024)
confirman el mismo patrón desde el reporte docente. Tercero, evidencia de revisión sistemática: Bolaños
Gómez et al. (2026), con 28 estudios y protocolo PRISMA 2020, concluyen que la relación entre IA y
pensamiento crítico no es lineal, sino condicionada por el encuadre pedagógico —hallazgo que Salido
extiende el pensamiento cuando conserva el juicio autorregulado del estudiante sobre el resultado
(Facione, 2020), y lo aliena cuando lo sustituye.
CONCLUSIONES
En respuesta al objetivo general, la evidencia sistematizada en este estudio permite afirmar que la
alienación cognitiva —entendida como la sustitución del trabajo intelectual vivo del estudiante por el
trabajo muerto ya resuelto en el algoritmo (Marx, 1867/2008; Moroni, 2023)— no es una metáfora
aplicada desde fuera a los datos, sino una descripción precisa de lo que Gerlich (2025) mide
empíricamente en más de 600 participantes: una correlación negativa significativa entre el uso frecuente
de IA y el pensamiento crítico, mediada estadísticamente por la descarga cognitiva. Que esta mediación
estadística exista —y no una simple asociación directa— es, en sí mismo, evidencia a favor de la
interpretación marxista adoptada aquí: la IA no erosiona el pensamiento crítico por su sola presencia,
sino por el mecanismo específico de delegar en ella una actividad que antes pertenecía al estudiante. Del
Cisne Loján et al. (2024) corroboran este mecanismo desde una fuente distinta —el reporte de 65
docentes, no de estudiantes— y con otra técnica estadística (ANOVA y regresión, F(1,63) = 5.12, p <
.001), lo que descarta que el hallazgo de Gerlich (2025) sea un artefacto de su instrumento o de su
población. La convergencia de dos diseños metodológicos independientes sobre un mismo fenómeno es
el respaldo científico más sólido de esta revisión para sostener que la alienación cognitiva, y no solo la
dependencia cognitiva en un sentido difuso es la categoría que mejor describe lo que ocurre cuando el
uso de la IA carece de mediación pedagógica.
Sobre el primer objetivo específico, el corpus revisado documenta la alienación cognitiva con tres tipos
de evidencia convergente. Primero, evidencia de autopercepción: Rojas Marín et al. (2024) reportan que
el 70% de los estudiantes encuestados reconoce un impacto importante de la IA en su forma de pensar
críticamente, y el 60% admite depender en exceso de la herramienta para resolver problemas, lo que
indica que el fenómeno no ocurre de forma inadvertida, sino con cierto grado de conciencia que no se
traduce en cambio de conducta. Segundo, evidencia observacional externa: Del Cisne Loján et al. (2024)
confirman el mismo patrón desde el reporte docente. Tercero, evidencia de revisión sistemática: Bolaños
Gómez et al. (2026), con 28 estudios y protocolo PRISMA 2020, concluyen que la relación entre IA y
pensamiento crítico no es lineal, sino condicionada por el encuadre pedagógico —hallazgo que Salido
pág. 6160
et al. (2025) reproducen de forma independiente en su propia revisión bibliométrica—. Frente a esta
triangulación de evidencia, el estudio de Caballero-Cantu et al. (2023) aporta el factor que la explica: la
autorregulación y la autoeficacia del estudiante son la condición previa que determina si la descarga
cognitiva se convierte en alienación o permanece como un uso instrumental sin consecuencias sobre el
pensamiento crítico.
Sobre el segundo objetivo específico, la alienación cognitiva encuentra en Moroni (2023) su
formulación conceptual más precisa dentro del corpus revisado: la distinción marxista entre trabajo vivo
y trabajo muerto, aplicada a la IA en el capitalismo contemporáneo, explica por qué la descarga cognitiva
medida por Gerlich (2025) no es un simple hábito de estudio, sino el desplazamiento de una actividad
—razonar, dudar, corregirse— hacia un producto ya terminado. Esta lectura se refuerza con el hallazgo,
anterior a la IA generativa, de León Rodríguez y Viña Brito (2017): identificar el riesgo de sustitución
de procesos cognitivos propios ya en 2017 permite fechar la alienación cognitiva como una tendencia
de la automatización educativa que la IA generativa acelera, y no como un fenómeno que esta inaugura.
El matiz decisivo lo aporta Wang y Fan (2025): en su metaanálisis, el efecto de ChatGPT en el
pensamiento de orden superior es heterogéneo y mejora bajo condiciones pedagógicas específicas, lo
que —leído junto con Marcuse (1964) y Habermas (1968/1984)— confirma que la alienación no es una
propiedad intrínseca de la herramienta, sino de la racionalidad instrumental que la despliega sin
mediación crítica. Este es, precisamente, el punto en que la evidencia empírica del corpus y el marco
teórico convergen con mayor fuerza en todo el estudio.
Sobre el tercer objetivo específico, el corpus identifica de forma consistente los factores que revierten o
previenen la alienación cognitiva. Rocha Yucra (2026) especifica el mecanismo operativo: prompting
estructurado y acompañamiento docente. Lee y Low (2024) trasladan la responsabilidad de ese
mecanismo al diseño curricular, y no a la voluntad individual del estudiante. Melisa et al. (2025) amplían
el diagnóstico a cuatro ejes de habilidades —análisis, razonamiento, autorregulación y juicio ético—, lo
que sugiere que la alienación cognitiva tiene un componente moral además de cognitivo: delegar en la
IA no es solo pensar menos, sino ceder también el criterio para decidir qué es correcto. Que este mismo
riesgo aparezca de forma independiente en Ricra Ruiz et al. (2026) —un corpus centrado en ética de la
IA y no en pensamiento crítico— confirma que la alienación cognitiva no es un hallazgo aislado de la
et al. (2025) reproducen de forma independiente en su propia revisión bibliométrica—. Frente a esta
triangulación de evidencia, el estudio de Caballero-Cantu et al. (2023) aporta el factor que la explica: la
autorregulación y la autoeficacia del estudiante son la condición previa que determina si la descarga
cognitiva se convierte en alienación o permanece como un uso instrumental sin consecuencias sobre el
pensamiento crítico.
Sobre el segundo objetivo específico, la alienación cognitiva encuentra en Moroni (2023) su
formulación conceptual más precisa dentro del corpus revisado: la distinción marxista entre trabajo vivo
y trabajo muerto, aplicada a la IA en el capitalismo contemporáneo, explica por qué la descarga cognitiva
medida por Gerlich (2025) no es un simple hábito de estudio, sino el desplazamiento de una actividad
—razonar, dudar, corregirse— hacia un producto ya terminado. Esta lectura se refuerza con el hallazgo,
anterior a la IA generativa, de León Rodríguez y Viña Brito (2017): identificar el riesgo de sustitución
de procesos cognitivos propios ya en 2017 permite fechar la alienación cognitiva como una tendencia
de la automatización educativa que la IA generativa acelera, y no como un fenómeno que esta inaugura.
El matiz decisivo lo aporta Wang y Fan (2025): en su metaanálisis, el efecto de ChatGPT en el
pensamiento de orden superior es heterogéneo y mejora bajo condiciones pedagógicas específicas, lo
que —leído junto con Marcuse (1964) y Habermas (1968/1984)— confirma que la alienación no es una
propiedad intrínseca de la herramienta, sino de la racionalidad instrumental que la despliega sin
mediación crítica. Este es, precisamente, el punto en que la evidencia empírica del corpus y el marco
teórico convergen con mayor fuerza en todo el estudio.
Sobre el tercer objetivo específico, el corpus identifica de forma consistente los factores que revierten o
previenen la alienación cognitiva. Rocha Yucra (2026) especifica el mecanismo operativo: prompting
estructurado y acompañamiento docente. Lee y Low (2024) trasladan la responsabilidad de ese
mecanismo al diseño curricular, y no a la voluntad individual del estudiante. Melisa et al. (2025) amplían
el diagnóstico a cuatro ejes de habilidades —análisis, razonamiento, autorregulación y juicio ético—, lo
que sugiere que la alienación cognitiva tiene un componente moral además de cognitivo: delegar en la
IA no es solo pensar menos, sino ceder también el criterio para decidir qué es correcto. Que este mismo
riesgo aparezca de forma independiente en Ricra Ruiz et al. (2026) —un corpus centrado en ética de la
IA y no en pensamiento crítico— confirma que la alienación cognitiva no es un hallazgo aislado de la
pág. 6161
literatura psicológica revisada aquí, sino un punto de convergencia entre dos líneas de investigación que
hasta ahora se han desarrollado de manera separada..
REFERENCIAS BIBLIOGRÁFICAS
Braverman, H. (1974). Labor and Monopoly Capital: The Degradation of Work in the Twentieth
Century. Monthly Review Press.
Clark, A., & Chalmers, D. (1998). The extended mind. Analysis, 58(1), 7-19.
https://doi.org/10.1093/analys/58.1.7
Dyer-Witheford, N. (2015). Cyber-Proletariat: Global Labour in the Digital Vortex. Pluto Press.
Ennis, R. H. (1985). A logical basis for measuring critical thinking skills. Educational Leadership, 43(2),
44-48.
Facione, P. (2020). Critical thinking: What it is and why it counts. Insight Assessment.
Fuchs, C. (2014). Digital Labour and Karl Marx. Routledge.
Habermas, J. (1984). Ciencia y técnica como "ideología" (M. Jiménez Redondo, Trad.). Tecnos.
(Trabajo original publicado en 1968)
Halpern, D. F. (2014). Thought and Knowledge: An Introduction to Critical Thinking (5a ed.).
Psychology Press.
Marcuse, H. (1964). One-Dimensional Man: Studies in the Ideology of Advanced Industrial Society.
Beacon Press.
Marx, K. (2008). El Capital. Tomo I. Siglo XXI. (Trabajo original publicado en 1867)
Marx, K. (2013). Manuscritos económico-filosóficos de 1844. Colihue. (Trabajo original publicado en
1844)
Postman, N. (1993). Technopoly: The Surrender of Culture to Technology. Vintage Books.
Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676-
688. https://doi.org/10.1016/j.tics.2016.07.002
Selwyn, N. (2019). Should Robots Replace Teachers? AI and the Future of Education. Polity Press.
Vygotsky, L. S. (1978). Mind in Society: The Development of Higher Psychological Processes. Harvard
University Press.
literatura psicológica revisada aquí, sino un punto de convergencia entre dos líneas de investigación que
hasta ahora se han desarrollado de manera separada..
REFERENCIAS BIBLIOGRÁFICAS
Braverman, H. (1974). Labor and Monopoly Capital: The Degradation of Work in the Twentieth
Century. Monthly Review Press.
Clark, A., & Chalmers, D. (1998). The extended mind. Analysis, 58(1), 7-19.
https://doi.org/10.1093/analys/58.1.7
Dyer-Witheford, N. (2015). Cyber-Proletariat: Global Labour in the Digital Vortex. Pluto Press.
Ennis, R. H. (1985). A logical basis for measuring critical thinking skills. Educational Leadership, 43(2),
44-48.
Facione, P. (2020). Critical thinking: What it is and why it counts. Insight Assessment.
Fuchs, C. (2014). Digital Labour and Karl Marx. Routledge.
Habermas, J. (1984). Ciencia y técnica como "ideología" (M. Jiménez Redondo, Trad.). Tecnos.
(Trabajo original publicado en 1968)
Halpern, D. F. (2014). Thought and Knowledge: An Introduction to Critical Thinking (5a ed.).
Psychology Press.
Marcuse, H. (1964). One-Dimensional Man: Studies in the Ideology of Advanced Industrial Society.
Beacon Press.
Marx, K. (2008). El Capital. Tomo I. Siglo XXI. (Trabajo original publicado en 1867)
Marx, K. (2013). Manuscritos económico-filosóficos de 1844. Colihue. (Trabajo original publicado en
1844)
Postman, N. (1993). Technopoly: The Surrender of Culture to Technology. Vintage Books.
Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676-
688. https://doi.org/10.1016/j.tics.2016.07.002
Selwyn, N. (2019). Should Robots Replace Teachers? AI and the Future of Education. Polity Press.
Vygotsky, L. S. (1978). Mind in Society: The Development of Higher Psychological Processes. Harvard
University Press.
pág. 6162
Bolaños Gómez, A. C., Márquez Zambrano, L. G., Tagua Pomaina, J. E., & Vinueza Morales, M. G.
(2026). Inteligencia artificial en educación superior: ¿Sustituto o complemento del pensamiento
crítico?: Revisión sistemática. Revista Simón Rodríguez, 6(11), 635-652.
https://doi.org/10.62319/simonrodriguez.v.6i11.157
Caballero-Cantu, J. J., Chavez-Ramirez, E. D., Lopez-Almeida, M. E., Inciso-Mendo, E. S., & Méndez
Vergaray, J. (2023). El aprendizaje autónomo en educación superior. Revisión sistemática.
Salud, Ciencia y Tecnología, 3, 391. https://doi.org/10.56294/saludcyt2023391
Del Cisne Loján, M., Antonio Romero, J., Sancho Aguilera, D., & Yajaira Romero, A. (2024).
Consecuencias de la Dependencia de la Inteligencia Artificial en Habilidades Críticas y
Aprendizaje Autónomo en los Estudiantes. Ciencia Latina Revista Científica Multidisciplinar,
8(2), 2368-2382. https://doi.org/10.37811/cl_rcm.v8i2.10678
Gerlich, M. (2025). AI tools in society: Impacts on cognitive offloading and the future of critical
thinking. Societies, 15(1), 6. https://doi.org/10.3390/soc15010006
Lee, C., & Low, M. (2024). Using genAI in education: the case for critical thinking. Frontiers in
Artificial Intelligence, 7, 1452131. https://doi.org/10.3389/frai.2024.1452131
León Rodríguez, G. de la C., & Viña Brito, S. M. (2017). La inteligencia artificial en la educación
superior. Oportunidades y amenazas. INNOVA Research Journal, 2(8.1), 412-422.
https://doi.org/10.33890/innova.v2.n8.1.2017.399
Melisa, R., Ashadi, A., Triastuti, A., Hidayati, S., Salido, A., Ero, P. E., & Fuad, Z. A. (2025). Critical
thinking in the age of AI: A systematic review of AI's effects on higher education. Educational
Process: International Journal, 14, e2025031. https://doi.org/10.22521/edupij.2025.14.31
Moroni, D. N. (2023). Del trabajo vivo a la inteligencia artificial: contradicciones y consecuencias para
el capitalismo contemporáneo y las visiones de la historia. Tramas y Redes, (5), 325-342.
Ricra Ruiz, R. A., Queque Luque, E. F., Vega Lazo, F. H., Martínez Horna, D. J., Ross Audureau, J., &
Lara Tapia, L. M. (2026). Implicaciones éticas de la inteligencia artificial generativa en la
educación superior: una revisión sistemática. Revista InveCom, 6(2).
https://doi.org/10.5281/zenodo.16734732
Bolaños Gómez, A. C., Márquez Zambrano, L. G., Tagua Pomaina, J. E., & Vinueza Morales, M. G.
(2026). Inteligencia artificial en educación superior: ¿Sustituto o complemento del pensamiento
crítico?: Revisión sistemática. Revista Simón Rodríguez, 6(11), 635-652.
https://doi.org/10.62319/simonrodriguez.v.6i11.157
Caballero-Cantu, J. J., Chavez-Ramirez, E. D., Lopez-Almeida, M. E., Inciso-Mendo, E. S., & Méndez
Vergaray, J. (2023). El aprendizaje autónomo en educación superior. Revisión sistemática.
Salud, Ciencia y Tecnología, 3, 391. https://doi.org/10.56294/saludcyt2023391
Del Cisne Loján, M., Antonio Romero, J., Sancho Aguilera, D., & Yajaira Romero, A. (2024).
Consecuencias de la Dependencia de la Inteligencia Artificial en Habilidades Críticas y
Aprendizaje Autónomo en los Estudiantes. Ciencia Latina Revista Científica Multidisciplinar,
8(2), 2368-2382. https://doi.org/10.37811/cl_rcm.v8i2.10678
Gerlich, M. (2025). AI tools in society: Impacts on cognitive offloading and the future of critical
thinking. Societies, 15(1), 6. https://doi.org/10.3390/soc15010006
Lee, C., & Low, M. (2024). Using genAI in education: the case for critical thinking. Frontiers in
Artificial Intelligence, 7, 1452131. https://doi.org/10.3389/frai.2024.1452131
León Rodríguez, G. de la C., & Viña Brito, S. M. (2017). La inteligencia artificial en la educación
superior. Oportunidades y amenazas. INNOVA Research Journal, 2(8.1), 412-422.
https://doi.org/10.33890/innova.v2.n8.1.2017.399
Melisa, R., Ashadi, A., Triastuti, A., Hidayati, S., Salido, A., Ero, P. E., & Fuad, Z. A. (2025). Critical
thinking in the age of AI: A systematic review of AI's effects on higher education. Educational
Process: International Journal, 14, e2025031. https://doi.org/10.22521/edupij.2025.14.31
Moroni, D. N. (2023). Del trabajo vivo a la inteligencia artificial: contradicciones y consecuencias para
el capitalismo contemporáneo y las visiones de la historia. Tramas y Redes, (5), 325-342.
Ricra Ruiz, R. A., Queque Luque, E. F., Vega Lazo, F. H., Martínez Horna, D. J., Ross Audureau, J., &
Lara Tapia, L. M. (2026). Implicaciones éticas de la inteligencia artificial generativa en la
educación superior: una revisión sistemática. Revista InveCom, 6(2).
https://doi.org/10.5281/zenodo.16734732
pág. 6163
Rocha Yucra, R. B. (2026). Pensamiento crítico e IA generativa en universitarios: Dependencia
cognitiva, factores moderadores y la paradoja educativa. Revista Ciencia, Tecnología &
Sociedad.
Rojas Marín, F. de los Ángeles, Espinoza Padilla, J. G., & Mendoza Pacheco, M. F. (2024). Inteligencia
Artificial: Dependencia y la Afección del Pensamiento Crítico. Ciencia Latina Revista
Científica Multidisciplinar, 8(4), 12590-12608. https://doi.org/10.37811/cl_rcm.v8i4.13462
Salido, A., Syarif, I., Sitepu, M. S., Suparjan, Wana, P., Taufika, R., & Melisa, R. (2025). Integrating
critical thinking and artificial intelligence in higher education: A bibliometric and systematic
review of skills and strategies. Social Sciences & Humanities Open, 12, 101924.
https://doi.org/10.1016/j.ssaho.2025.101924
Wang, J., & Fan, W. (2025). The effect of ChatGPT on students' learning performance, learning
perception, and higher-order thinking: Insights from a meta-analysis. Humanities and Social
Sciences Communications, 12, 04787. https://doi.org/10.1057/s41599-025-04787-y
Rocha Yucra, R. B. (2026). Pensamiento crítico e IA generativa en universitarios: Dependencia
cognitiva, factores moderadores y la paradoja educativa. Revista Ciencia, Tecnología &
Sociedad.
Rojas Marín, F. de los Ángeles, Espinoza Padilla, J. G., & Mendoza Pacheco, M. F. (2024). Inteligencia
Artificial: Dependencia y la Afección del Pensamiento Crítico. Ciencia Latina Revista
Científica Multidisciplinar, 8(4), 12590-12608. https://doi.org/10.37811/cl_rcm.v8i4.13462
Salido, A., Syarif, I., Sitepu, M. S., Suparjan, Wana, P., Taufika, R., & Melisa, R. (2025). Integrating
critical thinking and artificial intelligence in higher education: A bibliometric and systematic
review of skills and strategies. Social Sciences & Humanities Open, 12, 101924.
https://doi.org/10.1016/j.ssaho.2025.101924
Wang, J., & Fan, W. (2025). The effect of ChatGPT on students' learning performance, learning
perception, and higher-order thinking: Insights from a meta-analysis. Humanities and Social
Sciences Communications, 12, 04787. https://doi.org/10.1057/s41599-025-04787-y