Aprender con IA · 08

Recordar en una época en que nadie necesita recordar

Ningún dato está a más de una consulta de distancia. El problema es lo que pasa cuando no queda nada adentro.

Roberto Jasinski Septiembre 2026 5 min de lectura

Entre 1879 y 1880, Hermann Ebbinghaus se encerró a memorizar listas de sílabas sin sentido —nada de poesía, nada donde el significado pudiera ayudarlo— y midió cuánto le costaba volver a aprenderlas más tarde. No medía cuánto recordaba: medía el ahorro, el tiempo que la primera sesión le regalaba a la segunda. Los resultados, publicados en 1885, dibujaron la curva del olvido: a los veinte minutos el ahorro era del 58 %; al día siguiente, del 21 %; al mes, de poco más del 12 %.

Esa curva se cita hace un siglo y medio, casi siempre de oído. En 2015, Jaap Murre y Joeri Dros la repitieron con método: Dros, único sujeto del experimento, dedicó unas setenta horas a aprender y reaprender listas de 104 sílabas en los intervalos originales. Los números se superponen casi punto por punto con los originales: 59 % de ahorro a los veinte minutos, 21 % al día siguiente. El olvido tiene una forma estable, y no la negoció con nadie.

La objeción de esta época llega sola: para qué pelearse con esa curva si ningún dato está a más de una consulta de distancia. Es razonable y en parte tiene razón. No tiene ningún sentido memorizar lo que la máquina ya sabe —una fecha, una fórmula, la sintaxis de una función—. Esa discusión está cerrada, y la perdimos hace rato.

El problema es otro y es más incómodo. Se piensa con lo que uno tiene en la cabeza, no con lo que puede consultar. Un experimento de campo con 758 consultores de Boston Consulting Group, publicado en 2023 como documento de trabajo de Harvard Business School, midió algo que conviene leer dos veces: en las tareas donde GPT-4 era competente, quienes lo usaron produjeron más, más rápido y mejor; en una tarea elegida a propósito para quedar fuera de ese terreno, los que trabajaron con la IA acertaron 19 puntos porcentuales menos que los que trabajaron sin ella. La herramienta respondía con la misma fluidez en los dos casos. Lo que cambiaba era si había alguien enfrente en condiciones de darse cuenta.

Una respuesta que no estás en condiciones de juzgar no es conocimiento. Es una apuesta.

Si el conocimiento propio sigue haciendo falta, la pregunta práctica es cómo se retiene. Ahí la evidencia es vieja, aburrida y muy sólida: se retiene lo que se recupera. El metaanálisis de Christopher Rowland, sobre 159 comparaciones tomadas de 61 estudios, encontró que ponerse a prueba sobre lo estudiado supera a volver a leerlo, con un tamaño de efecto de 0,50. Traducido: el esfuerzo de sacar algo de la memoria, con la incomodidad que eso implica, es lo que lo fija. Releer lo subrayado se siente productivo y no lo es.

El segundo hallazgo es cuándo. Cepeda y sus colegas enseñaron un conjunto de hechos a más de 1350 personas, las hicieron repasar después de un intervalo variable y las evaluaron hasta un año más tarde. El intervalo óptimo entre el estudio y el repaso fue de entre el 20 % y el 40 % del plazo cuando la prueba era a una semana, y de entre el 5 % y el 10 % cuando era a un año. Lo que se estudia para el lunes y lo que se quiere seguir sabiendo dentro de un año no se practican igual.

Y acá está la trampa. Recuperar es exactamente lo que evita preguntarle a la IA. Un ensayo controlado publicado este año por André Barcaui asignó al azar a 120 estudiantes universitarios a preparar un trabajo con ChatGPT o con métodos tradicionales, y los evaluó por sorpresa 45 días después: 57,5 % de respuestas correctas en el grupo que había usado la IA contra 68,5 % en el otro. Es un solo estudio, en una sola universidad; hay que tomarlo como lo que es. Pero apunta adonde apunta un siglo de investigación sobre la memoria: el esfuerzo que la herramienta ahorra es justamente el que produce el aprendizaje.

No propongo apagar nada; sería una respuesta tonta a un problema real. Trabajo con estas herramientas todos los días y no pienso volver atrás. Lo que cambié es el lugar donde las pongo: le pido a la IA que me tome examen, no que me dé la respuesta. Que me pregunte, que me contradiga, que me obligue a explicar con mis palabras lo que creo que entendí. Después cierro todo y lo repito una semana más tarde. Es más lento, es incómodo y es la única parte que deja algo.


Ninguna herramienta puede recordar por vos, porque recordar no es guardar: es tener algo disponible justo cuando hace falta, sin que nadie avise.

La IA sabe todo lo que se escribió. Vos seguís siendo el único que puede darse cuenta de que se equivocó.

Fuentes

  1. Murre, J. M. J. y Dros, J. (2015). Replication and analysis of Ebbinghaus' forgetting curve. PLOS ONE, 10(7), e0120644. doi.org/10.1371/journal.pone.0120644
  2. Dell'Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F. y Lakhani, K. R. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality. Harvard Business School, documento de trabajo 24-013. papers.ssrn.com/sol3/papers.cfm?abstract_id=4573321
  3. Rowland, C. A. (2014). The effect of testing versus restudy on retention: A meta-analytic review of the testing effect. Psychological Bulletin, 140(6), 1432-1463. doi.org/10.1037/a0037559
  4. Cepeda, N. J., Vul, E., Rohrer, D., Wixted, J. T. y Pashler, H. (2008). Spacing effects in learning: A temporal ridgeline of optimal retention. Psychological Science, 19(11), 1095-1102. doi.org/10.1111/j.1467-9280.2008.02209.x
  5. Barcaui, A. (2025). ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention. Social Sciences & Humanities Open, 12, 102287. doi.org/10.1016/j.ssaho.2025.102287
RJ Roberto Jasinski Investigación · Aprender con IA

Esta línea de investigación está en curso.

Si trabajás en aprendizaje, formación o inteligencia artificial y querés intercambiar ideas, conversemos.