Resumen:
La rápida expansión de la Inteligencia Artificial generativa transformó a fondo la forma en que los estudiantes aprenden, estudian y producen conocimiento en la educación superior. Ese mismo progreso, sin embargo, trajo un fenómeno emergente: la deuda cognitiva, entendida como la pérdida progresiva de esfuerzo mental, autonomía cognitiva y pensamiento crítico derivada de la delegación excesiva del razonamiento humano hacia sistemas de IA.
Una revisión de la literatura reciente demuestra que el uso intensivo de IA puede generar dependencia, isminución de la activación cognitiva y dificultades para retomar tareas sin asistencia tecnológica (Kosmyna et al., 2025; Fan, Y., et al., 2025). La evidencia indica que los propios modelos de lenguaje presentan
limitaciones significativas en las condiciones reales de uso estudiantil: Laban etal. (2025) documentan una caída del 39% en el rendimiento de los principales LLMs en conversaciones de múltiples turnos, mientras que Leviathan et al. (2025) demuestran que variables arquitectónicas ajenas al usuario afectan sustancialmente la calidad de las respuestas. En otras palabras, hay factores de los LLMs que determinan la calidad de la respuesta que están completamente fuera del control y del conocimiento del usuario promedio. Estas limitaciones amplían la brecha entre la eficiencia percibida y el aprendizaje real. Si bien estas tecnologías ofrecen beneficios evidentes en términos de productividad y acceso al conocimiento, sus efectos sobre los procesos cognitivos profundos aún no se encuentran plenamente comprendidos ni sistemáticamente medidos en contextos educativos reales, particularmente en el ámbito de la educación superior latinoamericana.
El presente trabajo analiza los riesgos e impactos de la deuda cognitiva en la educación superior de grado en la Argentina y propone un aporte original: el diseño de un cuestionario estructurado de catorce preguntas (trece de ellas, ítems de medición) para evaluar niveles de deuda cognitiva en estudiantes universitarios de universidades públicas y privadas de Rosario y Buenos Aires, considerando seis dimensiones: frecuencia de uso, esfuerzo mental, dependencia tecnológica, autonomía cognitiva, conducta de revisión y fatiga cognitiva. El instrumento 4 permite clasificar el nivel de deuda cognitiva en cinco categorías (muy baja a muy alta) mediante un índice estandarizado de 0 a 100, y explorar de manera complementaria su estimación automatizada mediante un modelo analítico simple, como la regresión lineal múltiple. De este modo, el trabajo busca aportar una herramienta práctica para el análisis del impacto cognitivo del uso de IA en el ámbito académico y para el diseño de estrategias educativas orientadas al desarrollo del pensamiento crítico y la autonomía intelectual.
