La inteligencia que queda cuando apagamos la IA: lo que el ajedrez puede enseñarnos sobre cómo aprender de máquinas que saben más que nosotros
Foto: Mayukh Karmakar (CC)
En el segundo acto de Götz von Berlichingen, Goethe sitúa al obispo de Bamberg y a Adelheid ante un tablero de ajedrez. Ella da jaque al rey y, poco después, vuelve a hacerlo. Liebetraut, que contempla la partida, protesta ante aquel juego que parece exigir una atención interminable. Adelheid responde con una frase que ha sobrevivido más de dos siglos: «Dies Spiel ist ein Probierstein des Gehirns». El ajedrez es, viene a decir, una piedra de toque del cerebro, del intelecto.
Una piedra de toque servía para comprobar la calidad de un metal. El tablero permitía examinar algo mucho más difícil de pesar: nuestra capacidad de pensar. Una partida obliga a recordar, anticipar, reconocer patrones, calcular y decidir bajo incertidumbre. Las reglas caben en unas páginas; aprender a ver lo que ocurre entre treinta y dos piezas puede ocupar una vida.
Goethe difícilmente podía imaginar que algún día introduciríamos otra inteligencia en aquella prueba. Primero llegaron los sistemas de inteligencia artificial (IA) aplicados al ajedrez, aún rudimentarios, los llamados motores de ajedrez; después empezaron a jugar bien. En 1997, Deep Blue derrotó a Garri Kaspárov. Los motores actuales han dejado aquella frontera muy atrás.
La historia adquiere interés precisamente a partir de ahí. Los jugadores tuvieron que aprender a convivir con máquinas capaces de jugar mucho mejor que ellos.
Algo parecido empieza a ocurrir fuera del tablero. Millones de personas trabajan ya con sistemas de IA que escriben, programan, traducen, analizan imágenes y resuelven problemas con una rapidez difícil de igualar. Mientras seguimos midiendo lo que pueden hacer estos sistemas, otra transformación avanza de manera menos visible: nos estamos acostumbrando a utilizarlos.
Habituarse a delegar
Una consulta ocasional a un sistema de IA dice poco sobre nuestra relación con la tecnología. El problema —si lo hay— empieza con la repetición. Cuando hacemos lo mismo durante meses o años, una decisión puede acabar convirtiéndose en un reflejo. Ahí aparece la habituación. La cuestión no se limita a si la IA responde bien, porque también cuenta qué hacemos nosotros mientras llegamos a la respuesta y qué dejamos de hacer cuando el sistema empieza a ocuparse de una parte creciente del camino.
La diferencia aparece en gestos pequeños. Hay quien consulta después de haber intentado comprender un problema y quien lo hace antes incluso de formularlo del todo; quien utiliza la respuesta para confrontar su razonamiento y quien la incorpora casi sin fricción. Una vez no significa gran cosa. Cientos de veces pueden acabar definiendo una manera de enfrentarse a la dificultad.
Por eso conviene distinguir entre rendimiento asistido y capacidad adquirida. La IA puede elevar el rendimiento sin aumentar en la misma medida la capacidad. Podemos ofrecer resultados propios de alguien competente sin haber adquirido la misma competencia. Podemos escribir mejor, programar más rápido o resolver un problema con mayor precisión y, al mismo tiempo, ejercitar menos algunas de las operaciones que antes necesitábamos para conseguirlo.
Nataliya Kosmyna y sus colaboradores utilizaron en 2025 una expresión especialmente eficaz para nombrar este riesgo: deuda cognitiva. En un estudio sobre escritura de ensayos compararon el trabajo con un modelo de lenguaje, con un buscador convencional y sin ayuda externa. Quienes utilizaron el modelo de lenguaje mostraron, entre otros resultados, un recuerdo más débil de partes de sus propios textos y una menor sensación de autoría.
El estudio se realizó con una muestra pequeña de estudiantes, y conviene resistir la tentación de convertirlo en profecía. La metáfora, sin embargo, es poderosa. Una deuda permite disfrutar hoy de algo y aplazar parte de su coste. Con ciertas formas de delegación cognitiva puede suceder algo parecido: obtenemos ahora el texto, el código o el análisis con menos esfuerzo; la factura llega después, cuando tenemos que reconstruir una solución sin ayuda, defender una idea o reconocer por qué una respuesta aparentemente convincente está equivocada.
El resultado es incómodo. La calidad del producto empieza a decir cada vez menos sobre la competencia de quien lo presenta. Un estudiante puede entregar un ensayo impecable y descubrir, durante una conversación de cinco minutos, que algunas de las conexiones que parecían sólidas sobre el papel nunca llegaron a ser plenamente suyas.
La cuestión, por tanto, es cuánto de ese trabajo termina convirtiéndose en capacidad nuestra.
¿Cómo sabemos que trabajar con una inteligencia superior nos ha hecho más capaces y no solo más eficaces mientras contábamos con su ayuda?
El ajedrez lleva décadas sometiendo esa pregunta a una prueba extraordinariamente exigente.
Lo interesante empezó después de que las máquinas ganaran
La derrota de Kaspárov suele contarse como el momento en que las máquinas conquistaron el ajedrez. Vista desde hoy, interesa más lo que ocurrió después.
Los jugadores siguieron estudiando y compitiendo. Los motores de ajedrez fueron entrando poco a poco en la preparación hasta convertirse en una herramienta habitual de la élite. El ajedrez pasó de representar el enfrentamiento entre humanos y máquinas a convertirse en uno de los primeros ámbitos en los que los humanos empezaron a aprender sistemáticamente de una inteligencia superior.
Durante una partida oficial, el jugador está solo ante el tablero. Tiene que evaluar la posición, administrar su tiempo y comprometerse con una jugada. Horas después puede regresar al momento en que dudó. Recuerda qué alternativas consideró, reconstruye sus cálculos e intenta entender dónde empezó a desviarse. Entonces abre Stockfish, uno de los mejores motores de ajedrez.
A veces el motor confirma la intuición del jugador. Otras veces destruye en segundos una variante que parecía convincente. Puede señalar una jugada que nunca apareció durante la partida o mostrar que el error empezó varios movimientos antes de lo que el jugador creía.
A partir de ahí, cada jugador decide cuánto quiere aprender de la respuesta. Puede quedarse con la evaluación y pasar a otra posición. También puede recorrer de nuevo la línea, probar respuestas distintas y buscar la idea que explica por qué una jugada aparentemente extraña funciona. Meses después, frente a otro adversario, quizá aparezca una estructura parecida. Entonces importa lo que haya quedado del análisis anterior.
Los motores intervienen también antes de la competición. Sirven para preparar aperturas, estudiar posiciones difíciles y someter las ideas propias a un crítico implacable. Un gran maestro puede pasar horas trabajando con una herramienta cuya capacidad de cálculo supera ampliamente la suya y, al día siguiente, sentarse frente al tablero y tener que decidir por cuenta propia. Lo aprendido con el motor se pone entonces a prueba sin él.
Merim Bilalić, Mario Graf y Nemanja Vaci analizaron más de 11,6 millones de decisiones de jugadores de élite y observaron una mejora gradual del rendimiento a través de sucesivas revoluciones informáticas, especialmente entre las generaciones más jóvenes. Sería excesivo atribuir a los motores la extraordinaria precocidad actual —Gukesh Dommaraju, campeón del mundo con 18 años, creció también con mejores entrenadores, bases de datos, juego en línea y una circulación global del conocimiento—, pero han cambiado algo fundamental: un niño con talento puede entrenarse desde muy pronto con una herramienta capaz de analizar sus errores a un nivel superior al de cualquier jugador humano.
Varias generaciones de ajedrecistas han crecido sabiendo que existe una máquina capaz de jugar mucho mejor que ellos. Esa superioridad forma ya parte de su entrenamiento.
La piedra de toque de Goethe adquiere así otro significado. El tablero sigue mostrando qué sabe hacer un jugador y empieza a mostrar también qué ha conseguido aprender después de estudiar con una máquina que sabe más.
Cuando aparece la ayuda
Una ayuda más potente y accesible parece, a primera vista, una ventaja indiscutible. Un experimento reciente con estudiantes de ajedrez aconseja matizar esa impresión.
Stefanos Poulidis, Hamsa Bastani y Osbert Bastani siguieron durante doce semanas a más de doscientos alumnos de clubes de ajedrez que utilizaban una plataforma asistida por IA. Un grupo recibía ayuda del sistema en momentos determinados; el otro, además, podía solicitarla cuando quisiera. El acceso adicional ayudaba a resolver los ejercicios del momento, pero el aprendizaje posterior siguió otra trayectoria.
Al terminar las doce semanas, la diferencia se reflejó en lo que los estudiantes habían aprendido, más que en lo bien que jugaban mientras recibían ayuda. Quienes podían solicitar la intervención de la IA cuando quisieran mejoraron alrededor de un 30 %. Entre quienes recibían asistencia únicamente en los momentos determinados por el sistema, la mejora fue aproximadamente del 64 %: más del doble.
Lo más revelador fue que los primeros recurrieron cada vez más al botón de ayuda. Su presencia alteraba el tiempo que estaban dispuestos a pensar antes de pedir una respuesta. Los investigadores relacionan buena parte de la diferencia con la pérdida de esfuerzo productivo, ese tramo incómodo y fértil durante el cual el problema sigue al alcance de quien aprende, aunque lo obliga a probar, equivocarse y pensar antes de recibir la solución.
La simple disponibilidad de una respuesta cambia nuestra relación con el problema. Una explicación excelente recibida después de varios intentos puede mostrar exactamente dónde fallaba nuestro razonamiento. La misma explicación, recibida unos minutos antes, puede ahorrarnos el recorrido que habría permitido descubrirlo.
El ajedrez competitivo conserva una separación valiosa. El motor acompaña muchas horas de preparación y análisis; desaparece cuando comienza la partida. El jugador llega al tablero con aquello que ha conseguido incorporar durante el estudio.
Lisa Schut y sus colaboradores han explorado otra posibilidad aún más sugerente. En su trabajo con AlphaZero se preguntaron si un sistema de ajedrez sobrehumano podía contener conceptos desconocidos para los expertos y si estos podían convertirse en conocimiento enseñable.
El equipo identificó representaciones novedosas dentro de AlphaZero y las convirtió en posiciones que los ajedrecistas pudieran estudiar. Cuatro grandes maestros participaron después en una prueba de aprendizaje y mostraron mejoras. Se trata todavía de una prueba de concepto, pero abre una posibilidad enorme. El conocimiento descubierto por una IA puede acabar formando parte de la comprensión de un experto humano.
Los dos experimentos apuntan en direcciones opuestas. El trabajo de Poulidis muestra que la ayuda puede sustituir precisamente el esfuerzo mediante el que se adquiere una capacidad. El realizado con AlphaZero indica que el conocimiento producido por una inteligencia superior puede transformarse en comprensión humana.
En ambos importa la secuencia. Hay que saber qué ha ocurrido antes de que aparezca la IA y qué podrá hacer después la persona con aquello que ha visto.
Las nuevas piedras de toque
Podemos regresar ahora a Adelheid y a la partida imaginada por Goethe. El ajedrez era una piedra de toque porque obligaba a hacer visible una capacidad que normalmente permanece oculta. El jugador tenía que poner sobre el tablero lo que sabía ver.
Los motores han añadido una segunda función. Hoy el tablero permite comprobar también qué queda después de estudiar con una inteligencia superior. Stockfish puede haber participado durante horas en la preparación; una vez comienza la partida, sus análisis sirven únicamente en la medida en que algo de ellos haya pasado al jugador.
Ese detalle resulta especialmente valioso en la era de la IA generativa. La asistencia puede acompañar casi todo un proceso intelectual, desde la primera pregunta hasta la redacción y revisión del resultado. Cuando el sistema permanece presente durante cada paso, se vuelve más difícil distinguir la calidad del producto de la capacidad de quien lo produce.
Pensemos de nuevo en el estudiante que ha preparado un ensayo con IA. El texto puede ser brillante, pero una objeción inesperada lo obliga a reconocer el problema, relacionarlo con lo escrito y responder desde una comprensión propia. Ese momento se parece bastante al tablero.
Cada ámbito necesitará una prueba equivalente, una situación en la que la respuesta inmediata del sistema deje de estar disponible y lo aprendido tenga que sostenerse fuera de ella. El ajedrez tuvo la fortuna de conservar esa prueba durante toda su transformación tecnológica. El jugador estudia con una máquina que juega mucho mejor que él y, llegado el momento, se sienta solo ante el tablero. Todo el trabajo previo queda comprimido en lo que sea capaz de ver.
Al tablero solo puede llevar lo aprendido.
Goethe jamás pudo prever Stockfish, AlphaZero o los grandes modelos de lenguaje. Dos siglos después, su piedra de toque conserva una utilidad inesperada: permite preguntar qué queda en el jugador después de haber estudiado con una inteligencia superior.
En la universidad, en la ciencia y en el trabajo todavía necesitamos nuestros equivalentes del tablero: situaciones en las que la máquina deje de responder y podamos descubrir cuánto de lo que hizo por nosotros se ha convertido realmente en capacidad nuestra.
Goethe encontró una piedra de toque sobre sesenta y cuatro casillas. A nosotros nos corresponde averiguar cuáles serán las nuestras.
Referencias
Herrera, F. (2026). «Habituation and the Human Will: How Passive Reliance on Human–AI Collaboration Erodes Ethical Agency and How to Prevent It». Science and Engineering Ethics. DOI: 10.1007/s11948-026-00621-z.
Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I. & Maes, P. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. arXiv:2506.08872v2. Prepublicación no revisada por pares.
Bilalić, M., Graf, M. & Vaci, N. (2026). «Computers and chess masters: The role of AI in transforming elite human performance». British Journal of Psychology, 117(2), 585-609. DOI: 10.1111/bjop.12750.
Poulidis, S., Bastani, H. & Bastani, O. (2025). Self-Regulated AI Use Hinders Long-Term Learning. The Wharton School Research Paper. DOI: 10.2139/ssrn.5604932.
Schut, L., Tomašev, N., McGrath, T., Hassabis, D., Paquet, U. & Kim, B. (2025). «Bridging the human–AI knowledge gap through concept discovery and transfer in AlphaZero». Proceedings of the National Academy of Sciences, 122(13), e2406675122. DOI: 10.1073/pnas.2406675122.