Who Killed Intelligence? Cognitive Externalization and Human Agency in the Age of Artificial Intelligence
Santos Eleuterio Moreta Reyes
Instituto Tecnológico de Las Américas (ITLA)
smoreta@itla.edu.do
ORCID: https://orcid.org/0009-0004-3592-5908
Santo Domingo, República Dominicana
Autor de correspondencia: smoreta@itla.edu.do
Conflictos de interés: Ninguno que declarar.
Financiamiento: Sin financiamiento externo.
Resumen
Esta revisión teórico documental examina, desde una perspectiva antropológica y cognitiva, la externalización de capacidades humanas como un proceso anterior a la inteligencia artificial generativa y propone el Modelo de Externalización de Capacidades y Agencia (MECA) como marco analítico para estudiar sus formas contemporáneas; su objetivo es explicar qué cambia cuando las herramientas pasan de ampliar la ejecución física y la memoria a intervenir en el procesamiento, el juicio y la acción, sin asumir que toda externalización implica deterioro. Se empleó un enfoque cualitativo, analítico-interpretativo y hermenéutico-crítico, articulando un corpus nuclear de veinte obras y estudios sobre antropología de la técnica, cognición distribuida, mente extendida, descarga cognitiva, automatización y evidencia reciente sobre inteligencia artificial generativa. El análisis distingue cinco dominios funcionales, a saber, mano, memoria, cognición, juicio y agencia; tres modalidades relacionales, esto es, amplificación, delegación y desplazamiento; y una dimensión temporal que diferencia el uso episódico, recurrente y estructural. Se formulan, además, los principios de conservación de la agencia, retorno cognitivo, proporcionalidad de la supervisión y ganancia antropológica, y se constata que la evidencia no permite afirmar una pérdida general de inteligencia atribuible a esta tecnología, aunque sí muestra que los efectos dependen del modo de uso, del diseño de la tarea, de la supervisión y de la reinversión del esfuerzo liberado. Se concluye que la novedad de la inteligencia artificial no consiste en inaugurar la externalización, sino en extenderla hacia operaciones asociadas al juicio y la agencia, lo que exige investigación longitudinal y validación empírica del modelo.
Palabras clave: antropología de la técnica, descarga cognitiva, inteligencia artificial generativa, agencia humana, pensamiento crítico, externalización cognitiva
Abstract
This theoretical-documentary review examines, from an anthropological and cognitive perspective, the externalization of human capacities as a process that predates generative artificial intelligence and proposes the Model of Externalization of Capacities and Agency (MECA) as an analytical framework for studying its contemporary forms; its aim is to explain what changes when tools move from extending physical execution and memory to intervening in processing, judgment, and action, without assuming that all externalization entails cognitive decline. A qualitative, analytical-interpretive, and critical-hermeneutic approach was used to integrate a core corpus of twenty works and studies on the anthropology of technology, distributed cognition, the extended mind, cognitive offloading, automation, and recent evidence on generative artificial intelligence. The analysis distinguishes five functional domains, namely hand, memory, cognition, judgment, and agency; three relational modes, namely amplification, delegation, and displacement; and a temporal dimension that differentiates episodic, recurrent, and structural use. It also formulates the principles of agency conservation, cognitive return, proportional supervision, and anthropological gain, and finds that current evidence does not support the claim that artificial intelligence causes a general loss of human intelligence, although it does indicate that outcomes depend on patterns of use, task design, human oversight, and how released effort is reinvested. The article concludes that the novelty of artificial intelligence lies not in initiating externalization, but in extending it toward operations associated with judgment and agency, which requires longitudinal research and empirical validation of the proposed model.
Keywords: anthropology of technology, cognitive offloading, generative artificial intelligence, human agency, critical thinking, cognitive externalization
¿Quién mató la inteligencia? Externalización cognitiva y agencia humana en la era de la inteligencia artificial
¿Quién mató la inteligencia? funciona en este trabajo como una metáfora de entrada y no como una afirmación psicométrica, pues no existe evidencia suficiente para sostener que la inteligencia humana, entendida como una capacidad general, esté siendo destruida por la inteligencia artificial generativa. El problema científicamente abordable es más preciso: qué ocurre con una capacidad cuando una persona puede obtener de manera repetida el producto que esa capacidad producía sin tener que ejercitarla con la misma intensidad, una pregunta que desplaza la atención desde una supuesta oposición entre ser humano y máquina hacia la arquitectura concreta de la relación entre sujeto, herramienta, tarea y contexto.
Esta reformulación resulta necesaria porque la externalización de capacidades no comenzó con los modelos generativos: desde las primeras tecnologías líticas, la especie humana ha modificado su relación con el entorno mediante artefactos que prolongan, reorganizan o sustituyen parcialmente funciones corporales y cognitivas. Leroi-Gourhan (1993) vinculó el desarrollo técnico con la evolución de gesto, lenguaje y memoria; Stiegler (1998), retomando esa tradición, concibió la técnica como una dimensión constitutiva de la temporalidad humana y no como un añadido exterior a un sujeto ya formado; y, en una línea convergente, Malafouris (2013) sostiene que la materialidad participa activamente en la constitución de procesos cognitivos. Desde esta perspectiva, la herramienta no aparece después de la humanidad, sino que participa en la historia mediante la cual la humanidad llega a ser lo que es.
La relevancia contemporánea del problema radica en que la inteligencia artificial amplía la profundidad funcional de esa externalización. Una herramienta mecánica desplaza esfuerzo físico; la escritura y los archivos exteriorizan memoria; una calculadora externaliza operaciones; un buscador reorganiza el acceso a la información. Los sistemas generativos, en cambio, pueden sintetizar, argumentar, comparar alternativas, producir borradores, criticar decisiones y, en configuraciones agentivas, planificar y ejecutar cadenas de acciones, de modo que el salto no consiste en que por primera vez “pensemos con herramientas”, sino en que herramientas de uso cotidiano empiezan a intervenir en operaciones tradicionalmente vinculadas con el juicio y la conducción de la acción.
La literatura reciente obliga, sin embargo, a evitar dos extremos: el determinismo tecnofóbico, que atribuye a la herramienta un efecto uniforme de empobrecimiento cognitivo, y el determinismo optimista, que asume que toda automatización de una operación libera necesariamente capacidades superiores. Frente a ambos, la evidencia disponible muestra resultados contingentes: Lee et al. (2025), en una encuesta con 319 trabajadores del conocimiento y 936 experiencias de uso, encontraron asociaciones entre mayor confianza en la IA generativa y menor ejercicio autorreportado de pensamiento crítico, pero también observaron que el pensamiento crítico puede desplazarse hacia verificación, integración y supervisión. Li et al. (2026), por su parte, en una revisión sistemática de 67 estudios empíricos en educación superior, concluyeron que los efectos cognitivos de ChatGPT dependen en gran medida del diseño pedagógico, ya que los usos estructurados y orientados a la indagación pueden favorecer procesos de orden superior, mientras que los contextos no estructurados muestran con mayor frecuencia descarga cognitiva y menor compromiso epistémico.
La pregunta de investigación que orienta el artículo es, por tanto, la siguiente: ¿cómo puede conceptualizarse, con suficiente precisión antropológica y cognitiva, el tránsito desde herramientas que amplían capacidades hacia sistemas capaces de asumir procesamiento, juicio y acción, y bajo qué condiciones esa externalización funciona como amplificación, delegación o desplazamiento? El objetivo general es construir un marco integrador que permita responder esa pregunta sin convertir en equivalentes la eficiencia inmediata, el aprendizaje y la autonomía; como resultado de la síntesis, se propone el Modelo de Externalización de Capacidades y Agencia (MECA), concebido como un modelo conceptual susceptible de operacionalización y contraste empírico posterior.
Marco conceptual
Técnica, exteriorización y constitución de lo humano
En la antropología de la técnica, la relación entre organismo y artefacto no se reduce a la lógica instrumental de un sujeto que utiliza objetos neutros; Leroi-Gourhan (1993) mostró que la evolución humana puede comprenderse atendiendo al entramado entre postura, mano, gesto, herramientas, lenguaje y sistemas de memoria, un planteamiento especialmente fértil para el presente problema porque impide considerar la externalización como una anomalía reciente. La técnica ha operado históricamente como una reorganización del campo de acción posible: prolonga el cuerpo, estabiliza prácticas, conserva huellas y transforma aquello que una comunidad necesita retener internamente.
Stiegler (1998) radicaliza esta intuición mediante la noción de exteriorización: la memoria humana no se reduce a una propiedad cerebral, pues las sociedades conservan experiencia en soportes técnicos que sobreviven al individuo y reconfiguran las posibilidades de aprendizaje de las generaciones posteriores. La escritura, los archivos, los dispositivos de registro y, posteriormente, los sistemas digitales conforman una memoria técnica que altera la relación con el pasado; desde este punto de vista, preguntar qué “perdemos” al externalizar una función resulta insuficiente, porque hay que preguntar simultáneamente qué nuevas operaciones aparecen gracias a esa exteriorización.
Donald (1991) formuló una idea complementaria al describir los sistemas de almacenamiento simbólico externo como una transformación decisiva en la evolución cultural de la cognición, ya que la escritura y otros sistemas externos permiten que la información sea reorganizada, inspeccionada y transmitida en escalas que la memoria biológica individual no podría sostener. Así, la externalización no es sinónimo de reducción, sino que puede constituir un mecanismo de expansión cultural de la inteligencia; el criterio relevante pasa a ser, entonces, la relación entre la capacidad que se descarga y las capacidades que el nuevo entorno permite desarrollar.
Cognición distribuida, mente extendida y compromiso material
La cognición distribuida ofrece un segundo pilar: Hutchins (1995), al estudiar sistemas de navegación, mostró que la unidad funcional de análisis puede exceder al individuo, pues información, cálculos y decisiones se distribuyen entre personas, artefactos, representaciones y rutinas, de modo que la cognición emerge de la coordinación del sistema y no únicamente de procesos internos. Esta perspectiva es esencial para comprender por qué la comparación entre “pensamiento humano” y “pensamiento artificial” puede resultar engañosa cuando ignora la interacción, ya que en muchas actividades el desempeño real ya es híbrido.
Clark y Chalmers (1998) desarrollaron una tesis filosófica afín al proponer que, bajo ciertas condiciones de disponibilidad y acoplamiento, recursos externos pueden formar parte del sistema cognitivo funcional; la conocida tesis de la mente extendida no sostiene que cualquier objeto utilizado por una persona sea literalmente parte de su mente, sino que exige analizar la función que cumple dentro del circuito cognitivo. Malafouris (2013), desde la teoría del compromiso material, profundiza la dimensión histórica y material de ese acoplamiento y rechaza la idea de una mente completamente constituida antes de entrar en relación con los objetos.
Estas tradiciones comparten una consecuencia para el análisis contemporáneo: el uso de una herramienta externa no debe ser tratado a priori como evidencia de pérdida cognitiva, puesto que una libreta, una calculadora o un modelo generativo pueden formar parte de una estrategia inteligente. El problema aparece cuando se confunden dos preguntas diferentes, la de si el sistema persona-herramienta funciona mejor y la de si la persona conserva, desarrolla o debilita la capacidad interna relevante; MECA se construye precisamente sobre esta distinción entre rendimiento del sistema híbrido y trayectoria de la capacidad humana.
Descarga cognitiva, memoria externa y metacognición
Risko y Gilbert (2016) definen la descarga cognitiva como el uso de acciones externas para alterar las demandas de procesamiento de una tarea; escribir un recordatorio, mover objetos para facilitar un cálculo o consultar un dispositivo son formas cotidianas de una estrategia adaptativa. Desde esta perspectiva, la descarga no representa un fracaso del pensamiento, sino una forma de administración de recursos cognitivos limitados, cuyo valor depende del contexto, de la precisión de las creencias metacognitivas y de las exigencias posteriores de la tarea.
Los estudios sobre Internet muestran, sin embargo, que la externalización puede modificar qué se codifica y cómo evaluamos nuestro propio conocimiento: Sparrow et al. (2011) observaron que, cuando las personas esperaban poder acceder posteriormente a información, tendían a recordar menos el contenido y más el lugar donde recuperarlo, mientras que Fisher et al. (2015), en nueve experimentos, encontraron que buscar explicaciones en Internet podía inflar la estimación subjetiva del conocimiento interno. Estos resultados no permiten concluir que Internet “destruya” memoria o comprensión, pero revelan un problema metacognitivo: la disponibilidad de una fuente externa puede confundirse con conocimiento propio.
Las revisiones de Wilmer et al. (2017) y Firth et al. (2019) refuerzan una lectura prudente: las tecnologías digitales pueden apoyar la cognición, pero su relación con atención, memoria y autorregulación es heterogénea y depende del patrón de uso. La evidencia histórica de Internet y teléfonos inteligentes resulta relevante para la IA generativa porque muestra que los efectos de una infraestructura cognitiva no se agotan en la tarea inmediata, dado que los hábitos tecnológicos pueden cambiar qué vale la pena recordar, cuánto esfuerzo dedicamos a buscar y cómo calibramos lo que creemos saber.
Automatización, selección de decisiones y acción
La literatura de factores humanos aporta una distinción que permite pasar de la descarga cognitiva a la agencia: Parasuraman et al. (2000) propusieron analizar la automatización según cuatro clases funcionales, que son la adquisición de información, el análisis de información, la selección de decisiones y acciones, y la implementación de acciones. La automatización no solo reemplaza operaciones, sino que cambia la actividad del operador y genera nuevas exigencias de coordinación, supervisión y confianza; esta taxonomía anticipa así un problema central de la IA generativa, pues no es equivalente automatizar la obtención de información que automatizar la selección de una decisión.
El fenómeno del sesgo de automatización resulta especialmente relevante cuando la herramienta interviene en el juicio. Romeo y Conti (2026), en una revisión de 35 estudios experimentales sobre colaboración humano-IA, describen la sobredependencia de recomendaciones automatizadas incluso cuando existe información contradictoria más fiable, e identifican factores como confianza, experiencia, carga cognitiva, complejidad de la tarea y alfabetización en IA. De este hallazgo se desprende una consecuencia metodológica: mantener formalmente a un “humano en el circuito” no garantiza que exista supervisión sustantiva, porque la agencia requiere capacidad real para comprender, cuestionar y revocar el resultado.
La inteligencia artificial generativa como expansión del espacio de externalización
La IA generativa amplía el alcance de la descarga porque opera sobre lenguaje natural y puede producir estructuras que simulan productos de procesos cognitivos de alto nivel, de manera que un usuario puede delegar búsqueda, síntesis, redacción, comparación de argumentos y formulación de alternativas dentro de una misma interfaz. Esto no implica que el sistema “piense” de la misma manera que un ser humano, cuestión que excede el objetivo de este estudio; lo relevante es funcional, pues, desde la perspectiva del usuario, determinadas operaciones dejan de requerir una ejecución directa y pueden ser transferidas al sistema.
La investigación de 2025 y 2026 muestra que esa transferencia no adopta una forma única. Barcaui (2025), en un ensayo controlado aleatorizado con 120 universitarios y una prueba diferida a 45 días, encontró menor retención en el grupo que estudió con acceso irrestricto a ChatGPT que en el grupo con métodos tradicionales, aunque el resultado se refiere a una intervención concreta y no autoriza generalizaciones universales; Si et al. (2026), por su parte, con 353 estudiantes universitarios chinos, identificaron perfiles heterogéneos de colaboración humano-IA, desde usuarios de preguntas simples hasta “co-pensadores críticos”, con diferencias en autonomía cognitiva y beneficios percibidos.
Dos revisiones de 2026 permiten situar esos hallazgos dentro de un panorama más amplio. Wang et al. (2026) mapearon 123 estudios sobre IA generativa, descarga cognitiva y agencia del estudiante y concluyeron que la evidencia se organiza mejor como configuraciones, en las que los usos orientados a la ampliación y el andamiaje se asocian con autorregulación, autoeficacia y juicio reflexivo, mientras que los usos de sustitución aparecen vinculados con sobredependencia y aceptación acrítica; Li et al. (2026) llegaron a una conclusión compatible al mostrar que los efectos sobre pensamiento crítico y creativo dependen de la ecología pedagógica que rodea la herramienta.
Zhu et al. (2026) introducen una distinción empírica particularmente importante entre descarga cognitiva dependiente y autónoma: en un estudio longitudinal de tres olas con 589 estudiantes universitarios y trabajadores jóvenes, la descarga dependiente se asoció con transferencia de agencia cognitiva y menor motivación intrínseca, mientras la descarga autónoma se vinculó con resultados percibidos más favorables, si bien los autores subrayan que se trata de evidencia correlacional inicial. Para MECA, el valor de esta distinción radica en mostrar que no basta medir frecuencia de uso, sino que es necesario caracterizar el modo de relación que el usuario establece con la herramienta.
Metodología
Enfoque y diseño
El estudio adoptó un enfoque cualitativo mediante un diseño teórico-documental de carácter analítico-interpretativo, con una estrategia de síntesis integrativa y hermenéutico-crítica orientada a construir un modelo conceptual, no a estimar un tamaño de efecto ni a efectuar una revisión sistemática exhaustiva. Este encuadre permite articular tradiciones que utilizan vocabularios distintos, como la antropología de la técnica, la filosofía de la mente, la psicología cognitiva, los factores humanos y la educación, sin asumir que sus constructos sean automáticamente equivalentes.
La revisión persiguió dos propósitos: reconstruir la genealogía conceptual de la externalización de capacidades y contrastar esa genealogía con evidencia reciente sobre inteligencia artificial generativa. El procedimiento se diseñó para diferenciar tres niveles de afirmación, a saber, antecedentes teóricos consolidados, hallazgos empíricos reportados por la literatura y proposiciones originales del modelo MECA; esta separación busca evitar que una interpretación filosófica sea presentada como resultado experimental o que una asociación empírica limitada sea transformada en una ley general.
Corpus documental y criterios de selección
El corpus nuclear quedó integrado por veinte obras y estudios publicados entre 1991 y 2026, entre los que se incluyeron trabajos fundacionales sobre evolución técnico-cultural, memoria externa, cognición distribuida, mente extendida y compromiso material; investigaciones y revisiones sobre descarga cognitiva, memoria digital y automatización; y publicaciones recientes revisadas por pares sobre IA generativa, pensamiento crítico, retención, sesgo de automatización y agencia del estudiante. La localización y verificación bibliográfica se realizó mediante bases y repositorios académicos y editoriales, entre ellos PubMed/PMC, ACM Digital Library, ScienceDirect, Springer, IEEE Xplore, Frontiers, MIT Press y los sitios oficiales de las revistas; en todos los casos se priorizaron los DOI o las páginas editoriales persistentes.
Los criterios de inclusión fueron: a) relación directa con al menos uno de los constructos centrales del estudio; b) trazabilidad editorial; c) relevancia teórica, metodológica o empírica para diferenciar ampliación, descarga, juicio o agencia; y d) en las fuentes recientes, publicación revisada por pares. Se excluyeron artículos periodísticos, piezas de opinión y afirmaciones sobre “atrofia” o “pérdida de inteligencia” sin base empírica suficiente, y también se evitó utilizar preprints como evidencia principal cuando existía literatura revisada por pares disponible.
Procedimiento analítico y criterios de calidad
El análisis se desarrolló en cuatro movimientos: primero, se identificaron unidades funcionales recurrentes en la literatura, es decir, ejecución, almacenamiento, procesamiento, selección/juicio y acción; segundo, se compararon los enfoques según el locus de la capacidad, ya fuera interno, distribuido o externalizado, y según el tipo de relación entre persona y herramienta; tercero, se contrastaron esas categorías con la evidencia reciente sobre IA generativa para identificar condiciones de uso asociadas con apoyo, dependencia, supervisión y transferencia de agencia; y cuarto, se formularon dimensiones y principios del modelo, sometiéndolos a una prueba de coherencia conceptual según la cual cada categoría debía ser distinguible de las demás y permitir derivar preguntas empíricas observables.
La calidad interpretativa se reforzó mediante triangulación conceptual entre disciplinas, trazabilidad de las categorías hacia fuentes reconocibles y una regla de cautela causal, según la cual los resultados autorreportados o correlacionales se describen como asociaciones, mientras que las afirmaciones de efecto se reservan para diseños experimentales que lo permiten. Asimismo, se explicitan las limitaciones del corpus, pues la literatura sobre IA generativa es reciente, predominantemente de corto plazo y muy concentrada en educación superior y trabajo del conocimiento; en consecuencia, MECA se presenta como modelo conceptual propuesto y no como instrumento validado (véase la Tabla 1).
Tabla 1
Síntesis del enfoque metodológico del estudio
| Elemento metodológico | Descripción resumida |
| Enfoque | Cualitativo; revisión teórico-documental analítico-interpretativa. |
| Estrategia | Síntesis integrativa y hermenéutico-crítica orientada a construcción conceptual. |
| Corpus | 20 obras y estudios publicados entre 1991 y 2026 sobre técnica, cognición, descarga, automatización e IA generativa. |
| Inclusión | Relevancia directa; trazabilidad editorial; aporte teórico, metodológico o empírico; revisión por pares para evidencia reciente. |
| Exclusión | Opinión sin respaldo; duplicados conceptuales; afirmaciones no verificables; preprints no necesarios como evidencia principal. |
| Procedimiento | Genealogía conceptual; comparación funcional; contraste con evidencia reciente; construcción y prueba de coherencia del modelo. |
| Criterios de calidad | Triangulación conceptual; trazabilidad; diferenciación entre teoría, asociación y causalidad; explicitación de límites. |
| Alcance | Modelo conceptual propuesto; no constituye validación psicométrica ni revisión sistemática exhaustiva. |
Nota: Elaboración propia a partir del diseño teórico-documental de la investigación.
Resultados
Construcción del Modelo de Externalización de Capacidades y Agencia del continuo histórico a una cartografía funcional
El análisis comparado permite sostener que la externalización de capacidades no constituye una secuencia histórica lineal en la que una tecnología reemplaza completamente a la anterior, ya que las diferentes formas coexisten y se acumulan: una misma persona puede utilizar una máquina para desplazar esfuerzo físico, una agenda para externalizar memoria, un software para procesar datos, un sistema de recomendación para priorizar alternativas y un agente digital para ejecutar acciones. Por ello, MECA no organiza épocas, sino profundidades funcionales de la relación humano-tecnología.
El primer eje del modelo se expresa mediante el continuo: MANO → MEMORIA → COGNICIÓN → JUICIO → AGENCIA. “Mano” funciona como etiqueta antropológica para la ejecución corporal y no como reducción de lo físico a una extremidad anatómica; “memoria” designa externalización de almacenamiento y recuperación; “cognición” agrupa operaciones de transformación de información como cálculo, clasificación, búsqueda, síntesis y generación; “juicio” se separa analíticamente de la cognición porque introduce evaluación, priorización y selección entre alternativas conforme a criterios; y “agencia” refiere a la conversión de una intención en planes y acciones efectivas. La separación es funcional: juicio y agencia siguen siendo fenómenos cognitivos en sentido amplio, pero su diferenciación permite analizar dónde se desplaza la autoridad decisoria (véase la Tabla 2).
Esta arquitectura converge parcialmente con el modelo de Parasuraman et al. (2000), especialmente en la diferenciación entre análisis, selección de decisiones e implementación de acciones, pero MECA añade dos elementos: primero, inserta esas funciones dentro de una genealogía antropológica más amplia que incluye externalización corporal y mnésica; y, segundo, incorpora explícitamente la pregunta por la conservación de la agencia y por la trayectoria temporal de las capacidades humanas.
Tabla 2
Dominios funcionales del Modelo MECA
| Dominio | Capacidad externalizada | Ejemplos | Pregunta analítica |
| Mano | Ejecución física, fuerza y movimiento | Herramientas, maquinaria, vehículos, robótica | ¿Qué deja de ejecutar directamente el cuerpo? |
| Memoria | Almacenamiento y recuperación | Escritura, archivos, agendas, bases de datos | ¿Qué deja de ser necesario retener internamente? |
| Cognición | Procesamiento y transformación de información | Calculadoras, buscadores, analítica, IA generativa | ¿Qué operación intelectual realiza ahora el sistema? |
| Juicio | Evaluación, priorización y recomendación | Recomendadores, apoyo a decisiones, IA evaluativa | ¿Quién establece qué alternativa parece preferible y con qué criterio? |
| Agencia | Planificación e implementación de acciones | Agentes digitales y automatizaciones complejas | ¿Quién convierte la intención en secuencias de acción? |
Nota: Las categorías expresan dominios funcionales superpuestos, no etapas cronológicas ni una jerarquía moral.
La profundidad funcional por sí sola no determina el efecto de una tecnología, pues dos personas pueden externalizar una misma operación y obtener trayectorias cognitivas distintas; por ello, MECA incorpora un segundo eje compuesto por tres modalidades relacionales. La amplificación ocurre cuando la herramienta descarga operaciones y la capacidad liberada permite a la persona ejecutar actividades de igual o mayor complejidad conservando control sustantivo; la delegación, cuando el sistema realiza una parte significativa de la tarea, mientras el sujeto mantiene propósito, criterios, comprensión suficiente, supervisión y posibilidad real de rechazo; y el desplazamiento, cuando el resultado puede obtenerse de manera recurrente sin que la persona ejerza de forma significativa la capacidad que ese resultado aparenta representar.
Estas categorías no son propiedades fijas de la tecnología, ya que una misma IA generativa puede actuar como amplificador cuando presenta contraargumentos a un razonamiento producido por el estudiante, como delegación cuando elabora un borrador que será verificado y reescrito, o como desplazamiento cuando produce la interpretación, los argumentos y la conclusión que el usuario entrega sin comprender ni reconstruir. La unidad de análisis no es “ChatGPT” o “la IA”, sino la configuración que forman persona, herramienta, tarea y contexto.
La distinción de Zhu et al. (2026) entre descarga autónoma y dependiente ofrece apoyo empírico a esta lógica, y MECA no la sustituye, sino que la incorpora dentro de un marco más amplio: la descarga autónoma es compatible con amplificación o delegación supervisada, mientras que la descarga dependiente se aproxima al desplazamiento. A esa distinción, MECA suma el dominio funcional, entendido como la capacidad que se externaliza, y la exposición temporal, dos variables necesarias para distinguir, por ejemplo, delegar rutinariamente cálculo instrumental de delegar sistemáticamente juicio evaluativo.
El tercer eje diferencia uso episódico, recurrente y estructural: una descarga puntual puede no alterar de manera relevante una capacidad; una práctica recurrente puede modificar hábitos de resolución; y una dependencia estructural reorganiza la actividad de manera que el desempeño ordinario presupone la disponibilidad de la herramienta. Esta dimensión permite separar rendimiento inmediato de capacidad futura, puesto que un sistema puede mejorar el producto presente mientras la persona mantiene, desarrolla o debilita la capacidad subyacente, posibilidades distintas que requieren diseños longitudinales para ser distinguidas.
Barcaui (2025) ilustra la importancia del tiempo al evaluar retención 45 días después de la intervención; el estudio no demuestra una ley general sobre la IA, pero muestra por qué las mediciones exclusivamente inmediatas pueden ser insuficientes. En la misma dirección, Zhu et al. (2026) observaron que dos modos de descarga podían producir beneficios inmediatos percibidos comparables, mientras se asociaban con patrones posteriores divergentes, intuición que MECA formaliza mediante la regla: RENDIMIENTO PRESENTE ≠ CAPACIDAD FUTURA.
Conservación de la agencia y retorno cognitivo
La agencia conservada constituye la variable moduladora central del modelo y se operacionaliza conceptualmente mediante cinco componentes: intencionalidad, criterio, comprensión, supervisión y decisión. La intencionalidad pregunta quién define la finalidad de la actividad; el criterio, quién establece qué cuenta como resultado adecuado; la comprensión, si la persona puede explicar suficientemente el producto; la supervisión, si puede detectar errores o contradicciones; y la decisión, si mantiene una posibilidad real de aceptar, modificar, rechazar o detener la acción. La presencia formal de una persona no equivale a agencia si esos componentes han sido vaciados.
El segundo modulador es el retorno cognitivo: la reducción de esfuerzo solo constituye una ampliación humana sostenible cuando el recurso liberado se reinvierte en una actividad de igual o mayor valor cognitivo, creativo, reflexivo o relacional. Una herramienta que resume un conjunto documental puede liberar tiempo para comparar fuentes y construir una interpretación o, por el contrario, permitir que el usuario evite por completo el contacto con las fuentes; en ambos casos el ahorro de esfuerzo es idéntico en la superficie, pero el retorno cognitivo es distinto.
Desde el aprendizaje, esta distinción se relaciona con el principio de dificultades deseables: Bjork y Bjork (2011) mostraron que ciertas condiciones que dificultan el desempeño inmediato pueden mejorar retención y transferencia. MECA no propone conservar esfuerzo por el esfuerzo mismo, sino que distingue entre fricción improductiva y fricción formativa; así, automatizar la copia de datos puede ser beneficioso, mientras que automatizar el razonamiento que constituye el objetivo de aprendizaje puede vaciar la experiencia pedagógica, aunque mejore el producto. La Figura 1 integra estos componentes en la arquitectura conceptual del modelo:
Figura 1
Arquitectura conceptual del Modelo MECA
Nota: Elaboración propia.
La profundidad funcional no implica superioridad moral; las modalidades describen la relación entre persona, herramienta y tarea, mientras que la agencia conservada y el retorno cognitivo modulan el efecto de la externalización.
Principios derivados del Modelo MECA
Principio de conservación de la agencia. Una externalización será predominantemente amplificadora cuando la persona conserve capacidad significativa para definir el propósito, establecer criterios, comprender suficientemente el resultado, supervisarlo y decidir sobre su aceptación o ejecución; este principio no exige que el ser humano realice manualmente cada operación, sino que mantenga gobierno significativo sobre la actividad.
Principio de retorno cognitivo. La externalización tiene mayor potencial amplificador cuando el esfuerzo liberado se reinvierte en capacidades de igual o mayor nivel, de modo que la variable crítica no es solamente cuánto esfuerzo se reduce, sino qué actividad humana ocupa el espacio liberado.
Principio de proporcionalidad de la supervisión. Cuanto mayor sea la profundidad funcional de la capacidad externalizada y mayores sean las consecuencias del error, mayor debe ser la competencia humana necesaria para supervisar el sistema; este principio adquiere importancia en juicio y agencia porque una recomendación altamente sofisticada puede exceder la capacidad de auditoría del usuario, favoreciendo sobreconfianza o sesgo de automatización (Romeo & Conti, 2026).
Principio de ganancia antropológica. Una externalización constituye una ampliación humana sostenible cuando incrementa las posibilidades de comprensión, creación, juicio, aprendizaje o acción responsable sin producir una pérdida desproporcionada de las capacidades necesarias para gobernar el proceso; de este modo, el principio desplaza la evaluación tecnológica desde la mera eficiencia hacia la transformación del sujeto que convive con la herramienta (véase la Tabla 3):
Tabla 3
Ejes y principios analíticos del Modelo MECA
| Componente | Pregunta de análisis | Indicadores conceptuales |
| Profundidad funcional | ¿Qué capacidad se externaliza? | Mano, memoria, cognición, juicio, agencia. |
| Modalidad | ¿Cómo se externaliza? | Amplificación, delegación, desplazamiento. |
| Exposición temporal | ¿Con qué recurrencia se externaliza? | Episódica, recurrente, estructural. |
| Agencia conservada | ¿Qué gobierno mantiene la persona? | Intencionalidad, criterio, comprensión, supervisión, decisión. |
| Retorno cognitivo | ¿En qué se reinvierte el esfuerzo liberado? | Comprensión, creación, reflexión, juicio, aprendizaje, relación humana. |
| Supervisión proporcional | ¿La capacidad de auditoría es suficiente para el nivel de delegación? | Pericia, verificabilidad, posibilidad de contradicción, consecuencias del error. |
| Ganancia antropológica | ¿La tecnología expande posibilidades humanas sin vaciar el control sobre ellas? | Autonomía, transferencia, comprensión, responsabilidad, desempeño no asistido. |
Nota: Elaboración propia a partir de la síntesis conceptual desarrollada en el estudio.
Discusión
La inteligencia artificial no inaugura la externalización: modifica su profundidad
El primer aporte de la síntesis es histórico-conceptual: presentar la IA como el punto de origen de una supuesta “renuncia a pensar” invisibiliza que la cognición humana se ha desarrollado en interacción con soportes externos y que la escritura, el archivo y el cálculo mecánico ya redistribuyeron funciones entre organismo y entorno. La diferencia actual reside en que los sistemas generativos integran dentro de una misma interfaz operaciones que antes estaban distribuidas entre varios artefactos y, además, intervienen en formulación lingüística, comparación y recomendación; en términos de MECA, se amplía la accesibilidad cotidiana a los dominios de cognición, juicio y agencia.
Esta interpretación permite evitar una narrativa de decadencia lineal: los registros externos de memoria no eliminaron la memoria humana, sino que cambiaron sus funciones culturales; la automatización industrial tampoco volvió irrelevante toda capacidad corporal, sino que desplazó ciertas ejecuciones y creó nuevas exigencias. Del mismo modo, no existe base suficiente para afirmar que la IA generativa producirá inevitablemente deterioro cognitivo, por lo que la cuestión científica debe formularse en términos condicionales: qué capacidades, en qué tareas, bajo qué modalidad de interacción, durante cuánto tiempo y con qué oportunidad posterior de ejecución no asistida.
Del producto al proceso: un problema de inferencia educativa
La IA generativa introduce una dificultad particular para la evaluación educativa porque debilita la inferencia tradicional entre calidad del producto y dominio de la capacidad. Durante mucho tiempo, un ensayo coherente funcionó como evidencia indirecta de lectura, selección de ideas, argumentación y escritura; hoy, un modelo generativo puede producir un artefacto lingüístico de calidad sin que todas esas operaciones hayan sido ejecutadas por el estudiante, de modo que el producto, aunque no sea necesariamente inválido, deja de ser una medida suficiente del proceso formativo.
Esta ruptura explica por qué el eje de amplificación, delegación y desplazamiento resulta más útil que una regla binaria de permitir o prohibir la IA. En una tarea cuyo objetivo sea aprender a argumentar, pedir al sistema que produzca la tesis y toda la estructura antes de que el estudiante haya formulado una posición puede desplazar la actividad que se pretende desarrollar, mientras que, en una fase posterior, pedir al mismo sistema que genere objeciones difíciles puede aumentar la exigencia argumentativa; la herramienta permanece igual, pero cambia la función pedagógica.
La revisión de Li et al. (2026) respalda esta interpretación al identificar mejores resultados cuando ChatGPT se integra en diseños de indagación y andamiaje con regulación metacognitiva, razonamiento argumentativo y evaluación guiada; Wang et al. (2026), por su parte, encuentran que la agencia del estudiante no puede reducirse a presencia o ausencia de IA, sino que depende de configuraciones de autorregulación, intencionalidad y juicio reflexivo. MECA organiza esas configuraciones en una matriz que permite vincularlas con capacidades específicas y con el tiempo de exposición.
El juicio como frontera crítica
La separación analítica entre cognición y juicio constituye uno de los elementos centrales del modelo, pues, aunque desde un punto de vista psicológico amplio juzgar es una actividad cognitiva, no toda transformación de información tiene la misma relación con la responsabilidad. Clasificar mil registros, calcular una regresión y decidir qué evidencia debe aceptarse como suficiente pueden depender de herramientas externas, pero las consecuencias epistémicas y normativas no son equivalentes, porque el juicio introduce criterios de relevancia, valor y preferencia.
En los sistemas generativos esa frontera se vuelve porosa porque una salida lingüística puede contener simultáneamente descripción, explicación y recomendación, de modo que el usuario puede recibir una respuesta que no solo resume opciones, sino que jerarquiza cuál parece mejor; si el sistema es fluido y convincente, la recomendación puede adquirir autoridad independientemente de su confiabilidad real. La revisión de Romeo y Conti (2026) muestra que la sobredependencia no desaparece automáticamente con explicaciones del sistema; el compromiso activo del usuario y la capacidad de verificación siguen siendo cruciales.
De aquí deriva una de las tensiones más importantes del futuro: cuanto más competente parezca la herramienta, mayor puede ser la tentación de reducir el conocimiento requerido para supervisarla, pero en tareas de alta consecuencia ocurre también lo contrario. Para detectar una mala recomendación estadística hay que comprender suficiente estadística; para reconocer una explicación médica incorrecta se necesita pericia clínica; para evaluar una fuente inexistente hay que saber verificarla; en suma, una automatización más potente puede trasladar la pericia desde la producción hacia la auditoría, no eliminar su necesidad.
Agencia, dependencia y beneficios inmediatos
La distinción entre descarga dependiente y autónoma de Zhu et al. (2026) ayuda a explicar por qué los beneficios inmediatos pueden ser una señal insuficiente: ambos modos pueden reducir esfuerzo y mejorar la experiencia inmediata, pero se asocian con patrones distintos de agencia y motivación. Si el usuario solo evalúa la herramienta por velocidad o calidad aparente del producto, puede no detectar un cambio gradual en quién define las preguntas, selecciona criterios o construye conclusiones.
Si et al. (2026) aportan otra advertencia: los usuarios de IA generativa no forman un grupo homogéneo, pues los perfiles encontrados combinan intensidad y estilos de uso distintos, lo que hace metodológicamente inadecuado correlacionar simplemente “cantidad de IA” con pensamiento crítico. MECA sugiere que futuros estudios deberían codificar la profundidad funcional de la tarea y la modalidad de externalización, dado que dos personas que usan una IA durante una hora pueden estar realizando actividades cognoscitivas radicalmente distintas.
El ensayo de Barcaui (2025) añade evidencia experimental específica sobre retención, pero su resultado debe interpretarse dentro de sus límites: una muestra concreta, contenido concreto y condición de uso irrestricto. Su principal valor para este marco es metodológico, ya que demuestra la utilidad de incluir pruebas diferidas: si una tecnología mejora el desempeño inmediato y reduce la capacidad no asistida varias semanas después, la evaluación cambia; si mantiene o mejora ambos, tendríamos evidencia de amplificación robusta. La variable temporal es, por tanto, indispensable.
Proposiciones contrastables y agenda de validación
Para que MECA alcance valor científico más allá de su utilidad heurística, debe generar afirmaciones susceptibles de refutación. El modelo no asigna puntuaciones ni pesos numéricos en esta fase porque ello produciría una precisión no respaldada por validación; en cambio, formula proposiciones que pueden transformarse en hipótesis y someterse a diseños experimentales o longitudinales (véase la Tabla 4).
Primera proposición: la profundidad de la externalización no determinará por sí sola un deterioro de la capacidad, ya que, a igualdad de dominio funcional, los resultados dependerán de la modalidad de uso y de la agencia conservada. Por ejemplo, externalizar cognición mediante un sistema que obliga a justificar, verificar y reformular debería producir mejores resultados de transferencia que externalizar la misma operación mediante aceptación pasiva.
Segunda proposición: la conservación de agencia actuará como moderadora entre asistencia tecnológica y autonomía posterior, de modo que los usuarios que mantengan intencionalidad, criterios, comprensión, supervisión y decisión deberían mostrar mayor capacidad para detectar errores y resolver tareas nuevas sin asistencia que usuarios con similar acceso tecnológico pero menor control cognitivo.
Tercera proposición: el retorno cognitivo distinguirá ahorro de esfuerzo de desarrollo; cuando el esfuerzo liberado por la automatización se reinvierta deliberadamente en actividades de nivel superior, como el contraste de fuentes, la evaluación, la creación, la explicación o la transferencia, la relación entre asistencia y aprendizaje debería ser más favorable.
Cuarta proposición: las diferencias entre amplificación y desplazamiento serán más visibles en mediciones diferidas y tareas de transferencia que en la calidad inmediata del producto, lo que puede evaluarse comparando desempeño asistido, comprensión, retención, transferencia y desempeño posterior sin asistencia.
Quinta proposición: la externalización recurrente del juicio tendrá consecuencias diferentes de la externalización rutinaria de operaciones instrumentales, especialmente cuando el usuario carezca de criterios independientes de verificación; este supuesto, sin embargo, debe evaluarse de forma empírica y no tomarse como conclusión anticipada.
Tabla 4
Proposiciones del Modelo MECA y posibilidades de contraste empírico
| Proposición | Predicción general | Indicadores posibles |
| P1. Profundidad no determinista | La misma capacidad externalizada producirá resultados distintos según modalidad y agencia. | Transferencia; calidad de justificación; desempeño sin asistencia. |
| P2. Agencia moderadora | Mayor agencia conservada se asociará con mayor autonomía posterior. | Detección de errores; rechazo de recomendaciones; explicación del resultado. |
| P3. Retorno cognitivo | La reinversión del esfuerzo liberado favorecerá aprendizaje de mayor nivel. | Metacognición; elaboración; creación; contraste de fuentes. |
| P4. Efectos diferidos | Las diferencias entre amplificación y desplazamiento serán más claras con el tiempo. | Retención diferida; transferencia; desempeño autónomo longitudinal. |
| P5. Profundidad del juicio | Delegar juicio recurrentemente será más sensible a baja supervisión que delegar operaciones instrumentales. | Sesgo de automatización; calibración de confianza; calidad de decisiones. |
Nota: Las proposiciones son hipótesis teóricas derivadas del modelo; no representan resultados empíricos ya demostrados.
Implicaciones para educación, trabajo del conocimiento y diseño de sistemas
En educación, MECA desplaza la pregunta institucional desde “¿se permite IA?” hacia “¿qué capacidad es el objetivo de aprendizaje y qué parte de ella puede externalizarse sin vaciar la experiencia formativa?”. Esto supone diseñar tareas con momentos diferenciados, como la producción inicial propia, el contraste asistido, la verificación, la reelaboración y la demostración de transferencia; exige, asimismo, evaluar procesos y no únicamente productos, especialmente cuando el artefacto final puede generarse con una participación cognitiva mínima.
En el trabajo del conocimiento, el modelo permite distinguir entre automatización de operaciones y transferencia de autoridad, ya que una persona puede beneficiarse de sistemas que buscan, resumen o generan alternativas siempre que conserve criterios suficientes para juzgar la salida. Lee et al. (2025) muestran que el pensamiento crítico puede migrar hacia verificación y gestión de tareas, movimiento que MECA interpreta como amplificación potencial si el trabajador posee la competencia necesaria para esa nueva función de supervisión; si no la posee, la misma redistribución puede convertirse en desplazamiento.
En diseño de sistemas, la consecuencia es que la usabilidad no debería medirse exclusivamente por reducción de fricción, pues las interfaces que hacen demasiado fácil aceptar una recomendación pueden aumentar eficiencia y, al mismo tiempo, debilitar el compromiso crítico. Diseños orientados a conservar agencia podrían introducir mecanismos de contraste, solicitud de razones, visualización de incertidumbre, obligación de seleccionar criterios o pausas de verificación en tareas de alto impacto; en este sentido, el principio de proporcionalidad de la supervisión ofrece una regla general: cuanto mayor sea la profundidad de la delegación y el costo del error, mayor debe ser la capacidad de inspección y reversibilidad.
Limitaciones del modelo y del estudio
MECA presenta cuatro limitaciones principales. Primero, utiliza categorías discretas para representar fenómenos que en la práctica forman continuos y pueden solaparse; la frontera entre procesamiento y juicio, por ejemplo, puede variar según la tarea. Segundo, la noción de profundidad funcional no debe interpretarse como una escala de valor ontológico, pues externalizar agencia no es intrínsecamente peor que externalizar memoria, aunque exige condiciones distintas de supervisión y responsabilidad.
Tercero, la base empírica reciente sobre IA generativa sigue siendo joven: aunque en 2026 ya existen revisiones amplias, una parte importante de los estudios es transversal, autorreportada, de corta duración y concentrada en población universitaria, e incluso resultados longitudinales como los de Zhu et al. (2026) se describen prudentemente como asociaciones. Por tanto, cualquier afirmación sobre “erosión” o “fortalecimiento” de capacidades requiere evidencia longitudinal, pruebas conductuales y replicación intercultural.
Cuarto, este trabajo es una revisión teórico-documental integrativa y no una revisión sistemática exhaustiva; la selección priorizó textos fundacionales y evidencia reciente relevante para construir el modelo, de modo que no pretende cubrir todas las tradiciones sobre técnica, cognición o automatización. Una siguiente fase debería realizar una revisión sistemática o un estudio Delphi para depurar constructos, seguido de validación de contenido, operacionalización de indicadores y pruebas empíricas del modelo.
Comentarios finales
La pregunta “¿quién mató la inteligencia?” resulta científicamente fértil solo cuando deja de buscar un culpable tecnológico único, pues la historia antropológica muestra que el ser humano se constituye en relación con herramientas que amplían y redistribuyen sus capacidades. La inteligencia artificial generativa no inaugura esa trayectoria; su novedad está en la combinación y accesibilidad de funciones que permiten externalizar no solo ejecución, almacenamiento o cálculo, sino también formulación, evaluación y, progresivamente, planificación de acciones.
El Modelo MECA organiza esta transformación mediante cinco dominios, a saber, mano, memoria, cognición, juicio y agencia; tres modalidades, esto es, amplificación, delegación y desplazamiento; y una dimensión temporal que distingue lo episódico, lo recurrente y lo estructural. La conservación de la agencia y el retorno cognitivo impiden reducir el análisis a cuánto trabajo realiza la máquina, puesto que dos usos tecnológicamente similares pueden producir relaciones humanas muy distintas según quién define la finalidad, quién establece los criterios, quién comprende y supervisa el producto, quién decide y qué se hace con el esfuerzo liberado.
La evidencia contemporánea no justifica afirmar que la IA generativa esté “matando” la inteligencia, pero sí justifica abandonar la ingenuidad de equiparar rendimiento inmediato con aprendizaje, acceso a información con conocimiento propio o presencia humana con supervisión efectiva. Los resultados disponibles apuntan hacia una tesis condicional: las consecuencias cognitivas de la IA dependen de la arquitectura de uso, del contexto pedagógico o profesional, de la calibración de confianza y de la capacidad de mantener agencia sobre el proceso.
La cuestión antropológica decisiva no es, entonces, cuánto puede hacer una máquina en lugar del ser humano, sino qué capacidades consideramos necesario conservar y desarrollar incluso cuando ya no sean estrictamente necesarias para obtener un producto competente. Una civilización técnicamente avanzada puede externalizar muchas operaciones sin empobrecerse si transforma el esfuerzo liberado en comprensión, creación, juicio y responsabilidad; el riesgo aparece cuando la facilidad para obtener resultados vuelve innecesario practicar las capacidades que permiten comprenderlos y gobernarlos.
Por ello, el criterio de progreso tecnológico debería incorporar una pregunta que la eficiencia por sí sola no responde: ¿en qué clase de sujeto nos convierte el uso recurrente de esta herramienta? MECA propone convertir esa pregunta filosófica en un programa de investigación empírica; el desafío no consiste en defender una supuesta pureza humana frente a la tecnología, sino en diseñar relaciones tecnológicas capaces de ampliar nuestras posibilidades sin vaciar la agencia que debe orientarlas.
Referencias
Barcaui, A. (2025). ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention. Social Sciences & Humanities Open, 12, 102287. https://doi.org/10.1016/j.ssaho.2025.102287
Bjork, E. L., & Bjork, R. A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. In M. A. Gernsbacher, R. W. Pew, L. M. Hough, & J. R. Pomerantz (Eds.), Psychology and the real world: Essays illustrating fundamental contributions to society (pp. 56–64). Worth Publishers.
Clark, A., & Chalmers, D. (1998). The extended mind. Analysis, 58(1), 7–19. https://doi.org/10.1093/analys/58.1.7
Donald, M. (1991). Origins of the modern mind: Three stages in the evolution of culture and cognition. Harvard University Press.
Firth, J., Torous, J., Stubbs, B., Firth, J. A., Steiner, G. Z., Smith, L., Alvarez-Jimenez, M., Gleeson, J., Vancampfort, D., Armitage, C. J., & Sarris, J. (2019). The “online brain”: How the Internet may be changing our cognition. World Psychiatry, 18(2), 119–129. https://doi.org/10.1002/wps.20617
Fisher, M., Goddu, M. K., & Keil, F. C. (2015). Searching for explanations: How the Internet inflates estimates of internal knowledge. Journal of Experimental Psychology: General, 144(3), 674–687. https://doi.org/10.1037/xge0000070
Hutchins, E. (1995). Cognition in the wild. MIT Press. https://mitpress.mit.edu/9780262581462/cognition-in-the-wild/
Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (Article 1121, pp. 1–22). Association for Computing Machinery. https://doi.org/10.1145/3706598.3713778
Leroi-Gourhan, A. (1993). Gesture and speech (A. Bostock Berger, Trans.). MIT Press. https://mitpress.mit.edu/9780262121736/gesture-and-speech/
Li, C., Cui, H., & Hagedorn, L. S. (2026). The cognitive impact of ChatGPT in higher education: A systematic review of critical and creative thinking outcomes. Computers and Education: Artificial Intelligence, 10, 100571. https://doi.org/10.1016/j.caeai.2026.100571
Malafouris, L. (2013). How things shape the mind: A theory of material engagement. MIT Press. https://mitpress.mit.edu/9780262019194/how-things-shape-the-mind/
Parasuraman, R., Sheridan, T. B., & Wickens, C. D. (2000). A model for types and levels of human interaction with automation. IEEE Transactions on Systems, Man, and Cybernetics – Part A: Systems and Humans, 30(3), 286–297. https://doi.org/10.1109/3468.844354
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
Romeo, G., & Conti, D. (2026). Exploring automation bias in human–AI collaboration: A review and implications for explainable AI. AI & Society, 41, 259–278. https://doi.org/10.1007/s00146-025-02422-7
Si, S., Qi, Y., Xu, J., & Qi, X. (2026). When thinking is outsourced: Cognitive offloading and the heterogeneity of critical thinking among Chinese university students using generative artificial intelligence. Journal of Intelligence, 14(7), 116. https://doi.org/10.3390/jintelligence14070116
Sparrow, B., Liu, J., & Wegner, D. M. (2011). Google effects on memory: Cognitive consequences of having information at our fingertips. Science, 333(6043), 776–778. https://doi.org/10.1126/science.1207745
Stiegler, B. (1998). Technics and time, 1: The fault of Epimetheus (R. Beardsworth & G. Collins, Trans.). Stanford University Press.
Wang, G., Wang, W., Yang, D., & Ren, J. (2026). Generative AI, cognitive offloading, and learner agency in higher education: A scoping review. Behavioral Sciences, 16(7), 1150. https://doi.org/10.3390/bs16071150
Wilmer, H. H., Sherman, L. E., & Chein, J. M. (2017). Smartphones and cognition: A review of research exploring the links between mobile technology habits and cognitive functioning. Frontiers in Psychology, 8, 605. https://doi.org/10.3389/fpsyg.2017.00605
Zhu, Q., Li, X., Dong, Y., Chang, P., & Fan, M. (2026). Not all cognitive offloading is equal: Distinguishing dependent and autonomous offloading to generative AI. Frontiers in Psychology, 17, 1878629. https://doi.org/10.3389/fpsyg.2026.1878629
