El psicólogo Daniel Kahneman demostró hace algunos años algo incómodo: nuestro sistema de toma de decisiones no es tan racional ni tan eficiente como nos gusta pensar, sino que está profundamente sesgado, lleno de atajos mentales y sujeto a importantes limitaciones cognitivas. No es parte de las discusiones de las ciencias si somos emocionales o racionales: eso ya ha quedado claro. En su célebre libro Thinking, Fast and Slow, propone que el pensamiento opera mediante dos sistemas: uno rápido, automático e intuitivo (Sistema 1), que nos permite responder con rapidez, pero es más propenso a cometer errores; y otro lento, deliberativo y analítico (Sistema 2), que requiere un mayor esfuerzo cognitivo y, cuando se activa, puede corregir las intuiciones iniciales. Ambos son indispensables para el funcionamiento cotidiano, pero el Sistema 1 suele dominar la mayor parte de nuestras decisiones. Digamos que, a nivel decisional, con frecuencia recurrimos a heurísticos: atajos mentales basados en experiencias previas, emociones o generalizaciones, que simplifican el juicio y permiten actuar con rapidez, aunque también aumentan la probabilidad de cometer errores sistemáticos. Trabajos recientes muestran cómo las personas comienzan a delegar decisiones cotidianas a modelos de lenguaje como ChatGPT, Claude o Gemini. En un estudio longitudinal aleatorizado publicado en 2026, Luettgau y colaboradores trabajaron con una muestra de 6,474 participantes del Reino Unido, quienes conversaron durante veinte minutos con GPT-4o, Llama 3.3 70B o Gemini 3 Pro sobre problemas reales relacionados con la salud, el trabajo o las relaciones personales. Los resultados mostraron que hasta el 79 % de los participantes afirmó haber seguido posteriormente alguna recomendación del modelo. Más aún, el seguimiento se mantuvo por encima del 60 %, incluso cuando las recomendaciones implican decisiones importantes o potencialmente difíciles de revertir. Siguiendo con Kahneman, la IA sería un nuevo atajo o heurístico; no obstante, es necesario el panorama del problema. A mi parecer, se conjuntan al menos tres elementos: 1) personas que deben tomar decisiones en un mundo cada vez más complejo e incierto; 2) herramientas accesibles que ofrecen respuestas inmediatas, personalizadas y aparentemente bien fundamentadas, aunque puedan contener errores; y 3) una creciente desconfianza en las fuentes tradicionales de autoridad y conocimiento, lo que favorece que los modelos de lenguaje sean percibidos como una alternativa legítima para orientar decisiones cotidianas. Como si esta tecnología fuera un oráculo portátil y, en realidad, solo es una tecnología que produce secuencias de tokens o, poniéndonos muy barcos, lenguaje. Ahora bien, ¿qué ocurre cuando una IA decide por mí? En primer lugar, conviene reconocer que, desde hace años, somos sujetos algorítmicamente asistidos: los sistemas de aprendizaje automático nos recomiendan películas, música, rutas, planes y muchas otras cosas. La idea de una decisión completamente pura, racional y libre de mediaciones es, en buena medida, una fantasía. Sin embargo, delegar decisiones en un modelo de lenguaje plantea problemas más profundos. El primero es que un LLM produce textos, no resultados sobre el mundo. Su operación consiste en inferir secuencias lingüísticamente probables, no en anticipar de manera fiable lo que ocurrirá, por más seguro que parezca. Si confundimos una respuesta plausible con una predicción correcta, terminamos suponiendo que un texto bien construido equivale a conocer el futuro. Un texto publicado el año pasado por el equipo de investigación en inteligencia artificial de Apple muestra que los modelos colapsan al alcanzar cierto grado de complejidad. El problema no es, en sí mismo, que tengan umbrales de colapso: eso es completamente comprensible, pues, al final, se trata de sistemas computacionales con capacidades limitadas. El problema es que colapsan cuando aumenta la complejidad de problemas cuyas reglas permanecen constantes. Es decir, las reglas del juego no cambian y, aun así, el desempeño se degrada. Este colapso parece estar relacionado con una fuerte dependencia del contexto lingüístico. Ello sugiere que el modelo opera mediante una reducción del mundo a representaciones estadísticas reconocibles en un momento determinado, pero sin mantener una representación suficientemente estable de ese mundo a lo largo de más procesamientos. Por eso, confiarle una decisión supone tratar como un oráculo a lo que, en realidad, es un pequeño simulacro: un sistema cuya capacidad para sostener y ejecutar “sobre el mundo” depende de lo que se representa estadísticamente en el momento y se deteriora, precisamente, a medida que aumenta el número de elementos “del mundo”. Volvamos a Kahneman. Cuando el autor explica que decidimos mediante atajos mentales y heurísticos, parte de una condición fundamental: incluso estos procedimientos simplificados se alimentan de la experiencia acumulada. Por más cotidiana que sea la decisión o más necesario sea volverla analítica mediante un S2, sigue operando sobre experiencias, recuerdos y situaciones vinculadas con el mundo vivido y constante. Probablemente, una IA pueda ayudarnos a decidir de manera eficiente en contextos instrumentales, como exámenes o pruebas. Sin embargo, cuando pasamos a las decisiones emocionales de la vida cotidiana, la complejidad se vuelve desbordante, ya que no hay continuidad biográfica y práctica. Quiero poner un pequeño ejemplo siguiendo a Kahneman en una de sus charlas de TED. Supongamos que alguien formula un prompt para decidir algo relacionado con su felicidad. El autor estadounidense muestra que la felicidad es un concepto complejo que suele abordarse desde, al menos, dos dimensiones: la experiencia inmediata, vinculada con aquello a lo que prestamos atención y sentimos en el presente, y la evaluación retrospectiva, construida por la memoria y expresada como satisfacción con la vida. El problema es que un modelo de lenguaje no accede directamente a ninguna de las dos. No puede observar la experiencia vivida de la persona ni reconstruir con fidelidad la forma en que su memoria organiza años de expectativas, deseos y recuerdos. Solo dispone de una descripción lingüística contextual, necesariamente parcial, producida en un momento específico que no tiene relación directa con una constante biográfica. Por ello, cuando recomienda qué decisión haría “más feliz” a alguien, no calcula realmente su felicidad: genera una respuesta plausible a partir de una representación incompleta de aquello que está depositado en un contexto lingüístico limitado. Vicente, en 2024, publicó en Nature resultados concluyentes sobre los sesgos que se inducen cuando se siguen ciegamente las recomendaciones en salud. Ikeda, en el mismo año, presentó las inconsistencias en las respuestas de ChatGPT ante consultas similares. Los estudios disponibles indican que delegar decisiones a sistemas de inteligencia artificial puede tener consecuencias que van más allá de tomar una buena o mala decisión, lo que, por sí mismo, necesita un debate. Si las personas trasladan con frecuencia el consejo del modelo a su conducta cotidiana, incluso cuando no se observan beneficios sostenidos (porque no hay indicadores), pueden internalizar sus sesgos, atribuirse menor responsabilidad por las decisiones tomadas y conformarse con recomendaciones artificiales frente a su propia información y su mundo, lo constante y lo complejo se reduce a lo contextual. En este sentido, el principal riesgo de la delegación consiste en que reorganice progresivamente el modo en que las personas construyen su vida, ejercen su juicio y se reconocen como responsables de sus actos, y pasemos a una vida organizada por respuestas arbitrarias. Únete a nuestro canal ¡EL UNIVERSAL ya está en Whatsapp!, desde tu dispositivo móvil entérate de las noticias más relevantes del día, artículos de opinión, entretenimiento, tendencias y más.