¿Podemos aprender a elegir cómo pensamos?

Una hipótesis sobre metacognición y selección de estrategias, inspirada por el diseño de agentes de IA

Llevo años trabajando como ingeniero y, con el tiempo, fui adquiriendo formas de abordar problemas que utilizaba mucho antes de conocer sus nombres.

Aprendí que algunos problemas necesitaban abstracción antes que una solución. Otros exigían descomponer un sistema, identificar dependencias o poner a prueba una hipótesis. A veces el obstáculo no estaba en el problema técnico, sino en mi manera de abordarlo: insistía en una estrategia que no funcionaba, buscaba una respuesta sin suficiente información o examinaba detalles cuando necesitaba revisar una premisa.

Después encontré nombres para varias de esas prácticas: metacognición, pensamiento sistémico, formulación de hipótesis, razonamiento probabilístico y reflexión sobre la propia práctica.

No las había descubierto. Había llegado, por experiencia, a fragmentos de conocimiento que ya existía. Eso me llevó a una pregunta:

¿Cuántas herramientas para pensar aprendemos tarde y de manera fragmentaria, cuando podríamos conocerlas y practicarlas antes?

Años después, al trabajar con modelos de lenguaje y agentes de IA, volví a encontrarme con esa pregunta desde otra dirección.

Tener capacidad no equivale a saber organizarla

Quienes diseñamos sistemas con modelos de lenguaje observamos que un mismo modelo puede producir resultados distintos según el contexto que recibe, las herramientas disponibles, el procedimiento que sigue, la manera de dividir el trabajo y la forma de evaluar sus respuestas.

Por eso nosotros hemos ido construyendo alrededor de los modelos mecanismos de memoria, recuperación de información, uso de herramientas, selección de procedimientos y verificación. No son capacidades que la IA haya decidido añadirse por sí misma. Son decisiones humanas de diseño para orientar y comprobar lo que hace el sistema.

Esa experiencia me sugirió una analogía limitada:

¿Hasta qué punto nuestro desempeño depende de las capacidades cognitivas que poseemos y hasta qué punto depende de reconocer cuándo y cómo utilizarlas?

No estoy diciendo que el cerebro funcione como un LLM, que tengamos agentes independientes en la cabeza ni que debamos «programarnos» mediante prompts. La analogía sirve para volver visible un problema de selección, apoyo externo y evaluación. Al investigar, descubrí que gran parte de ese problema ya tiene antecedentes importantes.

La psicología ya estudia cómo observamos nuestro pensamiento

John Flavell contribuyó a establecer el estudio de la metacognición: el conocimiento que podemos tener sobre nuestros procesos cognitivos y la posibilidad de monitorear aspectos de ellos. Thomas Nelson y Louis Narens distinguieron después, en su marco sobre la memoria, entre un nivel que realiza una tarea y otro que monitorea e influye en ese desempeño.

Conviene conservar el alcance de esas propuestas. El marco de Nelson y Narens procede principalmente de la investigación sobre metamemoria; no demuestra que exista un centro universal de control de la mente. Pero ayuda a distinguir dos operaciones que nos interesan: resolver un problema y evaluar cómo lo estamos resolviendo. [1, 2]

Esa diferencia plantea una dificultad práctica. Conocer una estrategia mejor no basta si no advertimos que la estrategia actual está fallando.

Saber hacer algo no significa reconocer cuándo hacerlo

David Perkins, Eileen Jay y Shari Tishman propusieron distinguir tres componentes de una disposición para pensar: capacidad para emplear una estrategia, inclinación a hacerlo y sensibilidad a la ocasión para reconocer cuándo hace falta. [3]

Una persona puede saber construir contraargumentos y omitirlos al defender una idea propia. Puede conocer las tasas base y olvidarlas ante una historia convincente. Puede ser capaz de abstraer y permanecer, aun así, atrapada en detalles.

En esos casos, enseñar la técnica quizá no sea suficiente. También hay que practicar el reconocimiento de las situaciones que requieren esa técnica.

La «sensibilidad a la ocasión» se parece a una parte de lo que, desde la ingeniería, yo habría llamado routing: reconocer las demandas de una tarea y escoger un procedimiento. La semejanza es funcional. No supone que exista un router literal en el cerebro, y nos recuerda que esta cuestión se investigaba antes de que diseñáramos agentes de IA.

La autorregulación ya estudia los cambios de estrategia

La literatura sobre aprendizaje autorregulado examina cómo las personas interpretan una tarea, fijan objetivos, aplican procedimientos, observan resultados y ajustan su actuación. Butler y Winne destacaron la función del monitoreo y la retroalimentación en ese proceso. [4]

Winne y Hadwin desarrollaron un modelo que incluye las condiciones de una tarea, las operaciones realizadas, sus productos, la evaluación de esos productos y los estándares utilizados; de ahí el acrónimo COPES. Zimmerman, desde otro enfoque, describió fases cíclicas de planificación, ejecución y autorreflexión. Son modelos distintos, con énfasis propios; reunirlos bajo la palabra «autorregulación» no los convierte en una sola teoría. [13, 14]

Lo relevante para esta pregunta es que modificar estratégicamente la propia conducta cognitiva ya constituye un campo de estudio. Nuestra propuesta tendría que precisar qué añade, si añade algo, a esos antecedentes.

Pensar también cuesta

Existe además investigación específica sobre la selección de estrategias. Falk Lieder y Thomas Griffiths formularon un modelo de metarrazonamiento racional: pensar consume recursos, así que también cabe preguntar qué procedimiento elegir, cuánto tiempo dedicarle y cuándo detenerse. [5]

Desde otra tradición, Gerd Gigerenzer, Peter Todd y sus colaboradores estudiaron un repertorio de heurísticas y su ajuste a las estructuras del entorno: una estrategia puede ser útil en ciertas condiciones sin ser universalmente superior. La idea de una adaptive toolbox invita a examinar el encaje entre problema, información disponible y procedimiento. [7]

El marco del valor esperado del control, desarrollado por Amitai Shenhav, Matthew Botvinick y Jonathan Cohen, también analiza la asignación del control cognitivo considerando beneficios y costes esperados. Es un modelo teórico sobre el control, no una demostración de que calculemos conscientemente una ecuación antes de cada decisión ni una licencia para localizar un «orquestador» único en el cerebro. [6]

La consecuencia que extraigo es modesta: más deliberación no garantiza una mejor decisión. Buscar otra fuente, consultar a un experto, dibujar un diagrama o generar diez alternativas puede ser valioso. También puede consumir tiempo sin aportar información decisiva.

Un marco para pensar mejor tendría que incluir la posibilidad de decir: «Basta; necesito actuar o conseguir información nueva». Quizá pensar mejor consista, en parte, en elegir el tipo y la cantidad de razonamiento que una situación merece.

Ya construimos procedimientos colectivos para detectar errores

Hay una conexión que al principio había pasado por alto. Mucho antes de diseñar arquitecturas alrededor de modelos de IA, los seres humanos construimos sistemas externos para hacer nuestras ideas más criticables y corregibles.

La ciencia ofrece un ejemplo: hipótesis explícitas, medición, contraste con evidencia, crítica pública, revisión y, cuando es posible, replicación. Estos procedimientos tienen sentido precisamente porque los investigadores individuales pueden equivocarse. Desde la epistemología social, Helen Longino ha defendido que la objetividad científica depende también de condiciones comunitarias para formular críticas y responder a ellas. [10]

Esto no garantiza que toda institución científica corrija sus errores. Significa que la calidad de una conclusión no depende únicamente de la capacidad de quien la propone, sino también de los procedimientos que permiten ponerla a prueba.

Aquí la comparación con la ingeniería de IA adquiere un sentido más claro. Somos nosotros quienes diseñamos mecanismos alrededor de los modelos para organizar su trabajo y detectar fallos. Y los seres humanos llevamos mucho más tiempo creando procedimientos, herramientas e instituciones para revisar nuestro propio razonamiento.

La experiencia reciente al diseñar sistemas de IA nos ofrece un lenguaje de sistemas desde el cual reconsiderar ese problema anterior. No es su origen.

Nuestro trabajo cognitivo también ocurre fuera de la cabeza

Edwin Hutchins estudió cómo una actividad cognitiva puede distribuirse entre personas, instrumentos y representaciones; la navegación realizada por un equipo es uno de sus casos conocidos. Andy Clark y David Chalmers defendieron, desde la filosofía de la mente, una tesis sobre las condiciones en que ciertos recursos externos pueden participar funcionalmente en procesos cognitivos. Sus argumentos filosóficos no deben confundirse con evidencia experimental de que cualquier herramienta mejora el pensamiento. [8, 15]

Por su parte, Evan Risko y Sam Gilbert revisaron investigaciones sobre externalización cognitiva (cognitive offloading): acciones como anotar, usar recordatorios o manipular el entorno para reducir determinadas demandas de procesamiento. [9]

Una libreta, un diagrama, una calculadora, un buscador, otra persona y ahora también una IA pueden intervenir en cómo resolvemos una tarea. Pero externalizarla no garantiza comprenderla mejor. Una herramienta puede mejorar el resultado inmediato, introducir un error o volvernos menos capaces de evaluar la respuesta recibida.

Por eso la pregunta no termina en «¿puedo usar una herramienta?». Continúa con: ¿cuándo conviene usarla, para qué parte del problema y cómo verifico lo que aporta?

¿Qué queda realmente por proponer?

Después de recorrer estos antecedentes, no creo que sea correcto presentar esta idea como una teoría nueva sobre el funcionamiento de la mente. La metacognición, la autorregulación, las disposiciones del pensamiento, el metarrazonamiento, la racionalidad ecológica, la cognición distribuida y la epistemología social estudian partes diferentes del problema.

Tampoco forman por sí solas una teoría unificada. Sus conceptos, métodos y objetos de estudio no son intercambiables.

Lo que me interesa explorar es si algunas de esas piezas pueden integrarse en un procedimiento práctico, evaluable y eventualmente enseñable. Por ahora llamaré a esa propuesta, de manera provisional, Marco de Regulación Epistémica Adaptativa.

«Epistémica» porque su foco sería formar y revisar creencias, evaluar evidencia, manejar incertidumbre y resolver problemas. «Regulación» porque incluye observar y ajustar el propio proceso. «Adaptativa» porque distintas tareas pueden requerir estrategias diferentes, incluida la decisión de no añadir más análisis.

El nombre es una etiqueta de trabajo para una integración hipotética. No designa un constructo psicológico validado.

¿Cómo funcionaría?

La estructura mínima sería:

Caracterizar el problema → monitorear el razonamiento → seleccionar una estrategia → ejecutarla y recurrir a recursos externos cuando convenga → evaluar el resultado → actualizar la elección futura.

Caracterizar. ¿Estoy intentando explicar una causa, estimar una probabilidad, comprender un sistema, resolver una cuestión normativa o generar una alternativa? ¿Qué información me falta? Esta primera descripción es tentativa: cuando estamos atascados, quizá todavía no entendamos cuál es el problema. Si una estrategia no avanza, puede ser necesario volver a este paso y reformular la pregunta.

Monitorear. ¿Tengo más confianza de la que permite la evidencia? ¿Estoy repitiendo el mismo procedimiento? ¿Estoy comprometido emocionalmente con una conclusión? Este paso no presupone una introspección infalible; por eso conviene contrastar nuestras impresiones con resultados observables y objeciones externas.

Seleccionar y ejecutar. Quizá necesito abstraer, calcular una tasa base, buscar contraevidencia, modelar relaciones, experimentar en pequeño o consultar a una persona con conocimiento del dominio. En ocasiones, lo más razonable será decidir con la información que ya tengo.

Externalizar. Si falta un dato, seguir pensando no puede producirlo por sí solo. Habrá que acudir a evidencia, documentos, herramientas, especialistas, otras personas o IA, según el problema. Distintas «perspectivas internas» pueden ayudarme a revisar una idea, pero comparten mi información y mis puntos ciegos; no equivalen a crítica independiente. Al usar sistemas automáticos aparece además el sesgo de automatización: podemos apoyarnos demasiado en sus recomendaciones y examinar menos la evidencia por nuestra cuenta. Cuanto más importe la decisión, más importante será verificar los datos decisivos por otra vía. [17]

Evaluar y actualizar. ¿Se detectó un error? ¿Cambió una decisión por buena evidencia? ¿Mejoró una predicción? ¿Cuánto tiempo costó? ¿Utilizaría de nuevo ese procedimiento en una situación comparable?

No se trata de aplicar seis pasos ceremoniales a cada decisión. Precisamente porque el razonamiento tiene costes, la estructura tendría que ser proporcional a la importancia, dificultad y reversibilidad de la tarea.

La hipótesis y su rival más sencillo

Aquí conviene separar tres cosas.

Los antecedentes: hay investigación sobre monitoreo metacognitivo, disposiciones del pensamiento, autorregulación, selección de estrategias, costes de deliberación y uso de recursos externos. Hay intervenciones educativas con resultados positivos en medidas delimitadas de pensamiento crítico. [1–9, 11]

La integración que propongo: organizar señales para reconocer la clase de problema, elegir una estrategia apropiada, saber cuándo salir a buscar información y revisar después el resultado. Esta es una reconstrucción práctica a partir de tradiciones distintas; sus componentes no prueban automáticamente el valor del conjunto.

La hipótesis todavía no demostrada: en problemas recurrentes de complejidad media o alta, practicar explícitamente esa selección y evaluación podría mejorar resultados como la calibración de confianza, la detección de errores o la incorporación de evidencia pertinente frente al razonamiento sin estructura adicional.

Hay, además, un rival que considero especialmente serio: quizá una breve lista de verificación consiga prácticamente el mismo beneficio con menos esfuerzo. Otra posibilidad es que las mejoras provengan de estrategias aisladas y que integrarlas solo añada complejidad.

Por eso habría que comparar, en tareas definidas, razonamiento habitual, una lista breve, estrategias específicas y el marco integrado. Mediríamos tanto los resultados como el tiempo y la carga de uso. Un primer estudio podría usar casos técnicos comparables y asignar a los participantes, por ejemplo, al razonamiento habitual, a una checklist breve o a un entrenamiento en señales para elegir estrategias; después compararía errores de premisa, calibración de confianza y tiempo de resolución. Las estrategias aisladas podrían examinarse en una comparación posterior. Si la arquitectura no supera alternativas más simples a un coste razonable, debería simplificarse o abandonarse. Que una propuesta resulte atractiva no es evidencia de que funcione.

El límite de la transferencia

Aprender una estrategia en un contexto no significa utilizarla espontáneamente en otro. Una persona puede practicar la evaluación de evidencia en un curso y omitirla ante una noticia que confirma sus creencias. Un profesional puede razonar cuidadosamente dentro de su especialidad y hacerlo peor fuera de ella.

Bransford y Schwartz propusieron repensar cómo definimos y evaluamos la transferencia del aprendizaje, incluido el papel de prepararse para aprender en nuevas situaciones. Por otra parte, las revisiones críticas sobre entrenamiento cognitivo general obligan a ser prudentes ante promesas de mejoras amplias y automáticas. Son aportes distintos: el primero no prueba por sí mismo la ausencia de transferencia, ni el segundo invalida toda enseñanza de estrategias situadas. [12, 16]

Un metaanálisis de Philip Abrami y colaboradores reunió 341 tamaños de efecto de estudios sobre enseñanza del pensamiento crítico y encontró un efecto promedio positivo en las medidas educativas examinadas. El resultado varió entre estudios y no demuestra que una arquitectura como la propuesta aquí mejore, sin más, decisiones profesionales en dominios diferentes. [11]

Por eso evitaría prometer una «racionalidad general». Una aplicación educativa más plausible sería enseñar estrategias junto a problemas concretos, practicar las señales que indican cuándo utilizarlas y comprobar después si ese aprendizaje se mantiene al cambiar de contexto.

La sensibilidad a la ocasión vuelve a ser central: conocer una herramienta es distinto de reconocer el momento en que hace falta.

La pregunta educativa

Muchas herramientas que hoy utilizo como ingeniero llegaron después de años enfrentando problemas reales. Aprendí cuándo abstraer, cuándo cuestionar una premisa, cuándo buscar una medición, cuándo consultar a otra persona y cuándo dejar de deliberar para actuar.

Después descubrí que distintas disciplinas ya habían estudiado partes de ese repertorio. Ese conocimiento está distribuido entre la psicología, la educación, la filosofía, la estadística, la ciencia y la práctica profesional.

Eso abre una posibilidad que me interesa investigar: ¿podemos organizar y enseñar antes una parte de las estrategias que hoy muchas personas adquieren lentamente y por separado? Y, sobre todo, ¿podemos enseñar a reconocer las ocasiones en que conviene utilizarlas?

Memorizar la definición de metacognición no garantiza que monitoreemos bien nuestra confianza. Conocer la falsabilidad no garantiza que busquemos una objeción contra nuestra idea favorita. Saber que existe un sesgo no equivale a detectarlo cuando nos afecta.

Si hay una aplicación educativa valiosa, tendrá que ir más allá de transmitir definiciones: practicar con problemas, escoger procedimientos, contrastar con resultados y aprender cuándo cambiar de método. La posibilidad de acelerar ese aprendizaje y transferirlo entre contextos sigue siendo una pregunta empírica.

La IA como detonante de una pregunta anterior

Mi trabajo diseñando sistemas de IA me hizo prestar atención al contexto, las herramientas, la selección, los costes y la evaluación. Pero no son los modelos quienes descubrieron una manera nueva de pensar, ni esta reflexión empieza con ellos. Somos nosotros quienes construimos esas arquitecturas; al hacerlo, encontramos un vocabulario útil para mirar una cuestión humana mucho más antigua.

Ese vocabulario puede ayudar a organizar una investigación, siempre que no confundamos una analogía de diseño con una explicación de los mecanismos de la mente.

Por ahora, el resultado es más modesto que una nueva teoría: una hipótesis de integración operacional y pedagógica. Sus piezas tienen antecedentes; su combinación todavía debe justificar su utilidad frente a opciones más simples.

La pregunta que quisiera dejar abierta es esta:

¿Podemos aprender a regular de manera más adaptativa cómo razonamos, usando lo que ya sabemos sobre metacognición, selección de estrategias, evidencia, costes y retroalimentación?

Y luego viene la pregunta decisiva:

¿Funciona mejor que nuestros procedimientos habituales o que una simple lista de verificación, para problemas concretos y a un coste aceptable?

Esa última pregunta no debería responderla la elegancia del marco. Deberían responderla los datos.

Referencias

1. Flavell, J. H. (1979). Metacognition and Cognitive Monitoring: A New Area of Cognitive-Developmental Inquiry. American Psychologist, 34(10), 906–911.

2. Nelson, T. O., y Narens, L. (1990). Metamemory: A Theoretical Framework and New Findings. Psychology of Learning and Motivation, 26, 125–173.

3. Perkins, D. N., Jay, E., y Tishman, S. (1993). Beyond Abilities: A Dispositional Theory of Thinking. Merrill-Palmer Quarterly, 39(1), 1–21.

4. Butler, D. L., y Winne, P. H. (1995). Feedback and Self-Regulated Learning: A Theoretical Synthesis. Review of Educational Research, 65(3), 245–281.

5. Lieder, F., y Griffiths, T. L. (2017). Strategy Selection as Rational Metareasoning. Psychological Review, 124(6), 762–794.

6. Shenhav, A., Botvinick, M. M., y Cohen, J. D. (2013). The Expected Value of Control: An Integrative Theory of Anterior Cingulate Cortex Function. Neuron, 79(2), 217–240.

7. Gigerenzer, G., Todd, P. M., y ABC Research Group (1999). Simple Heuristics That Make Us Smart. Oxford University Press.

8. Clark, A., y Chalmers, D. (1998). The Extended Mind. Analysis, 58(1), 7–19.

9. Risko, E. F., y Gilbert, S. J. (2016). Cognitive Offloading. Trends in Cognitive Sciences, 20(9), 676–688.

10. Longino, H. E. (1990). Science as Social Knowledge: Values and Objectivity in Scientific Inquiry. Princeton University Press.

11. Abrami, P. C., y colaboradores (2015). Strategies for Teaching Students to Think Critically: A Meta-Analysis. Review of Educational Research, 85(2), 275–314.

12. Bransford, J. D., y Schwartz, D. L. (1999). Rethinking Transfer: A Simple Proposal With Multiple Implications. Review of Research in Education, 24, 61–100.

13. Winne, P. H., y Hadwin, A. F. (1998). Studying as Self-Regulated Learning. En D. J. Hacker, J. Dunlosky y A. C. Graesser (eds.), Metacognition in Educational Theory and Practice (pp. 277–304). Lawrence Erlbaum.

14. Zimmerman, B. J. (2002). Becoming a Self-Regulated Learner: An Overview. Theory Into Practice, 41(2), 64–70.

15. Hutchins, E. (1995). Cognition in the Wild. MIT Press.

16. Sala, G., y Gobet, F. (2019). Cognitive Training Does Not Enhance General Cognition. Trends in Cognitive Sciences, 23(1), 9–20.

17. Parasuraman, R., y Manzey, D. H. (2010). Complacency and Bias in Human Use of Automation: An Attentional Integration. Human Factors, 52(3), 381–410.