El Feed que nos Aprende: Sesgos Humanos, Sesgos de IA, Razonamiento en las Generaciones (2a parte)

 En este apartado centramos la reflexión en torno a lo qué sucede cuando, por ejemplo, nos deslizamos en el celular personal y entra un proceso de cómo es que razonamos, nos informamos y aprendemos desde la feed que se genera en el dispositivo, y que, de alguna manera participamos de ello.

La psicología contemporánea distingue dos grandes modos de pensar: uno rápido, automático y poco costoso, y otro lento, deliberado y reflexivo (Stanovich y West, 2000; Evans y Stanovich, 2013). Ambos son necesarios, pero los entornos digitales favorecen casi siempre el primero. Deslizar, tocar, reaccionar y compartir son acciones diseñadas para provocar la inmediatez en el usuario de cualquier edad que tenga acceso a dichos dispositivos digitales. El feed no prohíbe pensar despacio; al contrario, simplemente hace que sea más costoso hacerlo. Aquí cabe plantear: ¿Cuántas veces al día nos damos cuenta de que estamos decidiendo qué creer en la misma fracción de segundo en qué decidimos qué contenido podemos ver?

La información falsa ofrece un ejemplo contundente. Al analizar unas 126,000 historias difundidas en Twitter entre 2006 y 2017, Vosoughi et al. (2018) encontraron que las noticias falsas llegaron más lejos, más rápido y ampliamente que las verdaderas, y que la explicación más consistente era su novedad: las personas compartimos con más facilidad lo que en esos momentos nos sorprende. Un hallazgo contraintuitivo es que los bots aceleraron por igual lo verdadero y lo falso; fueron los humanos quienes difundieron lo falso. La lección para este ensayo es clara: el sesgo hacia lo novedoso es nuestro, y la plataforma se encarga de recompensarlo.

De ahí se desprende una forma cotidiana de construir sesgos informativos: lo que vemos con frecuencia nos parece por así decirlo, frecuente, y lo que nos conmueve nos parece importante. Es el funcionamiento de la heurística de disponibilidad descrita por Tversky y Kahneman (1974). Un Adolescente que ve continuamente cuerpos filtrados, vidas editadas y logros seleccionados puede concluir, sin darse cuenta, que esa es la norma. Tepe (2026) señala que la comparación en redes es injusta porque amplifica éxito, belleza y felicidad con filtros y presentaciones selectivas, y que saberlo no basta para librarse de su impacto emocional. ¿Cuánto de lo que consideramos como "normal" lo hemos aprendido de una muestra que nadie eligió al azar?

En la generación Alfa aparece, además, un actor nuevo: los asistentes conversacionales de IA. Estudios sobre modelos de lenguaje muestran que pueden inclinarse a coincidir con las opiniones del usuario, un fenómeno llamado adulación o sycophancy (Pérez et al, 2003; Sharma et al., 2024). Tepe (2026) advierte, además, que estas herramientas pueden producir errores o invenciones ("alucinaciones") y reproducir prejuicios culturales. Para un niño que hace su tarea con un asistente, el riesgo no es solo recibir un dato incorrecto: es acostumbrarse a que alguien le responda con seguridad y le dé la razón. Entonces, ¿qué ocurre con el hábito de dudar cuando la respuesta llega pulida, inmediata y amable?

La generación Beta, por su parte, no razona aún dentro del feed, pero su primer entorno de razonamiento es relacional. Los hallazgos de Tepe (2026) recoge sobre el phubbing parental indican que cuando el adulto atiende su celular personal disminuyen el contacto visual, la comunicación y la respuesta oportuna a las necesidades del niño, y esto compromete el apego y la regulación emocional en los primeros años. Es decir, el primer sesgo que se construye en una infancia hiperconectada puede nos ser cognitivo en sentido estricto, sino afectivo: aprender qué merece atención y qué compite con una pantalla. Sobre sus efectos posteriores solo podemos plantear preguntas, porque esa generación apenas comienza su recorrido.

En la adolescencia joven el desafío es distinto: saber que existe un sesgo no lo desactiva. Tepe (2026) observa que los adolescentes suelen saber que las imágenes son editadas y, aun así, permanece el impacto emocional inmediato. La investigación sobre corrección de sesgos coincide en lo esencial: informar sobre ellos rara vez los reduce por sí solo (Lilienfeld et al., 2009). Por eso las campañas que se limitan en decir "cuidado con los filtros" pueden ser insuficientes. Y por eso la ceguera ante el propio sesgo (Pronin et al., 2002) importa: el adolescente puede entender perfectamente cómo afecta el feed a sus compañeros y creer que a él no. ¿Qué haría falta para reconocer un sesgo ajeno se convierta en reconocer el propio?

El desempeño escolar es donde estos mecanismos se vuelven visibles. Tepe (2026) describe cadenas que se alimentan así mismas: las sesiones nocturnas de juego reducen el sueño, el cansancio deteriora la atención, la atención deteriorada baja el rendimiento, y el estrés resultante empuja a buscar alivio momentáneo en la pantalla. Esto se ve reflejado en el aula, cuando el adolescente busca revisar notificaciones aun con el celular en silencio divide la atención y reduce la calidad del aprendizaje. Además, la autora advierte sobre la etiqueta dañina: el estudiante que se dice y afirma "no tengo atención" debilita su autoeficacia, lo que alimenta la evasión. ¿El problema es el dispositivo digital o es el ciclo que lo rodea?

En los adultos el razonamiento se deteriora por otra vía: el estrés. En ese sentido Tepe nos recuerda que, frente a la teoría clásica de un decisor racional, las personas cometen errores sistemáticos y que el llamado tecnoestrés y el agotamiento digital pueden empujar hacia decisiones más impulsivas, guiadas por hábitos y prejuicios. A esto se suma el uso creciente de IA en el trabajo. Los modelos de lenguaje exhiben comportamientos análogos a sesgos humanos de razonamiento (Hagendorff et al., 2023; Bins y Schulz, 2023), y sus explicaciones paso a paso pueden no reflejar las verdaderas causas de su respuesta (Turpin et al., 2023). Un adulto cansado ante una respuesta fluida corre el riesgo de confundir fluidez con fiabilidad.

Sumemos ambas piezas. Un sistema entrenado con las huellas de personas sesgadas decide qué mostrar a esas personas, que a su vez reaccionan con sus propios atajos, y esas reacciones se convierten en nuevos datos. El ciclo de retroalimentación que Mehrabi et al. (2021) describen entre datos, algoritmos y usuarios. Las disparidades en visión artificial (Buolamwini y Gebru, 2028) abren, además, una pregunta incómoda sobre los filtros de belleza y las cámaras: si los sistemas funcionan peor con ciertos rostros, qué montaje implícito reciben los niños y adolescentes sobre cuáles son los rostros "bien reconocidos"? Es una pregunta abierta, no una conclusión. ¿Quién responde por un sesgo cuando surge de millones de pequeñas decisiones?

Sería injusto, sin embargo, dibujar a las personas como indefensas. Mercier y Sperber (2011) sostienen que el razonamiento humano funciona mejor en el intercambio social, cuando debemos justificar y evaluar argumentos de otros, que en soledad. Esto sugiere que la conversación en la familia, en el aula o en el contexto donde laboran las personas adultas en equipo puede ser un antídoto más potente que una advertencia aislada. El razonamiento dentro del feed es frágil, pero no está condenado. 

Veremos y exploramos en el último apartado qué ocurre después de deslizar --lo que recordamos, lo que justificamos--, cómo se corrigen los sesgos y por qué corregir también significa elegir. ¿Estamos dispuestos a conversar sobre lo que vemos con la misma frecuencia con la que consumimos? Es una cuestión que nos conduce irremediablemente a pensar, si la sociedad contemporánea está perfilada a convertirse en ecosistemas de autómatas de sus propias decisiones que son previamente programados mediante algoritmos y formas de autoconsumo carentes de pensamiento crítico, solo de interés comercial.