En resumen. La afirmación de que las habilidades entrenadas se derrumban tras un año sin uso se remonta a un único metaanálisis de 1998. Si se lee su propia tabla de intervalos de retención fila por fila, destacan dos cosas: el 50% de sus puntos de datos procede de intervalos de siete días o menos, solo el 1,7% de intervalos superiores a un año, y la columna de tamaños de efecto no desciende de forma monótona. Un metaanálisis de 2025 publicado en Psychological Bulletin reconstruyó la pregunta con 1.344 tamaños de efecto procedentes de 457 informes y reportó semividas en su lugar: la mitad de las ganancias adquiridas se pierde tras unos 6,5 meses en medidas de precisión, 13 meses en medidas de velocidad y 11 meses en medidas mixtas. El único moderador que frenó el declive de forma fiable fue tener oportunidades de ejecutar realmente la habilidad entretanto. La complejidad y el contexto real también ayudaron, ambos en dirección contraria a lo que la mayoría supone.
Un director general no mantiene una fábrica preguntando si las máquinas todavía funcionan. Pregunta cada cuánto hay que revisar cada una y programa la revisión antes de que falle. Tus propias capacidades merecen el mismo trato, y por primera vez existe una cifra defendible con la que construir un calendario. Pero hay que leer la evidencia con cuidado, porque la versión más citada no dice lo que la mayoría cree.
La cifra que todos citan y de dónde procede realmente
Si has leído algo sobre pérdida de habilidades en la última década, te habrás encontrado con una versión de esto: las habilidades entrenadas se degradan gravemente con el desuso, con tamaños de efecto que alcanzan d = -1,4 tras un año sin práctica. Esa cifra procede del metaanálisis de Arthur, Bennett, Stanush y McNelly, publicado en 1998 en Human Performance, que agrupó 189 puntos de datos independientes de 53 artículos. Es un trabajo genuinamente importante y lleva un cuarto de siglo siendo citado.
Su tabla 3 desglosa el resultado global en ocho bandas de intervalos de retención. Casi nadie lee esa tabla. Nosotros lo hicimos, y la reconstruimos abajo con dos columnas que el original no imprime: qué proporción de la base de evidencia representa cada banda.
Análisis original: de qué está hecha realmente la base de evidencia canónica sobre pérdida de habilidades
Marco editorial de CEOtudent. Los puntos de datos, tamaños muestrales y valores medios de d se leen directamente de Arthur et al. 1998 tabla 3; las dos columnas de proporción son cálculo nuestro. La columna de puntos de datos suma 178 y la de muestra suma 8.719, coincidiendo con los totales que reporta el artículo, lo que confirma la lectura.
| Intervalo de retención | Puntos de datos | Proporción de puntos | Muestra | Proporción de muestra | d medio |
|---|---|---|---|---|---|
| Menos de 1 día | 3 | 1,7% | 45 | 0,5% | +0,02 |
| 1 a 7 días | 89 | 50,0% | 3.325 | 38,1% | -1,03 |
| 8 a 14 días | 13 | 7,3% | 680 | 7,8% | -1,54 |
| 15 a 28 días | 19 | 10,7% | 766 | 8,8% | -0,95 |
| 29 a 90 días | 33 | 18,5% | 2.656 | 30,5% | -0,65 |
| 91 a 180 días | 7 | 3,9% | 302 | 3,5% | -1,42 |
| 181 a 365 días | 11 | 6,2% | 670 | 7,7% | -1,04 |
| Más de 365 días | 3 | 1,7% | 275 | 3,2% | -1,28 |
| Conjunto | 178 | 100% | 8.719 | 100% | -0,97 |
De aquí se siguen tres observaciones, y ninguna aparece en el resumen popular.
Primera, esta es abrumadoramente una literatura sobre la primera semana. La mitad de todos los puntos de datos está en la banda de 1 a 7 días. Si se añade la banda de menos de 24 horas, el 51,7% de la base de evidencia mide retención a una semana o menos. No es una crítica a los autores, que agruparon lo que existía. Es una advertencia sobre qué significa la cifra agregada.
Segunda, el intervalo que de verdad importa a la gente es el más delgado. Solo tres puntos de datos, que cubren 275 participantes, miden la retención más allá de un año. Eso es el 1,7% de la base de evidencia soportando el peso de la frase más citada del artículo.
Tercera, la columna no desciende de forma suave. El declive a 8 a 14 días (-1,54) es más profundo que el declive a más de 365 días (-1,28). La banda de 29 a 90 días (-0,65) es la más leve de todas las bandas posteriores al primer día, más leve incluso que la primera semana. Sea cual sea el proceso subyacente, la tabla leída fila por fila no es la curva exponencial limpia con la que suele dibujarse este concepto. Conviene señalar también que la cifra titular citada de este artículo, -1,4, es mayor en magnitud que la fila de más de 365 días de su propia tabla 3, y coincide en cambio con la fila de 91 a 180 días.
Nada de esto vuelve irreal la pérdida de habilidades. Convierte a la referencia canónica en una base de planificación más débil de lo que sugiere su reputación.
Dos metaanálisis, una misma ventana temporal, el doble de desacuerdo
Arthur y colegas no fueron la última palabra. Un segundo metaanálisis de Wang, Day, Kowollik, Schuelke y Hughes, publicado en 2013 en el volumen Individual and Team Skill Decay, abordó la misma pregunta y encontró un declive que, en su propia formulación, era más moderado: trivial inmediatamente tras la adquisición (δ = -0,08) y ascendiendo a δ = -0,71 en un intervalo de retención de entre 90 y 180 días.
Colóquese eso junto a la propia fila de 91 a 180 días de la tabla de Arthur y se obtiene una comparación directa que nadie imprime.
Análisis original: la misma ventana de retención, medida por tres equipos
Marco editorial de CEOtudent. Cada cifra la reporta la fuente citada; las columnas de razón y escala son cálculo nuestro.
| Fuente | Informes | Tamaños de efecto o puntos de datos | Estimación en torno a 90 a 180 días | Base de evidencia frente a 1998 |
|---|---|---|---|---|
| Arthur, Bennett, Stanush y McNelly, 1998 | 53 | 189 | d = -1,42 | referencia |
| Wang, Day, Kowollik, Schuelke y Hughes, 2013 | no reportado aquí | no reportado aquí | δ = -0,71 | no comparable |
| Tatel y Ackerman, 2025 | 457 | 1.344 | reportado como pendiente, no como banda | 8,6x informes, 7,1x tamaños de efecto |
Las dos estimaciones más antiguas para la misma ventana difieren exactamente en un factor de dos. Ese era el estado honesto de la cuestión antes de 2025: dos equipos solventes, una ventana temporal, una estimación el doble que la otra.
Qué dice realmente la evidencia de 2025
El metaanálisis de Tatel y Ackerman, publicado en Psychological Bulletin, es el primer estudio lo bastante grande como para tratar el intervalo de retención como variable continua en lugar de como un conjunto de clases. Agruparon 1.344 tamaños de efecto de 457 informes, 8,6 veces los informes y 7,1 veces los puntos de datos del artículo de 1998, y modelaron el declive como una tasa.
Sus resultados principales, todos tal como los reporta el artículo:
| Medida de rendimiento | Declive por mes | Intervalo de confianza al 95% | Ganancia de adquisición (d) | Mitad de las ganancias perdida tras |
|---|---|---|---|---|
| Basada en precisión | 0,08 DE | -0,10 a -0,05 | 1,49 (1,39 a 1,58) | unos 6,5 meses |
| Basada en velocidad | 0,06 DE | -0,11 a -0,02 | 1,88 (1,68 a 2,09) | unos 13 meses |
| Mixta | 0,06 DE | -0,10 a -0,02 | 2,48 (2,19 a 2,77) | unos 11 meses |
Para las medidas de precisión estiman además que prácticamente todas las ganancias de adquisición desaparecen tras unos 16 meses. Para las medidas de velocidad y mixtas se niegan explícitamente a estimar un punto de pérdida total, porque la proyección se saldría del rango de sus datos. Esa negativa es la marca de un artículo cuidadoso, y es justo el tipo de límite que se elimina cuando se resumen los hallazgos.
Lo más útil de la tabla es la razón. 13 dividido entre 6,5 da exactamente 2,00. La misma habilidad subyacente, dejada de lado el mismo número de meses, parece haber declinado el doble de rápido si se evalúa por precisión que si se evalúa por velocidad. Las medidas mixtas se sitúan en 1,69 veces la semivida de precisión. La pregunta de a qué velocidad se apaga una habilidad no tiene respuesta única, porque la respuesta depende de a qué apuntas el cronómetro.
Una advertencia antes de que hagas tú mismo la aritmética
Aquí hay una trampa en la que caímos nosotros al comprobar las cifras, y merece señalarse porque atrapará a cualquiera que intente construir un calendario a partir de la pendiente mensual.
Si tomas las cifras de precisión al pie de la letra, la mitad de una ganancia de adquisición de 1,49 es 0,745, y a 0,08 DE por mes eso implica 9,3 meses para perder la mitad. El artículo reporta 6,5. La diferencia no es de redondeo, y se amplía en las otras dos medidas.
Análisis original: por qué la pendiente mensual no es una regla práctica utilizable
Marco editorial de CEOtudent. La columna ingenua es nuestra propia aritmética sobre las cifras publicadas de adquisición y pendiente; la columna reportada es la salida del modelo del propio artículo. La diferencia es la cuestión.
| Medida de rendimiento | Aritmética ingenua | Semivida reportada | Error si usas el atajo |
|---|---|---|---|
| Basada en precisión | 9,3 meses | 6,5 meses | 43% demasiado optimista |
| Basada en velocidad | 15,7 meses | 13 meses | 21% demasiado optimista |
| Mixta | 20,7 meses | 11 meses | 88% demasiado optimista |
El atajo falla, y falla en la dirección peligrosa todas las veces: te dice que tienes más tiempo del que tienes. La razón es que la metarregresión del artículo contiene algo más que una recta sobre los meses, de modo que multiplicar la pendiente por el tiempo transcurrido no reconstruye el modelo. Usa las semividas reportadas. No construyas un calendario a partir de la pendiente.
Mostramos nuestra derivación fallida en lugar de ocultarla, porque ese atajo es exactamente lo que produciría un resumen de este artículo, y estaría equivocado hasta en un 88%.
Los tres moderadores que cambian el calendario
Una tasa de declive te dice cuándo intervenir. Los análisis de moderadores dicen qué intervención funciona. Tres hallazgos de Tatel y Ackerman importan a quien planifique su propio mantenimiento, y dos van contra la intuición.
Las oportunidades de ejecución intercaladas frenaron el declive, pero solo en precisión. Que los participantes tuvieran o no ocasión de ejecutar realmente la habilidad durante el intervalo de retención fue un moderador estadísticamente significativo para las medidas de precisión (β = 0,07, p < 0,05). El mismo patrón apareció en las medidas mixtas sin alcanzar significación (β = 0,07), y estuvo ausente en velocidad (β = 0,01). Es el resultado más accionable del artículo: el uso real ocasional protege la precisión de lo que sabes hacer, y hace notablemente menos por la rapidez con que lo haces.
Las habilidades complejas se retuvieron mejor que las simples. La complejidad de componentes fue un moderador significativo para las medidas de precisión y mixtas (β = 0,03 y β = 0,07, ambas p < 0,05), y el patrón en las tres dimensiones de complejidad apuntó en la misma dirección. Las tareas de alta complejidad aguantaron mejor. La mayoría supone lo contrario y programa repasos para lo más difícil que sabe, cuando lo frágil es el procedimiento simple que rara vez toca.
Las habilidades del mundo real se retuvieron mejor que las de laboratorio. En las medidas de precisión, las pendientes de declive fueron más pronunciadas para tareas de laboratorio y artificiales que para todas las categorías de tareas reales: médicas y dentales (β = 0,12), militares y de transporte (β = 0,16), deportivas (β = 0,18) y varias (β = 0,13). Una habilidad aprendida y usada en su contexto real declina más despacio que la misma clase de habilidad practicada de forma aislada.
Leídos juntos, estos tres apuntan en una dirección. El declive no es ante todo una propiedad de la habilidad. Es una propiedad de cuán incrustada está la habilidad en algo que realmente haces.
Dónde no se aplica esta evidencia
Esto importa más que cualquier tabla anterior, y es la parte que se pierde cuando los hallazgos viajan.
El alcance de Tatel y Ackerman son las habilidades procedimentales con componentes motores no verbales. Técnica quirúrgica, reanimación, manejo de equipos, técnica deportiva, pilotaje. Las semividas de 6,5, 13 y 11 meses son estimaciones para esa clase de habilidad. No son mediciones de a qué velocidad se apaga tu Python, ni tu francés, ni tu capacidad de leer un balance. El metaanálisis de Arthur y colegas de 1998 sí incluía tareas cognitivas y las encontró más susceptibles a la pérdida que las físicas, pero ese hallazgo descansa sobre la base de evidencia delgada y no monótona descrita arriba.
Quien te diga que un idioma o una habilidad de programación tiene una semivida de 6,5 meses está extendiendo un resultado sobre habilidades motoras más allá de sus datos. Nosotros no lo vamos a hacer. Lo que se transfiere es la estructura del hallazgo, no la constante: el declive es real, se mide en meses y no en semanas para habilidades bien adquiridas, es más rápido en precisión que en velocidad, y lo que lo frena es el uso real intermitente.
Ambos modelos de metarregresión presentaban además heterogeneidad residual significativa (Q = 3.820,34 para precisión, 898,41 para velocidad, 1.045,03 para mixta, todas p < 0,01), que es el modo en que los autores dicen que gran parte de la variación entre estudios sigue sin explicarse incluso tras los moderadores. Son promedios poblacionales, no predicciones sobre ti.
El calendario de mantenimiento
Aquí la mitad directiva del trabajo releva a la mitad estudiante. La evidencia te da una tasa de declive y una palanca fiable. Convertir eso en un calendario es una decisión de gestión, y la etiquetamos como tal.
Marco CEOtudent de mantenimiento de habilidades
Esto es un juicio construido sobre la evidencia citada, no un calendario medido. Ningún estudio ha probado estos intervalos. El razonamiento tras cada regla se expone para que puedas discreparlo.
Regla 1: revisa antes de la semivida, no después. Las semividas reportadas son el punto en el que la mitad de la ganancia ya se ha ido. Un intervalo de mantenimiento fijado en la semivida es un calendario para operar al 50% de capacidad. Para habilidades procedimentales donde la precisión es crítica, el intervalo de planificación defendible es una fracción de 6,5 meses, no 6,5 meses. Trimestral es una lectura razonable; no es una lectura medida.
Regla 2: clasifica por aquello con lo que te evalúan, no por cómo se llama la habilidad. La brecha de 2,00x entre las semividas de precisión y velocidad significa que la misma actividad necesita mantenimiento distinto según qué modo de fallo te sale caro. Si equivocarte es caro, mantén según el reloj de la precisión. Si ser lento es caro, tienes aproximadamente el doble de margen.
Regla 3: una oportunidad real de ejecución supera a una sesión de repaso. Es la única regla con apoyo empírico directo. Las oportunidades de ejecución intercaladas frenaron significativamente el declive de la precisión. Organízate para usar de verdad una habilidad de vez en cuando en lugar de programar practicarla. Practicar tu técnica de negociación es un repaso. Asumir una negociación real pequeña es una oportunidad de ejecución, y la evidencia favorece la segunda.
Regla 4: audita primero las habilidades simples. La complejidad predijo mejor retención. Los elementos con más probabilidad de haberse degradado en silencio son los procedimientos de baja complejidad que consideras indignos de programar.
Regla 5: incrustado supera a aislado. Las tareas del mundo real declinaron más despacio que las de laboratorio en todas las categorías probadas. Una habilidad que puedes enganchar a trabajo vivo necesita menos mantenimiento deliberado que una que solo puedes ensayar en un entorno cerrado. Donde tengas elección, incrústala.
La mitad estudiante de la disciplina consiste en aceptar que esto es un problema de mantenimiento, en lugar de suponer que lo aprendido una vez ya es tuyo. La mitad directiva consiste en negarse a mantener todo con el mismo intervalo cuando la evidencia dice que los intervalos difieren en un factor de dos, y en negarse a operar la planta con una estimación obtenida multiplicando una pendiente.
Si estás decidiendo en primer lugar en qué invertir tu aprendizaje, el coste de mantenimiento forma parte de esa decisión. Nuestro marco sobre qué herramientas de IA vale la pena aprender a fondo trata la profundidad como un compromiso y no como una preferencia, y las semividas de arriba son parte de lo que cuesta ese compromiso. Sobre construir la habilidad antes de mantenerla, véase nuestro artículo sobre la práctica deliberada en la era de la IA. Y si estás reconstruyendo un perfil de habilidades más adelante en una carrera, qué dice la investigación sobre reciclarse después de los 40 cubre el lado de la adquisición de la misma pregunta.
Preguntas frecuentes
¿La pérdida de habilidades es real o es un artefacto de medición?
Es real. Todos los metaanálisis revisados aquí encontraron pérdida significativa con el desuso, a lo largo de cuatro décadas de estudios primarios y miles de participantes. El desacuerdo es sobre magnitud y calendario, no sobre existencia.
¿Con qué cifra debo planificar realmente?
Con las semividas de 2025, si tu habilidad es procedimental e implica un componente motor: en torno a 6,5 meses en precisión, 13 en velocidad, 11 en mixta. Para habilidades cognitivas o de conocimiento no hay una cifra igual de sólida, y quien te ofrezca una está extrapolando.
¿Por qué la semivida de precisión es mucho más corta que la de velocidad?
El artículo reporta la diferencia en lugar de explicarla del todo, y señala los compromisos entre velocidad y precisión como un problema metodológico de esta literatura. Una lectura posible: la velocidad refleja un patrón motor más grueso y robusto, mientras que la precisión depende de una calibración más fina que se desvía antes. Trátalo como interpretación, no como hallazgo.
¿Reaprender lleva tanto tiempo como aprender por primera vez?
Según esta literatura no, pero Tatel y Ackerman advierten específicamente de que muchos estudios no logran aislar el rendimiento de retención de los efectos de reaprendizaje, lo que significa que la primera medición tras una pausa puede incluir ya algo de readquisición. Es una advertencia sobre la base de evidencia, no una estimación de la velocidad de reaprendizaje.
¿Debo programar repasos o simplemente usar la habilidad de vez en cuando?
Uso real ocasional, según la evidencia disponible. El moderador que alcanzó significación para el declive de precisión fueron las oportunidades de ejecución intercaladas. La formación de repaso formal no se probó como moderador aparte en ese análisis.
¿Se aplican estas cifras a una habilidad que nunca adquirí del todo?
No. Todas las cifras de arriba se expresan en relación con una ganancia de adquisición medida. Si la habilidad nunca se llevó hasta el dominio, no hay ganancia de adquisición que la tasa de declive pueda erosionar, y nada de esta aritmética describe tu situación.
Fuentes
- Tatel y Ackerman, Procedural Skill Retention and Decay: A Meta-Analytic Review, Psychological Bulletin, 2025, DOI 10.1037/bul0000481. 1.344 tamaños de efecto de 457 informes; pendientes de metarregresión e intervalos de confianza por medida de rendimiento; tabla 6 tamaños de efecto de adquisición; las estimaciones de semivida de 6,5, 13 y 11 meses y la estimación de pérdida total a 16 meses para precisión; resultados de moderadores para oportunidades de ejecución intercaladas, complejidad de componentes y tipo de tarea; estadísticos Q de heterogeneidad residual. Financiado por el Army Research Institute for the Behavioral and Social Sciences.
- Arthur, Bennett, Stanush y McNelly, Factors That Influence Skill Decay and Retention: A Quantitative Review and Analysis, Human Performance, 1998, volumen 11, número 1, páginas 57 a 101. Tabla 3 desglose de intervalos de retención por puntos de datos, tamaño muestral y d medio; la estimación metaanalítica global; los resultados de moderadores de tipo de tarea y metodológicos; la afirmación sobre el rendimiento relativo al nivel previo al intervalo tras más de 365 días de desuso.
- Wang, Day, Kowollik, Schuelke y Hughes, Factors Influencing Knowledge and Skill Decay After Training, en Individual and Team Skill Decay: The Science and Implications for Practice, editado por Arthur, Day, Bennett y Portrey, Routledge, 2013. Estimaciones metaanalíticas de pérdida de habilidad inmediatamente tras la adquisición y en un intervalo de retención de entre 90 y 180 días.
- Wang, Factors Influencing Knowledge and Skill Decay in Organizational Training: A Meta-Analysis, tesis doctoral, University of Oklahoma, 2010. La tesis en la que se basan las estimaciones del capítulo de 2013.
Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.
This post is also available in:
