El sesgo de primera conclusión: por qué tu cerebro acepta la primera respuesta de la IA (y cómo combatirlo)

En resumen: Dos sesgos distintos se combinan cuando lees una respuesta de IA, y la combinación es peor que cualquiera por separado. El anclaje arrastra tu juicio final hacia lo que viste primero. El sesgo de automatización te hace ceder ante la salida de una máquina incluso cuando tu propia evaluación era correcta. Un estudio controlado de 2026 con 28 expertos en patología midió ambos a la vez y halló que la predicción de la IA tenía un peso de 0,44 en sus respuestas finales frente a 0,55 de su propia estimación independiente: una cifra de máquina vista después de formarse una opinión pesaba casi tanto como la opinión misma. Bajo un límite de diez segundos, la dependencia subió de 0,48 a 0,54. Por separado, una encuesta CHI 2025 a 319 trabajadores del conocimiento que abarcó 936 ejemplos de trabajo reales encontró que la confianza en la IA predice menor esfuerzo en cinco de las seis actividades de pensamiento, y que la erosión más fuerte recae sobre la evaluación, la única actividad que existe para detectar errores. Este artículo explica por qué la fuerza de voluntad fracasa ante esto y ofrece un protocolo de cuatro pasos que cambia el orden de las operaciones.

Hay un momento concreto que merece un examen atento. Le preguntas a un modelo algo cuya respuesta conoces a medias. Responde en un párrafo seguro de sí mismo. Lo lees, sientes un pequeño clic de reconocimiento y sigues adelante.

Lo que ocurrió en ese momento no fue evaluación. Se sintió como evaluación, y ese es el problema. Lo que de verdad pasó es que llegó una respuesta fluida antes de que te hubieras comprometido con una posición propia, y a partir de ahí ya no juzgabas la respuesta. Juzgabas las desviaciones respecto a ella.

Vamos a llamar a este efecto compuesto sesgo de primera conclusión, y conviene ser honestos: es nuestra etiqueta, no un término de la literatura. Los mecanismos subyacentes son ciencia establecida con nombres propios. Lo nuevo es que ahora se disparan juntos, decenas de veces al día, en una herramienta que la mayoría de los trabajadores del conocimiento usa antes de haberse formado ninguna opinión propia.

Mecanismo uno: el ancla no necesita ser correcta

El anclaje está entre los hallazgos más replicados de la investigación sobre el juicio. Una vez que hay una cifra a la vista, las estimaciones posteriores derivan hacia ella, y esto ocurre tanto si la cifra es relevante como si no, tanto si te dijeron que era arbitraria como si no, y tanto si eres experta en el dominio como si no.

La versión propia de la era de la IA tiene una forma específica y poco apreciada. El ancla ya no es una cifra que alguien mencionó de pasada. Es una respuesta completa, fluida y bien organizada, entregada antes de que hayas escrito lo que piensas. Ancla no solo tu estimación, sino el encuadre de toda la pregunta.

Aquí hay un hallazgo de segundo orden que merece atención, porque la mayoría supone que la máquina es al menos neutral. No lo es. Un estudio experimental sobre el sesgo de anclaje en modelos grandes de lenguaje halló que los modelos mismos son arrastrados por las pistas de anclaje incrustadas en una instrucción, y que los modelos más potentes resultan influidos de forma consistente por esas pistas en lugar de estar protegidos por su capacidad. El mismo estudio probó las contramedidas obvias: razonamiento en cadena de pensamiento, enunciar principios antes de responder, instruir explícitamente al modelo para ignorar el ancla y pedirle que reflexione sobre su propia salida. El hallazgo fue que estas estrategias simples no bastan. Lo que ayudó fue recoger información desde ángulos amplios en vez de dejar que una sola pieza dominara.

Así que el ancla que recibes puede ser ya una respuesta anclada. No estás ajustando desde un punto de partida neutral. Estás ajustando desde el punto de partida de otro, con dos grados de distancia.

Mecanismo dos: el sesgo de automatización hace ceder a los expertos

El anclaje explica la atracción. No explica por qué la gente abandona conclusiones a las que ya había llegado correctamente. Eso es el sesgo de automatización, y un estudio de 2026 en patología computacional lo midió en condiciones inusualmente limpias.

El diseño fue un experimento dos por dos intrasujeto con 28 expertos en patología, de los cuales 25 eran patólogos, 2 residentes y 1 personal de patología no médico. Más de la mitad declaró más de quince años de experiencia profesional. Cada uno estimó el porcentaje de células tumorales a partir de imágenes de tejido dos veces: una de forma independiente, estableciendo una base, y otra con apoyo de IA. La mitad de las evaluaciones transcurrió bajo una cuenta atrás de diez segundos.

Los resultados merecen una lectura cuidadosa.

Tabla 1: sesgo de automatización y anclaje medidos en decisiones de expertos (verificado, estudio de patología 2026)

Medida	Hallazgo	Interpretación
Tasa de sesgo de automatización	~7 % de las decisiones (38 de 560)	Los expertos revirtieron su propia evaluación correcta tras una orientación errónea de la IA
Anclaje, peso relativo medio del consejo	0,51	En promedio, los expertos recorrieron la mitad del camino hacia la cifra de la IA
Peso de la predicción de la IA en la estimación final	0,44	Coeficiente en el modelo de efectos mixtos
Peso de su propia estimación de base	0,55	Su juicio previo pesaba solo un poco más
Dependencia sin presión de tiempo	0,48	Nivel de base
Dependencia bajo límite de diez segundos	0,54 (p = 0,017)	La presión de tiempo aumentó la dependencia
Experiencia profesional	-0,06 por categoría de experiencia (p < 0,001)	Más experiencia, menos dependencia
Confianza en la propia estimación de base	-0,03 (p = 0,050)	La confianza en uno mismo reducía la dependencia
Confianza tras ver la IA	+0,08 (p < 0,001)	La confianza ganada con la IA aumentaba la dependencia

Destacan tres cosas.

La primera es la comparación 0,44 frente a 0,55. Estos expertos ya habían formado una estimación independiente. La cifra de la IA, llegando después, acabó pesando en la respuesta final casi tanto como su propio juicio previo. No fue un empujoncito. Fue casi paridad.

La segunda es el efecto de la presión de tiempo. Diez segundos bastaron para mover la dependencia de 0,48 a 0,54, un aumento de aproximadamente un octavo. Esto importa mucho más allá de la patología, porque la condición ordinaria del trabajo del conocimiento es una presión de tiempo leve y continua. Sea cual sea tu dependencia cuando no tienes prisa, es mayor un martes cualquiera.

La tercera es el par de hallazgos sobre confianza, que apuntan en direcciones opuestas. La confianza en tu propia estimación de base reducía la dependencia, en -0,03. La confianza ganada tras ver la IA la aumentaba, en +0,08, con la mayor significación estadística de las dos. La sensación de certeza que llega después de leer la respuesta no es prueba de que la respuesta sea buena. Es un síntoma del mecanismo.

El hallazgo que debería cambiar tu forma de trabajar

El estudio de patología midió un único tipo de decisión en un entorno controlado. La pregunta más amplia es qué ocurre en el trabajo del conocimiento normal, y aquí un estudio CHI 2025 de Carnegie Mellon y Microsoft Research ofrece la imagen más nítida disponible. Los investigadores encuestaron a 319 trabajadores del conocimiento que aportaron 936 ejemplos de primera mano de uso de IA generativa en tareas laborales reales, y clasificaron el pensamiento implicado según la taxonomía de Bloom.

Para cada una de las seis actividades cognitivas registraron la proporción de ejemplos en los que las personas declararon «mucho menos esfuerzo» o «menos esfuerzo» al usar IA en comparación con no usarla.

Tabla 2: reducción de esfuerzo por actividad de pensamiento (verificado, encuesta CHI 2025 a 319 trabajadores del conocimiento)

Actividad cognitiva	Menor esfuerzo declarado	Efecto de la confianza en la IA sobre el esfuerzo
Comprensión (organizar y traducir ideas)	79 %	-0,13 (p = 0,014)
Síntesis (unir ideas)	76 %	-0,12 (p = 0,026)
Conocimiento (recuerdo)	72 %	-0,11 (p = 0,029)
Análisis (descomponer un problema)	72 %	-0,15 (p = 0,003)
Aplicación (resolución de problemas)	69 %	no significativo
Evaluación (juzgar la calidad)	55 %	-0,23 (p < 0,001)

Ahora el análisis que nos parece más importante, obtenido al leer esas dos columnas una contra otra.

Tabla 3: la brecha de verificación (marco editorial de CEOtudent, derivado de las cifras de CHI 2025)

Métrica	Valor	Qué significa
Reducción media de esfuerzo en las cinco actividades no evaluativas	73,6 %	La gente delega la mayor parte del pensamiento con facilidad
Reducción de esfuerzo en la evaluación	55,0 %	La evaluación se resiste a la delegación
La brecha de verificación	18,6 puntos	La evaluación es la última actividad que la gente entrega
Efecto de la confianza sobre el esfuerzo de evaluación	-0,23	La mayor erosión de todas las actividades, con diferencia
Siguiente mayor efecto de confianza (análisis)	-0,15	La evaluación se erosiona aproximadamente 1,5 veces más rápido

Lee esas dos últimas filas juntas, porque esa combinación es todo el argumento de este artículo.

La evaluación es la actividad a la que la gente se aferra con más fuerza. Es la única de las seis que se mantiene por debajo del 60 %, la última línea de defensa natural, lo que sigues haciendo tú mismo después de haber cedido el recuerdo, la comprensión y la síntesis. Y es a la vez la actividad que la confianza en la IA erosiona con más fuerza, en -0,23, aproximadamente una vez y media el siguiente efecto mayor.

La defensa en la que más te apoyas es la que la confianza desmonta primero. Esto no es un apunte motivacional. Es la aritmética de las dos columnas publicadas colocadas una junto a otra.

La misma investigación halló también algo más esperanzador, que da forma al protocolo siguiente. La confianza en la IA se asocia con menos pensamiento crítico, pero la confianza en uno mismo específica de la tarea se asocia con más. Y el pensamiento crítico no desaparece cuando la gente usa estas herramientas. Cambia de forma, desplazándose hacia la verificación de información, la integración de respuestas y lo que los investigadores llaman administración de la tarea. El trabajo sigue ahí. Simplemente deja de parecer pensar y empieza a parecer comprobar, que es más fácil de saltarse.

Por qué la fuerza de voluntad no funciona aquí

La respuesta instintiva es proponerse ser más crítico. Eso fracasa por una razón estructural.

Cuando estás leyendo la respuesta, el ancla ya ha aterrizado. El anclaje no se derrota sabiendo del anclaje; eso se ha probado repetidamente y el efecto sobrevive a la advertencia. Mientras tanto, la confianza que sientes al leer una respuesta fluida está, según los datos de patología, asociada positivamente con una mayor dependencia. La sensación exacta que usarías como señal de que todo va bien es la sensación que acompaña al fallo.

No puedes vencer con disciplina un sesgo que opera antes de la deliberación. Solo puedes cambiar el orden de las operaciones para que tenga menos de dónde agarrarse.

El protocolo de la segunda respuesta

Este es nuestro marco, construido para atacar los mecanismos concretos descritos arriba y no para sonar genéricamente sensato.

Paso uno: escribe tu respuesta primero, aunque sea mala. Antes de enviar la instrucción, escribe una o dos frases sobre lo que piensas ahora mismo, incluida tu incertidumbre. Es el único paso que ataca el anclaje de raíz, porque te da una posición que existía antes del ancla. Los datos de patología respaldan la lógica directamente: la confianza en la propia estimación de base se asociaba con menor dependencia. Esa base tiene que existir para protegerte.

Paso dos: pide el desacuerdo, no la respuesta. En lugar de solicitar una conclusión y luego evaluarla, pide el argumento más fuerte en contra de tu posición y después el más fuerte a favor. Esto refleja la única contramedida que el estudio sobre anclaje encontró eficaz: reunir información desde ángulos amplios en vez de permitir que un solo encuadre domine. Las contramedidas que fallaron se aplicaban todas después del hecho.

Paso tres: protege la evaluación como un acto separado. No evalúes mientras lees. La lectura es cuando el ancla aterriza y la confianza se acumula. La evaluación debería ser una pasada distinta, idealmente tras una pausa, con una pregunta concreta en la mano: qué tendría que ser cierto para que esto fuera falso, y puedo comprobarlo. Este paso existe enteramente por el hallazgo de -0,23. La evaluación es donde la confianza hace más daño, así que necesita la protección estructural más fuerte.

Paso cuatro: trata la presión de tiempo como una señal de alarma, no como un motivo para correr. Diez segundos bastaron para aumentar de forma medible la dependencia de expertos respecto al consejo de la máquina. Si una decisión es a la vez trascendente y apresurada, esa es precisamente la condición en la que la sumisión alcanza su pico. La respuesta correcta a la urgencia es bajar el peso que das a la respuesta de la IA, no subirlo porque no tienes tiempo de comprobar.

Bajo los cuatro pasos hay una sola postura. Una CEO no deja de pedir consejo porque los asesores a veces se equivocan; decide de antemano qué decisiones asumirá personalmente y mantiene una opinión propia antes de que empiece la sesión informativa. Una estudiante no finge saber; escribe lo que no entiende para que pueda comprobarse. El sesgo de primera conclusión se derrota sosteniendo ambas cosas a la vez: la responsabilidad que te hace formar una posición antes de que llegue la respuesta y la humildad que te hace verificarla realmente después.

Bajo los cuatro pasos hay además una pregunta de umbral: qué decisiones merecen este tratamiento. No toda consulta es una cuestión de criterio, y aplicar un protocolo completo a una duda ortográfica es teatro. Trabajamos dónde está la línea en nuestra guía sobre cuándo confiar en las recomendaciones de la IA y cuándo no, y el argumento más amplio sobre por qué esta capacidad gana valor está en la economía del juicio. Si quieres construir la facultad de fondo en lugar de una lista de comprobación, la investigación sobre intuición experta tratada en cómo desarrollar buen juicio es mejor punto de partida.

Preguntas frecuentes

¿Es el sesgo de primera conclusión un término científico real?
No, y conviene decirlo con claridad. Es nuestra etiqueta para la combinación de dos efectos establecidos: el sesgo de anclaje, uno de los hallazgos más replicados de la investigación sobre el juicio, y el sesgo de automatización, la tendencia documentada a ceder ante sistemas automatizados. Ambos son reales y se han medido por separado. La combinación es lo que tú experimentas.

¿Me protege la experiencia?
En parte, y menos de lo que esperarías. En el estudio de patología, cada categoría adicional de experiencia profesional reducía la dependencia de la IA en -0,06, un efecto estadísticamente fuerte con p < 0,001. Pero los participantes eran en su abrumadora mayoría profesionales experimentados, más de la mitad con más de quince años en el campo, y aun así recorrieron en promedio la mitad del camino hacia la cifra de la IA y revirtieron sus propias evaluaciones correctas en torno al 7 % de las decisiones. La experiencia reduce el efecto. No lo elimina.

¿Usar IA me está haciendo peor pensador?
La evidencia de CHI 2025 no respalda ese encuadre. Lo que muestra es que el esfuerzo declarado cae en la mayoría de las actividades cognitivas y que el pensamiento crítico se desplaza hacia la verificación, la integración y la administración en lugar de desaparecer. El riesgo no es que la capacidad se atrofie automáticamente. Es que el trabajo restante parece comprobación y no reflexión, lo que hace fácil saltárselo cuando vas con prisa.

¿Lo resolvería un modelo mejor?
No hay evidencia de eso y sí algo en contra. El estudio sobre anclaje halló que los modelos más potentes resultaban influidos de forma consistente por las pistas de anclaje, de modo que la capacidad no ofrecía protección a nivel de modelo. Y el efecto del lado humano lo impulsan la fluidez y el orden de la respuesta más que su exactitud, lo que significa que un modelo más capaz que se equivoca menos puede producir más sumisión, no menos.

¿Funciona pedirle a la IA que critique su propia respuesta?
El estudio que probó esta clase de solución la halló insuficiente. El prompting en cadena de pensamiento, enunciar principios primero, instruir al modelo para ignorar el ancla y pedirle que reflexionara se probaron contra el sesgo de anclaje y ninguno resultó adecuado por sí solo. Lo que funcionó fue reunir información desde múltiples ángulos independientes, y por eso el paso dos del protocolo pide argumentos opuestos en lugar de una autorrevisión.

¿Y si realmente no sé lo suficiente para escribir una respuesta primero?
Entonces escribe la incertidumbre misma: qué necesitarías saber y qué te haría cambiar de opinión. Eso sigue siendo una posición previa al ancla, y convierte el paso tres, que dejaría de ser un juicio de calidad para el que no estás capacitado, en una lista comprobable.

Fuentes

• Lee, Sarkar, Tankelevitch, Drosos, Rintel, Banks y Wilson, The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers, Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems, Carnegie Mellon University y Microsoft Research
• Stuck on Suggestions: Automation Bias, the Anchoring Effect, and the Factors That Shape Them in Computational Pathology, 2026
• Lou et al., Anchoring Bias in Large Language Models: An Experimental Study
• Bloom, Engelhart, Furst, Hill y Krathwohl, Taxonomy of Educational Objectives, el marco usado para clasificar las actividades cognitivas en el estudio CHI 2025
• Tversky y Kahneman, Judgment under Uncertainty: Heuristics and Biases, Science, 1974, para el hallazgo original sobre anclaje y ajuste

---

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: