TL;DR. Un sistema de notas cumple dos funciones: almacena información y construye memoria y criterio en tu propia cabeza. Un asistente de IA es excelente en la primera y, usado sin cuidado, elimina la segunda. Generar el material tú mismo superó a leerlo en 86 estudios (tamaño del efecto 0,40) y por unos 10 puntos porcentuales en 310 experimentos. Ponerte a prueba superó a volver a estudiar en 159 tamaños del efecto (g = 0,50, y 0,73 con retroalimentación). Guardar un archivo en un lugar fiable mejoró la memoria del archivo siguiente, mientras que delegar durante una tarea aumentó el rendimiento pero redujo la memoria en tres experimentos de 172 personas cada uno. El resultado de priming del “efecto Google” no se replicó: el efecto agrupado de la replicación fue 0,135 del original. La jugada del CEO: diseña el sistema, con funciones por escrito, reglas de lectura y escritura para la IA y una revisión semanal de 20 minutos, en lugar de comprar otra app. La jugada del estudiante: conserva los pasos generativos (escribir con tus propias palabras, decidir los vínculos, responder de memoria a las preguntas de repaso) y deja a la IA el almacenamiento, la búsqueda, la clasificación y la retroalimentación después de tu intento.
Este artículo da por hecho que ya le das a tu asistente un contexto permanente; si no es así, empieza por el archivo de contexto y por la guía de instrucciones personalizadas, proyectos y memoria. Para el debate más amplio sobre la descarga cognitiva, consulta qué pasa cuando la IA piensa por ti. La pregunta aquí es más concreta: si mantienes un “segundo cerebro”, ¿qué debería poder tocar el asistente?
¿Sustituye un asistente de IA a un segundo cerebro?
La idea de una memoria externa es más antigua que cualquier app. En el número de julio de 1945 de The Atlantic Monthly, Vannevar Bush describió el memex, un escritorio en el que una persona almacenaría libros, registros y comunicaciones y los consultaría a gran velocidad, “un suplemento íntimo y ampliado de su memoria”. Su rasgo esencial era la indexación asociativa: “El proceso de unir dos elementos es lo importante”.
Un ejemplo práctico bien documentado procede de un sociólogo. El proyecto de la Universidad de Bielefeld sobre los papeles de Niklas Luhmann describe su fichero como unas 90.000 notas escritas entre 1951 y 1996, una colección que el proyecto llama su autobiografía intelectual y la máquina en la que se apoyó para desarrollar su teoría y sus publicaciones; su obra llegó a casi 600 publicaciones, entre ellas más de 40 monografías. Eso supone una media de unas 2.000 fichas al año, o aproximadamente 5,5 al día, durante 45 años (cálculo de CEOtudent). El archivo era un subproducto del pensamiento diario, no un sustituto de él. Hoy la expresión se asocia con el libro de Tiago Forte de 2022, Building a Second Brain, cuyo método no se reproduce aquí.
Lo que cambiaron los asistentes de chat es que ahora el archivo puede responder. Ya funcionan como una capa de búsqueda: en la propia clasificación de OpenAI de una muestra representativa de conversaciones de consumidores en ChatGPT, “Buscar información” pasó del 14 % al 24 % del uso entre julio de 2024 y julio de 2025 (documento de trabajo del NBER con autores vinculados a OpenAI, sin revisión por pares).
Así que un asistente puede sustituir buena parte del trabajo de almacenamiento y recuperación de un segundo cerebro, pero no el procesamiento que ocurre en tu cabeza mientras lo construyes. Los psicólogos llaman “descarga cognitiva” al uso de herramientas para reducir las exigencias mentales de una tarea (Risko y Gilbert, 2016). Un cuaderno descarga el recordar; un asistente también puede descargar el resumir, el vincular y el redactar. La investigación muestra cuáles de esas cesiones te cuestan algo.
¿Qué dice la investigación sobre el efecto de cada operación de notas en tu memoria?
La Tabla 1 une líneas de investigación que rara vez se leen juntas: una fila por cada operación que realiza un sistema de notas, con el diseño, el resultado tal como se publicó y la implicación para la IA.
Tabla 1. Qué hace cada operación de un sistema de notas a tu propia memoria (análisis de CEOtudent de Bertsch et al. 2007, McCurdy et al. 2020, Storm y Stone 2015, Grinschgl et al. 2021, Camerer et al. 2018, Rowland 2014, Kornell et al. 2009 y Fan et al. 2025)
| Operación de notas | Estudio y diseño | Resultado tal como se publicó | Implicación para delegar en la IA |
|---|---|---|---|
| Escribirlo tú mismo (generar frente a leer) | Bertsch et al. 2007: 445 tamaños del efecto, 86 estudios (solo resumen); McCurdy et al. 2020: 310 experimentos | Tamaño del efecto 0,40; diferencia media de 0,102 en la proporción recordada | Un resumen de IA que solo lees es la condición de “leer” |
| Guardar en un archivo antes de aprender algo nuevo | Storm y Stone 2015, tres experimentos (solo resumen) | Guardar un archivo mejoró la memoria del siguiente; sin beneficio cuando el guardado “se consideraba poco fiable” | El almacenamiento se puede delegar sin riesgo si el archivo es fiable |
| Delegar mientras haces la tarea | Grinschgl et al. 2021, tres experimentos, N = 172 cada uno | Rendimiento al alza, memoria a la baja; correlaciones de -0,80 y -0,55 entre consultas y memoria posterior | Decide de antemano qué recordar y luego consulta menos |
| Construir mapas frente a recordar | Karpicke y Blunt 2011, según la descripción de Camerer et al. 2018 | Una semana después: 0,67 con práctica de recuperación frente a 0,45 con mapas conceptuales (N = 40); replicado (N = 49) | La IA puede proponer vínculos; el recuerdo sigue siendo tuyo |
| Ponerte a prueba durante el repaso | Rowland 2014: 159 tamaños del efecto, 61 estudios | g = 0,50; 0,73 con retroalimentación frente a 0,39 sin ella | La IA redacta preguntas y retroalimentación; tú respondes |
| Intentarlo antes de ver la respuesta | Kornell, Hays y Bjork 2009, Experimento 1 | Recuerdo de 0,41 tras intentos fallidos frente a 0,31 solo leyendo, d = 0,58 | Intenta primero y luego escribe el prompt |
| Pulir el resultado con un asistente | Fan et al. 2025, estudio de laboratorio aleatorizado, 117 estudiantes | Las notas de los ensayos mejoraron más con ChatGPT; la ganancia de conocimiento y la transferencia “no fueron significativamente diferentes” | Un mejor borrador no es prueba de aprendizaje |
Escribirlo tú mismo: el efecto de generación
Slamecka y Graf (1978) realizaron cinco experimentos en los que compararon palabras que los participantes generaban a partir de una pista y una regla con las mismas palabras simplemente leídas; en todos los casos la condición de generar fue superior. El efecto se mantuvo en reconocimiento, recuerdo libre y recuerdo con claves, apareció con solo 12 participantes y no dependía de que se avisara o no de que habría una prueba.
Dos metanálisis coinciden en la dirección. Bertsch y colaboradores (2007) resumieron 445 tamaños del efecto de 86 estudios y hallaron una media de 0,40, “casi media desviación estándar” (solo resumen; el texto completo está tras una verificación antibots). McCurdy y colaboradores (2020) analizaron 126 artículos, 310 experimentos y 1.653 estimaciones y situaron la ventaja en 0,102 en la proporción recordada, unos 10 puntos porcentuales. Las muestras más grandes mostraron efectos menores; extrapolada a una muestra infinita, la ventaja bajó a 0,080, aproximadamente una quinta parte menos (22 %, cálculo de CEOtudent), pero siguió siendo significativa. La generación con menos restricciones, con menos reglas sobre qué producir, superó a la generación con restricciones medias y altas, y los intervalos de retención de más de un día añadieron aproximadamente 7 puntos porcentuales.
Para las notas, la traducción es directa: un resumen de IA que lees es la condición de leer; una nota escrita de memoria, en formato abierto y no en una plantilla, es la condición de generar.
Guardar en un archivo fiable: la descarga que ayuda
No toda descarga perjudica. En tres experimentos de Storm y Stone (2015), guardar un archivo antes de estudiar otro nuevo mejoró significativamente la memoria del nuevo archivo. El beneficio desaparecía cuando el guardado se consideraba poco fiable y cuando el archivo guardado era demasiado ligero para interferir con el siguiente (solo resumen). Fellers y Storm (2024) encontraron el efecto cuando solo se guardaban algunos elementos, con un botón o a mano; Buchli y Storm (2025) lo encontraron mayor en personas con más capacidad de memoria de trabajo (ambos, solo resumen). Guardar las cosas en un lugar en el que confías libera atención para lo que viene después, y cualquier herramienta, incluido un asistente, puede hacer ese trabajo.
Delegar mientras trabajas: rendimiento al alza, memoria a la baja
Grinschgl, Papenmeier y Meyerhoff (2021) realizaron tres experimentos con 172 participantes cada uno, 516 en total. Los participantes copiaban un patrón de objetos a partir de una ventana modelo que podían volver a abrir, y los investigadores variaron lo que costaba cada consulta y si se anunciaba una prueba de memoria. Delegar “aceleraba el procesamiento de la tarea”, pero interfería con la memoria del material. En el Experimento 3, entre las personas que podían elegir, la correlación entre la frecuencia con la que reabrían el modelo y lo bien que recordaban después los objetos fue de -0,80 cuando no esperaban una prueba de memoria y de -0,55 cuando sí la esperaban. Las personas obligadas a delegar al máximo, pero avisadas de que habría una prueba, contrarrestaron casi por completo el daño. La intención importa, así que un segundo cerebro debería registrar no solo lo que se almacena, sino también lo que tienes intención de recordar.
Vincular y hacer mapas frente a recordar
Vincular es central en los métodos de segundo cerebro, y Bush estaría de acuerdo. Pero construir un mapa no es practicar el recuerdo. En Karpicke y Blunt (2011), según los materiales prerregistrados del proyecto de replicación de 2018, los participantes que practicaron la recuperación obtuvieron una media de 0,67 en una prueba una semana después, frente a 0,45 de quienes construyeron mapas conceptuales (N = 40): una diferencia de 0,22, es decir, un 49 % más (cálculo de CEOtudent). La replicación de 2018 con 49 participantes reprodujo el resultado con 0,638 del tamaño del efecto original. Los vínculos hacen posible la recuperación posterior, por parte de la máquina y por la tuya, pero no son por sí solos una técnica de memoria. Sugerir vínculos es un trabajo razonable para la IA; recordar es un trabajo humano.
Ponerte a prueba, sobre todo después de un intento
Rowland (2014) agrupó 159 tamaños del efecto de 61 estudios publicados entre 1975 y 2013 y encontró un efecto de las pruebas de g = 0,50 (IC del 95 % de 0,42 a 0,58) frente a volver a estudiar. Con retroalimentación fue de 0,73, frente a 0,39 sin ella: una brecha de 0,34, cerca del doble (cálculo de CEOtudent). Los efectos fueron mayores con intervalos de retención de al menos un día (0,69) que de menos de un día (0,41). En el subconjunto de alta exposición (estudios con retroalimentación o con un rendimiento en la prueba inicial superior al 75 %), las pruebas iniciales de tipo recuerdo (recuerdo con claves 0,72, recuerdo libre 0,81) superaron al reconocimiento (0,36), un argumento a favor de las preguntas abiertas frente a las de opción múltiple.
Kornell, Hays y Bjork (2009) justifican una regla de “primero intentar”. En el Experimento 1, los participantes se enfrentaron a preguntas de cultura general ficticias que no podían responder. Intentarlo de todos modos antes de ver la respuesta produjo un recuerdo final de 0,41, frente a 0,31 cuando pregunta y respuesta se mostraban juntas, d = 0,58: una diferencia de 0,10 y una ganancia relativa del 32 % (cálculo de CEOtudent).
Pulir el resultado con un asistente
Fan y colaboradores (2025) asignaron aleatoriamente a 117 estudiantes universitarios a una tarea de redacción y revisión de un ensayo con el apoyo de ChatGPT, de un experto humano, de herramientas de analítica de escritura o sin herramienta adicional. El grupo de ChatGPT mejoró más la nota de sus ensayos, pero su ganancia de conocimiento y su transferencia no fueron significativamente diferentes, y los autores advierten de la “pereza metacognitiva”. Como sostiene escribir para pensar, un asistente puede elevar la calidad del resultado sin elevar la calidad de tu comprensión.
¿Sobrevivió el “efecto Google” a la replicación?
El estudio de 2011 de Sparrow, Liu y Wegner se cita a menudo como prueba de que la búsqueda y el almacenamiento cambian lo que la gente recuerda, y sus experimentos se resumen en otros artículos de CEOtudent. Lo que importa aquí es la nueva comprobación. El Social Sciences Replication Project (Camerer y colaboradores, 2018) replicó 21 estudios experimentales publicados en Nature y Science entre 2010 y 2015, con muestras de media unas cinco veces mayores. Encontró un efecto significativo en la misma dirección en 13 (62 %), con tamaños del efecto de la replicación de media en torno al 50 % de los originales. Tres de los 21 tienen que ver directamente con las notas y la práctica de la memoria.
Tabla 2. Estudios sobre memoria en el Social Sciences Replication Project de 2018
| Estudio original | Hipótesis puesta a prueba | r original (N) | r Etapa 1 (N) | r agrupada Etapa 2 (N) | ¿Replicado? | Tamaño del efecto relativo |
|---|---|---|---|---|---|---|
| Sparrow, Liu y Wegner 2011 | Estudio 1: términos informáticos más accesibles tras preguntas de cultura general difíciles (tarea Stroop) | 0,368 (69) | 0,110 (104) | 0,050 (234) | No | 0,299 en la Etapa 1; 0,135 agrupado |
| Karpicke y Blunt 2011 | La práctica de recuperación supera a los mapas conceptuales en una prueba una semana después | 0,602 (40) | 0,384 (49) | No se realizó | Sí, en la Etapa 1 | 0,638 |
| Pyc y Rawson 2010 | La práctica de prueba y reestudio supera al reestudio para recuperar mediadores de memoria | 0,377 (36) | 0,148 (132) | 0,150 (306) | Sí, en la Etapa 2 | 0,394 en la Etapa 1; 0,398 agrupado |
Fuente: Camerer et al. (2018), Información Suplementaria, Tablas Suplementarias 1, 3 y 4, cifras tal como se publicaron. El tamaño del efecto relativo es la r de la replicación dividida entre la r original; CEOtudent recalculó cada cociente. Solo se realizó una segunda recogida de datos (Etapa 2) cuando la Etapa 1 no replicó.
Tres detalles mantienen la honestidad del análisis. El proyecto puso a prueba solo el Estudio 1 del artículo de Sparrow, una medida de tiempo de reacción sobre si las palabras relacionadas con la informática se volvían más accesibles; no dice nada sobre los demás experimentos del artículo. El equipo señaló que el artículo original indicaba una muestra de 46, mientras que en realidad se usaron 69 participantes, y que los autores originales no respondieron a las solicitudes de materiales, por lo que el propio equipo programó la tarea. La replicación agrupada usó 234 participantes, 3,4 veces la muestra original (cálculo de CEOtudent), y encontró un efecto cercano a cero (r = 0,050, p = 0,449).
Los dos estudios sobre recuperación se replicaron, con efectos menores; el estudio de priming por búsqueda no. Para un segundo cerebro, la preocupación mejor fundamentada no es que la información recuperable deteriore la memoria por el mero hecho de existir, sino que saltarte tu propia generación y tu propio recuerdo, como en los resultados de Grinschgl y Fan, deja menos en tu cabeza. Más sobre el debate en ¿te está volviendo la IA peor pensando?.
¿Qué partes de un segundo cerebro deben seguir siendo tuyas?
La evidencia clasifica las operaciones de notas en dos tipos. El almacenamiento, la clasificación y la búsqueda son descarga y, con un archivo fiable, cuestan poco cuando se trata de material que no necesitas retener en la cabeza. La generación, las decisiones sobre vínculos y la recuperación son procesamiento; solo dan fruto si las haces tú. El marco convierte eso en una arquitectura.
Tabla 3. La pila “Primero intentar”: cuatro capas, una regla cada una (marco editorial de CEOtudent)
| Capa | Qué contiene | Quién escribe | Qué puede leer la IA | La regla | Razón basada en la evidencia |
|---|---|---|---|---|---|
| 1. Bandeja de captura | Recortes, transcripciones, archivos guardados, ideas en bruto | Tú o la IA | Todo lo que contiene | Un único lugar fiable; todo lo que siga sin procesar tras 7 días se archiva o se borra | Guardar solo ayuda cuando es fiable (Storm y Stone) |
| 2. Notas con tus propias palabras | Notas breves escritas de memoria, una idea por nota | Solo tú | Sí, para buscar y hacerte preguntas | La IA nunca reescribe esta capa; cada nota lleva una etiqueta de procedencia | Generar supera a leer (Bertsch; McCurdy) |
| 3. Vínculos y mapas | Vínculos, mapas temáticos, preguntas abiertas | Decides tú; la IA puede proponer | Sí | Un vínculo propuesto solo entra con una frase, con tus palabras, que explique por qué | Los mapas perdieron frente al recuerdo en un estudio replicado (Karpicke y Blunt) |
| 4. Cómputo de la IA sobre el archivo | Resultados de búsqueda, agrupaciones, borradores, preguntas de repaso | La IA redacta, tú editas | Capas 1 a 3, dentro de tu límite de privacidad | Primero intentar; el resultado nunca entra en la capa 2 si no se reescribe | Los intentos y la retroalimentación construyen memoria (Kornell; Rowland); pulir no es aprender (Fan) |
Tres reglas permanentes hacen que funcione:
- Etiqueta de procedencia. Cada nota indica si son tus palabras, una cita de una fuente o un resultado de la IA. Sin ella, el archivo se llena de texto que nunca procesaste y que no puedes distinguir.
- El filtro de primero intentar. Antes de escribir un prompt sobre cualquier cosa que quieras entender, escribe tu propia respuesta, esquema o conjetura, aunque sea mala.
- Sin flujo de vuelta. Los resultados de la IA viven en la capa 4 y solo pasan a la capa 2 después de que los reescribas de memoria.
Los prompts que se usan en la capa 4 pertenecen a una biblioteca de prompts, y la disciplina más amplia de dar forma a lo que ve el modelo es la ingeniería de contexto.
¿Qué tareas son para ti, cuáles para la IA y cuáles para ti primero y luego para la IA?
La tabla de decisión cubre doce tareas habituales de notas, con un responsable y la evidencia que respalda cada elección.
Tabla 4. Reparto de las tareas de notas (marco editorial de CEOtudent)
| Tarea | Responsable | Cómo | Razón basada en la evidencia |
|---|---|---|---|
| Resumir un artículo que necesitas entender | Tú primero, luego IA | Escribe cinco frases de memoria y luego pregunta a la IA qué se te escapó o qué entendiste mal | Generación más retroalimentación (McCurdy; Rowland) |
| Resumir un artículo que solo necesitas archivar | IA | Guarda el resumen en la capa 1, etiquetado como resultado de la IA | Almacenamiento fiable (Storm y Stone) |
| Encontrar una nota antigua | IA | Busca en las capas 1 a 3 | Recuperación de elementos almacenados |
| Etiquetar, archivar y eliminar duplicados de la bandeja | IA | Preclasificación semanal antes de tu revisión | Trabajo de almacenamiento |
| Capturar una reunión (transcripción en bruto) | IA | La transcripción va solo a la capa 1 | Almacenamiento |
| Retener en la cabeza las decisiones de esa reunión | Tú | Escribe de memoria las decisiones y los responsables en el plazo de un día | La intención de recordar cambia el coste de delegar (Grinschgl) |
| Escribir una nota permanente con tus propias palabras | Tú | Una idea, formato abierto, sin plantilla | La generación con menos restricciones se recordó mejor (McCurdy) |
| Decidir qué notas merece la pena conservar | Tú | Cada semana, durante la revisión | La relevancia es criterio del propietario |
| Generar conexiones entre notas | Tú primero, luego IA | Anota tú mismo dos o tres vínculos y luego pide más a la IA; acepta cada uno con una razón | Primero intentar (Kornell); hacer mapas no es recordar (Karpicke y Blunt) |
| Preguntas de repaso espaciado | Tú primero, luego IA | La IA redacta preguntas abiertas a partir de tus notas; tú respondes antes de ver la retroalimentación | Efecto de las pruebas, mayor con retroalimentación y después de un día (Rowland) |
| Redactar un memorando a partir de tus notas | Tú primero, luego IA | Escribe primero la tesis y el esquema; la IA redacta; tú editas | Mejores borradores sin más aprendizaje (Fan) |
| Buscar en el archivo antes de una decisión | Tú primero, luego IA | Escribe tu postura actual y luego pide a la IA notas que la respalden y que la contradigan | Primero intentar (Kornell) |
El recuento es de 3 tareas solo para ti, 4 solo para la IA y 5 para “tú primero, luego IA” (recuento de CEOtudent). Muy poco tiene que hacerse sin IA, pero casi todo lo que pretende cambiar tu forma de pensar exige que vayas tú primero. Las normas de captura para reuniones están en cómo las notas de reunión con IA cambiaron la reunión, y el prompt socrático convierte al asistente en alguien que te hace preguntas en las tareas de aprendizaje.
¿Cómo se configura el sistema en una semana?
La jugada del CEO es una decisión de diseño, no una compra: trata la configuración como la redacción de un modelo operativo, no como la elección de un software. Esta lista de verificación funciona con cualquier app de notas y cualquier asistente.
Lista de verificación de configuración de la semana 1 (marco editorial de CEOtudent)
- Día 1: una bandeja, un archivo. Congela los duplicados; la confianza es una condición previa del beneficio de guardar.
- Día 1: añade un campo de procedencia con tres valores: palabras propias, fuente, resultado de la IA.
- Día 2: escribe las reglas de la IA en tu archivo de contexto o en las instrucciones del proyecto: qué puede leer el asistente, en qué capa puede escribir y la regla de primero intentar.
- Día 2: traza tu límite de privacidad. Enumera las carpetas que nunca van a una herramienta externa (material de clientes, datos personales de otras personas, todo lo que tu empleador restrinja) y revisa la configuración de retención y de entrenamiento de la herramienta.
- Día 3: siembra la capa 2 con 10 notas breves con tus propias palabras sobre trabajo reciente, escritas de memoria.
- Día 4: guarda un prompt de preguntas que convierta cada nota con tus propias palabras en 2 preguntas abiertas, nunca de opción múltiple.
- Día 5: reserva la revisión semanal en un horario fijo.
Tabla 5. La revisión semanal de 20 minutos (marco editorial de CEOtudent)
| Bloque | Minutos | Qué haces | Quién hace qué |
|---|---|---|---|
| Triaje de la bandeja | 5 | Conservar, archivar o borrar lo que la IA preclasificó durante la semana | La IA clasifica, tú decides |
| Recuerdo en frío | 7 | Responder sin mirar a las preguntas abiertas de la semana pasada y luego comprobar | La IA pregunta y da retroalimentación, tú respondes |
| Promover y vincular | 5 | Reescribir uno o dos elementos capturados como notas con tus propias palabras; añadir un vínculo con una razón | Tú escribes, la IA puede proponer vínculos |
| Lista de lo que recordar la semana próxima | 3 | Nombrar tres cosas que tienes intención de retener en la cabeza, no solo en el archivo | Tú |
Los bloques suman 20 minutos. El recuerdo va antes de la promoción para que el bloque más difícil ocurra mientras la atención está fresca.
¿Cuáles son los modos de fallo?
- El archivo que nadie lee. Capturar sin recuperar es almacenar, no aprender. Si te saltas la revisión durante un mes, el sistema se convierte en un archivador; la solución es recordar, no capturar más.
- Notas escritas por la IA que nunca procesaste. Los resúmenes hechos en el momento de la captura parecen progreso. Sin una etiqueta de procedencia se mezclan con tus propias palabras, y el paso de generación nunca ocurre.
- El archivo poco fiable. Varias apps sincronizadas a medias y ninguna fuente única de verdad. Cuando guardar no es fiable, su beneficio desaparece, y empiezas a retener cosas en la cabeza por desconfianza.
- La inflación de vínculos. Cientos de vínculos sugeridos por la IA que nadie sabe explicar. Un vínculo sin una razón escrita es decoración.
- Escribir el prompt antes de intentarlo. Preguntar primero parece eficiente y se salta el intento que prepara la memoria para la respuesta.
- Entregar el archivo entero a un proveedor. Las notas suelen contener información de otras personas, material de clientes y borradores inéditos. Antes de conectar un archivo a un servicio externo, comprueba qué conserva, si entrena con tus datos, quién puede acceder a ellos y qué dice la política de tu empleador, y deja el límite por escrito. Esto es información general, no asesoramiento jurídico; las normas de tu organización y la legislación aplicable deciden qué está permitido.
Lo que esto no significa
La evidencia es sólida en cuanto a la dirección y más débil en cuanto a la transferencia al trabajo real. Los estudios citados aquí usan sobre todo listas de palabras, preguntas de cultura general, textos breves o tareas de copia, evaluados al cabo de minutos, días o una semana, no de meses de lectura profesional. Esta revisión no encontró ningún ensayo controlado de un sistema completo de segundo cerebro con una capa de IA, así que las Tablas 3 a 5 son un diseño construido a partir de hallazgos parciales, no una intervención probada.
Escribir un resumen no es una técnica de memoria garantizada. Al revisar diez técnicas de aprendizaje, Dunlosky y colaboradores (2013) calificaron la práctica con pruebas y la práctica distribuida como de alta utilidad, y el resumen, el subrayado y la relectura como de baja utilidad; resumir ayudó a algunos estudiantes en algunas tareas, en condiciones limitadas (solo resumen). Por eso el marco combina las notas con tus propias palabras con el recuerdo, en lugar de tratar la escritura de notas como el objetivo.
La replicación fallida de Sparrow no demuestra que la descarga sea inocua; demuestra que un resultado de priming no se sostuvo. Los experimentos de Grinschgl son una mejor prueba de que delegar durante una tarea puede costar memoria, sobre todo cuando no has decidido recordar. Y tamaños del efecto como 0,40 o g = 0,50 son promedios de estudios muy distintos; los resultados varían según el material y el tiempo que necesites conservarlo.
Preguntas frecuentes
¿Sustituye un asistente de IA a un segundo cerebro?
Sustituye buena parte del almacenamiento y la recuperación: encontrar notas, clasificar una bandeja, redactar a partir de material ya escrito. No puede sustituir la generación, las decisiones sobre vínculos y el recuerdo que construyen tu propia memoria, porque esos efectos solo se producen cuando haces tú el trabajo.
¿Debería la IA resumir las notas de lectura?
Para el material que solo necesitas archivar, sí, etiquetado como resultado de la IA. Para el material que necesitas entender, escribe primero un resumen breve de memoria y luego pregunta a la IA qué se te escapó. Generar superó a leer en 86 estudios en el metanálisis de Bertsch.
¿Es real el “efecto Google”?
El resultado de priming que puso a prueba el proyecto de replicación de 2018 no se reprodujo: el efecto agrupado fue 0,135 del original. Esa prueba solo abarcó el Estudio 1 del artículo de 2011. Otros experimentos, como los de Grinschgl y colaboradores (2021), sí muestran que delegar durante una tarea puede reducir la memoria del material delegado.
¿Qué es la regla de primero intentar?
Antes de escribir un prompt a un asistente sobre cualquier cosa que quieras aprender o decidir, escribe tu propia respuesta, esquema o conjetura. En el Experimento 1 de Kornell y colaboradores, incluso los intentos fallidos elevaron el recuerdo posterior de 0,31 a 0,41.
¿Cuánto tiempo requiere el sistema cada semana?
Una revisión de 20 minutos: 5 minutos de triaje de la bandeja, 7 de recuerdo en frío, 5 para promover y vincular, y 3 para fijar la lista de lo que recordar la semana próxima, tras unas cinco sesiones breves de configuración durante la primera semana.
¿Es seguro darle a una herramienta de IA todo un archivo de notas?
Depende de lo que contenga el archivo y de la configuración de retención, entrenamiento y acceso de la herramienta. Mantén un límite por escrito para el material de clientes y los datos personales de otras personas, sigue la política de tu empleador y toma esto como información general, no como asesoramiento jurídico.
¿Qué app de notas funciona mejor?
La investigación no favorece a ninguna app. Favorece un único archivo fiable, notas con tus propias palabras y un recuerdo regular con retroalimentación; cualquier herramienta que apoye esos tres hábitos sirve.
Fuentes
- Bertsch, S., Pesta, B. J., Wiscott, R. y McDaniel, M. A. (2007). The generation effect: A meta-analytic review. Memory and Cognition, 35(2), 201-210 (solo resumen, registro de PubMed).
- McCurdy, M. P., Viechtbauer, W., Sklenar, A. M., Frankenstein, A. N. y Leshikar, E. D. (2020). Theories of the generation effect and the impact of generation constraint: A meta-analytic review. Psychonomic Bulletin and Review, 27(6), 1139-1165 (versión del editor, repositorio de la Universidad de Maastricht).
- Slamecka, N. J. y Graf, P. (1978). The generation effect: Delineation of a phenomenon. Journal of Experimental Psychology: Human Learning and Memory, 4(6), 592-604.
- Storm, B. C. y Stone, S. M. (2015). Saving-enhanced memory: The benefits of saving on the learning and remembering of new information. Psychological Science, 26(2), 182-188 (solo resumen, registro de PubMed).
- Fellers, C. y Storm, B. C. (2024). The saving enhanced memory effect can be observed when only a subset of items are saved. Memory and Cognition, 52(6), 1325-1337 (solo resumen, registro de PubMed).
- Buchli, D. R. y Storm, B. C. (2025). Working memory capacity and the saving-enhanced memory effect. Memory, 33(8), 1015-1030 (solo resumen, registro de PubMed).
- Grinschgl, S., Papenmeier, F. y Meyerhoff, H. S. (2021). Consequences of cognitive offloading: Boosting performance but diminishing memory. Quarterly Journal of Experimental Psychology, 74(9), 1477-1496 (texto completo en PubMed Central).
- Rowland, C. A. (2014). The effect of testing versus restudy on retention: A meta-analytic review of the testing effect. Psychological Bulletin, 140(6), 1432-1463 (copia subida por el autor).
- Kornell, N., Hays, M. J. y Bjork, R. A. (2009). Unsuccessful retrieval attempts enhance subsequent learning. Journal of Experimental Psychology: Learning, Memory, and Cognition, 35(4), 989-998 (copia del autor).
- Camerer, C. F., Dreber, A., Holzmeister, F. y colaboradores (2018). Evaluating the replicability of social science experiments in Nature and Science between 2010 and 2015. Nature Human Behaviour, 2(9), 637-644, resumen e Información Suplementaria (fuente de las cifras de Sparrow, Liu y Wegner 2011, Karpicke y Blunt 2011 y Pyc y Rawson 2010; esos artículos originales no se abrieron).
- Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J. y Willingham, D. T. (2013). Improving students’ learning with effective learning techniques. Psychological Science in the Public Interest, 14(1), 4-58 (solo resumen, registro de PubMed).
- Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X. y Gasevic, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489-530 (cifras de la versión arXiv 2412.09315).
- Risko, E. F. y Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676-688 (solo resumen, registro de PubMed).
- Chatterji, A., Cunningham, T., Deming, D. J., Hitzig, Z., Ong, C., Shan, C. Y. y Wadman, K. (2025). How People Use ChatGPT. NBER Working Paper 34255 (sin revisión por pares; varios autores vinculados a OpenAI).
- Bush, V. (1945). As We May Think. The Atlantic Monthly, julio de 1945 (reproducción electrónica).
- Universidad de Bielefeld, Facultad de Sociología. Niklas-Luhmann-Archiv, proyecto de investigación “Niklas Luhmann – Theorie als Passion”, descripción del proyecto (en alemán).
- Forte, T. (2022). Building a Second Brain. Atria Books (solo mencionado; se comprobó el registro de catálogo, el método no se reproduce).
Las Tablas 1, 3, 4 y 5 son análisis de CEOtudent o marcos editoriales de CEOtudent; la Tabla 2 reproduce las cifras tal como se publicaron en Camerer et al. (2018), con los cocientes recalculados por CEOtudent. Las cifras derivadas (las medias de Luhmann, el total de 516, la reducción del 22 %, la brecha de 0,34, las ganancias relativas del 32 % y del 49 %, el cociente de muestra de 3,4 y el recuento del reparto de tareas) son cálculos de CEOtudent. Deliberadamente no utilizados: los tamaños del efecto originales de Sparrow, Liu y Wegner (tratados en otros artículos de CEOtudent), el metanálisis sobre la práctica con pruebas de Adesope, Trevisan y Sundararajan (2017) (no se encontró una copia de acceso abierto) y los porcentajes de la curva del olvido.
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:
