Pensamiento crítico como hard skill en la era de la inteligencia artificial generativa

Resumen

La inteligencia artificial generativa transforma las prácticas de análisis y decisión, pero su capacidad para producir respuestas plausibles no garantiza la calidad del juicio. Este ensayo sostiene que el pensamiento crítico constituye una hard skill epistémica, técnica y ética: permite formular problemas, valorar evidencia, reconocer supuestos, evaluar inferencias, anticipar consecuencias y justificar decisiones bajo incertidumbre. A partir de marcos clásicos y evidencia reciente verificable, se examinan su arquitectura, entrenamiento, metacognición e institucionalización. La literatura muestra que la IA puede apoyar el razonamiento cuando la interacción exige verificación y reflexión, pero puede incentivar descarga cognitiva y dependencia cuando se usa como sustituto del trabajo evaluativo. Para empresas multinacionales, estas tensiones se intensifican por la fragmentación regulatoria, las cadenas de valor transfronterizas y la asignación distribuida de responsabilidades. Se propone una gobernanza del juicio que preserve responsabilidad humana, trazabilidad y capacidad de corrección en sistemas generativos y agentivos.

Palabras clave: pensamiento crítico; hard skill; IA generativa; IA agentiva; empresas multinacionales; metacognición; gobernanza.

Introducción

La inteligencia artificial generativa se ha convertido en un recurso habitual para redactar, investigar, analizar, planificar y apoyar decisiones. Su capacidad para sintetizar información, producir explicaciones y proponer alternativas incrementa la velocidad del trabajo intelectual. Sin embargo, la fluidez verbal y la coherencia aparente de una respuesta no garantizan la exactitud de los datos, la pertinencia de las fuentes, la suficiencia de las premisas ni la aceptabilidad de las consecuencias. El desafío no es solo adoptar herramientas, sino conservar la capacidad de juzgar la calidad de sus resultados.

Díaz (2024) propone comprender el pensamiento crítico como una hard skill y como un activo organizacional. Esta perspectiva desplaza la atención desde la decisión aislada hacia el criterio que la sostiene: una organización madura puede hacer explícitas sus razones, sus supuestos, las incertidumbres que reconoce y los aprendizajes que obtiene de resultados posteriores. La tesis de este artículo es que el pensamiento crítico constituye la infraestructura cognitiva que permite convertir productos algorítmicos en decisiones justificadas, contextualizadas y responsables.

Las revisiones sistemáticas recientes respaldan una lectura contingente de los efectos de la IA sobre capacidades cognitivas de orden superior. Suazo Galdames et al. (2026) muestran que la tecnología puede apoyar autorregulación y reflexión si se integra mediante prácticas estructuradas, pero también puede favorecer descarga cognitiva y dependencia si reemplaza el esfuerzo evaluativo. Alubthane (2026) identifica resultados heterogéneos y sostiene que el tipo de tarea, el grado de orientación y las exigencias de justificación y verificación condicionan los efectos de la IA generativa.

Pensamiento crítico como competencia técnica

El pensamiento crítico es un juicio autorregulado y orientado a un propósito que integra interpretación, análisis, evaluación, inferencia y explicación de las razones que justifican una conclusión (Facione, 2007). No equivale a una actitud de oposición ni a la mera acumulación de información. Exige examinar la calidad de las razones, la credibilidad de las fuentes, la consistencia de las inferencias y las consecuencias de aceptar una determinada conclusión.

Su tratamiento como hard skill se justifica porque puede traducirse en comportamientos y criterios observables. En la práctica profesional implica formular el problema antes de buscar una solución; diferenciar hechos, interpretaciones y opiniones; verificar fuentes; identificar premisas tácitas; comparar opciones; considerar evidencia contraria; y anticipar consecuencias de primer y segundo orden. Ennis (1987) sitúa la evaluación de la credibilidad y de los informes de observación entre las capacidades centrales del pensamiento crítico. Boisvert (2004) enfatiza que estas capacidades requieren enseñanza explícita, práctica deliberada y retroalimentación. Por ello, el pensamiento crítico debe ser entrenado y evaluado, no supuesto como una cualidad espontánea.

Esta competencia tiene también una dimensión ética. Las decisiones organizacionales inciden sobre personas, recursos, derechos, riesgos y oportunidades. Una opción no puede valorarse únicamente por su eficiencia inmediata: debe examinarse según sus consecuencias, equidad, trazabilidad y posibilidad de ser defendida ante quienes resulten afectados. El pensamiento crítico es, así, una competencia de responsabilidad además de una capacidad de procesamiento de información.

Arquitectura del juicio y metacognición

Paul y Elder (2001) proponen una arquitectura aplicable a razonamientos académicos y profesionales. Todo proceso de pensamiento puede desagregarse en propósito, pregunta clave, información, inferencias, conceptos, supuestos, implicaciones y punto de vista. Esta estructura evidencia que una conclusión depende de un problema definido, información seleccionada, modelos interpretativos y premisas que a menudo permanecen implícitas. Hacer visibles esos elementos permite examinar la validez del razonamiento antes de aceptar su resultado.

Los estándares intelectuales complementan esta arquitectura. Claridad, exactitud, precisión, relevancia, profundidad, amplitud, lógica, significancia y equidad permiten evaluar la calidad de una recomendación. En una decisión de inversión, por ejemplo, el análisis crítico no se limita a revisar un cálculo; exige determinar si las tasas, proyecciones, supuestos de demanda y escenarios de riesgo son pertinentes, verificables y suficientes para el problema que se pretende resolver (Paul & Elder, 2001).

Los elementos y estándares requieren disposiciones intelectuales: humildad para reconocer límites de conocimiento; autonomía para no delegar el juicio a jerarquías o algoritmos; coraje para cuestionar una propuesta dominante; integridad para aplicar el mismo rigor a hipótesis propias y ajenas; y perseverancia para no simplificar problemas complejos. Lipman (1995) caracteriza el pensamiento crítico como autocorrectivo y sensible al contexto, cualidades estrechamente vinculadas con la metacognición.

La metacognición implica examinar el propio proceso de razonamiento. Preguntas como “¿qué estoy suponiendo?”, “¿qué evidencia podría refutar mi interpretación?” y “¿qué sesgo puede influir en mi juicio?” reducen el riesgo de convertir confianza subjetiva en certeza injustificada. En interacciones con IA, justificar la evidencia elegida, declarar supuestos, formular hipótesis alternativas y establecer condiciones de refutación funciona como andamiaje metacognitivo (Alubthane, 2026; Suazo Galdames et al., 2026). Kırcaburun (2026), mediante dos muestras de estudiantes universitarios, reportó asociaciones indirectas entre uso de IA generativa y menores disposiciones de pensamiento crítico a través de debilidad metacognitiva y pereza epistémica. El resultado debe interpretarse como evidencia asociativa, pero destaca la importancia de preservar la autorregulación del razonamiento.

Entrenamiento y criterio institucional

El pensamiento crítico se fortalece al entrenarse sobre decisiones auténticas. Su desarrollo no consiste en memorizar definiciones, sino en analizar casos reales, defender razonamientos, identificar supuestos, recibir retroalimentación y contrastar decisiones con resultados posteriores. Desde la propuesta de Díaz (2024), este proceso incorpora reconocimiento de sesgos e incentivos, formulación estructurada de problemas, generación de alternativas, deliberación fundamentada y documentación de decisiones.

En el plano organizacional, el criterio se vuelve acumulable cuando los procesos hacen visible el razonamiento. Una ficha de decisión puede registrar problema, evidencia, supuestos, escenarios y consecuencias; una lista de verificación puede examinar claridad, exactitud, relevancia y lógica; un guion de deliberación puede diferenciar hechos, valores, alternativas y decisión; y un registro de criterio puede preservar quién decidió, con qué información y bajo qué incertidumbres. Estos instrumentos no eliminan el riesgo, pero reducen la opacidad y transforman la experiencia en aprendizaje institucional.

IA generativa: amplificador analítico, no sustituto del juicio

La IA generativa puede aportar valor dentro de una arquitectura de pensamiento crítico. Puede sintetizar documentos, organizar información, formular hipótesis, construir argumentos alternativos, proponer escenarios, detectar inconsistencias formales y elaborar borradores. Estas funciones reducen costos de exploración y amplían el repertorio de perspectivas disponibles. Utilizada para tensionar una hipótesis o explorar contraargumentos, puede actuar como apoyo a la reflexión.

No obstante, esas funciones no equivalen a pensamiento crítico pleno. Un sistema puede formular una objeción sin valorar el impacto institucional de ignorarla; puede presentar una fuente sin establecer por sí mismo su aplicabilidad; y puede sugerir una opción sin asumir consecuencias jurídicas, éticas, financieras o reputacionales. El juicio humano conserva una función irreductible: definir fines legítimos, valorar la suficiencia de la evidencia, ponderar riesgos y responder por las consecuencias.

Lee et al. (2025), en un estudio con 319 trabajadores del conocimiento y 936 episodios de uso de IA generativa, hallaron que una mayor confianza en la herramienta se asoció con menor esfuerzo crítico autodeclarado, mientras que la confianza en la capacidad propia se relacionó con mayor involucramiento crítico. Los autores observaron además un desplazamiento del trabajo crítico hacia la verificación de información, la integración de respuestas y la supervisión de la tarea. Helal et al. (2025) complementan esta interpretación al proponer que calidad de prompts, autorregulación, involucramiento, confianza y reflexión metacognitiva median la relación entre IA generativa y pensamiento crítico; también destacan riesgos como inexactitudes factuales, sesgo de automatización y dependencia de soluciones inmediatas.

Implicancias para empresas multinacionales

En empresas multinacionales, el pensamiento crítico adquiere una función de gobernanza particularmente relevante. Las decisiones asistidas por IA suelen atravesar unidades de negocio, proveedores tecnológicos, cadenas de suministro, mercados y jurisdicciones con requisitos regulatorios heterogéneos. Gan et al. (2026), en una revisión conceptual e integradora basada también en documentos públicos de ocho empresas globales, identifican tensiones persistentes entre innovación y gestión de riesgos, fragmentación entre regímenes de gobernanza y diferencias en transparencia, supervisión de directorio, gestión del ciclo de vida y alineamiento regulatorio. El hallazgo principal es que los compromisos de IA responsable pueden permanecer simbólicos si no se traducen en estructuras operativas de responsabilidad, control y rendición de cuentas.

Bostan (2026) extiende esta preocupación al comercio electrónico transfronterizo y las cadenas de suministro. Su revisión sistemática identifica riesgos interconectados de sesgo y equidad, privacidad y gobierno de datos, desinformación y manipulación, responsabilidad y pasivos, y sostenibilidad ambiental. Esos riesgos pueden propagarse entre datos, modelos, plataformas, actores de la cadena de suministro y jurisdicciones. Para una corporación multinacional, esto implica que el pensamiento crítico no debe limitarse al usuario que consulta un sistema: debe orientar la definición de problemas, los criterios de admisibilidad de outputs, la validación de fuentes, la asignación de responsabilidades y la revisión de consecuencias sistémicas.

La implicancia práctica es que un output de IA debería ingresar a deliberaciones formales solo después de superar compuertas de calidad, procedencia, explicabilidad y responsabilidad. Esta lógica convierte al pensamiento crítico en una capacidad de control corporativo: permite preguntarse si el resultado se apoya en datos válidos, si corresponde a la jurisdicción pertinente, si se conocen sus limitaciones y si existe un responsable humano con autoridad efectiva para cuestionarlo o rechazarlo.

IA agentiva y gobernanza del juicio

La IA agentiva amplía el alcance de los sistemas generativos al permitirles planificar secuencias, utilizar herramientas, interactuar con sistemas autorizados y ejecutar acciones conforme a objetivos configurados. Esto eleva la relevancia del pensamiento crítico porque el riesgo ya no se limita a aceptar un texto incorrecto: puede extenderse a una cadena de acciones sobre información, procesos, recursos o comunicaciones.

En sistemas con capacidades agentivas, la gobernanza debe incorporar trazabilidad de fuentes y decisiones, permisos limitados de acuerdo con el principio de mínima autoridad, puntos obligatorios de intervención humana en operaciones consecuenciales y mecanismos para detener o revertir acciones cuando surjan condiciones no previstas. Estas medidas son coherentes con un enfoque de gestión de riesgos basado en gobernanza, evaluación, monitoreo y tratamiento de riesgos (National Institute of Standards and Technology [NIST], 2024).

Tabla 1: Gobernanza del juicio en sistemas con capacidades agentivas

La tabla sitúa el pensamiento crítico en tres momentos: ex ante, al delimitar el objetivo y las restricciones; durante, al validar información e inferencias y conservar la facultad de detener o escalar acciones; y ex post, al examinar resultados, efectos no anticipados y oportunidades de aprendizaje. A mayor autonomía operativa concedida al sistema, mayor debe ser la precisión de los controles y la claridad de la responsabilidad humana.

Limitaciones

Este trabajo es un ensayo analítico y no presenta investigación primaria. Una parte sustantiva de la evidencia sobre pensamiento crítico e IA procede de educación superior y trabajo del conocimiento; su transferencia hacia corporaciones multinacionales, sectores regulados o decisiones de alto impacto debe realizarse con cautela. Asimismo, varios estudios corporativos recientes son revisiones conceptuales o estudios cualitativos, por lo que sus hallazgos no constituyen pruebas causales universales. La investigación sobre IA generativa y, especialmente, IA agentiva, evoluciona con rapidez; las conclusiones deben leerse como una propuesta razonada basada en evidencia disponible y no como reglas aplicables indistintamente a toda organización.

Conclusiones

El pensamiento crítico es la infraestructura cognitiva de la decisión responsable. Su ejercicio requiere formular problemas con rigor, examinar evidencia, identificar supuestos, considerar perspectivas alternativas, evaluar consecuencias y corregir el propio juicio. Por ello, debe tratarse como una hard skill: una competencia que puede entrenarse mediante práctica deliberada, evaluarse con estándares explícitos e institucionalizarse mediante deliberación, trazabilidad y aprendizaje.

La IA generativa y la IA agentiva deben ubicarse dentro de esta arquitectura, no por encima de ella. Pueden ampliar la exploración analítica y acelerar tareas, pero no garantizan validez, pertinencia contextual o responsabilidad. En empresas multinacionales, donde los riesgos cruzan funciones y jurisdicciones, la ventaja diferencial no estará solo en acceder a herramientas más sofisticadas, sino en construir una gobernanza capaz de cuestionarlas, delimitarlas y hacer que sus resultados sean auditables. La tecnología amplía posibilidades; el pensamiento crítico determina cuáles están justificadas y deben convertirse en acción.

Referencias

Alubthane, F. O. (2026). Amplifier or substitute? A systematic review of generative AI’s impact on higher-order cognitive skills among university students. Frontiers in Psychology, 17, Article 1863931. https://doi.org/10.3389/fpsyg.2026.1863931

Boisvert, J. (2004). La formación del pensamiento crítico: Teoría y práctica (R. Rubio, Trad.). Fondo de Cultura Económica. (Obra original publicada en 1999)

Bostan, I. (2026). System level governance of generative AI risks in cross border e-commerce supply chains. Discover Computing, 29, Article 576. https://doi.org/10.1007/s10791-026-10509-y

Díaz, A. (2024). Pensamiento crítico: La nueva “hard skill”. Harvard Deusto Business Review, 62–65. (Advertorial MigrationNext).

Ennis, R. H. (1987). A taxonomy of critical thinking dispositions and abilities. En J. B. Baron & R. J. Sternberg (Eds.), Teaching thinking skills: Theory and practice (pp. 9–26). W. H. Freeman.

Facione, P. A. (2007). Pensamiento crítico: ¿Qué es y por qué es importante? Insight Assessment.

Gan, K. C. J., Wilczek-Stronczek, B., & Papasava, A. (2026). Governing the algorithm: A conceptual review of strategic AI oversight in global corporations. AI & Society. Advance online publication. https://doi.org/10.1007/s00146-026-03207-2

Helal, M. Y. I., Elgendy, I. A., Albashrawi, M. A., Dwivedi, Y. K., Al-Ahmadi, M. S., & Jeon, I. (2025). The impact of generative AI on critical thinking skills: A systematic review, conceptual framework and future research directions. Information Discovery and Delivery. Advance online publication. https://doi.org/10.1108/IDD-05-2025-0125

Kırcaburun, K. (2026). Generative AI use and critical thinking dispositions in higher education: A cross-sample study of the sequential role of metacognitive weakness and epistemic laziness. Journal of Intelligence, 14(7), Article 147. https://doi.org/10.3390/jintelligence14070147

Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). 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, Article 1121, 1–22. https://doi.org/10.1145/3706598.3713778

Lipman, M. (1995). À l’école de la pensée. De Boeck Université.

National Institute of Standards and Technology. (2024). Artificial intelligence risk management framework: Generative artificial intelligence profile (NIST AI 600-1). https://doi.org/10.6028/NIST.AI.600-1

Paul, R., & Elder, L. (2001). Critical thinking: Tools for taking charge of your professional and personal life. Pearson Education.

Singh, A., Guan, Z., & Rieh, S. Y. (2025). Enhancing critical thinking in generative AI search with metacognitive prompts [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2505.24014

Suazo Galdames, I. C., Santiesteban Velázquez, M., Saracostti, M., & Chaple Gil, A. M. (2026). Between cognitive offloading and critical autonomy: A systematic review of the epistemic implications of generative AI in higher education. Frontiers in Education, 11, Article 1878665. https://doi.org/10.3389/feduc.2026.1878665