Revisión de evidencia · Cognición, plataformas e IA

TikTok, atención, inteligencia y contenido generado por IA

Por RheumAI · 17 de octubre de 2026 · 63 min de lectura · 13,721 palabras
← Todas las publicacionesIr a referencias
Alcance. Revisión de evidencia, no consejo médico individual. Se distinguen datos observacionales, experimentales, regulatorios y recomendaciones clínicas. Fecha de corte: 17 de octubre de 2026.

Fecha de corte: 17 de octubre de 2026

Respuesta breve

Parte I. TikTok, video corto, atención e inteligencia

Fecha de corte: 17 de octubre de 2026
Alcance: TikTok, Douyin, Instagram Reels, YouTube Shorts y formatos equivalentes; atención, control ejecutivo, memoria, rendimiento académico e inteligencia.
Pregunta central: ¿el consumo de videos cortos reduce la atención a diez segundos, vuelve a la gente más distraíble o disminuye su inteligencia?

Resumen ejecutivo

La versión más defendible de la evidencia es bastante menos dramática que "TikTok destruye el cerebro", pero tampoco es tranquilizadora.

  1. No existe una "atención humana de 10 segundos" validada científicamente. La atención no es un cronómetro único. Depende de la tarea, la motivación, el objetivo, la fatiga, la novedad y el entorno. Ningún estudio revisado aquí muestra que TikTok haya fijado la capacidad general de atención en diez segundos.
  2. La cifra de ocho segundos y la comparación con el pez dorado son falsas como estadística científica. El dato se popularizó a partir de un informe comercial de Microsoft Canada de 2015. El propio trabajo de Microsoft, con encuesta a 2.000 personas y EEG en 112, no produjo la cifra. La infografía la atribuyó a Statistic Brain, cuyos supuestos respaldos, NCBI y Associated Press, no encontraron el estudio cuando la BBC los consultó. Tampoco hay base para los nueve segundos del pez dorado.
  3. Sí hay una asociación bastante consistente entre mayor uso, sobre todo uso problemático o adictivo, y peor atención o control inhibitorio. El metaanálisis más amplio disponible reunió 71 estudios y 98.299 participantes. Para cognición, 14 efectos dieron una asociación media de r = −.34. Los dominios con asociaciones más fuertes fueron atención, r = −.38, y control inhibitorio, r = −.41. Pero el 87% de los estudios era correlacional, la heterogeneidad cognitiva fue enorme, I² = 95,73%, y solo 48% controló algún confusor.
  4. La evidencia experimental demuestra efectos agudos y específicos, no un deterioro permanente. Diez a treinta minutos de consumo o de desplazamiento continuo pueden empeorar, justo después, la memoria prospectiva o el razonamiento analítico en ciertos paradigmas. Estos resultados no equivalen a una caída estable de atención, inteligencia o CI.
  5. La memoria está menos estudiada. El mismo metaanálisis encontró r = −.14 para memoria, basado en un solo efecto, y r = −.21 para memoria de trabajo, basado en dos. Un experimento de 60 adultos halló una caída marcada de memoria prospectiva después de diez minutos de TikTok. La asignación fue aleatoria pero restringida: cada participante podía quedar en descanso o en la plataforma que más usaba, por lo que la pertenencia entre plataformas siguió ligada al uso previo. Una encuesta jordana de 1.029 estudiantes relacionó adicción, atención y fallos de memoria, todos por autoinforme.
  6. El rendimiento académico muestra asociaciones pequeñas o moderadas, pero la causalidad es incierta. En 1.052 escolares chinos, uso de videos cortos se correlacionó con notas, r = −.271, y con atención, r = −.154. El efecto total estandarizado sobre notas fue −.248, con una parte indirecta pequeña vía atención, −.043. El diseño fue transversal. En universitarios, el uso problemático se asocia con procrastinación, ansiedad y menor implicación académica. Otro estudio con más de 500 estudiantes no encontró relación con GPA.
  7. No se ha establecido pérdida permanente de inteligencia o de CI. El estudio más cercano, transversal y no exclusivo de TikTok, evaluó 305 estudiantes de medicina. Más tiempo total de pantalla se asoció con peor rendimiento, aproximadamente r = −.24, y menor inteligencia fluida, mientras que la inteligencia cristalizada quedó relativamente intacta. Eso no permite concluir que TikTok reduzca el CI, menos aún que lo haga de forma permanente.
  8. Los mecanismos propuestos son plausibles y parcialmente observados, pero no están cerrados. El cambio rápido de contexto tiene apoyo experimental. La personalización capta atención y activa circuitos relacionados con recompensa, pero una señal BOLD en el área tegmental ventral no es una medición de "picos de dopamina". El desplazamiento del sueño y del estudio es plausible y cuenta con asociaciones consistentes. La selección previa también importa: impulsividad, aburrimiento, bajo autocontrol, ansiedad, depresión y dificultades ejecutivas pueden favorecer el uso problemático.

La conclusión calibrada es esta: el consumo intensivo o compulsivo de videos cortos es un marcador de riesgo para distracción, menor control inhibitorio, peor memoria en algunas tareas y dificultades académicas. Hay evidencia causal de efectos inmediatos en tareas concretas. Todavía no hay base para afirmar que acorta permanentemente la atención, causa daño cerebral o reduce la inteligencia general.

Tabla de veredictos

Afirmación Veredicto Base empírica Confianza
"TikTok deja la atención en 10 segundos" No demostrada y mal planteada No hay una medida universal de "duración de atención". Los estudios usan tareas distintas y no convergen en diez segundos. Alta
"La atención humana es de 8 segundos, menos que la de un pez dorado" Falsa como estadística científica La cifra no salió de los experimentos de Microsoft y no se pudo rastrear a datos primarios. Los nueve segundos del pez tampoco tienen fuente válida. Muy alta
"Más uso de videos cortos se asocia con peor atención" Probablemente cierta como asociación Metaanálisis: atención r = −.38, cinco efectos; cognición global r = −.34, 14 efectos. Predomina el diseño transversal. Moderada-alta
"TikTok causa distracción inmediatamente después de usarlo" Parcialmente apoyada Experimentos y cuasiexperimentos encuentran peores resultados inmediatos en memoria prospectiva, lectura o razonamiento. Las muestras son pequeñas y los comparadores imperfectos. Moderada
"El desplazamiento continuo debilita el pensamiento analítico" Apoyo experimental inicial Dos experimentos chinos: 30 minutos de TikTok frente a lectura, d = −0.41; con desplazamiento frente a video continuo, d = −0.47. Moderada
"Los videos cortos dañan la memoria" Asociación pequeña y evidencia experimental específica Metaanálisis: memoria r = −.14, un efecto; memoria de trabajo r = −.21, dos. Un estudio agudo mostró peor memoria prospectiva. Baja-moderada
"TikTok empeora las notas" Asociación plausible, causalidad no establecida Escolares: r = −.271 con puntuaciones de examen. Otros estudios hallan menor implicación o más procrastinación, pero uno no halló asociación con GPA. Moderada para asociación, baja para causalidad
"TikTok reduce el CI o la inteligencia" No establecido No hay ensayos o cohortes que muestren pérdida de CI atribuible a TikTok. Un estudio transversal de pantalla total halló menor inteligencia fluida, no cristalizada. Alta
"El daño es permanente" Sin evidencia Los estudios experimentales miden minutos u horas; casi no hay seguimiento cognitivo prolongado ni pruebas de irreversibilidad. Alta
"TikTok libera dopamina como una droga" Exageración no demostrada La personalización activa regiones relacionadas con recompensa, incluida el área tegmental ventral, pero fMRI no mide liberación de dopamina ni equipara el efecto con una sustancia. Alta
"Los adolescentes son necesariamente más afectados que los adultos" Plausible, pero no confirmado como diferencia de efecto El desarrollo ejecutivo continúa en adolescencia, pero el metaanálisis no detectó diferencia entre jóvenes y adultos, Q(1) = 0,22, p = .637. Moderada

Qué significa realmente "atención"

"Atención" reúne procesos distintos:

Una persona puede abandonar un video a los dos segundos porque no le interesa y, ese mismo día, concentrarse dos horas en un juego, una conversación o una película. Eso no es una contradicción. La duración de una mirada, el tiempo antes de cambiar de ventana, los errores en una tarea Go/No-Go y la capacidad de seguir una clase miden cosas diferentes. Convertirlas en una sola cifra de "atención media" borra la variable decisiva: atención a qué, con qué objetivo y bajo qué condiciones.

El mito de los 10 segundos y el mito del pez dorado

La afirmación de diez segundos

No encontré una publicación primaria revisada por pares que establezca que la atención general de usuarios de TikTok dura diez segundos. La cifra aparece en textos de marketing, encuestas estudiantiles y notas que mezclan tres variables:

  1. la duración de clips;
  2. el tiempo que un usuario tarda en deslizar;
  3. la capacidad cognitiva para sostener atención fuera de la plataforma.

No son equivalentes. Un video de diez segundos es una decisión de producto o de producción de contenido. El tiempo hasta deslizar mide una elección dentro de un menú casi infinito. Ninguno demuestra un límite cognitivo general de diez segundos.

De dónde salieron los ocho segundos

El rastro mejor documentado es este:

  1. Un informe de Microsoft Canada de 2015 incluyó una infografía que decía 12 segundos en 2000, ocho en 2013 y nueve para un pez dorado.
  2. Microsoft sí había encargado una encuesta a 2.000 canadienses y registros EEG de 112 personas, pero esos estudios no produjeron la cifra de ocho segundos.
  3. La infografía citó a Statistic Brain.
  4. La investigación de BBC More or Less consultó las fuentes que Statistic Brain decía usar, NCBI y Associated Press. Ninguna encontró el trabajo que respaldara esos números. Statistic Brain no respondió.
  5. La comparación se difundió como si fuera el resultado experimental de Microsoft. No lo era.

La comparación falla también por el lado del pez. En un experimento primario con ocho peces dorados, los animales aprendieron que una palanca daba comida durante una sola hora diaria. Mantuvieron el patrón durante cuatro semanas y anticiparon el horario durante varios días de extinción. Esto contradice la caricatura de una memoria de segundos, aunque aprendizaje temporal no sea lo mismo que "atención". Véase Gee, Stephenson y Wright, 1994.

Resultado de la prueba: ocho segundos es una estadística zombi sin datos rastreables; diez segundos es otra simplificación sin operacionalización científica. Que esas cifras sean falsas no implica que no existan efectos digitales sobre tareas específicas de atención.

Evidencia metaanalítica y revisiones sistemáticas

Metaanálisis de videos cortos de 2025

La síntesis más amplia es Nguyen et al., 2025, Psychological Bulletin. Incluyó 71 estudios y 98.299 participantes. Setenta estudios entraron al metaanálisis.

Características que importan para interpretar los resultados:

Resultados cognitivos:

Dominio k r medio IC 95% Lectura prudente
Cognición total 14 −.34 [−.42, −.26] Asociación moderada
Atención 5 −.38 [−.52, −.22] Moderada, pocos efectos
Control inhibitorio 7 −.41 [−.46, −.36] La señal más consistente
Memoria de trabajo 2 −.21 [−.38, −.02] Pequeña, muy pocos estudios
Memoria 1 −.14 [−.20, −.08] No permite hablar de robustez
Razonamiento 1 −.13 [−.36, .11] No significativo
Lenguaje 1 −.16 [−.23, −.09] Un solo efecto

La heterogeneidad cognitiva fue considerable, I² = 95,73%. Eso significa que los tamaños variaron mucho entre estudios. La media no representa un efecto uniforme. El sesgo de publicación pareció pequeño según Egger, p = .636, y el ajuste por trim-and-fill cambió r de −.34 a −.35.

Hay otra diferencia reveladora: la asociación fue mayor cuando la exposición era una puntuación de adicción, r = −.37, que cuando era duración, r = −.20. "Uso problemático" combina tiempo con pérdida de control, interferencia funcional y malestar. Por eso no debe traducirse el efecto de una escala de adicción como si fuera el efecto de cada hora adicional.

El metaanálisis no encontró una diferencia estadística entre adultos, r = −.32, y jóvenes, r = −.36. Tampoco hubo diferencia clara entre TikTok, dos efectos y r = −.26, y videos cortos generales, 12 efectos y r = −.35. Dos efectos específicos de TikTok son una base demasiado pequeña para declarar que la plataforma es singularmente dañina.

Revisiones de jóvenes publicadas en 2026

Una revisión centrada en jóvenes, Ebster et al., 2026, incluyó 42 estudios y 46.912 participantes, con edad media de 16,8 años. El 88% de los diseños era transversal. Solo había dos estudios longitudinales, un EEG y una MRI. La revisión encontró asociaciones entre uso pesado no estructurado y más inatención e impulsividad, y menor memoria de trabajo y autorregulación. La propia distribución de diseños obliga a considerar la evidencia preliminar, no causal.

Una revisión de adultos de 18 a 29 años, Arouch et al., 2026, retuvo 17 estudios. Encontró señales de fragmentación atencional y menor control ejecutivo, junto con resultados heterogéneos y posibles efectos positivos a corto plazo sobre el ánimo. Señaló explícitamente la bidireccionalidad: vulnerabilidades atencionales o psicológicas previas pueden conducir a un uso más frecuente o compulsivo.

Contexto de multitarea mediática

La literatura anterior sobre multitarea ofrece contexto, no una prueba específica sobre TikTok. Parry y le Roux, 2021 sintetizaron 118 evaluaciones. La asociación global entre multitarea y control cognitivo fue pequeña y dependió mucho del modo de medición. Los autoinformes de fallos ejecutivos mostraban relaciones más claras que las tareas de laboratorio. Todos los efectos incluidos eran transversales, por lo que los autores concluyeron que, una década después del estudio clásico de Ophir, la dirección causal seguía sin resolverse.

Un metaanálisis posterior de 43 estudios, 118 efectos y 5.194 participantes informó una diferencia global pequeña entre multitarea alta y baja, aproximadamente −0,23 desviaciones estándar. Inhibición, −0,31, y memoria de trabajo, −0,24, mostraron más señal que flexibilidad cognitiva, −0,05. De nuevo, el efecto fue mayor en autoinforme que en tareas objetivas. Véase Kong et al., 2023.

Evidencia experimental

Memoria prospectiva después de diez minutos

Chiossi et al., 2023 estudiaron 60 adultos de 19 a 34 años. Los participantes completaron una tarea léxica junto con una tarea de memoria prospectiva antes y después de una pausa de diez minutos. Durante la pausa usaron su propio feed de TikTok, Twitter, un video largo de YouTube o descansaron.

En TikTok, la exactitud de memoria prospectiva bajó de aproximadamente 80% de aciertos antes de la pausa a 49% después. El modelo estimó para la condición posterior a TikTok una exactitud 0,46 menor que descanso, 0,49 menor que Twitter y 0,34 menor que YouTube, todos p < .001. No hubo deterioro comparable en la tarea léxica ni diferencias claras de tiempo de reacción.

Es un resultado llamativo, pero tiene un límite decisivo: la asignación fue aleatoria pero restringida. Cada participante podía quedar en descanso o en la plataforma que más usaba. Esto reduce sesgo frente a una asignación puramente observacional, pero no identifica limpiamente el efecto de TikTok frente a otras plataformas porque la elegibilidad dependía del uso previo. Además, TikTok fue personalizado y YouTube fue una lista preparada de videos largos. El estudio documenta una caída aguda asociada con esa combinación de formato, selección de usuarios y contenido. No prueba que diez minutos de TikTok causen por sí solos una lesión ni un cambio duradero.

Desplazamiento y razonamiento analítico

Jiang y Ma, 2024 realizaron dos experimentos con universitarios chinos.

Esto apoya un efecto de la interacción de desplazamiento y el cambio rápido, no una reducción de inteligencia. El CRT tiene tres preguntas, los efectos se midieron de inmediato y la muestra procedía de universitarios chinos. No hubo seguimiento.

Lo que no permiten decir los experimentos

Estos estudios permiten afirmar que el estado cognitivo inmediatamente posterior a un feed rápido puede ser peor en algunas tareas. No permiten inferir:

Evidencia transversal

Atención y control ejecutivo

En Yan et al., 2024, 48 adultos jóvenes completaron una prueba de redes atencionales y EEG. Tres registros se excluyeron, dejando 45 para EEG. La tendencia a adicción no se relacionó con exactitud o tiempo de respuesta en las redes de alerta, orientación o control ejecutivo. Sí se relacionó con menor potencia theta frontal durante conflicto incongruente frente a condición neutral, r = −.395, p = .007, incluso ajustando edad, género, ansiedad y depresión. El contraste convencional incongruente menos congruente no dio ese resultado.

La lectura correcta es estrecha: existe una asociación entre una escala de tendencia adictiva y un marcador EEG durante una condición específica. No hubo déficit conductual observable. El título del artículo usa lenguaje causal, pero el diseño correlacional no lo respalda.

Walla y Zheng, 2024 compararon 14 usuarios que declaraban más de cuatro horas diarias de videos cortos con 15 usuarios por debajo de tres horas. En un paradigma visual oddball, el grupo intensivo mostró una P300 menor en dos ventanas temporales. La muestra fue de 29 personas, solo tres hombres, el uso fue autoinformado y la agrupación no fue aleatoria. P300 reducida indica distinta asignación de recursos atencionales, no "cerebro dañado".

Un resultado que obliga a moderar la interpretación proviene de Golding et al., 2025. En 346 universitarios, intensidad de TikTok y uso problemático de redes correlacionaron con disfunción ejecutiva. Sin embargo, TikTok dejó de ser predictor significativo al controlar uso problemático general y variables de salud mental. Esto sugiere que una parte de la señal puede corresponder a compulsividad transversal, ansiedad, depresión u otras características del usuario, no a una propiedad exclusiva de TikTok.

Memoria

En Al-Leimon et al., 2025, 1.029 estudiantes de 25 instituciones jordanas completaron escalas de adicción, control atencional y fallos de memoria prospectiva y retrospectiva. La adicción mostró un efecto directo estandarizado sobre fallos de memoria de 0,19 y uno indirecto vía peor atención de 0,10, ambos p < .001. El estudio controló varios correlatos, pero exposición, atención y memoria fueron autoinformadas al mismo tiempo. Una persona con afecto negativo o baja autopercepción cognitiva puede puntuar peor en las tres escalas.

El metaanálisis de Nguyen ofrece una referencia útil: para memoria, r = −.14 con un solo efecto; para memoria de trabajo, r = −.21 con dos. La conclusión responsable es que hay señal, pero muy poca replicación.

Neuroimagen y electrofisiología

La neuroimagen responde a "qué sistemas participan mientras se mira contenido", no por sí sola a "qué daño produce".

En un estudio fMRI de Su et al., 2021, videos personalizados de TikTok produjeron más activación que videos no personalizados en subregiones de la red por defecto, área tegmental ventral, regiones prefrontales laterales, tálamo anterior y cerebelo. El patrón es compatible con relevancia personal, recompensa y captura atencional. No demuestra liberación de dopamina, adicción inducida ni deterioro cognitivo.

Un análisis relacionado de conectividad, también con N = 30, encontró que el contenido personalizado aumentó el acoplamiento entre redes dorsal y ventral de atención y entre la red ventral y una subred prefrontal medial de la red por defecto. Los videos personalizados gustaron más a 26 de 28 participantes con datos completos. Véase Su et al., 2021, Human Brain Mapping. Las diferencias audiovisuales entre videos personalizados variaron entre personas, una limitación reconocida por los autores.

Estos trabajos muestran que la personalización funciona porque el cerebro responde más a contenido relevante. Eso es muy distinto de mostrar atrofia o pérdida de inteligencia. Las señales de EEG descritas antes, theta frontal y P300, también son correlatos funcionales, no pruebas de daño estructural.

Evidencia longitudinal

Hasta 2025 casi toda la literatura cognitiva específica de videos cortos era transversal. El seguimiento sigue siendo escaso.

Liu et al., 2025 siguieron durante un año a 590 universitarios de 17 a 24 años en el sur de China. Hubo tres mediciones, separadas por seis meses. Tras controlar edad, tiempo de uso de TikTok e implicación escolar inicial, mayor severidad de uso problemático en T1 predijo menor implicación escolar en T3, β = −.27, p < .001. También predijo menor autocontrol en T2, β = −.30, mientras el autocontrol predijo mayor implicación posterior, β = .33. Al introducir el mediador, el efecto directo quedó en β = −.17. El efecto indirecto fue −.10, IC 95% [−.15, −.06], o 36,9% del efecto total. Fue mayor entre usuarios pasivos y apareció con claridad solo en varones. El orden temporal fortalece la inferencia, pero uso, autocontrol e implicación fueron escalas autoinformadas. Tampoco hubo asignación aleatoria, medida objetiva de atención, notas oficiales ni CI.

La revisión juvenil de 2026 encontró solo dos estudios longitudinales entre 42. Por tanto, todavía no se dispone de cohortes largas con uso registrado por dispositivo y baterías repetidas de atención, memoria e inteligencia que permitan estimar trayectoria, reversibilidad o periodos sensibles.

Rendimiento académico

Escolares

Gong y Tao, 2024 reunieron 1.052 alumnos de dos escuelas primarias de Shenzhen. La exposición combinó preguntas de duración y uso problemático. La atención se midió con cuatro subpruebas y el rendimiento con calificaciones oficiales de lengua, matemáticas e inglés.

Es mejor que un estudio basado solo en percepciones porque incluye prueba de atención y notas oficiales. Sigue siendo transversal, limitado a dos escuelas y expuesto a error de autoinforme, con ayuda parental para niños pequeños.

Universitarios

En Xie et al., 2023, 1.047 universitarios chinos mostraron asociaciones entre adicción a videos cortos y menor control atencional, r = −.23, y más procrastinación académica, r = .17. El control atencional se relacionó con procrastinación, r = −.37. En el modelo, la relación directa entre adicción y procrastinación bajó de β = .17 a β = .09 al incluir atención. Todo se midió por cuestionario en un solo momento.

Li et al., 2024 analizaron 1.879 universitarios chinos. Adicción se asoció con ansiedad académica, efecto total β = .26, y menor implicación académica, β = −.27. Mindfulness explicó parte de ambas relaciones. También fue un estudio transversal de conveniencia.

Conviene incluir el resultado nulo: Jia y Wang, 2026 encuestaron a más de 500 estudiantes de dos universidades estadounidenses. El uso procrastinatorio se relacionó con estrés y peor sueño, pero no con GPA. Un GPA autoinformado y una muestra de alto rendimiento pueden ocultar efectos, pero el resultado impide afirmar que todos los estudios encuentran peores notas.

Los videos cortos también pueden enseñar. El contenido educativo, la búsqueda intencional y una secuencia diseñada para aprendizaje no equivalen a desplazarse sin objetivo por un feed. La evidencia adversa se concentra en uso pesado, compulsivo, multitarea o de entretenimiento.

Inteligencia: qué se sabe y qué no

Inteligencia general, razonamiento analítico, función ejecutiva, atención y memoria se relacionan, pero no son sinónimos. Fallar temporalmente una tarea de reflexión tras 20 minutos de desplazamiento no significa que haya disminuido el CI.

El estudio de Hernández-Chávez et al., 2026 es el más cercano a la pregunta. Evaluó 305 estudiantes de medicina con Shipley-2, tiempo de pantalla y resultados oficiales de fisiología. El tiempo total de pantalla se asoció con peor rendimiento, aproximadamente r = −.24, y menor inteligencia fluida; la inteligencia cristalizada quedó relativamente intacta. Mensajería y videos cortos aparecieron como nodos puente en una red estadística. Sus límites son claros:

El metaanálisis de 2025 encontró para razonamiento r = −.13, IC 95% [−.36, .11], un único efecto no significativo. No evaluó una caída longitudinal del CI. Tampoco hay evidencia de pérdida permanente de inteligencia cristalizada, conocimiento adquirido o capacidad general.

Veredicto: se pueden defender efectos inmediatos sobre rendimiento cognitivo y asociaciones con inteligencia fluida o razonamiento. No se puede defender "TikTok baja el CI" ni "hace menos inteligente" como afirmación causal general.

Mecanismos posibles

1. Cambio rápido de contexto

Cada deslizamiento introduce tema, narrador, objetivo, audio y reglas nuevas. Mantener una intención mientras se procesan contextos sucesivos impone costos de reconfiguración y de interferencia. El experimento de Chiossi apoya un efecto agudo sobre memoria prospectiva. Jiang y Ma aíslan parcialmente la interacción de deslizar: con el mismo tipo de clips, desplazarse produjo peor CRT que un montaje continuo.

Lo que falta es demostrar que esos costos momentáneos entrenan una mala atención estable fuera de la sesión.

2. Recompensa variable y personalización

El siguiente video puede ser irrelevante o muy gratificante. Esa incertidumbre puede reforzar el gesto de seguir deslizando. La personalización aumenta la relevancia subjetiva y activa regiones relacionadas con recompensa y procesamiento autorreferencial. La evidencia fMRI de Su encaja con este mecanismo.

Dos cautelas:

3. Captura atencional

Movimiento, sonido, rostros, texto superpuesto y novedad orientan la atención de abajo arriba. Los estudios de conectividad muestran mayor acoplamiento de redes de atención con contenido personalizado. Eso explica por qué el feed puede retener al usuario. No prueba que la atención voluntaria quede destruida después.

4. Sueño y desplazamiento temporal

El tiempo nocturno de pantalla puede retrasar la hora de dormir, mantener activación cognitiva y exponer a luz. Dormir menos o peor perjudica atención, memoria de trabajo y control ejecutivo al día siguiente. En el metaanálisis de 2025, videos cortos y sueño mostraron r = −.22, siete efectos.

En Jiang y Yoo, 2024, 1.629 adolescentes chinos mostraron una correlación de r = .404 entre adicción y peor puntuación de sueño. La ansiedad social explicó estadísticamente 37,6% del efecto total. Como las tres variables se midieron al mismo tiempo, no sabemos si los videos empeoraron el sueño, si el insomnio aumentó el desplazamiento nocturno o si ansiedad y estrés impulsaron ambos.

Un estudio transversal más reciente de adolescentes encontró una relación total entre adicción y función ejecutiva de β = −.419; sueño explicó solo 8,11% de la relación. Véase Xiao et al., 2026. La mediación transversal no establece una cadena causal.

5. Desplazamiento de estudio y práctica profunda

Una hora de feed es una hora no invertida en dormir, leer, practicar recuperación o resolver problemas. Este mecanismo no requiere que la aplicación cambie el cerebro. Basta con desplazar actividades que construyen conocimiento y habilidad. Las asociaciones con procrastinación e implicación académica son compatibles con ello.

6. Selección y espiral recíproca

Personas con impulsividad, mayor búsqueda de novedad, aburrimiento, baja autorregulación, ansiedad, depresión, TDAH o problemas de sueño pueden preferir feeds rápidos y puntuar más alto en escalas de uso problemático. A su vez, un uso que interrumpe sueño y tareas puede agravar esas dificultades. Este modelo recíproco encaja mejor con la evidencia que una flecha única de TikTok hacia deterioro.

Confusores, causalidad inversa y problemas de medición

Exposición mal medida

Tiempo autoinformado y tiempo registrado suelen discrepar. Además, 60 minutos pueden significar búsqueda educativa deliberada, creación, conversación social o desplazamiento pasivo nocturno. Agregarlos como una sola "dosis" reduce precisión.

"Adicción" no equivale a duración

Una escala de adicción incluye pérdida de control, interferencia con obligaciones y malestar. Es esperable que se relacione con peores resultados funcionales por construcción. En el metaanálisis, la relación cognitiva fue casi el doble para adicción, r = −.37, que para duración, r = −.20.

Variables personales

Autocontrol, impulsividad, aburrimiento, síntomas depresivos, ansiedad, calidad del hogar, nivel socioeconómico, hábitos de estudio y neurodesarrollo pueden causar tanto mayor consumo como peor rendimiento.

Método común

Cuando la misma persona informa "uso demasiado TikTok", "me distraigo" y "olvido cosas", afecto negativo, autocrítica o teoría personal pueden inflar las correlaciones. Las tareas objetivas suelen arrojar efectos más pequeños o resultados nulos.

Comparadores imperfectos

Descansar, leer, ver un video largo y usar un feed personalizado difieren en esfuerzo, postura, contenido, interés y expectativas. Aislar duración, personalización, contenido, audio y gesto requiere diseños factoriales más grandes.

Multiplicidad y flexibilidad analítica

EEG y fMRI producen muchas regiones, ventanas y contrastes. Por ejemplo, Yan encontró la relación theta con incongruente menos neutral, no con el contraste ejecutivo convencional incongruente menos congruente. Eso no invalida el resultado, pero reduce la fuerza de una lectura amplia.

Diferencias por edad

Niños

Los niños tienen menor capacidad ejecutiva y de autorregulación que los adultos, y el tiempo de pantalla puede desplazar sueño, juego, lectura e interacción familiar. El estudio de 1.052 escolares aporta una asociación con atención medida y notas oficiales. Aun así, no siguió cambios en el tiempo.

Adolescentes

La adolescencia combina desarrollo ejecutivo, alta sensibilidad a pares y recompensa, acceso creciente al teléfono y sueño vulnerable. Es razonable considerarla una etapa de precaución. La revisión juvenil de 2026 encontró asociaciones consistentes, pero 88% de estudios era transversal. El seguimiento de Liu aporta precedencia temporal para implicación escolar en universitarios jóvenes, no para CI o atención objetiva.

Adultos jóvenes

Son la población más estudiada, especialmente universitarios asiáticos. Los experimentos agudos proceden casi todos de este grupo. Generalizar a niños, adultos mayores, personas con TDAH o poblaciones clínicas requiere evidencia directa.

¿El efecto es mayor en jóvenes?

El metaanálisis no detectó moderación por edad. Ausencia de diferencia no prueba equivalencia, porque había pocos efectos cognitivos, medidas dispares y rangos de edad amplios. La formulación correcta es: hay motivos evolutivos para preocuparse por jóvenes, pero no una estimación sólida de cuánto más vulnerables son.

Qué no está establecido

No está establecido que:

Tampoco está establecido lo contrario. La ausencia de cohortes largas no demuestra seguridad a largo plazo. Significa que la pregunta sigue abierta.

Qué estudio resolvería mejor la cuestión

Una prueba fuerte necesitaría:

  1. miles de participantes de varias edades y países;
  2. registros de uso del dispositivo, no solo recuerdo;
  3. separación de duración, contenido, hora del día, desplazamiento, creación y consumo pasivo;
  4. medidas basales de TDAH, impulsividad, sueño, depresión, ansiedad, nivel socioeconómico e inteligencia;
  5. batería repetida de atención sostenida, inhibición, memoria de trabajo, memoria episódica, lectura y razonamiento;
  6. calificaciones oficiales y tiempo real de estudio;
  7. seguimiento de varios años;
  8. ensayos aleatorizados de reducción o cambio de diseño, con adherencia verificada;
  9. publicación registrada de hipótesis y análisis;
  10. prueba de recuperación para distinguir estado transitorio de cambio persistente.

Sin ese conjunto, "TikTok reduce la inteligencia" seguirá siendo una conclusión por delante de los datos.

Conclusión

La evidencia ya permite rechazar dos extremos.

El primero es el pánico fácil. No tenemos una atención de ocho o diez segundos, no somos peores que un pez dorado y no se ha demostrado que TikTok reduzca permanentemente el CI. Las imágenes cerebrales no muestran una mente "podrida".

El segundo es la indiferencia. El uso intensivo o compulsivo de videos cortos se asocia de forma repetida con peor atención, inhibición y autorregulación. Experimentos pequeños muestran que una sesión de feed rápido puede perjudicar de inmediato la memoria prospectiva o el razonamiento analítico. El sueño, la procrastinación y el desplazamiento del estudio ofrecen vías concretas por las que el hábito puede afectar la vida académica sin necesidad de invocar daño irreversible.

La formulación más fiel es esta: los videos cortos explotan y podrían reforzar una pauta de selección rápida, novedad y cambio de contexto. Esa pauta tiene costos inmediatos medibles y correlatos de uso crónico. Todavía no sabemos cuánto persisten, para quién son mayores ni si producen cambios duraderos en inteligencia.

Referencias principales

  1. Nguyen, L. et al. (2025). Feeds, feelings, and focus: A systematic review and meta-analysis examining the cognitive and mental health correlates of short-form video use. Psychological Bulletin, 151(9), 1125-1146.
  2. Ebster, M. et al. (2026). Taming the endless scroll? Short-form videos, digital routines and neurocognitive outcomes in youth.
  3. Arouch, S. et al. (2026). Short-form video, cognitive and mental health outcomes: a systematic review. BMJ Public Health.
  4. Chiossi, F. et al. (2023). Short-Form Videos Degrade Our Capacity to Retain Intentions. CHI 2023.
  5. Jiang, Q., y Ma, L. (2024). Swiping more, thinking less: Using TikTok hinders analytic thinking. Cyberpsychology, 18(3).
  6. Yan, T. et al. (2024). Mobile phone short video use negatively impacts attention functions: an EEG study. Frontiers in Human Neuroscience, 18.
  7. Walla, P., y Zheng, Y. (2024). Intense Short-Video-Based Social Media Use Reduces the P300. Life, 14(3), 290.
  8. Su, C. et al. (2021). Viewing personalized video clips recommended by TikTok activates default mode network and ventral tegmental area. NeuroImage, 237, 118136.
  9. Su, C. et al. (2021). Individualized video recommendation modulates functional connectivity between large scale networks. Human Brain Mapping, 42, 5288-5299.
  10. Gong, Q., y Tao, T. (2024). The relationship between short video usage and academic achievement among elementary school students. PLOS ONE, 19(11), e0309899.
  11. Xie, J. et al. (2023). The effect of short-form video addiction on undergraduates' academic procrastination. Frontiers in Psychology, 14.
  12. Li, G. et al. (2024). Effects of short-form video app addiction on academic anxiety and academic engagement. Frontiers in Psychology, 15.
  13. Al-Leimon, O. et al. (2025). Reels to Remembrance. Healthcare, 13(3), 252.
  14. Golding, J. et al. (2025). The Relationship Between TikTok Usage and Executive Function Is Mediated by Problematic Social Media Use. Behavioral Sciences, 15(12), 1748.
  15. Jiang, L., y Yoo, Y. (2024). Adolescents' short-form video addiction and sleep quality: the mediating role of social anxiety. BMC Psychology, 12, 369.
  16. Liu, Q. et al. (2025). Problematic TikTok use severity, self-control, and school engagement: A one-year longitudinal study. Cyberpsychology, 19(3), Article 5.
  17. Hernández-Chávez, A. et al. (2026). Digital media use and cognitive networks in medical students. Frontiers in Medicine, 13.
  18. Parry, D. A., y le Roux, D. B. (2021). Cognitive control in media multitaskers ten years on. Cyberpsychology, 15(1).
  19. Kong, F. et al. (2023). Cognitive control in adolescents and young adults with media multitasking experience. Educational Psychology Review, 35, 22.
  20. Gee, P. et al. (1994). Temporal discrimination learning of operant feeding in goldfish. Journal of the Experimental Analysis of Behavior, 62(1), 1-13.
  21. BBC More or Less (2017). Busting the attention span myth.

Parte II. IA generativa, abundancia y consumo

Revisión de evidencia, octubre de 2026

Pregunta y veredicto breve

La frase "la IA genera todo lo que nadie consume" acierta como provocación sobre una asimetría real, pero falla como descripción literal.

La evidencia permite sostener cuatro afirmaciones con distinta fuerza:

  1. Muy bien establecido: la IA generativa reduce tiempo y coste de producir ciertos textos, imágenes, música y código. En tareas acotadas eleva mucho la producción por trabajador. La oferta potencial de contenido crece más rápido que el tiempo humano disponible para atenderla.
  2. Bien establecido, pero dependiente del contexto: esa mayor producción no equivale a mayor valor. Hay experimentos en los que la IA aumenta cantidad, longitud o calidad individual, pero reduce diversidad colectiva, autenticidad percibida o aprendizaje sin asistencia.
  3. Medido de forma directa en algunos mercados, no en toda la web: en Deezer, en abril de 2026, las pistas totalmente generadas por IA eran el 44% de las entregas diarias y sólo el 1% al 3% de las reproducciones. Durante 2025, según el mes, Deezer clasificó como fraudulentas hasta el 85% de las reproducciones de pistas sintéticas. Es el caso más limpio de "oferta sintética sin demanda humana proporcional", aunque procede de una empresa, de una sola plataforma y de su detector propietario.
  4. No demostrado a escala general: no existe un censo fiable que permita decir qué proporción de "todo Internet" es sintética ni qué proporción nadie consume. También hay contraejemplos claros: canales de video sintético acumulan miles de millones de vistas; en experimentos, algunos mensajes asistidos por IA reciben más respuestas o son evaluados mejor. La formulación rigurosa sería: la oferta puede escalar mucho más rápido que la atención humana; Deezer documenta una gran desproporción entre entregas sintéticas y reproducciones en música, mientras otra oferta sintética sí captura atención. No existe todavía una serie multiplataforma que demuestre una fracción creciente de contenido con consumo casi nulo.

Esta distinción importa para conectar el argumento con TikTok. El cuello de botella ya no es publicar. Es conseguir distribución, retención, confianza y memoria. TikTok no elimina la abundancia; la ordena mediante un mercado algorítmico de atención.

1. Cómo leer la evidencia

Uso cuatro etiquetas:

Tres problemas de medición atraviesan este campo:

  1. No hay denominador universal. Página, post, pista, imagen, minuto de video, impresión y reproducción no son unidades intercambiables.
  2. Detectar IA no es observar el proceso de autoría. Los detectores fallan, sobre todo ante edición humana, modelos nuevos, traducción y textos breves. Una estimación de "contenido generado o asistido" no equivale a una auditoría de procedencia.
  3. Publicación, exposición y consumo son etapas distintas. Un archivo puede existir sin recibir una impresión; una impresión puede no producir atención; una reproducción puede ser automática o fraudulenta. Confundir estas etapas fabrica conclusiones.

2. Lo que sí sabemos sobre la expansión de la oferta

2.1 La producción se abarata y acelera

Los mejores experimentos no miden "Internet", pero sí el mecanismo que expande su oferta.

Estos estudios prueban que, para clases importantes de tareas, la misma cantidad de trabajo humano produce más unidades en menos tiempo. No prueban que todas esas unidades se publiquen, que sean homogéneas ni que nadie las lea.

2.2 La economía: coste marginal bajo, pero no cero

La estructura no nació con la IA. Los bienes de información ya tenían costes fijos altos y costes de reproducción bajos. Varian resumía en 1998 que la información es cara de producir y barata de copiar; esa combinación genera grandes rendimientos a escala y problemas para mercados competitivos (Varian, Markets for Information Goods).

La IA cambia dos partes de esa función de costes:

La frase "coste marginal cero" debe conservarse como aproximación, no como hecho literal. Cada generación consume inferencia, energía y hardware. También persisten costes de revisión, derechos, almacenamiento, moderación, adquisición de audiencia y reputación. A escala, estos costes pueden ser mayores que generar la pieza. Lo cercano a cero es el coste privado de producir una unidad adicional para el usuario de una herramienta, no el coste social o de infraestructura.

El resultado económico previsible es una curva de oferta muy elástica. Si la posibilidad de obtener una impresión, un pago de streaming, una venta afiliada o una visita publicitaria es mayor que el pequeño coste esperado de otra pieza, un productor racional puede inundar el catálogo. No necesita que cada pieza tenga audiencia; necesita que unas pocas cubran el coste de muchas fallidas. Es la lógica de spam trasladada de mensajes a medios.

2.3 Medidas directas de abundancia sintética

Música: el mejor caso cuantificado

Deezer informó en abril de 2026 que recibía casi 75,000 pistas totalmente generadas por IA al día, alrededor del 44% de todas las entregas diarias, más de dos millones al mes. Sin embargo, esas pistas reunían sólo 1% a 3% de las reproducciones, y la compañía detectó como fraudulentas hasta 85% de las reproducciones de pistas sintéticas durante 2025. Deezer había etiquetado 13.4 millones de pistas de IA en 2025 y las excluía de recomendaciones algorítmicas y listas editoriales (Deezer, 20 de abril de 2026).

Esta medición muestra una brecha de entre aproximadamente 15 y 44 veces entre cuota de nuevas entregas y cuota de reproducciones antes de descontar fraude. Tras descontarlo, el consumo humano verificable sería todavía menor, pero no puede calcularse con exactitud a partir del comunicado.

Límites: cifras de una compañía interesada en vender o licenciar detección, detector no auditado públicamente, plataforma que excluye ese contenido de recomendación. El bajo consumo es real dentro de sus sistemas según Deezer, pero parte puede ser efecto de su propia política de distribución. No representa Spotify, YouTube ni la música sintética asistida que el detector no clasifica como totalmente generada.

Spotify confirmó el mecanismo general, aunque no publicó un porcentaje equivalente: dijo que la IA había facilitado cargas masivas, duplicados, trucos de SEO y pistas artificialmente cortas, y anunció un filtro para dejar de recomendarlas (Spotify, 25 de septiembre de 2025). Es evidencia de política empresarial, no una estimación independiente.

Web abierta: una cifra sugerente todavía no consolidada

Dolezal, Alam, Graham y Bohacek construyeron una muestra estratificada de sitios archivados por Internet Archive entre 2022 y 2025. Estimaron que hacia mediados de 2025 cerca del 35% de los sitios recién publicados contenía texto generado o asistido por IA. Los sitios clasificados como sintéticos mostraban 33% más similitud semántica que los no sintéticos, y la relación entre probabilidad de IA y similitud semántica fue rho = 0.47, p = 0.004. No hallaron evidencia estadísticamente significativa para todas las hipótesis alarmistas examinadas (sitio del estudio; arXiv:2604.26965).

Etiqueta: preprint débil a moderado. El trabajo es de abril de 2026 y no consta revisión por pares. Su "muestra representativa" depende de la cobertura cambiante de Wayback Machine y de un detector. El cero estimado antes de ChatGPT, pese a que ya existía texto automatizado, recuerda que el estimador detecta un estilo o familia de modelos, no la ontología completa del contenido artificial. No debe citarse como "35% de Internet". Su unidad son sitios nuevos en la muestra, no páginas, tokens, visitas ni tiempo de consumo.

Granjas de contenido y noticias

NewsGuard mantenía en junio de 2026 una lista de 3,749 sitios en 16 idiomas que, según su equipo, publicaban una proporción sustancial de noticias generadas por IA sin supervisión significativa ni aviso. Para entrar en la lista exigía evidencias como mensajes de error de chatbot, apariencia de sitio periodístico y falta de divulgación (NewsGuard AI Tracking Center).

Etiqueta: auditoría industrial útil, no prevalencia. Es una lista curada, no una muestra con denominador. Demuestra existencia y escala de un ecosistema, no que esos sitios sean una fracción grande de la web ni que tengan audiencia. NewsGuard vende datos y servicios de confianza, lo que crea un conflicto comercial que debe declararse.

Video: hay consumo, pero la medición es débil

Kapwing revisó los 100 canales "trending" de cada país, clasificó manualmente canales de "AI slop" y consultó vistas y suscriptores en Social Blade. Identificó canales con miles de millones de vistas. El mayor superaba 2.07 mil millones. En una cuenta nueva de YouTube, clasificó 104 de los primeros 500 Shorts, 21%, como generados por IA, y 165, 33%, como "brainrot" (Kapwing, datos de octubre de 2025).

Etiqueta: auditoría comercial frágil. Una sola cuenta no estima la experiencia de usuarios reales. "Slop" y "brainrot" requieren juicio humano, se solapan y no son categorías estables. Social Blade estima ingresos a partir de vistas, no observa pagos. Sin embargo, los recuentos visibles refutan la palabra "nadie": parte del contenido sintético sí acumula exposición masiva, aunque no sepamos cuánto corresponde a atención sostenida, reproducción automática, niños o tráfico manipulado.

2.4 No existe la cifra "90% de contenido sintético en 2026"

La cifra circula como predicción atribuida a "expertos" y a Europol. No es una medición. Incluso artículos académicos recientes la reproducen desde una nota periodística de 2022. Mezcla contenido "manipulado", "generado" y "asistido", no especifica unidad ni método y no debe entrar en un informe como hecho. El nuevo preprint del 35% tampoco la valida porque mide otra cosa.

3. Oferta infinita, atención finita

3.1 El desequilibrio precede a la IA

Herbert Simon formuló en 1971 la relación básica: una riqueza de información crea pobreza de atención. La atención humana está limitada por tiempo, sueño y capacidad cognitiva; la publicación digital no lo está en el mismo sentido. La IA amplifica una escasez antigua.

Como orden de magnitud anterior al auge generativo, YouTube comunicó en 2019 que recibía más de 500 horas de video por minuto, cerca de 82 años de video nuevo por día (reporte contemporáneo de Tubefilter sobre la cifra de YouTube). La cifra sigue repitiéndose, pero no hay una actualización oficial pública suficientemente clara para tratar 500 como dato de 2026. Sirve para mostrar que la oferta ya excedía radicalmente el consumo individual.

Del lado de la demanda, las cifras globales provienen de encuestas y paneles comerciales. GWI estimó para 2025 2 horas y 21 minutos diarios de uso de redes sociales por usuario típico de Internet, diez minutos menos que dos años antes (DataReportal, 2025). Es una encuesta de población conectada de 16 a 64 años, no telemetría universal. Aun así, muestra que la expansión de plataformas no crea horas humanas en la misma proporción.

Por eso, la métrica relevante no es sólo contenido creado sino:

oferta publicada -> elegibilidad -> impresión -> segundo atendido -> retención -> acción -> recuerdo

La mayor parte de la oferta siempre se pierde entre las primeras dos etapas. La IA abarata la entrada al embudo; no ensancha de forma equivalente el tiempo en la salida.

3.2 "Nadie consume" confunde cola larga con consumo cero

En mercados culturales, una distribución muy sesgada es normal: pocas obras concentran gran parte de la demanda y una cola enorme recibe poca atención. La IA puede engrosar esa cola, pero también generar éxitos. Para demostrar que empeora la concentración harían falta series comparables de distribución de impresiones o reproducciones antes y después de la adopción, separando bots y cambios de algoritmo. Salvo el caso de Deezer, la evidencia pública es insuficiente.

La hipótesis más defendible es económica:

No es correcto deducir que la mediana de consumo necesariamente cae sin datos del denominador y del filtrado. La plataforma puede endurecer elegibilidad, retirar spam o no indexar casi toda la oferta.

4. ¿La gente prefiere o rechaza el contenido de IA?

La respuesta empírica es "depende de la tarea, la etiqueta y el tipo de contenido".

4.1 Calidad individual y homogeneidad colectiva

Doshi y Hauser realizaron un experimento online preregistrado con 293 escritores. Los participantes escribieron una historia de ocho frases sin IA, con una idea de GPT-4 o con hasta cinco ideas. Con cinco ideas, la novedad evaluada subió 8.1% frente al control; con una idea, 5.4%. Las historias asistidas recibieron mejores evaluaciones, sobre todo cuando su autor tenía menor creatividad basal, pero fueron más parecidas entre sí (Doshi y Hauser, Science Advances, 2024; datos y preregistro).

La conclusión no es que la IA produzca contenido malo que nadie quiere. En ese entorno, los evaluadores prefirieron varias dimensiones del resultado. El coste colectivo fue menor diversidad. Es exactamente la tensión relevante para un feed: cada creador puede mejorar su pieza respecto de su propio nivel y, a la vez, el conjunto puede volverse más repetitivo.

4.2 Experimento social: más producción, menor calidad percibida

Møller y colegas asignaron aleatoriamente 680 adultos estadounidenses, en grupos de cinco, a control o a cuatro herramientas de IA dentro de una red social experimental: chat, iniciadores de conversación, feedback y sugerencias. Hablaron de tres temas durante diez minutos cada uno (Scientific Reports, 2026).

Resultados seleccionados:

Este estudio es una pieza central: reduce barreras y aumenta volumen, pero ningún diseño mejoró a la vez la experiencia de productores y consumidores. Sus límites son un entorno simulado, interacciones cortas y efectos pequeños o moderados. No mide TikTok ni conducta longitudinal.

4.3 Las etiquetas pueden causar descuento algorítmico

Seeger, Wessel y Lehrer hicieron dos experimentos online con perfiles simulados de Instagram, n = 325 y n = 371. Etiquetar imágenes como "mejoradas con IA" o "generadas por IA" redujo el engagement afectivo y conductual frente a "creadas por humanos", más en contenido emocional. En la réplica, los coeficientes para engagement conductual fueron b = -7.75, IC 95% -14.34 a -1.15, para IA mejorada, y b = -16.31, IC -22.13 a -10.48, para IA generada (Electronic Markets, 2026).

Esto mide reacción a la etiqueta en un perfil simulado, no capacidad intrínseca del contenido para atraer atención. La aversión puede desaparecer si el origen no se revela, y la transparencia puede reducir engagement aunque aumente autonomía informativa.

4.4 Veredicto sobre consumo

5. Descarga cognitiva, aprendizaje y pensamiento crítico

5.1 La descarga cognitiva no es sinónimo de deterioro

Risko y Gilbert definen descarga cognitiva como usar una acción física o recurso externo para reducir las demandas de procesamiento interno. Calendarios, escritura, mapas, calculadoras y buscadores son ejemplos. Su revisión muestra que la decisión de descargar depende de capacidad, confianza, esfuerzo y metacognición (Trends in Cognitive Sciences, 2016).

Una metaanálisis de Burnett y Richmond sobre tareas de memoria encontró que la descarga mejora el rendimiento inmediato y reduce diferencias individuales; el beneficio es mayor cuando la descarga es obligatoria, en diseños intrasujeto y para memoria prospectiva (Memory & Cognition, 2025). Por tanto, "usar una ayuda nos hace menos capaces" no es una ley general.

La pregunta correcta es doble:

  1. ¿mejora el desempeño mientras la ayuda está disponible?
  2. ¿qué queda aprendido o recordado cuando desaparece?

Sparrow, Liu y Wegner mostraron en cuatro estudios que esperar acceso futuro a información reducía el recuerdo de la información, pero mejoraba el recuerdo de dónde encontrarla. Es el llamado "efecto Google" y apoya la memoria transactiva, aunque no es evidencia específica sobre LLM (Science, 2011). Como parte de la literatura psicológica temprana, merece cautela sobre potencia y replicación; no debe cargarse con conclusiones clínicas.

También conviene evitar usar como pilar el famoso "brain drain" por mera presencia del smartphone. Una metaanálisis y replicaciones posteriores encontraron resultados mixtos o nulos (metaanálisis, 2023). Es una advertencia contra convertir un estudio viral en ley universal.

5.2 Evidencia causal fuerte en aprendizaje: ayuda durante la práctica, daño sin guardas

Bastani y colegas realizaron un ensayo aleatorizado de campo con casi 1,000 estudiantes de matemáticas de secundaria en Turquía. Compararon recursos normales, un chat GPT-4 general y un tutor GPT-4 con pistas diseñadas por docentes. Durante la práctica, GPT Base mejoró calificaciones 48% y GPT Tutor 127% respecto del control. Cuando retiraron la IA en el examen, el grupo GPT Base rindió 17% peor que el control. Las guardas del tutor mitigaron en gran medida el daño (PNAS, 2025).

Éste es el resultado causal más importante para la tesis cognitiva. No dice que la IA siempre reduzca aprendizaje. Dice que una interfaz que entrega respuestas puede convertir mejor desempeño asistido en menor adquisición de habilidad, mientras un diseño que obliga a trabajar con pistas puede conservar beneficios.

5.3 Pensamiento crítico en el trabajo: evidencia real, pero autoinformada

Lee y colegas encuestaron a 319 trabajadores del conocimiento, que aportaron 936 ejemplos de uso laboral de IA. En modelos que incluían factores de persona y tarea, mayor confianza en la IA se asoció con menor activación autoinformada de pensamiento crítico; mayor confianza en la propia capacidad se asoció con más pensamiento crítico. Cualitativamente, el esfuerzo se desplazó de producir a fijar objetivos, verificar, integrar y supervisar (CHI 2025, DOI; PDF de autores).

Es una buena taxonomía de cómo cambia el trabajo cognitivo. No demuestra pérdida de capacidad. Los participantes ya eran usuarios de IA, recuerdan episodios y evalúan su propio esfuerzo. "Menos esfuerzo" puede significar eficiencia, omisión o ambas. La selección y el autoinforme impiden causalidad.

5.4 Estudios que conviene citar con advertencia

5.5 Síntesis cognitiva

La evidencia disponible apoya un modelo condicional:

La variable decisiva no es "usar IA sí/no", sino qué pasos cognitivos conserva el flujo de trabajo. Pedir una solución completa y copiarla no es equivalente a pedir una pista, comparar alternativas, justificar una elección y verificar fuentes.

6. Sobrecarga de información: evidencia y exageraciones

La sobrecarga se define normalmente como información que excede la capacidad de procesarla con eficiencia y produce distracción, estrés, errores o peores decisiones. Una revisión sistemática de 2023 incluyó 87 estudios, informes de campo y trabajos conceptuales sobre intervenciones. Encontró evidencia heterogénea y una literatura con definiciones y medidas variables (Arnold, Goldschmitt y Rigotti, 2023).

Hay razones para no saltar de "más contenido" a "peores decisiones" de forma automática:

El caso clásico de "choice overload" ilustra el peligro. Scheibehenne, Greifeneder y Todd agregaron 63 condiciones de 50 experimentos, N = 5,036. El efecto medio fue casi cero, d = 0.02, IC 95% -0.09 a 0.12, con heterogeneidad alta (Journal of Consumer Research, 2010; PDF). Hay contextos de sobrecarga, pero no una ley de que más opciones siempre paralicen.

La IA puede aumentar la sobrecarga en tres sitios:

  1. Antes del usuario, al aumentar candidatos que moderar, indexar y rankear.
  2. En el feed, si el sistema privilegia volumen o engagement sin controles de repetición, procedencia y calidad.
  3. Después de la consulta, cuando una respuesta fluida incluye afirmaciones que requieren verificación y desplaza esfuerzo de búsqueda a auditoría.

También puede reducirla resumiendo, agrupando y personalizando. La misma tecnología puede ser fuente y filtro del exceso. Esa doble función da poder a quien controla el filtro.

7. Recomendadores: quién decide qué se consume

7.1 Los recomendadores convierten abundancia en exposición

Cuando la oferta supera por órdenes de magnitud el tiempo disponible, el recomendador no es una comodidad neutral. Es el mecanismo de asignación. Sus objetivos deciden qué contenidos cruzan de publicación a consumo.

Un sistema optimizado para tiempo de visualización puede aprender señales de interés sin distinguir satisfacción, compulsión, enfado o curiosidad. Un sistema que optimiza interacción puede premiar piezas que provocan comentario, incluso si el usuario las considera de baja calidad. El experimento de Møller lo muestra a pequeña escala: más longitud y participación coexistieron con más "dislikes" y menor calidad percibida.

7.2 Evidencia de TikTok

Vombatkere y colegas analizaron donaciones de datos de 347 usuarios de TikTok. Para el análisis principal conservaron 220 usuarios con al menos 1,000 recomendaciones cada uno, es decir, 220,000 videos ordenados. Su marco clasificó cada video como exploración o explotación según creadores, hashtags y conductas previas. Estimaron que TikTok explotaba intereses reales en 30% a 50% de las primeras 1,000 recomendaciones, tras descontar un nivel de ruido de aproximadamente 20%; likes, visualización, favoritos y follows contribuían a la personalización (ACM Web Conference 2024; PDF).

Es una auditoría seria con datos reales, pero su clasificación es inferida, no una lectura del código de TikTok. No prueba adicción, radicalización ni bienestar. Sí prueba que una fracción sustancial del feed responde a señales acumuladas de conducta. Para el memo de TikTok, la inferencia útil es: la abundancia sintética entra en competición por señales rápidas, y la plataforma puede aprender a distribuirla aunque el usuario no la busque de forma explícita.

7.3 Algoritmo versus cronología

Guess y decenas de coautores asignaron feeds cronológicos inversos a aproximadamente 23,000 usuarios de Facebook y 21,000 de Instagram durante tres meses de la elección estadounidense de 2020. Salir del ranking algorítmico redujo de forma considerable tiempo y actividad en las plataformas. También cambió la exposición: aumentó contenido político y no confiable en ambas; en Facebook redujo contenido incívico y aumentó fuentes moderadas o con audiencias mixtas. No produjo cambios detectables en polarización, conocimiento político u otras actitudes clave durante el período (Science, 2023; resumen PubMed).

Dos lecciones:

El estudio tuvo acceso excepcional negociado con Meta y corresponde a 2020. No identifica el efecto de un feed dominado por video corto ni de contenido sintético posterior.

7.4 El caso YouTube y radicalidad

Hosseinmardi y colegas analizaron historiales de navegación de una gran muestra de usuarios estadounidenses y cientos de millones de visitas a videos. Encontraron que el consumo de contenido alternativo y extremista estaba concentrado en una pequeña fracción de usuarios con demanda previa, y que suscripciones y enlaces externos eran rutas importantes, lo que complica la historia simple de un algoritmo que radicaliza pasivamente a cualquiera (PNAS, 2021). Las auditorías de recomendadores son sensibles a definiciones, acceso a datos y época del algoritmo. Conviene evitar extrapolar una auditoría de YouTube de 2016-2019 a TikTok de 2026.

7.5 Recomendación y contenido sintético

La IA generativa y la recomendación forman un bucle:

  1. el generador produce muchas variantes;
  2. la plataforma prueba algunas con audiencias pequeñas;
  3. señales de retención seleccionan ganadores;
  4. productores imitan rasgos de esos ganadores;
  5. nuevos modelos entrenan o se ajustan con ese contenido y esas señales.

Es una hipótesis mecánica plausible y parcialmente observable, no un efecto social cuantificado de extremo a extremo. Puede producir optimización cultural convergente, pero también descubrir nichos. La dirección depende de diversidad de objetivos, exploración, moderación y coste de publicación.

8. Contaminación sintética, bienes públicos y colapso de modelos

8.1 Contaminación del corpus no es lo mismo que colapso

Conviene separar tres problemas:

La primera está bien documentada como riesgo metodológico, aunque detectar pertenencia a corpus enormes y cerrados sigue siendo difícil. Shi y colegas presentaron Min-K% Prob y el benchmark temporal WikiMIA para inferir si un texto estuvo en preentrenamiento; mostraron aplicaciones a benchmarks, libros y auditoría de "desaprendizaje" (ICLR 2024). Esto no mide cuánto "slop" hay en la web ni demuestra degradación de un modelo comercial.

8.2 Colapso bajo recursión

Shumailov y colegas mostraron teórica y empíricamente que el entrenamiento indiscriminado y recursivo con datos generados puede eliminar primero las colas raras de la distribución y luego reducir mucho la varianza. Lo probaron con mezclas gaussianas, autoencoders variacionales y modelos de lenguaje (Nature, 2024). El hallazgo central es robusto para el régimen estudiado: errores estadísticos, de expresividad y de aproximación se acumulan.

La interpretación popular "cualquier dato sintético envenena inevitablemente cualquier modelo" es demasiado fuerte. Kazdan, Gerstgrasser y colegas estudiaron escenarios gaussianos, ajuste supervisado de lenguaje y densidad kernel. Hallaron colapso cuando cada generación reemplazaba los datos anteriores, pero error acotado cuando se acumulaban datos sintéticos junto con los datos reales previos (NeurIPS 2024 workshop / OpenReview). Es evidencia de conferencia/workshop y matiza, no invalida, el artículo de Nature.

La conclusión práctica es más modesta:

8.3 Menos producción humana pública

El problema puede aparecer incluso sin inundación sintética. Del Rio-Chanona, Laurentsyeva y Wachs compararon Stack Overflow con foros en ruso y chino, donde ChatGPT tenía acceso limitado, y con foros matemáticos donde rendía peor. Seis meses después del lanzamiento, la actividad en Stack Overflow era 25% menor respecto de los contrafactuales; el efecto promedio de los seis meses fue 15%. No hallaron mejora significativa de calidad de posts por votos, y cayó la aportación de usuarios novatos y expertos (PNAS Nexus, 2024).

Otro estudio con Stack Overflow y comunidades de programación en Reddit también halló descenso de visitas y preguntas en Stack Overflow, sobre todo en temas donde ChatGPT funcionaba mejor; Reddit no mostró el mismo descenso y los autores sugieren que su tejido social actuó como amortiguador (Burtch, Lee y Chen, Scientific Reports, 2024).

Estos diseños observacionales no aíslan todos los cambios contemporáneos, pero convergen en una paradoja importante: el modelo sustituye consultas públicas por conversaciones privadas que no enriquecen el bien común del que aprendió. No es "la IA genera todo"; puede ser lo contrario, que reduce nueva producción humana públicamente reutilizable.

8.4 El cierre del común de datos

Longpre y un amplio equipo auditaron 14,000 dominios usados por C4, RefinedWeb y Dolma. Entre 2023 y 2024, restricciones de robots y términos crecieron con rapidez. Estimaron que más de 5% de los tokens de C4, más de 28% de sus fuentes críticas activamente mantenidas y 45% de C4 bajo términos de servicio estaban restringidos en distintos sentidos (Consent in Crisis, 2024). El trabajo fue inicialmente preprint, aunque con datos y anotación extensos. Mide permisos expresados, no cumplimiento legal definitivo.

El efecto conjunto puede ser una doble degradación del insumo abierto: más contenido sintético fácil de raspar y menos contenido humano de alta calidad disponible para raspar. Aun así, empresas pueden licenciar archivos, generar datos sintéticos controlados, obtener interacciones privadas o producir nuevos datos. No hay prueba de una fecha en que "se acaba Internet" para entrenar.

9. Qué es evidencia y qué es diagnóstico cultural

Establecido

Parcialmente establecido

Diagnóstico cultural útil, todavía no hecho medido

Estas frases pueden nombrar experiencias reales, pero comprimen fenómenos distintos y suelen ocultar el denominador.

10. Respuesta directa a la tesis

Tesis fuerte: "La IA genera todo lo que nadie consume"

Rechazada. "Todo" y "nadie" son falsos. Existen contenidos sintéticos con grandes audiencias, experimentos donde la IA mejora evaluación y sistemas donde aumenta respuestas.

Tesis económica: "La IA vuelve racional producir aunque la probabilidad de consumo sea minúscula"

Muy plausible y respaldada por el mecanismo. Coste de producción y variación cae, el premio potencial permanece y el filtro corre por cuenta de plataforma y usuario. Deezer ofrece evidencia directa de una brecha enorme entre entrega y reproducción.

Tesis atencional: "La IA acelera la oferta mucho más que la atención"

Sólida. La atención está limitada y la producción asistida muestra ganancias grandes de velocidad. No hace falta una cifra universal de contenido sintético para sostenerla.

Tesis cognitiva: "Al delegar producción y búsqueda, dejamos de pensar"

Demasiado fuerte. Delegar reduce esfuerzo y memoria interna en algunos casos, pero puede elevar rendimiento y liberar capacidad. El daño aparece cuando el diseño permite evitar práctica, verificación o comprensión. El ensayo de matemáticas muestra que las guardas cambian el resultado.

Tesis cultural: "Más contenido produce menos diversidad"

Plausible y apoyada en dominios acotados, no universal. Doshi y Hauser hallan convergencia entre historias; el preprint web halla mayor similitud semántica; los modelos recursivos pierden colas en ciertos regímenes. Falta demostrar una contracción cultural agregada, separada de géneros, modas y recomendación.

11. Integración con el memo de TikTok

El memo de TikTok puede usar esta síntesis sin convertirla en pánico moral.

Marco recomendado

1. La abundancia cambia el lugar del poder. Antes, producir y distribuir eran costosos. Ahora producir es barato; seleccionar y recomendar se vuelven la función escasa. El poder se desplaza del creador que publica al sistema que asigna impresiones.

2. El feed oculta la sobreoferta. El usuario no ve millones de piezas fallidas, sólo la secuencia elegida. Por eso puede sentirse una experiencia fluida mientras el catálogo se llena de contenido no consumido.

3. El consumo no prueba valor. Retención, repetición y comentarios son señales conductuales. En el estudio social de 2026, según la herramienta, algunas condiciones aumentaron producción o disposición a participar, mientras varias métricas de percepción del consumidor empeoraron; sólo los iniciadores aumentaron significativamente la probabilidad de respuesta. En TikTok, una pieza puede ganar porque provoca, sorprende o se reproduce sin fricción, no porque deje conocimiento, satisfacción o recuerdo.

4. La personalización puede amplificar la convergencia. La auditoría de 220 usuarios y 220,000 recomendaciones estimó que 30% a 50% de las primeras 1,000 recomendaciones explotaban intereses. Si generadores producen infinitas variantes de formatos ganadores, un recomendador puede reforzar plantillas cada vez más parecidas. Es una inferencia, no un efecto demostrado.

5. Hay un problema de doble agente. La IA produce el contenido y otra IA lo selecciona. El humano aporta prompt, señal de conducta o revisión, pero puede desaparecer de la creación y del juicio distributivo. Eso eleva el valor de procedencia, edición humana y objetivos distintos del tiempo de uso.

6. No conviene decir "nadie lo ve". El caso Deezer permite una frase más precisa: "En una plataforma que lo mide, casi la mitad de los nuevos archivos podía ser sintética mientras su cuota de reproducciones era de un solo dígito bajo; la oferta se desacopló del consumo." Para video, la auditoría de Kapwing sugiere lo contrario en algunos nichos: el slop sí obtiene miles de millones de vistas. La tensión es el argumento, no una anomalía.

Párrafo listo para integrar

La IA no crea atención; crea candidatos a recibirla. En abril de 2026, Deezer decía que 44% de las pistas entregadas cada día eran totalmente sintéticas, pero sólo recibían 1% a 3% de las reproducciones; durante 2025, según el mes, hasta 85% de las reproducciones de pistas sintéticas se clasificó como fraudulento. Ese desacople no significa que nadie consuma contenido de IA. En YouTube hay canales sintéticos con miles de millones de vistas, aunque las mediciones disponibles son comerciales y rudimentarias. Significa algo más importante para TikTok: cuando el coste marginal privado de generar otra variante cae mucho y el tiempo humano no aumenta, el recomendador se convierte en el verdadero editor. Decide cuál de una cantidad enorme de piezas se vuelve cultura visible y cuál queda como residuo digital.

Indicadores que un análisis futuro debería exigir a TikTok u otra plataforma

Sin esos denominadores, las discusiones sobre "inundación" seguirán basadas en ejemplos virales.

12. Tabla de estudios clave

Tema Estudio Diseño y muestra Resultado útil Límite principal
Productividad Noy y Zhang, 2023 RCT, n=453 -40% tiempo, +18% calidad tareas breves de escritura
Trabajo experto Dell'Acqua et al., 2026 RCT, n=758 +12.2% tareas, -25.1% tiempo, +32% calidad media; -19 pp de exactitud fuera de frontera una firma
Soporte Brynjolfsson et al., 2025 despliegue escalonado, n=5,172 +15% productividad; +30% en menos cualificados/experimentados una empresa
Creatividad Doshi y Hauser, 2024 RCT preregistrado, n=293 +5.4% a +8.1% novedad; menor diversidad colectiva historias muy cortas
Red social Møller et al., 2026 RCT, n=680 efectos heterogéneos por herramienta; sólo iniciadores aumentaron significativamente respuestas; varias percepciones empeoraron plataforma simulada
Etiquetas Seeger et al., 2026 2 experimentos, n=325 y 371 etiqueta IA reduce engagement declarado perfiles simulados
Aprendizaje Bastani et al., 2025 RCT de campo, casi n=1,000 +48% práctica; -17% examen sin IA para chat abierto matemáticas, un contexto nacional
Pensamiento crítico Lee et al., 2025 encuesta, n=319; 936 casos confianza en IA asociada con menos crítica autoinformada no causal
EEG y escritura Kosmyna et al., 2025 preprint, n=54; cruce n=18 menor recuerdo y diferencias EEG pequeño, no revisado
Foros públicos del Rio-Chanona et al., 2024 diferencias en diferencias -25% actividad a 6 meses contrafactual observacional
TikTok Vombatkere et al., 2024 347 donantes; análisis n=220 30%-50% de recomendaciones explotan intereses, según marco clasificación inferida
Feed algorítmico Guess et al., 2023 RCT, ~23k Facebook y ~21k Instagram algoritmo eleva tiempo/actividad; sin efecto detectable en actitudes elección 2020, Meta
Música Deezer, 2026 telemetría empresarial 44% cargas; 1%-3% streams; hasta 85% fraude detector y política propios
Web sintética Dolezal et al., 2026 preprint, Wayback + detector ~35% de nuevos sitios; +33% similitud no revisado, error de detector
Colapso Shumailov et al., 2024 teoría + experimentos recursión pierde colas y diversidad régimen simplificado
Mitigación Kazdan et al., 2024 teoría + 3 escenarios acumulación con datos reales evita colapso observado workshop, no web comercial
Sobrecarga de elección Scheibehenne et al., 2010 metaanálisis, n=5,036 efecto medio d=0.02 heterogeneidad alta

13. Conclusión

La mejor evidencia no describe un mundo en que las máquinas producen y los humanos han dejado de mirar. Describe un mercado con tres ritmos distintos.

La producción se acelera porque generar otra unidad cuesta poco. La atención permanece limitada. La selección pasa a sistemas de recomendación, búsqueda, moderación y reputación. De ahí salen dos resultados simultáneos: montañas de piezas casi no consumidas y una minoría sintética que puede captar audiencias enormes.

En cognición ocurre una asimetría parecida. La IA mejora el resultado inmediato, sobre todo para quien parte de menor habilidad, pero ese resultado no siempre representa aprendizaje, recuerdo o juicio propio. Las guardas cambian el efecto. La pregunta no es si descargar trabajo es malo, sino quién conserva la capacidad de verificar cuando la herramienta falla.

El diagnóstico cultural más defendible no es "la IA genera todo lo que nadie consume". Es éste:

La IA separa producción de demanda. Hace económicamente racional fabricar antes de saber si existe una audiencia, y hace técnicamente posible probar miles de variantes contra un sistema de recomendación. La escasez no desaparece. Se desplaza hacia atención, confianza, procedencia y criterio.

Ese desplazamiento es el puente con TikTok. En un entorno de oferta casi ilimitada, el feed es más que un espejo de preferencias. Es la institución que convierte abundancia en realidad compartida.

Referencias principales

RheumAI verifica antes de resumir.

Sigue la conversación y las nuevas revisiones en @RheumAI.

Volver al blog