Principio 02Primacía

Cuándo (no) ver la respuesta de la IA antes de pensar la tuya

Tienes que resolver un problema o tomar una decisión compleja. Antes de sentarte a esbozar tus propias ideas, abres tu asistente de IA y le pides una primera propuesta "para inspirarte". Lees su respuesta: parece razonable, bien estructurada y convincente. A partir de ese momento, intentas pensar alternativas por tu cuenta, pero todas tus ideas gravitan de forma inevitable alrededor del enfoque que la IA te acaba de dar. Sin darte cuenta, tu pensamiento no ha sido libre: ha quedado anclado a la primera opción que obtuviste.

Un ancla encadenada a un chip, con una nube de pensamiento sobre el ancla mostrando una meta distinta en una montaña

Este es el mecanismo en el que se basan algunos trucos de magia y fue demostrado en un experimento de psicología. En él, un mago colocaba sobre la mesa siete cartas boca abajo: seis con dorso rojo rodeaban a una central de dorso marrón, que era su predicción. El participante debía elegir una carta roja y comprobar al levantarla si coincidía con la predicción del mago. Pero antes de hacerlo, éste le advertía de que era capaz de influir en las decisiones simplemente tocando a diferentes ritmos los dorsos de las seis cartas rojas. Tras ello, la persona elegía una carta, la volteaba (jota de corazones) y, al voltear la predicción del mago de la carta marrón, resultaba ser también la jota de corazones. ¿El secreto? Las siete cartas eran exactamente la misma, pero la advertencia del mago de que podía influir en las decisiones, aunque falsa, impedía a los participantes descubrir la verdad. De quienes recibieron la advertencia, solo el 17% consiguió adivinar el truco, frente al 83% de quienes no la recibieron. Además, entre los que fallaron, el 80% siguió sin descubrirlo aun después de que se les invitara explícitamente a buscar otra explicación1.

Llevado al terreno de la IA, en una investigación propia pedimos a un grupo de participantes que juzgaran la culpabilidad de acusados a partir de testimonios, viendo la sugerencia de una IA antes o después de tomar su propia decisión. Cuando la IA se equivocaba, las personas que juzgaron antes de ver la IA acertaron el 66% de las veces. En cambio, las que decidieron después de ver la propuesta de la IA se anclaron en ella y solo acertaron en el 37% de las ocasiones2.

El principio

En cualquier tarea que requiera juicio crítico, intención creativa o responsabilidad propia, la reflexión humana debe preceder a la respuesta del algoritmo. El orden de la interacción determina tu independencia: para que tu pensamiento prevalezca, debes formular tu postura antes de exponerte al efecto de anclaje que genera la sugerencia de la IA.

Qué resuelve este principio

Es una pauta de interacción para preservar el pensamiento crítico al colaborar con la IA. Evita que una sugerencia prematura del algoritmo condicione tus ideas antes de haber reflexionado, asegurando que tu planteamiento sea una construcción realmente propia y no un simple ajuste sobre la propuesta del sistema.

Por qué ocurre el problema

Cuando trabajamos con IA, este fenómeno de anclaje surge de la colisión entre cómo están entrenados los modelos y cómo funciona nuestra mente:

1. El sesgo de la IA

  • ●Sobreactuación (over-eagerness): ante una petición ambigua o abierta, la IA tiende a entregar una solución cerrada de inmediato asumiendo la intención del usuario, en lugar de detenerse a pedir aclaración34. Y es que, a pesar de que los modelos suelen detectar internamente que la instrucción es incompleta o ambigua, rara vez lo verbaliza en su respuesta final. Este sesgo se origina en el propio entrenamiento con preferencias humanas (RLHF): quienes evalúan las respuestas tienden a premiar una salida directa y completa, aunque sea presuntuosa, por encima de una pregunta de aclaración. Así, el sistema termina optimizado para ofrecer una respuesta inmediata que actúa como ancla automática para el usuario5.

2. El sesgo humano

  • ●Sesgo de anclaje (anchoring bias): al realizar una estimación o emitir un juicio, la mente tiende a fijarse en una primera información recibida como punto de referencia inicial y realizar ajustes desde ella. El problema radica en que este proceso de ajuste suele ser insuficiente, haciendo que la respuesta o el juicio final queden sistemáticamente sesgados hacia el punto de partida6.
  • ●Efecto Einstellung (fijación mental): recibir una propuesta de solución, sea esta buena o mejorable, genera un bloqueo que impide descubrir alternativas mejores. El psicólogo Abraham S. Luchins describió este fenómeno en 1942: tras resolver varios problemas con un mismo procedimiento, ante un problema nuevo la mayoría de participantes no lograba desligarse del método utilizado, atascándose en su resolución; mientras que quienes afrontaban el ejercicio por primera vez encontraban la solución sin dificultad7. Décadas después, Bilalić y colegas demostraron la fuerza de este efecto en ajedrecistas expertos. Ante un problema con dos soluciones (una conocida de cinco movimientos y otra óptima, menos familiar, de solo tres), la mayoría se ancló en la conocida. El análisis de seguimiento ocular (eye-tracking) reveló algo fascinante: aunque los jugadores afirmaban estar buscando activamente una alternativa mejor, sus ojos continuaban fijos en las casillas asociadas a la primera solución. Su atención estaba secuestrada por el primer esquema visualizado, impidiéndoles integrar la solución óptima aunque la tuvieran delante8. No hace falta valorar con profundidad la primera idea para quedar anclado: basta con haber estado expuesto a ella.

Cómo aplicar el principio

Aplicar el principio no consiste únicamente en esforzarse por "pensar más" ni en intentar ignorar la propuesta de la IA una vez que la tienes en pantalla. Se trata de diseñar el flujo de trabajo para forzar a la mente a detenerse y pensar antes de recibir la propuesta de la IA. En psicología esto se conoce como funciones de forzado cognitivo: mecanismos que interrumpen el piloto automático antes de que el algoritmo tome el control910.

En la práctica, este principio se articula mediante dos herramientas:

  1. En el día a día de la interacción: la Regla Filtro Autoral
    Definida en PRINCIPIO 01 - DELEGACIÓN, esta regla le prohíbe a la IA entregarte soluciones cerradas o interpretativas de entrada ante tareas conceptuales, obligándola a detenerse y ofrecer opciones o preguntas en lugar de una respuesta ya cerrada.
  2. En decisiones complejas: la Skill grill-me-socratic
    Invoca esta skill en las decisiones más complejas, donde el riesgo de anclarte a la primera propuesta es mayor.

Skill grill-me-socratic

Hemos desarrollado una variante de la skill grill-me, adaptándola para que el asistente adopte un enfoque socrático ante un reto o problema complejo. Invocando la skill grill-me-socratic, la IA formula preguntas incisivas desde distintos ángulos sin adelantar su propia recomendación. No actúa como un generador de respuestas ni como un evaluador presuntuoso, sino como un facilitador que solo ofrecerá su propuesta si se le pide explícitamente, dándote el tiempo y la oportunidad necesarios para definir tu propia postura.

Skill de Claude

grill-me-socratic

Ver en GitHub

Como demostró el truco de las cartas (y la mirada atrapada de los ajedrecistas), el proceso adecuado nunca fue intentar pensar libremente sobre la respuesta que ya se tenía delante, sino estructurar el proceso para evitar que una propuesta ajena, por mostrarse primero, anclara la propia.

Notas

  1. [1] Thomas, C., & Didierjean, A. (2016). Magicians fix your mind: How unlikely solutions block obvious ones. Cognition, 154, 169-173. https://doi.org/10.1016/j.cognition.2016.06.002
  2. [2] Agudo, U., Liberal, K. G., Arrese, M., & Matute, H. (2024). The impact of AI errors in a human-in-the-loop process. Cognitive Research: Principles and Implications, 9(1), 1. https://doi.org/10.1186/s41235-023-00529-3
  3. [3] Anthropic (2026). System Card: Claude Sonnet 4.6 (17 de febrero de 2026), sección "4.3.3 Overly agentic behavior in GUI computer use settings". https://www.anthropic.com/claude-sonnet-4-6-system-card
  4. [4] Wang, W., Shi, J., Ling, Z., Chan, Y.-K., Wang, C., Lee, C., Yuan, Y., Huang, J., Jiao, W., & Lyu, M. R. (2024). Learning to Ask: When LLM Agents Meet Unclear Instruction. arXiv:2409.00557 (v4, revisado 29 de abril de 2026). https://arxiv.org/abs/2409.00557
  5. [5] Su, J., & Cardie, C. (2026). Knowing but Not Showing: LLMs Recognize Ambiguity but Rarely Ask Clarifying Questions. arXiv:2605.25284. https://arxiv.org/abs/2605.25284
  6. [6] Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124-1131. https://doi.org/10.1126/science.185.4157.1124
  7. [7] Luchins, A. S. (1942). Mechanization in problem solving: The effect of Einstellung. Psychological Monographs, 54(6), Whole No. 248. https://doi.org/10.1037/h0093502
  8. [8] Bilalić, M., McLeod, P., & Gobet, F. (2008). Why good thoughts block better ones: The mechanism of the pernicious Einstellung (set) effect. Cognition, 108(3), 652-661. https://doi.org/10.1016/j.cognition.2008.05.005
  9. [9] Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To Trust or to Think: Cognitive Forcing Functions Can Reduce Overreliance on AI in AI-assisted Decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), Article 188. https://doi.org/10.1145/3449287
  10. [10] Agudo, U., & Vinas, A. (2025). Frictions as Boosts to Improve AI-Human Collaborative Decision Processes. En I. Aliende (Ed.), Applied Behavioral Economics: Theory, Method, and Practice for Driving Decisions. Nova Publishers. https://doi.org/10.52305/CZRL5358