El efecto Dunning-Kruger tiene una versión tecnológica muy reconocible: la persona que ha visto tres vídeos de YouTube sobre inteligencia artificial y ya sabe cómo va a cambiar el mundo, el directivo que ha leído un artículo en Forbes y de repente habla de “modelos de lenguaje” con una soltura que intimida, el tío en la cena familiar que explica con total seguridad por qué ChatGPT “es consciente”. Dunning-Kruger en tecnología e IA no es una rareza: es la norma, y entender por qué ocurre dice bastante sobre cómo consumimos información técnica.

El efecto fue descrito en 1999 por los psicólogos David Dunning y Justin Kruger, de la Universidad de Cornell. Su hallazgo central es simple y un poco incómodo: las personas con poca competencia en un área tienden a sobreestimar su nivel, mientras que las más expertas suelen subestimarse. No es arrogancia ni mala fe, en la mayoría de los casos. Es una consecuencia directa de no saber lo suficiente como para saber lo que no sabes.
La tecnología, y la inteligencia artificial en particular, es un terreno especialmente fértil para este fenómeno. Los productos tecnológicos están diseñados para parecer simples por fuera. Una interfaz limpia, respuestas fluidas, una narrativa de marketing que lo explica todo en tres palabras. Lo que hay debajo, los sistemas de entrenamiento, las arquitecturas de transformadores, los problemas de alineación, es invisible para el usuario común. Y esa invisibilidad genera una ilusión de comprensión que sería imposible con, digamos, la ingeniería civil.
¿Por qué la IA es el tema perfecto para el efecto Dunning-Kruger?
La inteligencia artificial ofrece algo que pocos campos técnicos ofrecen: acceso inmediato a resultados convincentes sin ningún conocimiento previo. Cualquiera puede abrir ChatGPT, hacer preguntas y recibir respuestas elaboradas en segundos. La experiencia de usuario es tan fluida que parece entendida. Usar una herramienta de IA no equivale a entender cómo funciona, pero la brecha entre ambas cosas es difícil de percibir desde dentro.
A esto se suma el volumen de contenido divulgativo de baja calidad que circula sobre el tema. Artículos que prometen explicar “todo sobre la IA en cinco minutos”, hilos de Twitter que simplifican conceptos complejos hasta hacerlos irreconocibles, gurús tecnológicos que convierten la incertidumbre en certeza vendible. Quien consume este tipo de contenido no adquiere comprensión real, adquiere un vocabulario. Y el vocabulario, sin la estructura conceptual detrás, es suficiente para sentirse experto en una conversación superficial.
Hay otro factor que pocas veces se menciona: los propios medios de comunicación generalistas amplifican este efecto. Cuando un periódico titula “La IA ya supera al ser humano en razonamiento”, sin matizar qué tarea concreta, en qué condiciones y con qué limitaciones, está sembrando una comprensión distorsionada en millones de lectores. Algo parecido ocurre con el negocio de vender miedo tecnológico, donde la exageración, en este caso hacia el pánico en lugar de la euforia, cumple la misma función: sustituir la comprensión real por una emoción intensa.
¿Cómo afecta esto a las decisiones reales sobre tecnología?
El Dunning-Kruger en tecnología e IA tiene consecuencias que van más allá de las conversaciones en cenas o comentarios en redes sociales. Las empresas toman decisiones de inversión millonarias basadas en la comprensión superficial de sus directivos sobre lo que la inteligencia artificial puede hacer. Los parlamentos debaten regulaciones sobre tecnologías que sus miembros no entienden con suficiente profundidad. Y los ciudadanos votan, compran y confían basándose en información que han absorbido sin filtro crítico.
Un ejemplo documentado: en 2019, varios estudios mostraron que muchos productos comercializados como “impulsados por IA” en el Reino Unido ni siquiera usaban sistemas de aprendizaje automático reales. La etiqueta funcionaba como señal de sofisticación para compradores e inversores que no tenían herramientas para verificarlo. La confianza ciega en la terminología técnica es exactamente lo que el efecto Dunning-Kruger alimenta.
En el plano individual, el problema es igual de concreto. Alguien que cree entender cómo funcionan los sistemas de recomendación no siente la necesidad de cuestionar por qué le aparece cierto contenido. Alguien que piensa que “la IA no miente” porque sus respuestas suenan seguras no desarrolla el hábito de verificar. Y alguien convencido de que entiende los riesgos de la inteligencia artificial porque ha visto una película de ciencia ficción no lee los informes reales sobre, por ejemplo, los sesgos en sistemas de contratación automatizada.
Esta dinámica conecta directamente con algo que ya hemos analizado en otros contextos: los algoritmos que toman decisiones sobre personas reales operan en un ecosistema donde los afectados, y a veces los responsables, desconocen cómo funcionan esos sistemas.
¿Qué distingue al experto real del que solo parece serlo?
Una de las señales más fiables de conocimiento técnico real es la comodidad con la incertidumbre. Los expertos auténticos dicen “no sé” con facilidad y acotan sus afirmaciones con precisión: “esto funciona bien en este contexto, pero falla en este otro”. Quien sobreestima su comprensión tiende a generalizar, a hablar en absolutos y a sentirse incómodo cuando alguien le hace preguntas de segundo nivel.
Dunning y Kruger observaron también el fenómeno inverso: los más competentes suelen subestimar su propio nivel porque son muy conscientes de todo lo que desconocen. Un ingeniero de machine learning senior raramente afirma que “entiende la IA”: sabe exactamente en qué subdisciplinas tiene experiencia y en cuáles no. Esa modestia no es falsa humildad, es el resultado natural de haber visto la complejidad real del campo desde dentro.
En tecnología, hay una prueba sencilla aunque imperfecta: pedirle a alguien que explique el concepto que acaba de usar. No que lo defina con las palabras del artículo que lo aprendió, sino que lo ilustre con un ejemplo concreto o explique sus limitaciones. La mayoría de las comprensiones superficiales no sobreviven ese segundo paso. Esto vale igual para la inteligencia artificial que para la ciberseguridad, donde los profesionales que realmente protegen sistemas suelen ser los primeros en admitir que ningún sistema es completamente seguro.
El problema no es que la gente no sepa. El problema es que no sabe que no sabe. Y esa combinación, en un campo que afecta a decisiones colectivas importantes, tiene un coste real. Los debates sobre regulación de la IA, sobre privacidad de datos o sobre automatización del empleo necesitan ciudadanos que hagan preguntas incómodas, no que repitan titulares con soltura.
Parte de esa comprensión superficial también opera en sentido contrario al miedo. Muchas personas que dicen “entender” los riesgos de la inteligencia artificial los han construido sobre metáforas de ciencia ficción más que sobre casos documentados. Los riesgos tecnológicos reales más frecuentes suelen ser mucho más mundanos y mucho menos cinematográficos de lo que el imaginario popular sugiere.
El valle del conocimiento: cuando aprender duele un poco
Dunning y Kruger describieron una curva que tiene un punto de máxima confianza al principio y un valle de humildad a medida que el conocimiento real crece. Ese valle tiene un nombre informal entre quienes estudian psicología del aprendizaje: el “valle de la desesperación”, el momento en que te das cuenta de cuánto no sabes y la confianza cae en picado. Atravesar ese valle es lo que separa el conocimiento superficial del real.
En tecnología, muy poca gente llega a ese valle porque el contenido disponible no lo facilita. Los cursos de introducción a la inteligencia artificial suelen terminar justo antes de que aparezcan las dificultades reales: la matemática detrás de los modelos, los problemas de generalización, los límites de los datos de entrenamiento. Se enseña lo suficiente para generar entusiasmo, no lo suficiente para generar comprensión crítica.
Esto tiene consecuencias sobre cómo se contrata, cómo se regula y cómo se comunica sobre tecnología. Una empresa que contrata a alguien “experto en IA” sin saber qué significa eso en términos concretos es vulnerable a exactamente este sesgo. Y los marcos regulatorios diseñados por personas con comprensión superficial del sector tecnológico suelen llegar tarde, frenar lo que no deben y dejar sin regular lo que importa.
La buena noticia, si es que hay alguna, es que el efecto Dunning-Kruger no es permanente. Se puede salir de la cima de la confianza ignorante si se acepta la incomodidad de aprender en serio. Eso implica buscar fuentes que compliquen las cosas en lugar de simplificarlas, leer a personas que disienten de la narrativa dominante y, sobre todo, dejar de confundir el vocabulario con el conocimiento.
La privacidad de los datos, por ejemplo, es un área donde esta confusión es especialmente frecuente. Mucha gente cree entender qué datos comparte porque ha leído la política de privacidad de una app, cuando en realidad lo que se cede en una conexión wifi pública va mucho más allá de lo que cualquier política de privacidad explica con claridad.
Hay algo revelador en cómo ciertos temas tecnológicos generan la misma seguridad en personas con perfiles muy distintos. La inteligencia artificial, la blockchain, la computación cuántica: todos comparten una característica. Suenan lo suficientemente técnicos como para impresionar, pero lo suficientemente abstractos como para no ser refutables en una conversación casual. Esa combinación es el caldo de cultivo perfecto para el Dunning-Kruger en tecnología e IA.
Y no es solo un problema de ciudadanos de a pie. Los propios medios tecnológicos, incluidos algunos muy respetados, publican afirmaciones sobre capacidades de la IA que los investigadores que desarrollan esos sistemas matizarían o rechazarían directamente. La cadena de simplificación va del paper técnico al comunicado de prensa, del comunicado de prensa al artículo periodístico, del artículo al hilo de Twitter. Cada paso pierde precisión y gana seguridad. Al final, lo que llega al lector es una certeza que no existía en el origen. Lo que las plataformas realmente saben de nosotros, por poner un caso concreto, suele ser bastante diferente de lo que tanto los alarmistas como los defensores de la tecnología afirman.
¿Cuánto nos cuesta colectivamente no saber que no sabemos de IA?
La pregunta no es retórica. Las decisiones tomadas desde la cima de la curva de Dunning-Kruger tienen un precio concreto: inversiones mal dirigidas, regulaciones ineficaces, sistemas automatizados desplegados sin las preguntas adecuadas sobre sus sesgos o sus fallos. La sobreconfianza colectiva en tecnología tiene costes que se distribuyen de forma desigual: los pagan principalmente quienes menos poder tienen para cuestionar los sistemas que les afectan.
Mientras tanto, el ciclo de contenido que alimenta esta ilusión de comprensión sigue funcionando a pleno rendimiento. Cada nuevo modelo de lenguaje, cada nuevo producto de IA, genera una nueva oleada de artículos que explican todo en términos simples, una nueva generación de personas convencidas de que esta vez sí lo entienden. La pregunta que queda en el aire es si el propio sector tecnológico tiene interés real en que sus usuarios desarrollen una comprensión más crítica, o si la ilusión de comprensión es, en el fondo, más cómoda para todos.
Preguntas frecuentes
¿Qué es exactamente el efecto Dunning-Kruger?
Es un sesgo cognitivo descrito en 1999 por David Dunning y Justin Kruger, de Cornell: las personas con conocimiento limitado en un área tienden a sobreestimar su nivel de competencia, mientras que los más expertos suelen subestimarse. No implica mala intención, es una consecuencia de no tener suficiente conocimiento para medir el propio desconocimiento.
¿Por qué la inteligencia artificial genera tanto este sesgo?
Porque sus interfaces son accesibles e intuitivas, lo que crea una ilusión de comprensión. Usar ChatGPT o cualquier herramienta de IA no requiere entender cómo funciona, pero la experiencia de uso resulta tan fluida que parece entendida. A eso se suma el volumen de contenido divulgativo simplificado que circula sobre el tema.
¿Cómo puedo saber si mi comprensión de la IA es superficial?
Una prueba útil es intentar explicar con un ejemplo concreto el concepto que crees dominar, e identificar sus limitaciones reales. Si solo puedes repetir la definición que leíste, probablemente estés en la cima de la curva. Los conocimientos sólidos permiten acotar, matizar y señalar dónde falla una idea, no solo enunciarla.
¿Este efecto afecta también a profesionales del sector tecnológico?
Sí. Un especialista en ciberseguridad puede sobrestimar su comprensión de machine learning, y viceversa. La tecnología tiene subdisciplinas muy distintas y el conocimiento en una no se transfiere automáticamente a otra. El sesgo es especialmente frecuente entre perfiles generalistas o directivos que gestionan áreas técnicas sin formación específica en ellas.
¿Es peligroso que los ciudadanos no entiendan bien la IA?
Tiene consecuencias reales: dificulta el debate público informado sobre regulación, facilita que sistemas con sesgos documentados se desplieguen sin cuestionamiento y hace a las personas más vulnerables ante afirmaciones técnicas falsas o exageradas. No se trata de que todos sean ingenieros, sino de que haya suficiente comprensión crítica para hacer las preguntas adecuadas.
¿Se puede salir del efecto Dunning-Kruger en tecnología?
Sí, pero requiere aceptar activamente la incomodidad de descubrir lo que no sabes. Buscar fuentes que compliquen las ideas en lugar de simplificarlas, leer a expertos que disienten entre sí y distinguir entre vocabulario técnico y comprensión real son pasos concretos. El punto de inflexión suele llegar cuando alguien te hace una pregunta de segundo nivel que no puedes responder.
