¿La IA generativa debilita el pensamiento crítico? La evidencia es compleja

Google News mostró el provocador hashtag #DeeperStupidAI el 15 de agosto, convirtiendo un debate sobre el deterioro cognitivo en otro conflicto empaquetado para el consumo instantáneo.

El ensayo Saturday Hashtag llegó a través del agregador con una implicación contundente. La IA generativa no solo está produciendo respuestas poco fiables. Está animando a las personas a pensar con menos profundidad.

Esa preocupación cuenta con evidencia que la respalda, pero el titular avanza más rápido que la investigación. Los estudios han detectado un menor esfuerzo cognitivo declarado durante algunas tareas asistidas por IA. Los investigadores también han observado un recuerdo más débil y una menor activación neuronal en un experimento controlado de redacción.

Ninguno de estos hallazgos demuestra que la IA haga a las personas permanentemente menos inteligentes. La investigación más sólida respalda una conclusión más limitada. Las personas suelen ceder trabajo mental importante cuando un sistema ofrece una respuesta fluida antes de que hayan formado su propio juicio.

Esta distinción importa porque Google está cambiando el entorno en el que millones de personas acceden a la información. Antes, la búsqueda presentaba fuentes clasificadas y pedía a los usuarios elegir entre ellas. AI Overviews y la búsqueda conversacional sintetizan cada vez más esas fuentes antes de que el usuario visite alguna.

Por tanto, el conflicto central no es entre humanos y máquinas. Es entre la síntesis conveniente y la indagación activa.

Google afirma que sus funciones de búsqueda con IA ayudan a las personas a plantear preguntas más complejas y a llegar a sitios web útiles. Datos independientes sobre comportamiento muestran que los resúmenes también pueden reducir los clics hacia fuentes externas. La investigación cognitiva sugiere que una confianza excesiva en las respuestas generadas reduce el esfuerzo de verificación.

La etiqueta #DeeperStupidAI capta la atención, pero corre el riesgo de simplificar en exceso un asunto complejo. La pregunta más útil es si los sistemas de IA preservan las acciones que construyen comprensión: comparación, recuperación, interpretación, duda y revisión.

Google News convirtió un debate en un acontecimiento

El hecho inmediato es una señal mediática, no un nuevo resultado científico.

El artículo de WhoWhatWhy entró en Google News como comentario sobre la IA y la cognición. No anunció un producto, reveló un hallazgo clínico ni presentó un experimento recién finalizado.

Eso diferencia al artículo de una noticia tecnológica convencional. No hay una fecha de lanzamiento que seguir, una referencia que reproducir ni una afirmación empresarial que poner a prueba. Su importancia proviene del momento y la distribución de su argumento.

La idea de que las herramientas digitales debilitan el pensamiento no es nueva. Los motores de búsqueda, las calculadoras, la navegación GPS, los correctores ortográficos y las plataformas sociales han suscitado preocupaciones similares. Cada herramienta trasladó parte de una tarea mental de la persona a un sistema externo.

Los psicólogos lo llaman externalización cognitiva. El término describe el uso de un recurso externo para reducir el trabajo mental necesario para recordar, calcular, decidir o orientarse.

La externalización no es automáticamente perjudicial. Un cuaderno almacena detalles que una persona podría olvidar. Una calculadora libera atención para un problema matemático más amplio. Un mapa ayuda a alguien a llegar a un destino sin memorizar cada giro.

La contrapartida depende de qué se delega. Externalizar la aritmética puede favorecer el razonamiento de nivel superior cuando el usuario comprende la operación subyacente. Externalizar la construcción de un argumento puede eliminar el propio ejercicio de razonamiento.

La IA generativa amplía esta disyuntiva porque hace más que recuperar un dato. Puede seleccionar evidencia, organizar afirmaciones, producir transiciones, imitar seguridad y ofrecer una conclusión terminada.

Esa capacidad cambia el papel del usuario. Un resultado de búsqueda tradicional invita a una secuencia de decisiones. El usuario abre fuentes, evalúa su relevancia, identifica desacuerdos y construye una respuesta.

Un resumen de IA puede condensar esa secuencia en un párrafo. El usuario recibe el producto de un razonamiento aparente sin ver cada selección que le dio forma.

Google News añade otra capa. Elige qué titulares de editores entran en un flujo personalizado y los sitúa junto a otros reportajes. Por ello, un hashtag provocador puede llegar a los lectores antes de que sepan si representa evidencia, comentario o sátira.

Esto no significa que la agregación sea inherentemente engañosa. Significa que la interfaz tiene peso interpretativo. La ubicación y la presentación influyen en qué afirmaciones parecen importantes, actuales y creíbles.

La historia de #DeeperStupidAI resulta más útil como advertencia sobre esa interfaz. Una afirmación sobre el consumo pasivo de información llegó a través de un sistema diseñado para hacer más rápido el consumo de información.

Esa es la verdadera inversión del artículo. El mecanismo de distribución ilustra el comportamiento que critica.

Los lectores no deberían tratar el hashtag como un diagnóstico científico. Deberían tratarlo como una invitación a examinar cómo los sistemas modernos de descubrimiento reorganizan la atención.

Los resúmenes de IA de Google News cambian la tarea del lector

La búsqueda con IA desplaza el esfuerzo de encontrar información a decidir si una respuesta sintetizada merece confianza.

Google ha ampliado de forma constante las funciones generativas en Search. En mayo de 2025, la empresa afirmó que AI Overviews había llegado a más de 200 países y territorios en más de 40 idiomas.

Google también informó que AI Overviews aumentó el uso en más de un 10 por ciento para los tipos de consultas elegibles en Estados Unidos e India. Esa cifra describe la interacción con Google, no la comprensión ni la precisión.

El objetivo declarado de la empresa es ayudar a los usuarios a plantear preguntas más difíciles, obtener contexto útil y seguir explorando mediante enlaces visibles. Sus actualizaciones posteriores añadieron citas integradas, vistas previas de fuentes, publicaciones preferidas y vías más claras hacia el material original.

Esos cambios reconocen un problema básico. Cuando una respuesta generada se convierte en el objeto principal de la página, las fuentes pueden pasar a ser elementos decorativos de apoyo.

Los datos independientes de navegación ilustran el efecto. Un análisis de Pew examinó la actividad de Google de 900 adultos estadounidenses que dieron su consentimiento durante marzo de 2025.

Los usuarios hicieron clic en un resultado tradicional en el 8 por ciento de las visitas cuando aparecía un resumen de IA. Hicieron clic en un resultado en el 15 por ciento de las visitas sin uno. Solo el 1 por ciento de las visitas que contenían un resumen generó un clic en una fuente citada dentro de él.

Estas cifras no demuestran que los lectores aprendieran menos. Un resumen podría responder correctamente a una pregunta sencilla y ahorrar tiempo.

Sin embargo, el comportamiento de clic importa cuando una pregunta requiere contexto. Abandonar la página de resultados expone a los lectores a métodos, matices, interpretaciones contrapuestas y evidencia que no cabe en una síntesis breve.

El cambio también afecta a los editores. El reportaje original exige entrevistas, revisión de documentos, conocimiento especializado y responsabilidad editorial. Cuando los resúmenes satisfacen la consulta inmediata, la organización que realiza ese trabajo puede no recibir ni la visita ni la relación con el lector.

Google cuestiona las afirmaciones más amplias sobre un desplome del tráfico de referencias. Sostiene que los datos agregados de clics suelen medirse de forma deficiente y que las visitas generadas por resultados de IA pueden implicar más interacción.

La empresa también ha introducido más funciones destinadas a destacar las fuentes originales. En 2026, Google añadió etiquetas de fuentes preferidas y un indicador de “Highly Cited” para ayudar a los usuarios a identificar reportajes influyentes.

Estas mejoras abordan el descubrimiento, pero no todo el problema cognitivo. Una cita visible no ayuda si el usuario nunca la abre. Un resumen correcto aún puede desalentar el proceso de comparación que produce una comprensión duradera.

La presión recae sobre tres grupos.

Los lectores deben decidir cuándo basta un resumen. Los editores deben crear trabajo que siga teniendo valor después de que sus hechos se compriman. Google debe equilibrar las respuestas inmediatas con un mercado de información que depende de las visitas a las fuentes.

La misma presión alcanza a educadores y empleadores. Ambos reciben cada vez más resultados pulidos sin una visión clara del razonamiento que los sustenta.

La antigua habilidad de búsqueda consistía en encontrar una página útil. La habilidad emergente en la búsqueda con IA consiste en reconocer cuándo una respuesta aparentemente útil ha eliminado una incertidumbre necesaria.

Lo que realmente encontró la investigación sobre pensamiento crítico

La evidencia actual respalda la preocupación por un menor esfuerzo, pero no respalda la afirmación de que la IA inevitablemente vuelve estúpidos a los usuarios.

Uno de los estudios revisados por pares más sólidos procede de Microsoft Research y Carnegie Mellon University. Los investigadores encuestaron a 319 trabajadores del conocimiento sobre 936 ejemplos de uso de IA generativa.

El estudio sobre pensamiento crítico se presentó en la conferencia CHI 2025 sobre factores humanos en sistemas informáticos.

Encontró que una mayor confianza en la IA generativa se asociaba con menos pensamiento crítico. Una mayor confianza en la propia capacidad se asociaba con más pensamiento crítico.

Esa relación es más informativa que el eslogan de que la IA debilita a todo el mundo. El problema no era solo el acceso a un modelo. Era el nivel de confianza que los usuarios depositaban en el modelo en relación con ellos mismos.

Los participantes no informaron de haber abandonado por completo el pensamiento crítico. En cambio, su esfuerzo se desplazó hacia actividades diferentes. Revisaban la producción de la IA, integraban respuestas en el trabajo existente y supervisaban la finalización de tareas.

Este cambio puede ser productivo. Un analista experimentado podría utilizar IA para crear un primer borrador y luego dedicar más tiempo a poner a prueba supuestos y comparar evidencia.

También puede crear un ciclo de revisión superficial. Un usuario pide una respuesta, la examina en busca de problemas evidentes, cambia la redacción y confunde la limpieza editorial con la verificación.

La fluidez hace que ese fallo sea más difícil de detectar. Los grandes modelos de lenguaje generan secuencias probables de palabras, lo que puede producir explicaciones coherentes sin establecer que cada afirmación sea verdadera.

Por tanto, el usuario debe realizar un trabajo que la interfaz vuelve opcional. Debe identificar la fuente, examinar su relevancia, confirmar si una cita existe y buscar contraevidencia ausente.

La experiencia adquiere especial importancia aquí. Un experto suele reconocer un resultado inverosímil porque entra en conflicto con conocimientos establecidos. Un principiante puede carecer de los puntos de referencia necesarios para detectar el mismo error.

Esto crea una paradoja para el aprendizaje asistido por IA. Las personas que reciben el mayor beneficio inmediato también pueden estar menos preparadas para evaluarlo.

La investigación no dice que los principiantes deban evitar la IA. Sugiere que las herramientas deben preservar oportunidades para que los usuarios formen y pongan a prueba su propio razonamiento.

Un sistema podría pedir al usuario que haga una predicción antes de revelar una respuesta. Podría mostrar fuentes contradictorias en lugar de condensarlas prematuramente. Podría separar la evidencia directa de la interpretación del modelo.

Los usuarios pueden imponerse una estructura similar. Pueden redactar una postura antes de escribir una solicitud, pedir contraargumentos, abrir fuentes primarias y reconstruir el razonamiento final con sus propias palabras.

Un sistema personal de conocimiento también puede conservar las fuentes y las interpretaciones en evolución. Ese enfoque mantiene la síntesis conectada con material que el usuario puede volver a consultar.

El estudio liderado por Microsoft tiene limitaciones importantes. Se basó en los autoinformes de los trabajadores sobre su esfuerzo. No midió cambios a largo plazo en la inteligencia, la memoria o el desempeño laboral.

Su muestra también abarcó ejemplos específicos de trabajo del conocimiento. Los resultados de tareas de escritura, investigación, análisis y comunicación no se trasladan automáticamente a todos los usos de la IA.

Aun así, el estudio identifica un mecanismo creíble. La confianza en el sistema puede reducir la disposición del usuario a cuestionar sus resultados.

Ese mecanismo importa más que el insulto implícito en #DeeperStupidAI. Muestra dónde pueden intervenir el diseño de productos y el comportamiento de los usuarios.

El estudio sobre el cerebro se convirtió en una afirmación mayor que sus datos

El experimento más citado halló diferencias significativas durante la redacción de ensayos, pero su diseño no puede establecer un deterioro cognitivo permanente.

El debate se aceleró después de que investigadores asociados con el MIT Media Lab publicaran “Your Brain on ChatGPT” en junio de 2025.

La página de investigación del MIT describe un experimento con 54 participantes durante sus tres primeras sesiones. Dieciocho participantes completaron una cuarta sesión.

Los investigadores dividieron a los participantes en tres condiciones. Un grupo utilizó un modelo de lenguaje grande, otro un motor de búsqueda y un tercero escribió sin ninguna de las dos herramientas.

El equipo utilizó electroencefalografía, o EEG, para medir patrones de actividad eléctrica registrados desde el cuero cabelludo. También evaluó los ensayos con procesamiento de lenguaje natural, profesores humanos y un juez de IA.

El grupo que usó el LLM mostró una menor conectividad neuronal durante la tarea que los grupos de búsqueda y sin asistencia. Los participantes que utilizaron el modelo también tuvieron más dificultades para recordar pasajes de sus ensayos y reportaron una menor sensación de autoría sobre el trabajo.

Estos resultados merecen atención. Escribir no es solo un método para mostrar un pensamiento ya terminado. Elegir palabras, recuperar conocimientos, organizar pruebas y resolver contradicciones forman parte del pensamiento.

Si un modelo realiza esas operaciones, el usuario tiene menos motivos para involucrar los mismos procesos. Por tanto, es plausible una menor implicación en la tarea.

El problema comienza cuando “menor implicación durante este experimento” se convierte en “ChatGPT daña el cerebro”. Son afirmaciones distintas.

El artículo se publicó como preprint, lo que significa que no había completado la revisión por pares convencional en el momento de su publicación. Su muestra era pequeña y geográficamente limitada. La sesión crítica de cruce incluyó solo a 18 participantes.

El experimento también estudió la redacción de ensayos en condiciones definidas. No midió todas las formas de uso de la IA, la colaboración profesional, la memoria a largo plazo ni los cambios en la inteligencia general.

Una crítica metodológica posterior planteó preocupaciones sobre el tamaño de la muestra, la reproducibilidad, el análisis de EEG, la coherencia de los informes y la transparencia procedimental.

La crítica no elimina los hallazgos originales. Establece límites sobre lo que esos hallazgos pueden respaldar.

Los datos de EEG requieren una interpretación cuidadosa. Una diferencia en conectividad no se traduce directamente en una clasificación de inteligencia. Una menor activación puede indicar menor implicación, pero la eficiencia, la familiaridad, la estrategia y el diseño de la tarea también pueden afectar las mediciones neuronales.

La palabra “deuda” plantea otro desafío. Sugiere que el menor esfuerzo se acumula e impone un coste posterior. El experimento ofrece apoyo preliminar a un recuerdo y una sensación de autoría más débiles tras la escritura asistida por IA, pero no puede establecer un balance cognitivo de por vida.

La interpretación más defendible es más acotada. Cuando las personas dejan que un LLM produzca un ensayo, pueden involucrarse menos con el material y ser menos capaces de recordar el texto resultante.

Eso constituye una seria preocupación educativa. No justifica tratar toda tarea asistida por IA como equivalente a copiar un ensayo generado.

Consideremos a dos usuarios.

El primero pide a un modelo que redacte un informe, realiza ediciones cosméticas y lo entrega. Ese flujo de trabajo delega la selección del tema, la estructura, las pruebas y el lenguaje.

El segundo redacta una tesis, recopila fuentes, produce un borrador y pide al modelo que identifique saltos argumentales sin respaldo. Ese flujo de trabajo utiliza la IA como revisor crítico.

Ambos usuarios utilizaron técnicamente IA generativa. Sus actividades cognitivas no son comparables.

Por eso las comparaciones simples entre “usuarios de IA” y “no usuarios” serán cada vez menos útiles. La investigación futura debe describir el patrón de interacción, la experiencia del usuario, la tarea y el momento en que se brinda la asistencia.

También debería evaluar el recuerdo diferido, la transferencia a problemas nuevos y el desempeño después de que desaparezca la herramienta. Esas mediciones revelarían si el apoyo de la IA desarrolla el criterio o simplemente lo alquila.

El encuadre de #DeeperStupidAI omite estas distinciones. Convierte un problema de diseño y comportamiento en una afirmación identitaria sobre los usuarios.

Eso puede funcionar como comentario. Es un mal sustituto de la interpretación científica.

El conflicto real es entre asistencia y sustitución

La IA se vuelve cognitivamente riesgosa cuando reemplaza la formación del criterio en lugar de apoyarla.

La industria suele describir la IA generativa como una capa de productividad. El usuario plantea un objetivo, el sistema elimina fricciones y el trabajo termina más rápido.

La velocidad es fácil de medir. El criterio no.

Un equipo puede seguir el número de informes producidos, mensajes respondidos, tickets cerrados o resúmenes generados. Le resulta más difícil medir si los empleados entienden las decisiones incorporadas en esos resultados.

Esta diferencia fomenta la sustitución. Las organizaciones implementan IA allí donde reduce visiblemente el tiempo, incluso cuando el coste oculto aparece después en forma de revisión deficiente, pérdida de contexto o dependencia.

El riesgo se vuelve más claro durante trabajos de consecuencias elevadas. Un resumen médico puede omitir un detalle que matiza la información. Una síntesis jurídica puede citar una sentencia irrelevante. Una explicación financiera puede combinar cifras de periodos incompatibles.

Una respuesta fluida puede superar una revisión rápida porque su lenguaje se asemeja al de un trabajo competente. El revisor debe saber lo suficiente para evaluar el fondo.

No se trata de un defecto exclusivo de la IA generativa. Las personas siempre han confiado con demasiada facilidad en documentos pulidos, instituciones famosas y colegas seguros de sí mismos.

La IA aumenta la escala. Puede producir miles de resultados plausibles sin experimentar incertidumbre, responsabilidad ni vergüenza.

El diseño de búsqueda refuerza esa escala. Google informó que AI Overviews impulsó más de un 10 por ciento de uso adicional para los tipos de consultas en los que aparecía en mercados principales. La empresa interpreta ese crecimiento como evidencia de utilidad.

Más consultas pueden indicar una exploración productiva. También pueden indicar que los usuarios están manteniendo conversaciones más largas dentro de una plataforma en lugar de visitar fuentes diversas.

La expansión de AI Overview de Google prometió enlaces destacados y una exploración más sencilla. Actualizaciones posteriores añadieron más citas directas, sugerencias de artículos y controles de fuentes.

Estas funciones ofrecen a los usuarios rutas de vuelta a la web. No obligan a nadie a seguirlas.

Por tanto, el desafío del producto es conductual. ¿Cómo puede una interfaz hacer que la verificación parezca parte de la respuesta en lugar de trabajo adicional posterior?

Un enfoque es revelar la incertidumbre. Un sistema puede distinguir los hechos establecidos de las interpretaciones controvertidas y las inferencias sin respaldo.

Otro es la procedencia, es decir, mostrar de dónde surgieron afirmaciones específicas y en qué medida la fuente las respalda. Una lista de enlaces vagamente relacionados no basta.

Un tercer enfoque es la fricción productiva. Para preguntas complejas o de alto riesgo, la interfaz puede fomentar la comparación en vez de presentar una única conclusión condensada.

La expresión fricción productiva suena ineficiente, pero muchas actividades cognitivas valiosas son ineficientes. Revisar un párrafo, comprobar un cálculo y explicar una idea a otra persona requieren tiempo.

También exponen lagunas en la comprensión.

Los usuarios necesitan sus propias reglas operativas mientras el diseño de productos se pone al día.

Para preguntas factuales, abra la página citada. Para análisis, formule una opinión inicial antes de pedir una síntesis. Para decisiones, solicite el argumento contrario más sólido y verifíquelo de manera independiente.

Para aprender, recupere la idea sin asistencia después de usar la herramienta. Si la explicación desaparece cuando se cierra la ventana de chat, el usuario tomó prestada una respuesta en vez de construir conocimiento.

Las organizaciones deberían evaluar los flujos de trabajo de IA con algo más que el tiempo de finalización. Pueden poner a prueba la detección de errores, el recuerdo diferido, la precisión de las fuentes y el desempeño cuando la automatización no está disponible.

También deberían preservar una autoría responsable. Alguien debe entender y defender el resultado, no limitarse a aprobar su formato.

La misma regla se aplica al consumo de noticias. Leer un resumen puede orientar al lector. No debería poner fin a la indagación cuando el asunto subyacente sigue siendo controvertido.

Google News puede presentar una afirmación. No puede decidir cuántas pruebas merece esa afirmación.

Qué confirmaría o debilitaría el caso de #DeeperStupidAI

Tres señales mostrarán si la descarga cognitiva se está convirtiendo en un problema duradero o en una característica manejable del trabajo asistido por IA.

La primera señal es la investigación replicada con muestras más grandes y diversas.

Los estudios futuros necesitan participantes de distintas edades, ocupaciones, niveles educativos y grados de experiencia en la materia. Deben comparar varios estilos de interacción en vez de agrupar todo uso de LLM en una sola categoría.

Los investigadores deberían medir lo que ocurre semanas o meses después. La actividad inmediata durante la tarea importa, pero el recuerdo diferido y la transferencia de habilidades revelan si los usuarios retuvieron la comprensión.

Una replicación de los hallazgos del MIT con grupos más grandes, métodos preregistrados y revisión independiente reforzaría el argumento de la deuda cognitiva. Resultados que varíen principalmente según el estilo de prompting debilitarían la afirmación general y centrarían la atención en el diseño del flujo de trabajo.

La segunda señal es el comportamiento del producto dentro de la búsqueda con IA.

Google ya cuenta con suficiente escala para examinar si las citas realmente impulsan la exploración de fuentes. La empresa puede divulgar el comportamiento de clics, las correcciones, la reformulación de consultas y las respuestas de los usuarios ante pruebas contradictorias.

Google ya ha añadido vistas previas de fuentes, etiquetas de suscripción y publicaciones preferidas. En mayo de 2026, afirmó que las personas tenían el doble de probabilidades de visitar una fuente preferida después de seleccionar una.

Es una señal de diseño alentadora, pero aborda a los editores elegidos en lugar de la verificación general. Los lectores aún necesitan pruebas claras de que las afirmaciones generadas coinciden con el material citado.

Si Google News y Search facilitan la atribución a nivel de afirmación, el modelo de asistencia se vuelve más defendible. Si los resúmenes se vuelven más autosuficientes mientras los clics externos siguen cayendo, la preocupación por la sustitución se intensifica.

La tercera señal es el desempeño después de que desaparece la asistencia.

Las escuelas y los empleadores pueden evaluar si los usuarios pueden explicar, reproducir o adaptar el trabajo asistido por IA sin volver a abrir el modelo. Esto no requiere prohibir la tecnología.

Un desarrollador que usa IA para redactar código debería seguir explicando sus modos de fallo. Un analista debería reconstruir el razonamiento detrás de una recomendación. Un estudiante debería aplicar el mismo concepto a un problema diferente.

Un sólido desempeño sin asistencia mostraría que la IA puede apoyar el aprendizaje. Un desempeño débil revelaría una dependencia oculta por resultados pulidos.

Estas señales son más valiosas que otra etiqueta viral. Convierten un argumento emocional en preguntas comprobables.

La tesis de #DeeperStupidAI se reforzará si estudios más grandes encuentran pérdidas persistentes en distintas tareas y poblaciones. También ganará respaldo si la verificación disminuye a medida que las respuestas de IA se vuelven más prominentes.

La tesis se debilitará si el uso estructurado de la IA mejora la transferencia, la detección de errores y el desempeño independiente. Se debilitará aún más si las interfaces logran orientar a los usuarios hacia diversas fuentes primarias.

Por ahora, la evidencia respalda la cautela sin caer en el pánico.

La IA generativa puede reducir el esfuerzo durante tareas que normalmente desarrollan la comprensión. Confiar en ella con demasiada facilidad se asocia con un menor escrutinio crítico. Los resúmenes de búsqueda generados por IA pueden reducir las visitas a fuentes externas.

La evidencia no establece un deterioro intelectual permanente. No muestra que todos los flujos de trabajo con IA produzcan el mismo efecto. No justifica confundir una menor implicación en la tarea con una inteligencia dañada.

Google News dio distribución a #DeeperStupidAI. Los lectores deben aportar el juicio que falta.

La próxima vez que un sistema de IA proporcione una respuesta completa, detente antes de aceptar su marco. Abre la fuente, identifica lo que el resumen omitió y formula la conclusión con tus propias palabras.

Luego cierra la herramienta y hazte una última pregunta: ¿Aún puedes explicar por qué la respuesta es correcta?