¿Hablar con una IA alivia de verdad la soledad? Lo que encontró un nuevo estudio de tres oleadas

Qué se publicó y dónde

El artículo es Perceived support from AI chatbots and loneliness among higher vocational college students, de Jiangnan Hu (Yingtan Vocational and Technical College), en Frontiers in Psychology, volumen 17 (DOI 10.3389/fpsyg.2026.1928350). Es de acceso abierto, así que cada cifra de abajo puede comprobarse en la fuente.

Los estudiantes se reclutaron mediante grupos de clase en cuatro institutos superiores técnicos de las provincias de Jiangxi y Guangdong durante el semestre de primavera del curso 2025–2026. La muestra válida de la oleada 1 fue de 1.500; la muestra emparejada de tres oleadas usada en el modelo, de 1.200 (80% de retención), sin diferencias iniciales relevantes entre quienes siguieron y quienes abandonaron. El 60,2% eran mujeres, con edad media de 19,43 años (DT 1,28; rango 17–24) y un uso declarado de IA de 38,5 minutos diarios de media.

Cuatro instrumentos sostienen el análisis: ULS-8 para la soledad, SIAS para la ansiedad de interacción social, MSPSS para el apoyo social real (solo en la oleada 1) y una adaptación de la Online Social Support Scale para el apoyo percibido de los chatbots. Este último constructo condiciona la lectura: mide el apoyo que el estudiante siente recibir de herramientas de chat con IA en general, no el uso de un producto de compañía concreto. El modelo revisado ajustó con CFI 0,971, RMSEA 0,077 y SRMR 0,014.

Los tres hallazgos, por orden

1. El apoyo de la IA predijo menos soledad, pero no de inmediato. La ruta de la oleada 1 a la 2 fue β = −0,043 con p = 0,064, no significativa. La de la oleada 2 a la 3 fue β = −0,166; p < 0,001. Sin estandarizar, un aumento de una desviación típica en apoyo percibido (12,92 puntos) equivale a una caída de unos 0,92 puntos de soledad en una escala que va de 8 a 32. Es un efecto real y pequeño.

2. Ese mismo apoyo predijo más ansiedad de interacción social. β = 0,161 de la oleada 1 a la 2 y β = 0,158 de la 2 a la 3, ambas con p < 0,001. Esta ruta fue mayor y más consistente que el beneficio sobre la soledad, y sobrevivió a todas las especificaciones de sensibilidad.

3. La ansiedad devolvió soledad. β = 0,198 y 0,232 en los dos intervalos (p < 0,001). La ruta indirecta — apoyo de la IA, luego ansiedad, luego soledad — resultó positiva: 0,038; IC 95% [0,026; 0,050]. Una misma variable empuja la soledad hacia abajo por una vía y hacia arriba por otra: por eso los resúmenes de una sola cifra en esta literatura se contradicen entre sí.

La condición: funcionó en quienes ya tenían gente

Lo que conviene llevarse es el análisis de moderación. El apoyo social real medido en la oleada 1 cambió lo que el apoyo de la IA hacía después.

Dicho sin rodeos: el beneficio compensatorio apareció en estudiantes con una red social que ya funcionaba y se desvaneció justo en el grupo al que más a menudo se propone un chatbot como remedio. Además, el apoyo real de partida fue el predictor individual más fuerte de la soledad posterior dentro del modelo (β = −0,449 de la oleada 1 a la 3) y predijo de forma independiente menos ansiedad social en la oleada 3 (β = −0,166).

La formulación del autor es que el significado psicológico del apoyo de la IA es condicional: funciona como complemento de una vida social, no como sustituto. Es una afirmación más estrecha que «la IA de compañía cura la soledad» o «la provoca», y es la que los datos sostienen.

Por qué la ansiedad social se movió al revés

El estudio mide la asociación; no demuestra el mecanismo. La interpretación que propone el autor es la evidente, y merece enunciarse con cuidado porque es comprobable y no un juicio moral.

Una interfaz de chat elimina precisamente lo que hace costosa la conversación humana: la espera, leer la cara del otro, el riesgo de que te malinterpreten, el precio de decir algo inoportuno. Pero la ansiedad de interacción social suele bajar por exposición a esas mismas condiciones. Un canal de apoyo siempre disponible y nunca incómodo puede aliviar el malestar inmediato mientras retira en silencio la práctica. Un panel de tres oleadas no puede confirmar esa cadena, y el autor no afirma que lo haga.

Encaja con lo que vimos en la investigación sobre validación y antropomorfismo: las funciones que hacen que una compañía se sienta bien en el momento no siempre son las que dejan mejor al usuario un mes después.

Cuatro conjuntos de datos de 2026, una misma forma

Este trabajo no es un caso aislado. Cuatro conjuntos de datos independientes de 2026, con métodos y países distintos, aterrizan en la misma forma condicional.

El artículo de Nature Human Behaviour de agosto, que analizamos en nuestra pieza sobre ese estudio, partió de registros de chat reales en vez de autoinforme y llegó al mismo moderador: el entorno social offline. Que dos métodos muy distintos converjan en una condición es mejor evidencia que cualquiera de los dos por separado.

Qué hacer con esto si usas una app de compañía

Ninguno de estos estudios probó un producto concreto, así que aquí no hay veredicto sobre ninguna app. Lo que sí respaldan es un conjunto breve de preguntas que conviene aplicarse cada pocas semanas.

• Pregunta qué sustituyó la conversación, no qué añadió. Una charla que llenó una noche vacía no es lo mismo que una que reemplazó una llamada que ibas a hacer. El segundo patrón es el que señalan los datos.
• Mira la dirección a lo largo de un mes, no de una sesión. Todos los estudios encontraron positiva la experiencia inmediata. La discrepancia está en lo que pasa ocho semanas después.
• Trata la profundidad de lo que cuentas como un dial. Los datos de Nature Human Behaviour hallaron la asociación más negativa entre los usuarios más intensivos y más confidenciales, no entre los ocasionales.
• Mantén vivo un canal humano. Tanto la moderación como el resultado sobre redes offline dicen lo mismo: la app rinde mejor como complemento que como sistema completo.
• Si tu círculo offline está flojo ahora mismo, sé deliberado. Es exactamente el grupo donde el beneficio medido desapareció, y eso es un argumento para combinarla con otra cosa, no para prescindir de ella.

Para la parte práctica de elegir herramienta en vez de leer un estudio, nuestras notas sobre apps de compañía y bienestar y usos cotidianos cubren las decisiones a nivel de funciones.

Lo que el estudio no puede decirte

• Un solo país, un solo segmento educativo. Estudiantes técnicos de dos provincias chinas no sustituyen a usuarios adultos de apps de compañía en otros lugares.
• Los paneles de panel cruzado no son experimentos. Descartan algunas explicaciones de causalidad inversa, no todas. El autor es explícito en que el diseño es correlacional.
• Todo es autoinforme. El apoyo percibido de la IA es una sensación, no un registro de uso, y no se contrastó con lo que los estudiantes hicieron realmente.
• La muestra estaba inusualmente afectada. La proporción que superó el umbral del PHQ-9 para síntomas depresivos al menos moderados fue del 69,5%, 55,0% y 72,9% en las tres oleadas. Está muy por encima de las estimaciones habituales en universitarios y obliga a ser prudente al generalizar.
• El ajuste fue aceptable, no excelente. CFI 0,971 es bueno; TLI 0,910 y RMSEA 0,077 son suficientes, y el modelo necesitó rutas adicionales de largo alcance para llegar ahí.
• No se probó ningún producto de compañía comercial. El constructo es el apoyo de herramientas de chat con IA en general.

Si quieres la foto poblacional en vez del mecanismo, nuestro resumen de cuánta gente usa realmente IA de compañía en 2026 cubre el lado de las encuestas, y la investigación con personas mayores muestra el mismo patrón condicional en un grupo de edad muy distinto.

Preguntas frecuentes