Flashcards con IA: cómo convertir lo que lees en tarjetas de repetición espaciada

Por qué funcionan las flashcards (cuando funcionan)

Las flashcards no son magia. Son un mecanismo de entrega para dos de los hallazgos más fiables de la ciencia de la memoria: el efecto de prueba y el efecto de espaciado. Quita esas dos ideas y una flashcard no es más que un dato que escribiste dos veces.

El efecto de prueba, también llamado práctica de recuperación, es el hallazgo de que extraer información de tu memoria la fortalece más que volver a meterla dentro. Roediger y Karpicke (2006) realizaron el experimento que lo hizo famoso. Hicieron que unos estudiantes estudiaran un pasaje y luego, o bien lo reestudiaran, o bien hicieran una prueba de recuerdo. En una prueba final una semana después, los estudiantes que habían practicado la recuperación del material recordaban mucho más que los que simplemente lo leyeron de nuevo. El reestudio se sentía más productivo en el momento. No lo era.

Esta es la razón central por la que una flashcard funciona y un resaltador por sí solo no. Cuando volteas una tarjeta e intentas responder antes de comprobar, fuerzas una recuperación. Cuando relees un pasaje resaltado, lo reconoces y sientes un cómodo zumbido de familiaridad que tiene poco que ver con si puedes producir la idea a demanda.

El efecto de espaciado es el segundo pilar. Hermann Ebbinghaus mapeó la curva del olvido en 1885, mostrando que perdemos la información nueva rápido al principio y luego más despacio. El remedio no es estudiar más fuerte en una sola sesión. Es espaciar tus repasos a lo largo del tiempo. Cepeda et al. (2006) reunieron décadas de estudios en un metaanálisis y lo confirmaron: la práctica distribuida produce una retención a largo plazo drásticamente mejor que la práctica masiva. Repasar algo cinco veces en una noche es casi inútil el mes que viene. Repasarlo cinco veces a lo largo de cinco semanas es casi permanente.

Junta ambos y obtienes el motor que hay detrás de todo sistema serio de flashcards: recupera la respuesta y espacia las recuperaciones en intervalos crecientes. La tarjeta es solo el recipiente. Si quieres la versión más profunda de este argumento, escribimos un artículo entero sobre la repetición espaciada para lectores.

El problema de la fricción que la IA acaba de resolver

Aquí está el secreto sucio de las flashcards: la ciencia está zanjada y casi nadie persevera con ellas. La razón rara vez es la motivación. Es la fricción.

Crear buenas tarjetas a mano es un trabajo lento y minucioso. Lees un capítulo, decides qué importa, lo reformulas en una pregunta, escribes una respuesta limpia y repites cincuenta veces. Para la tarjeta veinte estás agotado y tus tarjetas se han vuelto perezosas. La mayoría de quienes prueban Anki lo abandonan en las primeras dos semanas, y el abandono casi siempre ocurre durante la creación de tarjetas, no durante el repaso. Los repasos son fáciles. La fabricación es el muro.

La IA derribó ese muro. En 2026, una oleada de generadores de flashcards con IA (RemNote, AnkiDecks, Quizlet AI y otros) puede tomar un PDF, notas pegadas, una foto de la página de un libro de texto vía OCR o un vídeo de YouTube, y producir un mazo en segundos. Muchos programan los repasos con FSRS de fábrica. Lo que antes llevaba una hora ahora lleva lo que tarda un café en rellenarse.

Esto es genuinamente una buena noticia. Lo que hacía que la mayoría de la gente abandonara desapareció. Pero hay una trampa que es el corazón de este artículo: la IA es rápida creando tarjetas y mala creando buenas tarjetas. Eliminó la fricción que te protegía de un problema peor. Un mazo de 200 tarjetas mediocres no es una victoria sobre 30 hechas a mano. A menudo es una pérdida, porque cada mala tarjeta cuesta tiempo de repaso y puede enseñarte el mal hábito del reconocimiento en lugar del recuerdo.

Así que la nueva habilidad no es "cómo creo tarjetas". La IA lo hace. La nueva habilidad es "cómo hago que la IA cree buenas tarjetas y cómo arreglo las que hace mal".

FSRS frente a SM-2: el planificador sí importa

Cuando repasas una tarjeta y la app decide cuándo mostrártela de nuevo, un algoritmo está tomando esa decisión. Durante aproximadamente dos décadas, el predeterminado en Anki y en la mayoría de las herramientas de repetición espaciada fue SM-2, un algoritmo que Piotr Wozniak diseñó para SuperMemo a finales de los años ochenta. Funciona y es simple, pero es viejo. Trata cada tarjeta con un conjunto fijo de multiplicadores y no aprende realmente la forma de tu memoria personal.

FSRS, el Free Spaced Repetition Scheduler, es el reemplazo moderno. Es de código abierto, respaldado por la investigación y ahora está integrado directamente en Anki, donde puedes activarlo en los ajustes. En lugar de aplicar multiplicadores rígidos, FSRS modela tres cosas de cada tarjeta: cuán recuperable es ahora mismo, cuán estable es la memoria y cuán difícil es la tarjeta para ti específicamente. Luego programa el repaso para el momento en que se predice que estarás al borde de olvidarla, que es exactamente donde la práctica de recuperación hace más bien.

El beneficio práctico es que FSRS tiende a mostrarte menos repasos para la misma retención, o mayor retención para el mismo número de repasos. También te permite fijar una tasa de retención objetivo (digamos, 90 %) y optimiza tu calendario hacia ella, adaptándose a medida que reúne datos sobre tu rendimiento real.

Si usas Anki y no has activado FSRS, ese es el cambio de mayor palanca que puedes hacer hoy. Solo requiere una palanca. El planificador no arreglará una mala tarjeta, pero hará que una buena tarjeta te cueste menos tiempo.

Cómo funcionan los generadores de flashcards con IA

Por dentro, la mayoría de las herramientas de flashcards con IA siguen el mismo flujo aproximado, y conocerlo te ayuda a dirigir el resultado.

Primero, ingesta. La herramienta toma tu fuente: un PDF, texto pegado, una captura de pantalla pasada por OCR o una transcripción de YouTube. Cuanto más limpia sea la fuente, mejores serán las tarjetas. Basura entra, tarjetas basura salen.

Segundo, extracción de conceptos. Un modelo de lenguaje lee el texto e identifica lo que parece un dato, una definición o una relación susceptible de ser evaluada. Aquí empieza la lotería de la calidad. El modelo no tiene ni idea de lo que tú ya sabes, de qué cubre tu examen ni de qué oración es un comentario prescindible frente a un concepto que sostiene el peso. Adivina basándose en la estructura del texto y la prominencia superficial.

Tercero, formato de tarjeta. El modelo convierte cada concepto extraído en una pregunta y respuesta, o en una omisión tipo cloze (una oración con una palabra en blanco para que la rellenes). Muchas herramientas recurren en exceso a la cloze porque es el formato más fácil de generar automáticamente a partir de cualquier oración.

Cuarto, programación. Las tarjetas caen en un motor de repetición espaciada, cada vez más FSRS, y empieza el ciclo de repaso.

Lo que hay que interiorizar es que los pasos dos y tres son donde la IA es más débil. La extracción es un juicio sobre la importancia, y el formato es un oficio con reglas reales. El modelo es fluido y rápido, pero la fluidez no es lo mismo que una buena pedagogía. Esa brecha es la trampa de la calidad.

La trampa de la calidad: cómo la IA arruina la retención

Las tarjetas generadas por IA fallan de tres formas predecibles. Una vez que puedes nombrarlas, puedes detectarlas y arreglarlas en segundos.

1. Reconocimiento en lugar de recuerdo. El fallo más común. A la IA le encanta producir preguntas de opción múltiple o tarjetas donde la respuesta viene medio dada en el enunciado. El reconocimiento es más fácil y se siente como si supieras el material, pero crea una memoria mucho más débil que el recuerdo libre. Cuando eliges la respuesta correcta entre cuatro opciones, puede que estés emparejando patrones, no recuperando. Una tarjeta que pregunta "¿Cuál de estas es la capital de Australia?" entrena una memoria mucho más superficial que "¿Cuál es la capital de Australia?". El recuerdo libre fuerza la reconstrucción completa; el reconocimiento te deja escapar.

2. Volcado de conocimiento. La IA meterá encantada un párrafo entero en una sola tarjeta. "Explica las causas, las consecuencias y la cronología de la Revolución Francesa" no es una flashcard. Es el enunciado de un ensayo. Cuando una tarjeta pide demasiado, la fallarás por las razones equivocadas (acertaste dos de cinco subpuntos), el planificador se confunde sobre si lo sabes y temes el repaso. Las tarjetas grandes son la forma en que los mazos mueren.

3. Sobrecarga de cloze. Como las omisiones tipo cloze son triviales de generar para un modelo a partir de cualquier oración, las herramientas de IA las sobreproducen. Acabas con oraciones plagadas de huecos, o clozes que se adivinan por contexto sin ninguna recuperación real ("La {{capital}} de Francia es París"). Una buena cloze oculta lo único que vale la pena saber. Una cloze perezosa oculta una palabra que adivinarías de todas formas.

Hay un cuarto problema más silencioso: las tarjetas de la IA pueden ser sutilmente erróneas o estar despojadas de contexto. Una oración sacada de un capítulo puede perder el matiz que la hacía verdadera. No lo notarás hasta que hayas memorizado la versión equivocada. Por esto exactamente las tarjetas de la IA necesitan una revisión humana, y por esto ayuda partir de tus propios resaltados: ya leíste el contexto que las rodea.

Las reglas de una buena tarjeta

La orientación canónica aquí precede a la IA en décadas. Piotr Wozniak, el creador de SuperMemo, escribió "Twenty rules of formulating knowledge", y sigue siendo la mejor lista de control de calidad de tarjetas jamás escrita. Dos principios hacen la mayor parte del trabajo.

El principio de información mínima. Cada tarjeta debe poner a prueba la pieza de conocimiento más pequeña posible. No porque lo pequeño sea bonito, sino porque los elementos pequeños son más fáciles de programar, más fáciles de repasar y más fáciles de conservar o descartar. Si sabes a medias una tarjeta grande, el algoritmo no puede ayudarte. Si sabes a medias un mazo de tarjetas pequeñas, el algoritmo sabe exactamente cuáles tres ejercitar.

Atomicidad. Una tarjeta, un dato. Si tu tarjeta tiene una "y" en la respuesta, probablemente quiere ser dos tarjetas. Las tarjetas atómicas se repasan rápido, fallan limpiamente y le dan al planificador una señal honesta.

Así se ve la diferencia en la práctica:

Algunas reglas más que vale la pena conservar de la lista de Wozniak: prefiere pedir la cosa antes que pedir su descripción, evita los conjuntos y las enumeraciones (son los más difíciles de recuperar) y escribe las tarjetas con tus propias palabras. Esta última importa especialmente con la IA. Una tarjeta redactada en la voz genérica del modelo es más difícil de hacer tuya que una redactada como tú piensas de verdad. Editar la redacción es la mitad del valor de hacer tarjetas. Si quieres profundizar en el lado de la recuperación, consulta nuestro artículo sobre el recuerdo activo.

Un flujo de trabajo concreto: del resaltado al repaso

Aquí está la parte que lo une todo. La pregunta más difícil en las flashcards no es "cómo creo una tarjeta". Es "qué merece una tarjeta siquiera". La IA no puede responder eso por ti, porque la importancia es personal. Pero tú ya la respondiste, cada vez que resaltaste algo mientras leías.

Resaltar es el paso de codificación. Hacer tarjetas es el paso de recuperación. Tratarlos como un solo flujo resuelve gratis el problema de "qué convertir en tarjeta".

Paso 1: resalta mientras lees. Mientras lees un artículo, un paper o un libro, marca los pasajes que de verdad te importan con el resaltador web de Glasp. El acto de seleccionar fuerza un juicio evaluativo, que es en sí mismo una forma ligera de codificación. Aún no estás haciendo tarjetas. Estás decidiendo qué vale la pena convertir en tarjeta.

Paso 2: exporta y tría. Cuando termines una fuente, exporta tus resaltados a un solo lugar. Ahora tienes una lista corta, comisariada y personal, en lugar de un PDF de 40 páginas. Esto es una entrada mucho mejor para un generador de IA que el documento en bruto, porque ya has hecho el filtrado de importancia que la IA no puede hacer.

Paso 3: genera tarjetas atómicas. Introduce los resaltados en tu herramienta de flashcards y pide tarjetas atómicas de pregunta y respuesta, no clozes, no opción múltiple. Una indicación tan simple como "convierte cada resaltado en una pregunta corta de recuerdo con una respuesta de una línea; sin opción múltiple; divide cualquier cosa con una 'y'" mejora drásticamente el resultado.

Paso 4: edita, sin piedad. Esto no es negociable. Lee cada tarjeta. Elimina las redundantes, divide las gordas, reformula con tus propias palabras y descarta cualquiera que ponga a prueba el reconocimiento. Espera tirar un tercio de lo que produjo la IA. Eso es normal y bueno.

Paso 5: programa con FSRS y repasa. Suelta las supervivientes en un planificador respaldado por FSRS y repasa cuando te lo diga. Confía en la sincronización. Todo el sentido es que no decides tú cuándo repasar; lo decide la curva del olvido.

El mismo flujo funciona para otras fuentes. Tus resaltados de Kindle se convierten en tarjetas de los libros que de verdad leíste, no en un mazo genérico. Una conferencia o charla larga se convierte en un conjunto ajustado de tarjetas cuando la pasas por YouTube Summary y haces tarjetas de las conclusiones clave en lugar de toda la transcripción. Y antes de una sesión de repaso, puedes usar el chat con IA de Glasp para autoexaminarte sobre tus propios resaltados, que es una forma más suave y de menor riesgo de práctica de recuperación que saca a la luz los vacíos que vale la pena convertir en tarjetas. Recorremos en detalle el camino de Kindle en flashcards con IA de Kindle.

Salvedades honestas: en qué son malas las flashcards

Las flashcards son una herramienta, no una religión, y son genuinamente malas para algunas cosas. Fingir lo contrario es como la gente pierde meses.

Las flashcards destacan en datos, vocabulario, definiciones, fórmulas y relaciones discretas. Cualquier cosa con una respuesta nítida y comprobable es material de tarjeta perfecto. Aprender un idioma, memorizar anatomía, sostener un cuerpo de terminología en la cabeza: esto es exactamente para lo que se construyó la repetición espaciada.

Son mucho más débiles para la síntesis conceptual profunda. No puedes llegar a base de tarjetas a entender por qué ocurrió un acontecimiento histórico, o cómo se relacionan tres marcos con un problema que nunca has visto, o de qué trata realmente una novela. Eso requiere conectar ideas, argumentar y escribir. Una tarjeta puede sostener un ladrillo, pero no puede ensamblar el edificio. Si tu asignatura es en su mayoría síntesis, las tarjetas son un actor de reparto, no el protagonista.

La salvedad de la IA es igual de importante. Las tarjetas de la IA necesitan edición humana, siempre. El modelo es un redactor de primeros borradores rápido, no un autor. No sabe lo que tú sabes, puede despojar el contexto e introducir errores sutiles, y recurre por defecto a formatos que crean la memoria más débil. La revisión de edición de cinco minutos no es un pulido opcional. Es donde vive el valor del aprendizaje.

Y el reconocimiento no es recuerdo. Si tu herramienta sigue generando tarjetas de opción múltiple porque son fáciles de autogenerar, cambia el ajuste o cambia de herramienta. Un mazo que se siente fácil suele ser un mazo que no funciona. Para la visión más amplia de la retención más allá de las tarjetas, consulta cómo recordar lo que lees.

Preguntas frecuentes

¿Son las flashcards generadas por IA tan buenas como las que hago yo mismo?

No de fábrica. La IA es más rápida y elimina la tediosidad que hace que la mayoría de la gente abandone, pero tiende a producir tarjetas con exceso de reconocimiento, sobrecargadas y con exceso de clozes. El enfoque ganador es híbrido: deja que la IA redacte a partir de tus propios resaltados y luego edita sin piedad. Un mazo de IA editado por un humano supera tanto a un mazo puro de IA como a un mazo desde cero que nunca terminaste de crear.

¿Debería usar FSRS o quedarme con el SM-2 predeterminado?

Usa FSRS. Está integrado en Anki, es gratuito y está respaldado por la investigación. Modela tu curva del olvido personal y programa repasos menos numerosos y mejor sincronizados que SM-2, que usa multiplicadores fijos de finales de los años ochenta. Cambiar es una sola palanca en los ajustes y no perturbará tus tarjetas existentes. El planificador no puede arreglar una mala tarjeta, pero hace que las buenas tarjetas sean más baratas de mantener.

¿Qué tienen de malo las omisiones tipo cloze y la opción múltiple?

Nada, con moderación. El problema es el abuso. La IA sobreproduce clozes porque son triviales de generar a partir de cualquier oración, y muchas acaban siendo adivinables por contexto, lo que significa que no ocurre ninguna recuperación real. La opción múltiple entrena el reconocimiento, que crea una memoria más débil que el recuerdo libre. Usa la cloze para ocultar lo único que vale la pena saber, y prefiere preguntas de recuerdo abierto para cualquier cosa que quieras recordar de forma duradera.

¿Cuántas tarjetas debería producir una fuente?

Menos de las que pensarías. Un artículo denso podría dar de cinco a quince tarjetas genuinamente útiles; la mayor parte de lo que lees no necesita tarjetas en absoluto. Por esto ayuda partir de tus resaltados: ya filtraste lo que importa. Si tu herramienta de IA escupe 80 tarjetas de un capítulo, eso es una señal de alarma, no una función. Elimina de forma agresiva.

¿Puedo crear tarjetas a partir de libros y vídeos, no solo de texto que pego?

Sí. Ese es el flujo de trabajo moderno. Tus resaltados de Kindle se convierten en tarjetas de libros que de verdad leíste, y YouTube Summary convierte un vídeo largo en un conjunto corto de conclusiones que puedes convertir en tarjetas. La herramienta de captura hace la codificación; la herramienta de flashcards hace la recuperación. Sacar tarjetas de tus propios resaltados en lugar de fuentes en bruto es lo que mantiene el mazo personal y esbelto.

Conclusión: crea menos tarjetas, pero mejores

La IA cambió la economía de las flashcards. La fricción que hacía que la mayoría de la gente abandonara (la fabricación lenta y tediosa de tarjetas) desapareció. Eso es un regalo real, y deberías aceptarlo. Pero el regalo viene con una trampa: la misma velocidad que hace que crear tarjetas sea sin esfuerzo también hace que sea sin esfuerzo inundar tu mazo con tarjetas que crean reconocimiento en lugar de recuerdo, vuelcan demasiado en un solo enunciado y arrastran silenciosamente tu retención hacia abajo mientras te sientes productivo.

La ciencia no ha cambiado. El efecto de prueba de Roediger y Karpicke, la curva del olvido de Ebbinghaus, el metaanálisis del espaciado de Cepeda y las veinte reglas de Wozniak siguen vigentes todos. Recupera, espacia y mantén cada tarjeta atómica. FSRS hace que el espaciado sea casi automático. La atomicidad depende de ti, y de una revisión de edición de cinco minutos sobre lo que sea que la IA te devuelva.

La mejor materia prima para todo esto es lo que ya te importó lo suficiente como para marcarlo. Captúralo mientras lees con el resaltador web de Glasp, exporta tus resaltados cuando termines, convierte los que importan en tarjetas atómicas y repasa con FSRS. Saca de tus resaltados de Kindle y de tus conclusiones de YouTube Summary, y usa el chat con IA de Glasp para autoexaminarte y encontrar los vacíos que vale la pena convertir en tarjetas. Resalta primero. Haz tarjetas después. Edita siempre. Luego deja que la curva del olvido haga el resto.