1. Introducción y problema

En las escuelas de educación básica e inicial circula una ecuación peligrosa: alfabetizar en inteligencia artificial equivaldría a sentar a niñas y niños frente a un chatbot. Esa ecuación confunde tres objetos distintos. El primero es el uso de una herramienta. El segundo es la comprensión de un conjunto de ideas —dato, patrón, predicción, límite, agencia humana— que permite reconocer un sistema, explicar de dónde sale un error y decidir cuándo no delegar un juicio. El tercero es la conversación independiente con un modelo generativo, que la Guía de la UNESCO sobre IA generativa reserva a un umbral mínimo de trece años y sujeta a verificación de edad y a supervisión (Miao y Holmes, 2023). Mezclarlos produce una pedagogía de la interfaz: el estudiante “usa IA” sin poder decir qué es un dato de entrenamiento, por qué un clasificador se equivoca o quién responde de una decisión.

El problema no es menor. Long y Magerko (2020) definieron la alfabetización en IA como el conjunto de competencias que permite evaluar críticamente las tecnologías, comunicarse y colaborar con ellas, y usarlas como herramienta. Esa definición no exige programar; tampoco se reduce a pulsar un prompt. Touretzky, Gardner-McCune, Martin y Seehorn (2019) organizaron lo que todo estudiante K-12 debería saber en cinco ideas grandes —percepción, representación y razonamiento, aprendizaje, interacción natural e impacto social— con bandas K-2, 3-5, 6-8 y 9-12. El marco UNESCO para estudiantes —distinto del de docentes— propone doce bloques en cuatro aspectos y tres niveles: comprender, aplicar y crear (Miao, Shiohira y Lao, 2024). El AILit de 2026 añade cuatro dominios —interactuar, crear, gestionar y dar forma— como referencia común, no como método de jardín (European Commission y OECD, 2026).

La tesis de este artículo es restrictiva. Alfabetizar en IA en educación básica e inicial no es “usar ChatGPT en clase”. Es un currículo de ideas compatible con umbrales de edad. Ese currículo puede comenzar mucho antes de los trece años —reconocer un sensor, etiquetar ejemplos, ver que un modelo se equivoca cuando el dato está desbalanceado, afirmar que una persona decide— y, precisamente por eso, no necesita conversación independiente con un sistema generativo. Donde la fuente no mide desarrollo infantil, rendimiento académico o “preparación para el futuro”, este artículo no lo promete.

El vacío que organiza el trabajo es triple. Primero, las revisiones de alfabetización en K-12 documentan abundancia de propuestas y escasez de evaluaciones de si los estudiantes comprendieron los conceptos (Casal-Otero et al., 2023). Segundo, la literatura de primera infancia mezcla con frecuencia herramientas que usan IA para enseñar otra cosa con la enseñanza sobre la IA (Su y Yang, 2022). Tercero, el umbral de edad de Miao y Holmes (2023) deja un intervalo pedagógico que la escuela suele llenar con improvisación: ¿qué se enseña sobre la IA cuando aún no se conversa a solas con ella? Este artículo responde esa pregunta para estudiantes, no para docentes (eje del 19 de agosto por la mañana), no para mediación parental (19 de agosto extra), no para inclusión y discapacidad (20 de agosto, 5:00) y no con PopBots o tutores personalizados como eje.

2. Estado del arte: competencias, ideas grandes y umbrales

Conviene separar tres estratos. El primero es conceptual: cómo se define la alfabetización en IA. El segundo es normativo: qué prescriben UNESCO, UNICEF, AI4K12 y el AILit. El tercero es empírico: qué miden las intervenciones con niñas y niños de inicial y de primaria cuando el objeto es comprender la IA, no usarla como tutor.

En el estrato conceptual, Long y Magerko (2020) sintetizaron literatura interdisciplinaria en diecisiete competencias y dieciséis consideraciones de diseño. La alfabetización digital es un prerrequisito; la alfabetización computacional —saber programar— no lo es. El marco agrupa qué es la IA, qué puede hacer, cómo funciona, cómo debería usarse y cómo la perciben las personas. Ng, Leung, Chu y Qiao (2021), a partir de treinta artículos, propusieron cuatro aspectos: conocer y comprender, usar y aplicar, evaluar y crear, y cuestiones éticas. Esa cuádruple es útil como mapa, no como evidencia de aula. Casal-Otero et al. (2023) revisaron 179 documentos en Scopus y hallaron dos grandes familias —experiencias de aprendizaje y perspectivas teóricas— y una escasez reiterada: “apenas hubo experiencias que evaluaran si los estudiantes comprendían los conceptos de IA después de la experiencia”. Ese enunciado es hallazgo de síntesis: autoriza escepticismo ante catálogos de actividades que no miden comprensión.

En el estrato normativo de ideas grandes, Touretzky et al. (2019) y el sitio AI4K12.org —iniciativa conjunta de AAAI y CSTA— fijan cinco ideas y cuatro bandas de grado. En K-2, la percepción se introduce como diferencia entre un sensor simple y una máquina que extrae significado; el aprendizaje, como reconocimiento de patrones; el impacto social, como conversación sobre equidad a escala infantil. En 3-5, los estudiantes recogen y etiquetan datos para entrenar clasificadores simples y discuten que la calidad del dato afecta el resultado (AI4K12 Initiative, 2020; Touretzky y Gardner-McCune, 2021). Esas progresiones son marcos de diseño curricular, no ensayos. Su valor es que permiten enseñar sobre la IA sin conversación generativa: un niño de seis años puede clasificar piedras y ver que el “modelo” humano también se equivoca; no necesita un chatbot.

En el estrato normativo global, Miao, Shiohira y Lao (2024) anclan el marco de estudiantes en derechos humanos, inclusión y equidad. El nivel Comprender está pensado para todos e incluye opciones desconectadas. El nivel Crear, en particular el diseño de sistemas, es profundización electiva. Hacia 2022, solo unos quince países habían incluido objetivos de IA en el currículo nacional. El marco advierte contra competencias dictadas por plataformas privadas. Esa advertencia es el reverso de la tesis: alfabetizar no es capacitar en una marca.

Miao y Holmes (2023) no son un marco de competencias estudiantiles; se citan por el umbral, no como eje docente. La Guía propone “definir y hacer cumplir un límite de edad para el uso de GenAI” y afirma que “el umbral mínimo debería ser de trece años” para conversaciones independientes, en diálogo con la COPPA (trece) y el RGPD (dieciséis sin permiso parental). Las herramientas no investigadas no son apropiadas para la educación primaria. UNICEF (2021) formula nueve requisitos; son nucleares apoyar el bienestar, proteger datos, asegurar seguridad, ofrecer transparencia y preparar a los niños para un mundo con IA. “Preparar” es mandato de política, no medición de efecto. La Recomendación de 2021 exige supervisión humana y no discriminación (UNESCO, 2021). El AILit organiza diecinueve competencias y un fundamento no atado a herramientas (European Commission y OECD, 2026). OECD (2025) pregunta qué deberían aprender los estudiantes ante una IA potente; no prescribe un chatbot para el primer ciclo.

En el estrato empírico de inicial, Su y Yang (2022) revisaron diecisiete estudios de 1995 a 2021 y concluyeron que la mayoría reportaba mejoras en conceptos sobre IA, aprendizaje automático, computación y robótica, y también en creatividad, control emocional, indagación colaborativa, alfabetización y pensamiento computacional. Esa afirmación es síntesis de un corpus pequeño y heterogéneo, no un metaanálisis de efectos sobre el desarrollo. Este artículo retiene el hallazgo de que hay experiencias de conceptos; no adopta la inferencia de que la IA “desarrolla” al niño. Vartiainen, Tedre y Valtonen (2020) y Sanusi et al. (2024) —detallados en la sección 6— muestran, con muestras pequeñas y en contextos informales, que niñas y niños de tres a trece años pueden inferir relaciones entrada-salida al “enseñar” un clasificador. No miden rendimiento escolar.

El vacío, entonces, no es la ausencia de marcos. Es la confusión entre marco, hallazgo y marketing. La escuela básica e inicial ya tiene, en los documentos verificados, un léxico suficiente: idea grande, banda de grado, nivel Comprender, dato, sesgo, agencia. Lo que falta es la disciplina de no sustituir ese léxico por una licencia de chatbot.

3. Método de revisión

Se realizó una revisión narrativa crítica, no un metaanálisis. El propósito no fue estimar un tamaño de efecto comparable —inexistente de manera homogénea entre un taller de treinta horas, un currículo de ciencias de la vida y un estudio de caso informal con seis niños—, sino articular un argumento curricular con fuentes verificadas. Los criterios de inclusión fueron: (a) publicación entre 2021 y 2026, con excepción justificada de marcos aún vigentes (Touretzky et al., 2019; Long y Magerko, 2020; Vartiainen et al., 2020; UNESCO, 2021; UNICEF, 2021); (b) foco en competencias de estudiantes de educación inicial o básica (aproximadamente 3 a 14 años), no en competencia docente ni en mediación parental; (c) tipo documental de revista revisada por pares, actas con DOI, o informe de UNESCO, UNICEF, OECD, Comisión Europea, AAAI o ACM; (d) acceso a página de DOI, UNESDOC, repositorio institucional o sitio editorial que confirmara autores, año, título y hallazgos. Se excluyeron fuentes cuyo DOI no abriera a metadatos verificables, el marco UNESCO de docentes de 2023–2024 como eje, PopBots y el andamiaje del juego con IA generativa como caso nuclear, tutores personalizados y evaluación adaptativa, e inclusión/discapacidad como problema central.

La búsqueda se ejecutó el 20 de agosto de 2026 (alrededor de las 20:00, America/Mexico_City) en páginas DOI, ACM Digital Library, AAAI Open Journal, Springer, ScienceDirect, Taylor & Francis, UNESDOC, OECD iLibrary, UNICEF Innocenti, ai4k12.org y repositorios (MIT DSpace, UCL Discovery, UEF). Cada fuente citada se verificó contra al menos una de esas páginas. El corpus se organizó en tres casos nucleares de tipos distintos: un currículo de secundaria inicial con pre-post y, después, comparación docente (DAILy); un currículo de primaria alta en contexto de ciencias de la vida, complementado por un estudio de concepciones (PrimaryAI); y dos estudios de Teachable Machine en inicial y primaria temprana, fuera del eje PopBots. Como saturación se retuvieron Ng et al. (2021), Casal-Otero et al. (2023), Su y Yang (2022), Touretzky y Gardner-McCune (2021) y OECD (2025).

El análisis distinguió tres estatus enunciativos. Hallazgo empírico: lo observado o medido en la muestra. Marco normativo: lo que un organismo o un marco de expertos prescribe. Inferencia pedagógica: la traducción que este artículo propone para el aula de inicial y de básica, marcada como tal. Los límites son los de toda revisión narrativa: no hay protocolo PRISMA completo, hay sesgo de idioma hacia el inglés y hay subrepresentación de América Latina (sección 9).

4. Caso 1. DAILy: un currículo de ideas técnicas, éticas y de futuro laboral

Lee, Ali, Zhang, DiPaola y Breazeal (2021) describieron, en SIGCSE, un taller virtual de verano de 2020 con el currículo de treinta horas Developing AI Literacy (DAILy). Participaron treinta y un estudiantes de 10,4 a 14,7 años (media 12,57); el 61 % eran mujeres y el 87 % provenía de grupos subrepresentados en STEM y computación. El currículo entreteje conceptos técnicos (sistemas lógicos, aprendizaje supervisado con Teachable Machine, redes neuronales mediante un juego participativo, redes generativas antagónicas), sesgo algorítmico y exploración de carreras. Los autores reportan aprendizajes conceptuales y un aumento de interés que no alcanzó significación estadística, con un posible efecto techo (interés previo alto: 3,59 sobre 5; posterior 3,71). Ese reporte de experiencia no es un ensayo controlado.

Zhang, Lee, Ali, DiPaola, Cheng y Breazeal (2023) publicaron en el International Journal of Artificial Intelligence in Education (vol. 33, pp. 290–324) el estudio exploratorio del mismo programa con veinticinco estudiantes de un programa STEM urbano de verano, mayoría de séptimo a noveno grado, 32 % afroamericanos, 56 % hispanos o latinos y 56 % mujeres. El inventario de conceptos (AI-CI) pasó de una media de 23,69 (DE = 4,61) a 26,05 (DE = 4,34), t(24) = 3,37, p < 0,01, d de Cohen = 0,53. Hubo ganancias en conceptos generales, sistemas lógicos, conceptos de aprendizaje automático y aprendizaje supervisado. No las hubo en redes neuronales (pre 2,89; post 2,87). El ítem de predicción —distinguir si una tecnología predice— no mejoró; cerca de la mitad persistió en confusiones. La conciencia de carreras relacionadas con IA sí aumentó de modo significativo (3,15 a 3,48, p < 0,001). Al salir, cerca de la mitad explicó la IA no solo como asunto técnico, sino con implicaciones personales, laborales y sociales. En entrevistas a diecinueve estudiantes, casi todos articularon beneficios y daños, y dieciséis propusieron conjuntos de datos diversos como mitigación del sesgo (Zhang et al., 2023).

Estatus de la evidencia. Hallazgo empírico: en esa muestra autoseleccionada, con mediación de quienes diseñaron el currículo y en formato virtual, mejoraron puntuaciones de conceptos y de conciencia de carreras; persistieron dificultades en predicción y en redes neuronales; el interés no cambió de modo significativo. No es hallazgo que DAILy mejore el rendimiento en matemáticas, lengua o “desarrollo” general: el estudio no lo mide. No es hallazgo de causalidad poblacional: no hay aleatorización ni grupo de control en este paper. Los autores declaran las limitaciones de reclutamiento y de efectos inmediatos.

Zhang, Lee y Moore (2024) publicaron en AAAI un estudio de comparación con implementación docente en horario escolar. El grupo experimental tuvo 89 estudiantes de secundaria (51 de sexto, 38 de octavo; 42 % mujeres; 84 % de minorías raciales o étnicas); el de comparación, 69 (41 de sexto, 20 de séptimo, 8 de octavo; 39 % mujeres; 77 % de minorías). Ambos completaron el mismo pre y post. Los autores reportan que el grupo experimental desarrolló una comprensión más profunda de conceptos de IA y actitudes más positivas hacia la IA y su impacto en carreras futuras que el de comparación. Estatus: hallazgo empírico de comparación no aleatorizada sobre conceptos y actitudes, no sobre calificaciones escolares. El valor añadido es que el currículo no quedó confinado a un campamento de investigadores.

Inferencia pedagógica, marcada como tal: DAILy ilustra un currículo de ideas —algoritmo, etiqueta, conjunto desbalanceado, sesgo, stakeholder, predicción— para estudiantes que se acercan al umbral de trece años o lo cruzan. Teachable Machine aparece como medio para ver el dato, no como chatbot. El hallazgo de que la predicción sigue siendo un concepto difícil es, precisamente, un argumento contra la pedagogía del prompt: quien no distingue una puerta automática de un sistema que infiere no está alfabetizado, aunque haya chateado. Para el primer ciclo de básica, DAILy no se copia: se extrae el principio de entretejer técnica y ética, y se baja la abstracción (sección 7).

5. Caso 2. Primaria alta: concepciones cotidianas y PrimaryAI

Ottenbreit-Leftwich, Glazewski, Jeon, Jantaraweragul, Hmelo-Silver, Scribner, Lee, Mott y Lester (2023a) publicaron en el mismo número de IJAIED un estudio cualitativo sobre las ideas cotidianas de estudiantes de 4.º y 5.º grado (9 a 11 años) acerca de la IA, yuxtapuestas a las reflexiones de sus docentes, para informar el co-diseño de un currículo. Emergieron temas de concepciones, ejemplos y ética. El hallazgo empírico es de punto de entrada, no de ganancia: los estudiantes ya traen ejemplos (asistentes de voz, recomendaciones, “robots inteligentes”) y juicios éticos incipientes; las docentes señalan la necesidad de anclar el contenido en conocimientos previos y de sentirse capaces de enseñarlo. El artículo no afirma que un currículo de IA mejore el aprendizaje de ciencias o el desarrollo socioemocional.

El mismo equipo implementó PrimaryAI, un currículo de 3.º a 5.º grado que integra aprendizaje automático, visión por computador, planificación en IA y ética en un contexto auténtico de ciencias de la vida —la declinación de la población del pingüino de ojo amarillo de Nueva Zelanda— con actividades desconectadas y un entorno inmersivo. Ottenbreit-Leftwich et al. (2023b) reportaron, en un póster de SIGCSE, la implementación de primavera de 2022 por dos docentes (un 4.º y un 5.º de escuelas distintas). Los pre y post por unidad, en un diseño de un solo grupo, mostraron ganancias de conocimiento estadísticamente significativas en aprendizaje automático y visión por computador, sin diferencias significativas por género. Las docentes indicaron que el currículo involucró a los estudiantes y ofreció andamiaje suficiente para enseñar con poco saber previo de IA; pidieron más alineación entre conceptos de IA y de ciencias de la vida, y conexiones más locales (Ottenbreit-Leftwich et al., 2023b).

Estatus de la evidencia. Hallazgo empírico: en dos aulas de primaria alta, con docentes regulares y un currículo de problemas, los estudiantes mejoraron puntuaciones de conceptos de aprendizaje automático y de visión. No es hallazgo de inclusión sistémica, ni de mejora en biología más allá de lo evaluado en las unidades, ni de transferencia a otras asignaturas. El formato póster limita el detalle estadístico disponible; se retiene como evidencia de factibilidad en aula ordinaria, no como ensayo confirmatorio. El estudio de concepciones (2023a) y la implementación (2023b) se complementan: el primero dice qué ideas ya circulan; el segundo, que un currículo anclado en un problema vivo puede mover esas ideas en la dirección de conceptos normativos de IA.

Inferencia pedagógica: la primaria alta (9–11 años) es una banda en la que el currículo de ideas puede volverse disciplinar sin volverse conversación generativa. Recoger imágenes, etiquetar, entrenar un clasificador de especies o de rasgos, y preguntar quién falta en el conjunto de datos es alfabetización. Pedir a un modelo de lenguaje que “explique el pingüino” no lo es, y choca con el umbral de Miao y Holmes (2023). PrimaryAI muestra, además, que el vehículo puede ser la ciencia escolar, no una asignatura nueva de “IA”. Esa es una inferencia de diseño, no un hallazgo de superioridad frente a otros vehículos.

6. Caso 3. Educación inicial y primaria temprana: Teachable Machine, no el chatbot

Vartiainen, Tedre y Valtonen (2020) publicaron en el International Journal of Child-Computer Interaction un estudio de caso sociocultural con seis niñas y niños de 3 a 9 años que, en entornos no escolares, “enseñaron” y exploraron Google Teachable Machine. El análisis fino de vídeo y de entrevistas ilustra un proceso encarnado y rápido: los niños producían conjuntos de datos y modelos, observaban, exploraban y explicaban su propia interacción. El hallazgo empírico es que esa interacción apoyó el razonamiento sobre la relación entre las expresiones corporales propias y la salida de la herramienta: una comprensión incipiente de entrada y salida en aprendizaje automático. Los autores discuten agencia y participación. No reportan pruebas de rendimiento académico ni de desarrollo socioemocional estandarizado. La muestra es mínima y el contexto, informal y finlandés.

Sanusi, Sunday, Oyelere, Suhonen, Vartiainen y Tukiainen (2024) replicaron la pregunta en un contexto africano informal, con dieciocho niñas y niños de 3 a 13 años y el mismo tipo de herramienta. El hallazgo empírico, según los autores, es que Teachable Machine contribuyó a la alfabetización de datos y a la comprensión conceptual a lo largo de K-12, con independencia del trasfondo, y que los niños pudieron inferir la relación entre sus expresiones y la salida del sistema. El estudio se presenta como línea de base para el contexto africano, no como ensayo de eficacia escolar. La publicación en línea data de 2023; el volumen de Computer Science Education es de 2024.

Estatus de la evidencia. Hallazgo empírico: en dos estudios cualitativos de muestra pequeña, niñas y niños desde los tres años, con mediación adulta y un clasificador visible, pueden narrar que “si muestro esto, la máquina dice aquello” y, a veces, que el error cambia si el ejemplo cambia. No es hallazgo de que Teachable Machine desarrolle el lenguaje, la función ejecutiva o el rendimiento. No es hallazgo de que un jardín deba instalar webcams. Su y Yang (2022) agregan que el corpus de IA en educación inicial es escaso y heterogéneo; este artículo no convierte esa escasez en una licencia de adopción masiva.

Por qué este caso y no PopBots. El 18 de agosto se examinó el andamiaje del juego con IA generativa y robots conversacionales. Aquí el objeto es otro: un clasificador que el niño entrena, no un agente que le habla. La diferencia pedagógica es el umbral. Enseñar a un modelo con gestos o con fotos de frutas hace visible el dato. Conversar a solas con un modelo de lenguaje oculta el dato y finge un interlocutor. Miao y Holmes (2023) desaconsejan lo segundo bajo los trece años. Vartiainen et al. (2020) y Sanusi et al. (2024) muestran que lo primero es, al menos, investigable.

Inferencia pedagógica: en educación inicial, el currículo de ideas es corporal y material. Dato es “las fotos que pusimos”. Patrón es “todas estas son manzanas”. Predicción es “ahora adivina esta”. Límite es “se equivocó porque solo le mostramos manzanas rojas”. Agencia humana es “nosotros decidimos qué fotos y si confiamos”. Ese pentagrama no requiere cuenta de chatbot ni datos personales en un modelo de propósito general (UNICEF, 2021; Miao y Holmes, 2023). Requiere un adulto que no celebre el acierto de la máquina como magia.

7. Marco inferencial: un currículo de ideas bajo el umbral de conversación independiente

El marco que sigue es inferencia pedagógica de este artículo, anclada en los casos y en los instrumentos verificados. No es un nuevo estándar internacional. Distingue cinco ideas-eje y tres pruebas de admisibilidad. Si una propuesta de “alfabetización” no pasa las pruebas, no se despliega como currículo de estudiantes de inicial o de básica.

7.1. Cinco ideas-eje, no cinco aplicaciones. Dato: algo que se recoge, se etiqueta y se puede sesgar; Long y Magerko (2020) y DAILy lo sitúan en el centro de la comprensión del aprendizaje supervisado (Zhang et al., 2023). Patrón: lo que un sistema extrae de ejemplos; AI4K12 lo introduce desde K-2 como reconocimiento, no como álgebra (Touretzky et al., 2019). Predicción: una inferencia a partir de lo aprendido, distinta de un sensor que abre una puerta; DAILy muestra que el concepto es difícil incluso a los doce años (Zhang et al., 2023). Límite: el sistema se equivoca, no entiende el mundo y no sustituye un juicio humano; Miao y Holmes (2023) insisten en que los modelos generativos no comprenden objetos ni relaciones sociales. Agencia humana: alguien decide el objetivo, el dato, el uso y la responsabilidad; es el primer bloque del nivel Comprender del marco UNESCO para estudiantes (Miao, Shiohira y Lao, 2024) y un dominio del AILit (European Commission y OECD, 2026). Inferencia: esas cinco ideas se enseñan con clasificación de objetos, juegos de decisión, conjuntos desbalanceados y debate sobre “quién falta”, no con una cuenta de modelo de lenguaje.

7.2. Prueba de umbral de edad. Miao y Holmes (2023) fijan trece años como mínimo para conversaciones independientes con plataformas generativas y declaran inapropiadas para la educación primaria las herramientas no investigadas. Es marco normativo, no ensayo de desarrollo. Inferencia: bajo ese umbral, la escuela puede enseñar sobre la IA; no debe ofrecer al estudiante un interlocutor generativo a solas. Un docente puede, en su aprendizaje profesional, usar un modelo con datos no identificables de niños; eso es otro artículo. El estudiante de jardín o de primer ciclo no “pregunta a la IA”. Pregunta al docente, al compañero o al material. Teachable Machine, usada para clasificar gestos o imágenes sin subir identidades a un modelo de propósito general, puede ser un medio del eje dato-patrón-límite (Vartiainen et al., 2020); un chatbot de tarea, no.

7.3. Prueba de comprensión, no de uso. Casal-Otero et al. (2023) documentan la rareza de evaluar si se comprendió. DAILy y PrimaryAI evalúan conceptos; Vartiainen et al. (2020) evalúan explicaciones. Inferencia: una actividad cuenta como alfabetización si el estudiante puede decir, con su lenguaje, qué dato se usó, qué patrón se buscó, qué se predijo, en qué se equivocó el sistema y quién decide. Si solo produce un output vistoso, hay uso, no comprensión. El nivel Comprender de UNESCO (Miao, Shiohira y Lao, 2024) y las bandas K-2 y 3-5 de AI4K12 (Touretzky et al., 2019) bastan para diseñar esa evaluación; no hace falta el nivel Crear.

7.4. Prueba de no promesa de desarrollo. Ninguno de los casos nucleares mide desarrollo cognitivo global, lectoescritura o matemáticas como efecto de la alfabetización en IA. Su y Yang (2022) reportan síntesis heterogéneas que este artículo no reifica. Inferencia: el argumento para enseñar estas ideas es cívico y epistémico —reconocer sistemas que ya operan sobre la infancia, proteger datos, no atribuir mente a una máquina (UNICEF, 2021; UNESCO, 2021)—, no un atajo de rendimiento. Quien venda “IA para subir PISA” no tiene, en este corpus, respaldo.

7.5. Correspondencia por banda, inferida, no prescrita como estándar. Educación inicial (aproximadamente 3–6): dato y patrón corporales; límite como error visible; agencia como “yo elijo las fotos”; sin cuenta, sin conversación generativa, con opción desconectada (Miao, Shiohira y Lao, 2024, nivel Comprender). Primaria baja (6–8): sensores versus percepción; conjuntos pequeños etiquetados; “quién no está en las fotos”; todavía sin chatbot independiente. Primaria alta (9–11): clasificador en un problema de ciencias o de lengua; sesgo como dato que falta; ética de “do no harm” y proporcionalidad en casos cotidianos (PrimaryAI; Miao, Shiohira y Lao, 2024). Primer ciclo de secundaria (12–14): DAILy o equivalente: predicción, sesgo, stakeholders, carreras; conversación generativa solo si se cumple el umbral, hay permiso y hay mediación, y aun entonces como objeto de crítica, no como autor de la tarea (Miao y Holmes, 2023; Zhang et al., 2023). El nivel Crear del marco UNESCO permanece electivo.

Operativamente, el marco admite: (a) actividades desconectadas de clasificación, decisión y “IA o no IA”; (b) clasificadores visibles de imagen, sonido o gesto con dato local y sin identidades en modelos de propósito general; (c) discusión de sesgo con ejemplos cotidianos; (d) evaluación de explicaciones, no de outputs. El marco rechaza: (e) ChatGPT u homólogos como interlocutor independiente bajo los trece años; (f) alfabetización reducida a ingeniería de prompts; (g) la afirmación de que enseñar IA desarrolla al niño o mejora el rendimiento si no se midió; (h) el reemplazo del juicio docente o estudiantil por la salida de un modelo.

8. Discusión

Tres tensiones organizan la discusión. La primera es entre uso y comprensión. Es hallazgo que estudiantes de 10 a 14 años pueden mejorar un inventario de conceptos y articular sesgo (Zhang et al., 2023; Zhang, Lee y Moore, 2024), que estudiantes de 9 a 11 pueden ganar en conceptos de aprendizaje automático y visión (Ottenbreit-Leftwich et al., 2023b), y que niños de 3 a 9 pueden verbalizar entrada y salida de un clasificador (Vartiainen et al., 2020). Es marco que la alfabetización se define como evaluación crítica, no como destreza de interfaz (Long y Magerko, 2020; Ng et al., 2021; Miao, Shiohira y Lao, 2024). No es hallazgo que “usar la IA” produzca esa comprensión. DAILy muestra, de hecho, que se puede interactuar con herramientas y seguir confundiendo predicción con automatismo (Zhang et al., 2023). Confundir uso con comprensión es el error categorial que este artículo nombra en el título.

La segunda tensión es entre precocidad y umbral. La evidencia cualitativa de inicial no autoriza a adelantar la conversación generativa; autoriza a adelantar las ideas de dato y de error. Miao y Holmes (2023) y UNICEF (2021) protegen privacidad, seguridad y agencia. Un jardín que instala un chatbot “para que se familiaricen” viola el umbral normativo y no gana el hallazgo de Vartiainen et al. (2020), que se obtuvo con un clasificador y con adultos presentes. La precocidad legítima es conceptual y ética, no conversacional.

La tercera tensión es entre marco global y aula local. UNESCO (2024), AI4K12 y AILit (2026) ofrecen progresiones. Casal-Otero et al. (2023) advierten que hace falta un marco de competencias que oriente propuestas didácticas modulares y ajustadas a las escuelas. Inferencia: adoptar el marco UNESCO de estudiantes no es adoptar un producto. Es decidir, con las bandas locales, qué bloque del nivel Comprender se enseña este año y con qué evidencia de comprensión se cierra. El AILit añade el horizonte de PISA 2029; ese horizonte no justifica entrenar a niños de siete años en un chatbot para “salir bien en el examen”. Justifica, si acaso, enseñar a gestionar y a dar forma a la IA como ciudadanos, empezando por no atribuirle mente.

Si el objeto es comprender, el docente de inicial y de básica no necesita ser ingeniero. Necesita un léxico compartido y la autoridad de cortar la actividad cuando el sistema pide datos que UNICEF (2021) obliga a proteger. Sustituir ese juicio por una licencia es, otra vez, uso sin comprensión —esta vez, institucional—.

9. Límites

Esta revisión es narrativa. No aplica un protocolo PRISMA completo ni estima efectos combinados. Los casos nucleares tienen muestras pequeñas o diseños no aleatorizados: n = 25 y n = 31 en DAILy exploratorio (Zhang et al., 2023; Lee et al., 2021); n = 89 frente a 69 sin aleatorización (Zhang, Lee y Moore, 2024); dos aulas en PrimaryAI (Ottenbreit-Leftwich et al., 2023b); n = 6 y n = 18 en Teachable Machine (Vartiainen et al., 2020; Sanusi et al., 2024). La geografía está sesgada hacia Estados Unidos, Finlandia y un contexto africano informal; no se localizó, con el mismo grado de apertura de DOI, un ensayo latinoamericano de alfabetización en IA en inicial o primaria que cumpliera los criterios de este artículo. Esa ausencia es un vacío, no una prueba de inexistencia. El póster de PrimaryAI limita el detalle estadístico. Su y Yang (2022) agregan estudios que mezclan herramientas-para-aprender con enseñanza-sobre-IA; este artículo no reanaliza esos diecisiete ítems uno a uno. Los marcos de UNESCO, UNICEF, AI4K12 y AILit son prescriptivos: su autoridad es normativa, no empírica. Las inferencias de la sección 7 son hipótesis de diseño curricular, no evidencia de implementación nacional. El umbral de trece años es una recomendación de política, no un hallazgo de psicología del desarrollo medido en este corpus.

10. Conclusiones

Alfabetizar en inteligencia artificial a estudiantes de educación básica e inicial no es sentarlos a conversar con un modelo generativo. Es enseñar un currículo de ideas —dato, patrón, predicción, límite, agencia humana— que los marcos vigentes ya nombran y que tres familias de estudios verificados muestran, con modestia, como aprendible. En secundaria inicial, DAILy asocia un currículo de treinta horas, mediado y éticamente entretejido, a ganancias de conceptos y de conciencia de carreras, no a mejoras de rendimiento general, y deja la predicción como concepto difícil (Zhang et al., 2023; Zhang, Lee y Moore, 2024). En primaria alta, PrimaryAI asocia un problema de ciencias de la vida a ganancias de conocimiento en aprendizaje automático y visión, en aula docente, sin diferencias de género reportadas (Ottenbreit-Leftwich et al., 2023b). En inicial y primaria temprana, Teachable Machine permite, en muestras pequeñas e informales, verbalizar entrada y salida (Vartiainen et al., 2020; Sanusi et al., 2024). Ninguno de esos hallazgos autoriza la promesa de desarrollo infantil o de mejor calificación.

El derecho y la política no son ambiguos. El marco UNESCO para estudiantes prioriza la mentalidad centrada en lo humano y reserva el nivel Comprender a todos, con opciones desconectadas (Miao, Shiohira y Lao, 2024). AI4K12 reparte las cinco ideas por bandas (Touretzky et al., 2019). UNICEF exige proteger datos, seguridad y preparación cívica, no exposición prematura (UNICEF, 2021). Miao y Holmes (2023) fijan trece años para la conversación independiente. El AILit de 2026 habla de interactuar, crear, gestionar y dar forma, no de chatear antes de tiempo (European Commission y OECD, 2026). Donde las fuentes no miden desarrollo ni rendimiento, este artículo no los afirma. Usar no es comprender. Comprender, en estas edades, cabe en un aula sin chatbot.

Ingeniero Mitre / Laboratorio Editorial de NEXTECH.IA

Referencias

  1. AI4K12 Initiative. (2020). Five Big Ideas in AI y gráficos de progresión por banda de grado. AAAI y CSTA. https://ai4k12.org/
  2. Casal-Otero, L., Catala, A., Fernández-Morante, C., Taboada, M., Cebreiro, B., y Barro, S. (2023). AI literacy in K-12: A systematic literature review. International Journal of STEM Education, 10, 29. https://doi.org/10.1186/s40594-023-00418-7
  3. European Commission y OECD. (2026). Empowering learners for the age of AI: An AI literacy framework for primary and secondary education. OECD Publishing. https://www.oecd.org/en/publications/empowering-learners-for-the-age-of-ai_65cd27d4-en.html
  4. Lee, I., Ali, S., Zhang, H., DiPaola, D., y Breazeal, C. (2021). Developing middle school students’ AI literacy. En Proceedings of the 52nd ACM Technical Symposium on Computer Science Education (pp. 191–197). ACM. https://doi.org/10.1145/3408877.3432513
  5. Long, D., y Magerko, B. (2020). What is AI literacy? Competencies and design considerations. En Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. ACM. https://doi.org/10.1145/3313831.3376727
  6. Miao, F., y Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  7. Miao, F., Shiohira, K., y Lao, N. (2024). AI competency framework for students. UNESCO. https://doi.org/10.54675/JKJB9835
  8. Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., y Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2, 100041. https://doi.org/10.1016/j.caeai.2021.100041
  9. OECD. (2025). What should teachers teach and students learn in a future of powerful AI? OECD Publishing. https://www.oecd.org/content/dam/oecd/en/publications/reports/2025/05/what-should-teachers-teach-and-students-learn-in-a-future-of-powerful-ai_4578ec74/ca56c7d6-en.pdf
  10. Ottenbreit-Leftwich, A., Glazewski, K., Jeon, M., Jantaraweragul, K., Hmelo-Silver, C. E., Scribner, A., Lee, S., Mott, B., y Lester, J. (2023a). Lessons learned for AI education with elementary students and teachers. International Journal of Artificial Intelligence in Education, 33, 267–289. https://doi.org/10.1007/s40593-022-00304-3
  11. Ottenbreit-Leftwich, A., Glazewski, K., Hmelo-Silver, C., Jantaraweragul, K., Chakraburty, S., Jeon, M., Scribner, J. A., Lee, S., Mott, B., y Lester, J. (2023b). Is elementary AI education possible? En Proceedings of the 54th ACM Technical Symposium on Computer Science Education (p. 1364). ACM. https://doi.org/10.1145/3545947.3576308
  12. Sanusi, I. T., Sunday, K., Oyelere, S. S., Suhonen, J., Vartiainen, H., y Tukiainen, M. (2024). Learning machine learning with young children: Exploring informal settings in an African context. Computer Science Education, 34(2), 161–192. https://doi.org/10.1080/08993408.2023.2175559
  13. Su, J., y Yang, W. (2022). Artificial intelligence in early childhood education: A scoping review. Computers and Education: Artificial Intelligence, 3, 100049. https://doi.org/10.1016/j.caeai.2022.100049
  14. Touretzky, D., Gardner-McCune, C., Martin, F., y Seehorn, D. (2019). Envisioning AI for K-12: What should every child know about AI? Proceedings of the AAAI Conference on Artificial Intelligence, 33(01), 9795–9799. https://doi.org/10.1609/aaai.v33i01.33019795
  15. Touretzky, D. S., y Gardner-McCune, C. (2021). Artificial intelligence thinking in K-12. AI4K12. https://ai4k12.org/wp-content/uploads/2021/08/Touretzky_Gardner-McCune_AI-Thinking_2021.pdf
  16. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. https://unesdoc.unesco.org/ark:/48223/pf0000381137
  17. UNICEF. (2021). Policy guidance on AI for children 2.0. UNICEF Office of Global Insight and Policy. https://www.unicef.org/innocenti/reports/policy-guidance-ai-children
  18. Vartiainen, H., Tedre, M., y Valtonen, T. (2020). Learning machine learning with very young children: Who is teaching whom? International Journal of Child-Computer Interaction, 25, 100182. https://doi.org/10.1016/j.ijcci.2020.100182
  19. Zhang, H., Lee, I., Ali, S., DiPaola, D., Cheng, Y., y Breazeal, C. (2023). Integrating ethics and career futures with technical learning to promote AI literacy for middle school students: An exploratory study. International Journal of Artificial Intelligence in Education, 33, 290–324. https://doi.org/10.1007/s40593-022-00293-3
  20. Zhang, H., Lee, I., y Moore, K. (2024). An effectiveness study of teacher-led AI literacy curriculum in K-12 classrooms. Proceedings of the AAAI Conference on Artificial Intelligence, 38(21), 23318–23325. https://doi.org/10.1609/aaai.v38i21.30380