1. Introducción y problema

La educación inicial —jardín de infantes, preescolar, educación infantil, según el país— enfrenta una presión institucional creciente para “integrar inteligencia artificial”, a menudo en forma de talleres de herramientas, catálogos de aplicaciones y promesas de personalización. El marco de competencias en IA para docentes de la UNESCO define quince competencias en cinco dimensiones (mentalidad centrada en lo humano, ética de la IA, fundamentos y aplicaciones, pedagogía de la IA, e IA para el aprendizaje profesional) y tres niveles de progresión (adquirir, profundizar, crear) (Miao y Cukurova, 2024). El marco homólogo para estudiantes propone doce competencias en cuatro dimensiones, con niveles de comprender, aplicar y crear (Miao, Shiohira y Lao, 2024). Ambos documentos son marcos normativos de referencia, no ensayos clínicos ni evaluaciones de impacto en el desarrollo de niños de tres a seis años. Confundir esas categorías es, precisamente, el problema que este artículo examina.

El Informe de Seguimiento de la Educación en el Mundo 2023 advierte que la tecnología debe complementar, y no sustituir, la interacción presencial con docentes, y que las decisiones sobre su uso han de ser apropiadas, equitativas, basadas en evidencia y sostenibles (UNESCO, 2023). La serie Starting Strong de la OECD, en su volumen VII, sitúa la digitalización de la educación y el cuidado de la primera infancia como un desafío de calidad, equidad y desarrollo de la fuerza de trabajo, no como una carrera de adopción de dispositivos (OECD, 2023). La Guía de la UNESCO sobre IA generativa propone un enfoque centrado en lo humano, protección de datos y un límite de edad para conversaciones independientes con plataformas de IA generativa (Miao y Holmes, 2023). Ninguno de estos instrumentos afirma que la IA mejore, por sí misma, el desarrollo infantil en el jardín.

La tesis de este trabajo es restrictiva. El marco UNESCO de competencias docentes no se transfiere al jardín como un taller de herramientas. Debe traducirse a lenguajes que la profesión ya posee: el juego como medio de aprendizaje, la observación y la documentación como formas de conocimiento pedagógico, el cuidado como relación ética y la inclusión como criterio de justicia. Esa traducción no es un ejercicio retórico: exige anclar cada dimensión del marco en evidencia empírica de intervenciones y en marcos de expertos, y marcar con claridad qué es hallazgo, qué es norma y qué es inferencia del autor. Donde la fuente no afirma un efecto sobre el desarrollo, este artículo no lo promete.

El problema se agrava porque la literatura de alfabetización en IA se ha concentrado en primaria, secundaria y educación superior (Su, Ng y Chu, 2023; Ng et al., 2021). En educación inicial, las revisiones de alcance documentan un corpus reducido, heterogeneidad metodológica y una carencia reiterada: falta de conocimiento, habilidades y confianza de las docentes, ausencia de diseño curricular y escasez de orientaciones de enseñanza (Su y Yang, 2022; Su, Ng y Chu, 2023). Un estudio de percepciones con quince docentes de jardín confirma esos obstáculos desde la voz profesional: falta de apoyo escolar, de conocimiento docente sobre IA, de directrices curriculares y, en la interpretación de las entrevistadas, de “capacidad integral” de los niños (Su, 2024). Ese último enunciado es un hallazgo sobre percepciones docentes, no una evidencia de límite cognitivo infantil; la distinción importa.

Este artículo propone tres contribuciones: reconstruir el estado del arte de esa competencia en el jardín; analizar tres casos verificados —intervención de alfabetización, marco de expertos sobre ChatGPT y percepciones docentes— distinguiendo niveles de evidencia; y ofrecer una traducción operativa de las cinco dimensiones UNESCO al léxico del jardín, compatible con la práctica apropiada al desarrollo (NAEYC, 2020), con los límites de pantalla de la OMS y de la AAP (World Health Organization, 2019; Council on Communications and Media, 2016) y con los requisitos de IA centrada en la niñez (UNICEF, 2021).

2. Estado del arte

Conviene separar tres estratos que la literatura suele mezclar. El primero es el estrato empírico: intervenciones, estudios de caso, entrevistas y observaciones en aulas de educación inicial. El segundo es el estrato de marcos: definiciones de alfabetización en IA, marcos curriculares, marcos de expertos y marcos de política. El tercero es el estrato de síntesis: revisiones de alcance y revisiones sistemáticas que agregan estudios heterogéneos. Cada estrato autoriza afirmaciones distintas.

En el estrato de marcos conceptuales, Ng, Leung, Chu y Qiao (2021) propusieron cuatro aspectos de la alfabetización en IA a partir de treinta artículos: conocer y comprender, usar y aplicar, evaluar y crear, y cuestiones éticas. Yang (2022) formuló, desde la educación inicial, un modelo pedagógico del porqué, el qué y el cómo: la alfabetización en IA como parte orgánica de la alfabetización digital; un núcleo conceptual accesible (con grandes volúmenes de datos, los algoritmos pueden entrenarse para identificar patrones, hacer predicciones y recomendar acciones, con limitaciones); y un enfoque encarnado y culturalmente responsivo, basado en el aprender-haciendo y en la pedagogía como relación. Ese texto se cita aquí como marco curricular, no como reporte de una intervención particular con robots conversacionales. Luo, He, Gao y Li (2024b) construyeron, mediante entrevistas a siete expertos chinos y teoría fundamentada, el marco SIACC —seguridad, identidad, actitud, cognición y capacidad— como propuesta culturalmente situada de alfabetización en IA en la primera infancia. Estos marcos orientan el diseño; no miden desarrollo.

En el estrato empírico, Su y Yang (2024) evaluaron el programa AI4KG de ocho semanas con 26 niños de edad promedio de cuatro años en un jardín de Hong Kong y reportaron aprendizajes de conceptos básicos de IA, creatividad temática y percepciones diferenciadas de las actividades. Yang, Hu, Yeter, Su, Yang y Lee (2024) documentaron, en seis semanas con seis niños de cinco años (edad media 62,83 meses), que los niños pudieron aprender sobre IA mediante agentes inteligentes en contextos de aprendizaje encarnado. Ambos estudios describen aprendizajes mediados de muestra pequeña; ninguno establece que la IA mejore el desarrollo socioemocional, lingüístico o motor. Su (2024), con entrevistas a quince docentes, halló cuatro desafíos (falta de apoyo escolar, percepción de insuficiencia de la capacidad integral de los niños, conocimiento docente insuficiente y falta de directrices curriculares) y tres facilitadores (gobierno, escuela y demanda social); más de la mitad consideró crucial la alfabetización en IA. Luo, He, Liu, Berson, Berson, Zhou y Li (2024a) entrevistaron a seis expertos de China y Estados Unidos sobre ChatGPT: identificaron dos roles (agente conversacional para niños y facilitador a demanda para educadores y cuidadores), clasificaron riesgos con el marco 3A2S (accesibilidad, asequibilidad, rendición de cuentas, sostenibilidad y justicia social) y proyectaron la herramienta como aumentación de la inteligencia, no como reemplazo de educadores y cuidadores.

En el estrato de síntesis, Su y Yang (2022) revisaron 17 estudios de 1995 a 2021 y concluyeron que la mayoría reportaba mejoras en conceptos sobre IA, aprendizaje automático, computación y robótica, y en habilidades como creatividad, control emocional, indagación colaborativa, alfabetización y pensamiento computacional. Esa afirmación es síntesis de un corpus pequeño y heterogéneo, no un metaanálisis de efectos. Su, Ng y Chu (2023) revisaron 16 estudios de 2016 a 2022 y subrayaron tres desafíos: falta de conocimiento, habilidades y confianza docentes; falta de diseño curricular; y falta de orientaciones de enseñanza. Berson, Berson y Luo (2025) examinaron 42 estudios éticos y agruparon preocupaciones en privacidad de datos, impactos en el desarrollo, sesgo algorítmico y regulación; hallaron vacíos en la protección de datos infantiles y advirtieron que la IA emocional (robots sociales, reconocimiento de emociones) puede ofrecer oportunidades de aprendizaje y, a la vez, riesgos de sobredependencia, manipulación o pérdida de autonomía si el diseño no es apropiado al desarrollo. Zhang, Binti Halili y Zainuddin (2026) analizaron 21 estudios de IA generativa en preescolar con un marco FODA: oportunidades de personalización, colaboración docente y equidad; amenazas de fiabilidad y adecuación etaria, competencia digital, posible reducción de la creatividad, privacidad y acceso desigual. El abstract de esa revisión infiere un potencial transformador; este artículo retiene los hallazgos FODA y no adopta la inferencia de “revolución”.

Los marcos de política y de práctica profesional completan el mapa. La Recomendación de la UNESCO sobre la ética de la IA (UNESCO, 2021) ancla derechos humanos, dignidad y supervisión humana. Miao y Holmes (2023) especifican validación ética y pedagógica, protección de datos y un umbral de edad para el uso independiente de plataformas conversacionales (la Guía señala un mínimo de 13 años, con referencia al umbral de 16 del RGPD europeo). Ese umbral normativo tiene una consecuencia directa: la conversación independiente de un niño de cuatro años con un modelo generativo no se alinea con la Guía. UNICEF (2021) formula requisitos de IA centrada en la niñez: apoyar el desarrollo y el bienestar, garantizar inclusión, priorizar equidad y no discriminación, proteger datos y privacidad, asegurar seguridad y preparar a los niños para un mundo con IA. NAEYC y el Fred Rogers Center (2012) sostienen que la tecnología puede apoyar el aprendizaje cuando se usa de modo intencional, en el marco de la práctica apropiada al desarrollo, y que no debe reemplazar el juego creativo, la actividad al aire libre ni la interacción cara a cara. NAEYC (2020) redefine esa práctica como un enfoque basado en fortalezas y en el juego, con observación, documentación, cuidado equitativo y profesionalidad. La OMS recomienda, para niños de 3 a 4 años, no más de una hora de tiempo sedentario de pantalla, y preferiblemente menos (World Health Organization, 2019). La AAP limita, para 2 a 5 años, el uso de pantalla a una hora diaria de contenido de alta calidad, con covisión adulta, y desaconseja medios de pantalla —salvo videollamadas— en menores de 18 meses (Council on Communications and Media, 2016). Estos instrumentos no son estudios de IA; son restricciones de entorno que la competencia docente en el jardín debe internalizar.

El vacío que organiza este artículo es doble. El marco UNESCO de competencias docentes está escrito para el sistema educativo en general y no especifica la traducción al jardín. La evidencia empírica disponible es de muestras pequeñas, con contextos urbanos de Asia oriental en varios de los estudios más citados, y con diseños que no autorizan causalidad sobre el desarrollo. La competencia profesional no puede rellenarse con entusiasmo tecnológico.

3. Método de revisión

Se realizó una revisión narrativa crítica, no un metaanálisis. El propósito no fue estimar un tamaño de efecto —inexistente de manera comparable en este campo—, sino articular un argumento de traducción profesional con fuentes verificadas. Los criterios de inclusión fueron: (a) publicación entre 2021 y 2026, con excepción justificada de marcos de práctica aún vigentes (NAEYC y Fred Rogers Center, 2012; Council on Communications and Media, 2016; World Health Organization, 2019); (b) foco en educación inicial (0–8 años, con prioridad 3–6) o en competencia docente aplicable a ese nivel; (c) tipo documental de revista revisada por pares, informe de organización internacional o posición profesional de NAEYC, AAP, OMS, UNESCO, OECD o UNICEF; (d) acceso a página de DOI, repositorio institucional o sitio editorial que confirmara autores, año, título y hallazgos. Se excluyeron fuentes cuyo DOI no abriera a metadatos verificables, ensayos de opinión sin revisión, y los casos ya usados como eje en el artículo de 2026-08-18 (intervenciones tipo PopBots, juguetes robóticos de Australia en 2020 y estudios de Druga et al. sobre Alexa), para no reiterar ese ángulo.

La búsqueda se ejecutó en agosto de 2026 en páginas DOI, ERIC, repositorios (EdUHK, UCL Discovery), UNESCO, OECD, UNICEF Innocenti, ScienceDirect, Springer Nature y Contemporary Educational Technology. Cada fuente citada se verificó contra al menos una de esas páginas. El corpus se organizó en casos nucleares, marcos de política y profesión, y síntesis. Los casos se eligieron por complementar tipos de evidencia: intervención con niños (Su y Yang, 2024), estudio de expertos (Luo et al., 2024a) y estudio de docentes (Su, 2024). Como saturación se retuvieron el caso de aprendizaje encarnado (Yang et al., 2024), el marco SIACC (Luo et al., 2024b) y las revisiones de Su y Yang (2022), Su, Ng y Chu (2023), Berson et al. (2025) y Zhang et al. (2026).

El análisis distinguió tres estatus enunciativos. Hallazgo empírico: lo observado o medido en la muestra. Marco normativo: lo que una organización o un marco de expertos prescribe. Inferencia pedagógica: la traducción que este artículo propone para el jardín, 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, África y contextos rurales (sección 9).

4. Caso 1. Intervención de alfabetización en IA en un jardín de Hong Kong (AI4KG)

Su y Yang (2024) publicaron en Interactive Learning Environments (vol. 32, núm. 9, pp. 5494–5508; publicación anticipada en 2023) una intervención de ocho semanas con 26 niños de edad promedio de cuatro años inscritos en un jardín de Hong Kong. El objetivo declarado fue evaluar el impacto del programa AI4KG sobre la alfabetización en IA, la creatividad relacionada con la IA y las percepciones infantiles del programa. Según los autores, (1) los niños pequeños fueron capaces de aprender conceptos y conocimientos básicos de IA; (2) en creatividad relacionada con la IA, los más pequeños diseñaron un robot conversacional mediante la imaginación, mientras que los mayores crearon un robot de IA para asistir a las personas en sus dibujos; (3) en percepciones del programa, los mayores que disfrutaron la actividad pudieron entrenar IA, y los menores prefirieron dibujar la ciudad futura de IA y participar en la actividad de cuento. Los autores interpretan el conjunto como beneficio positivo de la educación en alfabetización en IA para preparar a los niños a un futuro impulsado por la IA.

Estatus de la evidencia. Hallazgo empírico: en esa muestra, con ese programa y esa duración, se observaron aprendizajes de conceptos básicos, producciones creativas temáticas y preferencias de actividad diferenciadas por edad relativa. No es hallazgo empírico, en este artículo, que la IA mejore el desarrollo global, el lenguaje, la autorregulación o la disposición escolar: el estudio no lo mide. La frase de “preparar para un futuro impulsado por la IA” es inferencia de los autores, no un resultado de seguimiento longitudinal. La muestra es pequeña, de un solo centro, sin grupo de control reportado en el resumen verificado, y está situada en un contexto de alta conectividad. Su valor para la competencia docente no es el de una receta exportable, sino el de una prueba de existencia: con mediación adulta y diseño de actividades (dibujar, contar, imaginar, “entrenar”), niños de alrededor de cuatro años pueden participar en una alfabetización incipiente. Esa prueba autoriza a las docentes a no subestimar la indagación infantil; no las autoriza a instalar un laboratorio de modelos generativos en la sala.

Inferencia pedagógica de este artículo, marcada como tal: la docente competente no “imparte IA”, sino que diseña situaciones de juego en las que los niños exploran dato, patrón, error y ayuda automática, y documenta qué comprenden y qué confunden. AI4KG es un ejemplar de mediación, no evidencia de superioridad tecnológica.

5. Caso 2. Expertos de China y Estados Unidos: ChatGPT, roles y marco 3A2S

Luo et al. (2024a) publicaron en Early Education and Development (vol. 35, núm. 1, pp. 96–113) un análisis de contenido, inductivo y deductivo, de entrevistas a seis profesores expertos de China y Estados Unidos. El hallazgo empírico —aquí, empírico de discurso experto, no de aula— es doble. En cuanto a roles, ChatGPT se perfila como (1) agente conversacional para niños pequeños y (2) facilitador a demanda para educadores y cuidadores. En cuanto a riesgos, los expertos los organizaron con el marco 3A2S: Accessibility, Affordability, Accountability, Sustainability y Social Justice (accesibilidad, asequibilidad, rendición de cuentas, sostenibilidad y justicia social). Los participantes sugieren que, a medida que el conocimiento, la recuperación de información y las habilidades de integración se vuelven menos críticas, ganan peso la agencia humana y la capacidad de indagación. En consecuencia, proyectan que la trayectoria futura de ChatGPT en educación inicial debería ser la de un recurso de aumentación de la inteligencia, no la de un reemplazo de las acciones de educadores y cuidadores. Añaden que la IA abre dominios nuevos, como la alfabetización en IA y la interacción social con IA.

Estatus de la evidencia. Se trata de un estudio de seis expertos, no de una evaluación de ChatGPT con niños. El marco 3A2S es una categorización analítica propuesta en el artículo, útil como lenguaje de política y de supervisión institucional, no como escala validada. La tesis de aumentación versus reemplazo es coincidente con el enfoque centrado en lo humano de Miao y Cukurova (2024) y de Miao y Holmes (2023), y con la advertencia del GEM Report de no suplantar la conexión humana (UNESCO, 2023). Es, por tanto, convergencia de marcos y de discurso experto, no prueba de eficacia pedagógica de ChatGPT en el jardín.

Inferencia pedagógica de este artículo: el segundo rol —facilitador a demanda para la docente— es el único que, a la luz de Miao y Holmes (2023) y de los límites de edad, resulta prioritario en el jardín. Usar un modelo generativo para redactar una nota a familias, explorar variaciones de un proyecto de juego o anticipar preguntas de inclusión puede pertenecer al aprendizaje profesional docente (dimensión 5 del marco UNESCO), siempre que no se suban datos identificables de niños y que la docente conserve el juicio. El primer rol —agente conversacional con el niño— choca con el umbral de edad para conversaciones independientes y con las recomendaciones de covisión y de tiempo de pantalla (Miao y Holmes, 2023; Council on Communications and Media, 2016; World Health Organization, 2019). Una docente competente distingue ambos roles y no los fusiona en un “asistente del aula”.

6. Caso 3. Percepciones de docentes de jardín sobre la alfabetización en IA

Su (2024) publicó en el International Journal of Technology and Design Education (vol. 34, núm. 5, pp. 1665–1685) un estudio cualitativo basado en entrevistas individuales a quince docentes. El objetivo fue identificar sus visiones sobre la importancia de la alfabetización en IA en el jardín y sobre desafíos y facilitadores de su promoción. Hallazgos empíricos (percepciones): cuatro desafíos principales —falta de apoyo escolar, falta de “capacidad integral” de los niños, conocimiento docente insuficiente sobre IA y falta de directrices curriculares—; tres facilitadores —apoyo gubernamental, apoyo escolar y necesidades sociales—; y que más de la mitad de las docentes del estudio consideró crucial esa alfabetización para los niños de jardín. El artículo propone un marco de política de alfabetización en IA para la primera infancia con tres dimensiones: gobernanza, pedagógica, y operacional y de gestión.

Estatus de la evidencia. Es un estudio de percepciones, no de observación de aula ni de evaluación de un programa. El enunciado sobre la “capacidad integral” de los niños es un dato sobre creencias profesionales; contradice, en parte, los hallazgos de Su y Yang (2024) y de Yang et al. (2024), donde niños de cuatro y cinco años sí participaron en aprendizajes de conceptos básicos bajo mediación. Esa tensión es, ella misma, un objeto de la competencia docente: la subestimación del niño y la sobreestimación de la herramienta son dos caras del mismo déficit de formación. El marco de política de tres dimensiones (gobernanza, pedagogía, operación) es una propuesta de la autora, no un estándar internacional; se puede poner en diálogo con el marco UNESCO sin sustituirlo.

Este caso es el más próximo al problema de este artículo. Su, Ng y Chu (2023) ya habían identificado, en revisión de dieciséis estudios, la falta de conocimiento, de currículo y de orientaciones de enseñanza como desafíos sistémicos. Su (2024) muestra que esas carencias se verbalizan en la sala de jardín. La OECD (2023) incluye el desarrollo de la fuerza de trabajo como palanca de respuesta a la digitalización en educación y cuidado de la primera infancia. La inferencia pedagógica es directa: un “taller de ChatGPT” no responde a lo que las docentes declaran necesitar. Necesitan apoyo escolar, directrices que hablen el idioma del juego y del cuidado, y un conocimiento de IA suficiente para decidir, no para operar una aplicación.

7. Traducción del marco UNESCO al jardín de infantes

Miao y Cukurova (2024) organizan quince competencias en cinco dimensiones y tres niveles (adquirir, profundizar, crear). El marco para estudiantes (Miao, Shiohira y Lao, 2024) no se aplica de modo literal a niños de jardín: sus niveles de “crear sistemas de IA” exceden, en su formulación escolar, lo que Yang (2022) considera el núcleo conceptual accesible en la primera infancia. La traducción que sigue es inferencia pedagógica de este artículo, anclada en los casos y en los marcos verificados. No es un nuevo estándar; es una hipótesis de trabajo para la formación continua.

7.1. Mentalidad centrada en lo humano → cuidado, agencia y no sustitución. En el jardín, esta dimensión se traduce como defensa de la relación adulta–niño como irreemplazable. El GEM Report lo formula como principio de sistema: la tecnología no debe suplantar la conexión humana (UNESCO, 2023). Luo et al. (2024a) lo formulan como aumentación, no reemplazo. NAEYC (2020) lo formula como comunidad de aprendizaje cuidadosa y equitativa. Adquirir, en este nivel, es saber nombrar qué no se delega a un sistema: consuelo, mediación de conflicto, observación del juego y decisión sobre el bienestar. Profundizar es argumentar ante familias y gestión por qué un “tutor conversacional” no es un auxiliar de sala. Crear es diseñar protocolos de centro que hagan explícita la no sustitución.

7.2. Ética de la IA → privacidad, consentimiento con familias, minimización de datos e inclusión. Berson et al. (2025) documentan vacíos en la salvaguarda de datos infantiles (brechas, perfilado, uso indebido) y sesgo algorítmico que reproduce inequidades. UNICEF (2021) exige protección de datos, inclusión y no discriminación. Miao y Holmes (2023) exigen validación ética y pedagógica de las herramientas y un límite de edad para conversaciones independientes. En el jardín, adquirir es saber que fotografías, voces y trazos de niños son datos sensibles y que no se cargan a plataformas de IA generativa. Profundizar es conversar con familias en lenguaje de cuidado. Crear es participar en listas de herramientas vetadas y permitidas, con minimización de datos. El marco 3A2S (Luo et al., 2024a) aporta preguntas de justicia: ¿quién accede, quién paga, quién rinde cuentas, qué se sostiene, a quién se excluye?

7.3. Fundamentos y aplicaciones de la IA → un núcleo conceptual al servicio de la observación, no un temario de ingeniería. Yang (2022) ofrece el núcleo: datos, patrones, predicciones, recomendaciones y límites. Ng et al. (2021) recuerdan que alfabetización no es solo uso. Su y Yang (2024) muestran que ese núcleo puede explorarse con cuatro años mediante dibujo, cuento e imaginación de robots. Adquirir, para la docente, es comprender a nivel funcional qué es un modelo, qué es un sesgo y por qué un sistema “se equivoca”. Profundizar es reconocer IA embebida en juguetes, aplicaciones de documentación y traductores, y decidir su lugar. Crear no significa programar: significa diseñar una secuencia de juego en la que los niños experimenten que una máquina “aprende” de ejemplos y que puede fallar, y documentar las hipótesis infantiles. El marco SIACC (Luo et al., 2024b) recuerda que seguridad e identidad preceden a cognición y capacidad: no se empieza por la habilidad técnica.

7.4. Pedagogía de la IA → juego, observación y documentación, no “hora de IA”. NAEYC y el Fred Rogers Center (2012) exigen uso intencional dentro de la práctica apropiada al desarrollo. NAEYC (2020) coloca la observación, la documentación y la evaluación en el centro del oficio. Yang et al. (2024) ilustran un aprendizaje encarnado mediado por agentes inteligentes, con observación de aula, entrevistas a la docente y artefactos, en una muestra mínima. La traducción es: la pedagogía de la IA en el jardín es pedagogía del juego con un objeto más —un sistema que responde—, no una asignatura. Adquirir es saber cuándo apagar. Profundizar es andamiar preguntas (“¿quién le enseñó eso a la máquina?”, “¿qué no puede hacer?”) sin ceder el turno de habla al sistema. Crear es integrar esas preguntas en proyectos ya existentes (el mercado, el hospital, el bosque), no inventar un rincón tecnológico desconectado del currículo de juego. Zhang et al. (2026) advierten, como debilidad reportada en su corpus, la fiabilidad y la adecuación etaria del contenido generativo y el riesgo de reducción de la creatividad: esa advertencia, de síntesis FODA, refuerza la primacía del hacer infantil sobre el contenido generado por máquina.

7.5. IA para el aprendizaje profesional → comunidades de práctica y juicio, no consumo de herramientas. Miao y Cukurova (2024) incluyen esta dimensión como crecimiento profesional. OECD (2023) la sitúa como palanca de sistema. Su (2024) muestra que las docentes piden apoyo escolar y directrices, no solo apps. Inferencia: el uso legítimo de IA generativa en el jardín es, ante todo, back-office docente —planificación, comunicación con familias, exploración de materiales— con veto de datos identificables, y evaluación crítica de las salidas. Adquirir es conocer riesgos de alucinación y de sesgo. Profundizar es contrastar una sugerencia de actividad con el conocimiento del grupo concreto. Crear es producir, con colegas, criterios locales de calidad (¿esto desplaza juego libre?, ¿esto respeta el tiempo de pantalla de la OMS?, ¿esto incluye a los niños con discapacidad y a las lenguas del aula?).

El marco para estudiantes (Miao, Shiohira y Lao, 2024) se traduce, en el jardín, de modo aún más restrictivo. “Comprender” puede equivaler a distinguir persona y máquina en el juego. “Aplicar” y “crear” no significan que un niño de cuatro años deba diseñar sistemas; significan, si acaso, que puede imaginar, dibujar y dictar reglas de un “robot ayudante”, como en AI4KG (Su y Yang, 2024). Forzar los niveles escolares sobre el jardín es una mala traducción.

8. Discusión

Tres tensiones organizan la discusión. La primera es la tensión entre viabilidad empírica y promesa de desarrollo. Es hallazgo que, en condiciones mediadas y breves, niños de jardín pueden aprender conceptos básicos de IA y producir artefactos imaginativos (Su y Yang, 2024; Yang et al., 2024). No es hallazgo que ello mejore su desarrollo. Las revisiones que reportan “mejoras” en creatividad, control emocional o alfabetización (Su y Yang, 2022) agregan estudios heterogéneos de casi tres décadas; transferir esa síntesis como evidencia de que “la IA desarrolla al niño” es un salto indebido. La competencia docente incluye resistir ese salto en el ciclo, en las ferias de innovación y en la compra de licencias.

La segunda tensión es entre el niño como aprendiz de IA y la docente como profesional que decide. Su (2024) y Su, Ng y Chu (2023) coinciden en que el cuello de botella es la docente: conocimiento, confianza, currículo, apoyo. Luo et al. (2024a) desplazan el centro de gravedad hacia la agencia humana. El marco UNESCO (Miao y Cukurova, 2024) está escrito, precisamente, para esa profesional. La mala implementación consiste en saltarse a la docente y entregar la sala al sistema. La buena implementación consiste en formar juicio: cuándo no usar, cómo mediar, cómo documentar, cómo hablar con familias. Ese juicio se ejercita en los lenguajes del oficio —la nota de observación, el panel de documentación, la reunión de inclusión—, no en un certificado de prompts.

La tercera tensión es entre equidad y adopción. El GEM Report (UNESCO, 2023) y la OECD (2023) recuerdan que los más desfavorecidos suelen quedar fuera de los beneficios y dentro de los costos. El 3A2S (Luo et al., 2024a) y Berson et al. (2025) convierten esa intuición en criterios: accesibilidad, asequibilidad, sesgo y regulación fragmentada. Zhang et al. (2026) añaden desigualdad de acceso y riesgos de privacidad. Una competencia que ignore la inclusión no es competencia según el marco UNESCO, que declara inclusividad, agencia humana, no discriminación y diversidad lingüística y cultural (Miao y Cukurova, 2024). En el jardín, inclusión significa no introducir un sistema que solo “entiende” una lengua, no fotografiar sin consentimiento de las familias y no sustituir el juego compartido por turnos individuales frente a una pantalla.

Hay, además, una consecuencia regulatoria. Si Miao y Holmes (2023) establecen un umbral de edad para conversaciones independientes con IA generativa, la sala de cuatro años no es el lugar de esa conversación. La docente puede usar IA generativa fuera de la interacción directa con el niño; el niño permanece bajo mediación humana, covisión y límites de pantalla (Council on Communications and Media, 2016; World Health Organization, 2019). Esa distribución de roles es la traducción más austera —y más fiel— del marco.

9. Límites

Esta revisión es narrativa. No aplica un protocolo PRISMA completo ni estima efectos. El corpus empírico de casos nucleares es pequeño y geográficamente sesgado: Hong Kong y entrevistas a docentes y expertos con fuerte presencia de China y Estados Unidos. No se localizaron, con el mismo grado de apertura de DOI, ensayos controlados latinoamericanos o africanos de competencia docente en IA en jardín; esa ausencia es un vacío, no una prueba de inexistencia. Varios artículos de Taylor & Francis y Springer restringieron el texto completo; se trabajó con resúmenes editoriales, ERIC, repositorios institucionales y páginas DOI, lo que limita la granularidad de métodos. Las revisiones de alcance (Su y Yang, 2022; Su, Ng y Chu, 2023; Berson et al., 2025; Zhang et al., 2026) heredan la heterogeneidad de sus corpus. Los marcos UNESCO, OECD y UNICEF son prescriptivos: su autoridad es normativa, no empírica. Las inferencias pedagógicas de este artículo son hipótesis de formación continua, no evidencia de aula.

10. Conclusiones

El marco de competencias en IA para docentes (Miao y Cukurova, 2024) es necesario e insuficiente. Es necesario porque nombra dimensiones —humanidad, ética, fundamentos, pedagogía, aprendizaje profesional— que el jardín no puede improvisar. Es insuficiente porque, sin traducción, se degrada en taller de herramientas. La evidencia empírica verificada muestra tres cosas modestas. Primera: niños de alrededor de cuatro y cinco años pueden aprender conceptos básicos de IA en programas mediados, breves y situados (Su y Yang, 2024; Yang et al., 2024). Segunda: los expertos rechazan el reemplazo del educador y exigen accesibilidad, asequibilidad, rendición de cuentas, sostenibilidad y justicia social (Luo et al., 2024a). Tercera: las docentes identifican como obstáculo no la falta de una app, sino la falta de conocimiento, de apoyo institucional y de directrices en su idioma profesional (Su, 2024; Su, Ng y Chu, 2023).

La traducción propuesta ancla cada dimensión UNESCO en el léxico del jardín: cuidado y no sustitución; privacidad y consentimiento con familias; núcleo conceptual al servicio de la observación; juego, documentación y apagado intencional; y aprendizaje profesional con veto de datos infantiles. Esa traducción es compatible con la práctica apropiada al desarrollo (NAEYC, 2020; NAEYC y Fred Rogers Center, 2012), con los límites de pantalla (World Health Organization, 2019; Council on Communications and Media, 2016), con la IA centrada en la niñez (UNICEF, 2021) y con la advertencia global de no dejar que la tecnología dicte los términos de la educación (UNESCO, 2023; OECD, 2023). Donde las fuentes no demuestran mejora del desarrollo, este artículo no la afirma. La competencia docente en inteligencia artificial para la educación inicial no es destreza de prompt: es juicio profesional sobre el juego, el cuidado y la inclusión en un entorno saturado de sistemas que predicen, recomiendan y, con frecuencia, se equivocan.

Ingeniero Mitre / Laboratorio Editorial de NEXTECH.IA

Referencias

  1. Berson, I. R., Berson, M. J., y Luo, W. (2025). Innovating responsibly: Ethical considerations for AI in early childhood education. AI, Brain and Child, 1, artículo 2. https://doi.org/10.1007/s44436-025-00003-5
  2. Council on Communications and Media. (2016). Media and young minds. Pediatrics, 138(5), e20162591. https://doi.org/10.1542/peds.2016-2591
  3. Luo, W., He, H., Gao, M., y Li, H. (2024b). Safety, identity, attitude, cognition, and capability: The ‘SIACC’ framework of early childhood AI literacy. Education Sciences, 14(8), 871. https://doi.org/10.3390/educsci14080871
  4. Luo, W., He, H., Liu, J., Berson, I. R., Berson, M. J., Zhou, Y., y Li, H. (2024a). Aladdin’s genie or Pandora’s box for early childhood education? Experts chat on the roles, challenges, and developments of ChatGPT. Early Education and Development, 35(1), 96–113. https://doi.org/10.1080/10409289.2023.2214181
  5. Miao, F., y Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084
  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. National Association for the Education of Young Children. (2020). Developmentally appropriate practice (DAP) position statement. NAEYC. https://www.naeyc.org/resources/position-statements/dap
  9. National Association for the Education of Young Children, y Fred Rogers Center for Early Learning and Children’s Media. (2012). Technology and interactive media as tools in early childhood programs serving children from birth through age 8 [Declaración de posición conjunta]. NAEYC. https://www.naeyc.org/sites/default/files/globally-shared/downloads/PDFs/resources/position-statements/ps_technology.pdf
  10. 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
  11. OECD. (2023). Empowering young children in the digital age (Starting Strong). OECD Publishing. https://doi.org/10.1787/50967622-en
  12. Su, J. (2024). Kindergarten teachers’ perceptions of AI literacy education for young children. International Journal of Technology and Design Education, 34(5), 1665–1685. https://doi.org/10.1007/s10798-024-09876-8
  13. Su, J., Ng, D. T. K., y Chu, S. K. W. (2023). Artificial intelligence (AI) literacy in early childhood education: The challenges and opportunities. Computers and Education: Artificial Intelligence, 4, 100124. https://doi.org/10.1016/j.caeai.2023.100124
  14. 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
  15. Su, J., y Yang, W. (2024). Artificial intelligence (AI) literacy in early childhood education: An intervention study in Hong Kong. Interactive Learning Environments, 32(9), 5494–5508. https://doi.org/10.1080/10494820.2023.2217864
  16. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000381137
  17. UNESCO. (2023). Global education monitoring report 2023: Technology in education — A tool on whose terms? UNESCO. https://doi.org/10.54676/uzqv8501
  18. UNICEF. (2021). Policy guidance on AI for children 2.0. UNICEF. https://www.unicef.org/innocenti/reports/policy-guidance-ai-children
  19. World Health Organization. (2019). Guidelines on physical activity, sedentary behaviour and sleep for children under 5 years of age. WHO. https://iris.who.int/handle/10665/311664
  20. Yang, W. (2022). Artificial intelligence education for young children: Why, what, and how in curriculum design and implementation. Computers and Education: Artificial Intelligence, 3, 100061. https://doi.org/10.1016/j.caeai.2022.100061
  21. Yang, W., Hu, X., Yeter, I. H., Su, J., Yang, Y., y Lee, J. C.-K. (2024). Artificial intelligence education for young children: A case study of technology-enhanced embodied learning. Journal of Computer Assisted Learning, 40(2), 465–477. https://doi.org/10.1111/jcal.12892
  22. Zhang, Y., Binti Halili, S. H., y Zainuddin, Z. (2026). Generative AI in preschool education: A systematic review with SWOT analysis. Contemporary Educational Technology, 18(1), ep626. https://doi.org/10.30935/cedtech/17866