1. Introducción y problema

En el tramo de 3 a 6 años —jardín, preescolar, CENDI, escuela infantil— se ha instalado un paquete de tres artefactos que pretenden valer por Diseño Universal para el Aprendizaje. El primero es una plataforma que “personaliza”: un sistema que, con clics, tiempos de respuesta o un perfil previo, entrega a cada niña o niño una ruta o un estímulo distinto. El segundo es un tablero de accesibilidad: un panel que activa subtítulos, contraste o lectura en voz alta una vez que alguien ha marcado al niño como usuario de apoyo. El tercero es un modelo que “adapta” el contenido: un clasificador o un generador que, post hoc, reescribe la consigna o el cuento según la etiqueta que el sistema asignó. Los tres son visibles y baratos en tiempo de coordinación. Permiten exhibir que el centro “ya hace DUA con inteligencia artificial”. El salto enunciativo es enorme: se pasa de personalizar, tabular o adaptar a afirmar que hay diseño universal. Ese salto no está autorizado ni por las Pautas DUA 3.0 de CAST ni por la evidencia de implementación en educación inicial.

La tesis de este artículo es restrictiva. Una plataforma que personaliza, un tablero de accesibilidad o un modelo que adapta el contenido no constituye DUA. El DUA es diseño de barreras de antemano —múltiples medios de representación, de acción y expresión, y de compromiso— con el adulto como diseñador del entorno; no un ajuste algorítmico post hoc sobre un niño clasificado. CAST formula el marco como un conjunto de sugerencias concretas para que todas las personas aprendientes puedan acceder y participar en oportunidades de aprendizaje significativas y desafiantes, y sitúa la meta en la agencia de quien aprende: intencional y reflexiva, ingeniosa y auténtica, estratégica y orientada a la acción (CAST, 2024). Las Pautas 3.0, publicadas el 30 de julio de 2024, no piden un perfil previo del niño para “desbloquear” opciones. Piden diseñar opciones. Meyer y Rose, en la tercera edición de su texto fundacional, reiteran que el DUA responde a las diferencias de aprendizaje mediante el diseño de metas, métodos, materiales, evaluaciones y entornos inclusivos (Meyer y Rose, 2025). Un algoritmo que primero clasifica y después entrega no está diseñando el entorno. Está administrando una diferencia que el diseño no anticipó.

El problema se agrava por una razón de oficio que las fichas de producto no mencionan. El DUA no es un artículo de inclusión o de TIC de apoyo como eje único. Tampoco es diferenciación individual. Chen y Dote-Kwan (2021) distinguen, en el aula preescolar, dos marcos que se solapan pero no se sustituyen: el DUA planifica el currículo y la instrucción para el grupo diverso; la diferenciación atiende necesidades individuales una vez que el entorno ya está en marcha. Confundir el segundo con el primero es el error de categoría que este trabajo nombra. Rao, Gravel, Rose y Tucker-Smith (2023) sitúan el DUA, en su tercera década, en la equidad, la inclusión y el diseño: no en el matching de un estilo de aprendizaje con un canal. Boysen (2024) advierte que esa analogía con los “estilos de aprendizaje” ha debilitado la base empírica que CAST exhibe. Inferencia, marcada como tal: el mercado de “IA para el DUA” hereda el error y lo automatiza. Convierte la variabilidad —hecho del diseño— en un rasgo del niño que hay que detectar.

Este trabajo no recicla los ejes ya tratados en esta serie. La pregunta es de categoría pedagógica: qué cuenta como DUA cuando un centro de educación inicial “hace IA”. Las contribuciones son tres: reconstruir el estado del arte que separa el diseño de barreras de antemano de la personalización y de la adaptación post hoc; examinar tres familias de casos; y ofrecer cuatro pruebas para decidir cuándo un jardín puede afirmar que diseña de manera universal, y no solo que personaliza, tabula o adapta.

2. Estado del arte: del diseño de barreras a la personalización del niño

Conviene separar cuatro estratos que el mercado de “IA para el DUA” suele mezclar. El primero es el DUA como marco de diseño: múltiples medios de compromiso, de representación y de acción y expresión, con la agencia de quien aprende como meta (CAST, 2024). El segundo es la evidencia de implementación, todavía desigual: un metaanálisis de 20 estudios y 50 efectos reporta un g de Hedges de 0,43 desde prekínder hasta la adultez (King-Sears, Stefanidis, Evmenova, Rao, Mergen, Owen y Strimel, 2023) y una revisión de 32 estudios PreK–12 documenta cobertura desigual de checkpoints (Zhang, Carter, Greene y Bernacki, 2024). El tercero es la IA en educación inicial: revisiones que mapean predicción, clasificación y personalización como affordances distintas (Chen, 2024; Su y Yang, 2022; Ljungcrantz, 2026). El cuarto es el marco de derechos y de alto riesgo, que trata al niño de 3–6 años como sujeto de supervisión humana y, en territorio europeo, de sistemas de alto riesgo cuando la IA determina acceso, admisión, asignación o evaluación.

En el estrato del marco, las Pautas 3.0 son el cambio más extenso del instrumento desde su origen. Gravel, Tucker-Smith, Rose, Fornauf, Hughes, Lester, Rao, Singer y Waitoller (2026) describen un proceso de cuatro años, impulsado por la comunidad, que priorizó aprender de practicantes, investigadores y de las propias personas jóvenes. CAST documenta un consejo asesor, más de 40 grupos focales y más de 1 100 títulos únicos. La versión 3.0 reconoce barreras individuales, institucionales y de sistema; enfatiza la interdependencia; y desplaza el lenguaje de centrado en el educador a centrado en quien aprende (CAST, 2024; Gravel et al., 2026). El “quién” del aprendizaje —identidades múltiples e intersectadas— se teje en los tres principios. Inferencia, marcada como tal: un modelo que reduce al niño a un vector de dificultad no opera ese “quién”. Lo comprime.

En el estrato de la evidencia, King-Sears et al. (2023) ofrecen el mejor estimador combinado disponible: efecto moderado positivo (g = 0,43) de la instrucción con DUA frente a “business-as-usual”, con grupos pequeños (hasta seis) en g = 0,86 y grupos grandes en g = 0,30. El rango incluye prekínder, pero el metaanálisis no aísla el tramo 3–6. Zhang et al. (2024) saturan el retrato de implementación: 32 estudios PreK–12 (1999–2023), con alineación a menudo ausente entre la intervención y los checkpoints DUA, cobertura desigual y falta de guía teórica. Boysen (2024) muestra que una muestra de estudios citados por CAST como apoyo de tres pautas aporta poca evidencia de elección, de aprendizaje medido o de función cerebral. Edyburn (2024) responde con una nota histórica sobre la base inicial y sobre la relación entre investigación y política. Inferencia: la evidencia del DUA no autoriza a tratar cualquier plataforma flexible como DUA. Autoriza, con cautela, a tratar el diseño intencional de opciones como una hipótesis de instrucción. No autoriza a automatizar un perfil.

En el estrato de la IA en inicial, Su y Yang (2022) revisan 17 estudios elegibles, de 1995 a 2021, sobre IA en ECE. Chen (2024), en un scoping más estricto, mapea 18 artículos de 11 países y 16 revistas (2005–2023; 14 de ellos en 2020–2023) que cubren 15 081 niñas y niños de 2 a 8 años. Extrae cuatro affordances: (1) la IA como herramienta tangible e intangible para el aprendizaje interactivo y la recuperación de información; (2) la IA como tecnología para predecir o clasificar condiciones del niño; (3) la IA como objeto de aprendizaje que se adapta y personaliza; y (4) un cuarto eje de sentido y percepción. Ljungcrantz (2026) actualiza el paisaje 2020–2024: 39 estudios, 20 de ellos de 2024, con predominio de niñas y niños de 4 a 6 años y de métodos mixtos; 25 clasificados como IA “tradicional”. Estatus: hallazgo de campo, no de DUA. Inferencia: las affordances (2) y (3) —clasificar al niño y personalizarle el recorrido— son exactamente las que el mercado vende como “DUA”. El marco de CAST no las autoriza como equivalentes. El DUA no empieza por un diagnóstico. Empieza por un entorno con opciones.

En el estrato de derechos, la Recomendación sobre la ética de la IA exige supervisión humana y atención particular cuando hay niñas y niños (UNESCO, 2021). Miao y Holmes (2023) fijan un umbral de edad para conversaciones independientes con plataformas generativas —13 años— y exigen validación ética y pedagógica. UNICEF (2021) prioriza el interés superior, el desarrollo y el bienestar. El Reglamento (UE) 2024/1689 trata como de alto riesgo, en el anexo III, los sistemas de IA destinados a determinar el acceso o la admisión a instituciones educativas, a asignar a las personas, a evaluar resultados de aprendizaje o a determinar el nivel educativo apropiado (Unión Europea, 2024). La Comisión Europea (2022) y el Departamento de Educación de Estados Unidos (2023) coinciden en no sustituir al docente. OECD (2021) ancla la calidad de la educación inicial en la calidad de proceso: interacciones cotidianas con adultos, pares, materiales y espacio. OECD (2023) documenta, con datos de 30 países y jurisdicciones, oportunidades y riesgos de la digitalización en ECEC. TALIS Starting Strong 2024 sitúa la preparación digital del personal como palanca de sistema, no como personalización del niño (OECD, 2025). La Declaración de Tashkent pide pedagogías centradas en el niño, basadas en el juego, plenamente inclusivas (UNESCO, 2022). Inferencia: un niño de cinco años no es el usuario de un tablero que “le adapta el DUA”. Es el sujeto de un entorno que un adulto diseñó con opciones.

3. Método de revisión

Se realizó una revisión narrativa crítica, no un metaanálisis. El propósito no fue estimar un tamaño de efecto homogéneo entre una plataforma de personalización, un preescolar de Liepāja y un instituto docente de verano, sino articular un argumento de categoría pedagógica con fuentes verificadas. Criterios de inclusión: (a) 2021–2026, con textos CAST de 2024–2026 cuando actualizan el marco; (b) DUA/UDL como diseño de barreras de antemano, o IA en educación inicial 3–6 años; (c) relevancia para jardín, preescolar, CENDI o 3–6 años; (d) revista con pares, DOI o informe de CAST, UNESCO, OECD, UNICEF, Unión Europea, Comisión Europea o ERIC; (e) DOI o página editorial verificable. Se excluyeron como objeto central los ejes ya usados en esta serie, aunque algunos aparecen como límite.

La búsqueda se ejecutó el 26 de agosto de 2026 en páginas DOI, Springer, Elsevier, Wiley, SAGE, MDPI, CAST, OECD iLibrary, UNESDOC, UNICEF, EUR-Lex, ERIC y sitios editoriales. Cada fuente se verificó contra al menos una de esas páginas. El análisis distinguió tres estatus enunciativos. Hallazgo empírico: lo observado o medido en la muestra. Marco conceptual o normativo: lo que un marco o un reglamento prescribe. Inferencia pedagógica: la traducción a jardines y CENDI, marcada como tal.

4. Caso 1. Personalizar y clasificar no es diseñar barreras de antemano

Chen (2024) publica en el Journal of Artificial Intelligence Research el scoping que mejor ilustra el salto que la tesis rechaza. Con 18 artículos de 11 países y 16 revistas, cubre 15 081 niñas y niños de 2 a 8 años entre 2005 y 2023; 14 de los 18 textos son de 2020–2023. El análisis temático extrae cuatro affordances de la IA para su uso en ECE. La segunda es la IA como tecnología para predecir o clasificar condiciones del niño. La tercera es la IA como objeto de aprendizaje que se adapta y personaliza el recorrido. Estatus de la evidencia. Hallazgo empírico de campo: la literatura de “IA para la primera infancia” ya distingue clasificar al niño y personalizarle el contenido. No es hallazgo de DUA. Chen no afirma que esas affordances sean diseño universal. Inferencia pedagógica, marcada como tal: el gesto que un jardín copia cuando “hace DUA con una plataforma” es exactamente este. Se toma una señal —clic, error, tiempo, etiqueta—, se le asigna un perfil y se entrega un contenido distinto. Lo que hay es un ajuste post hoc. El DUA, en CAST (2024) y en Meyer y Rose (2025), pide que las opciones de representación, de expresión y de compromiso estén en el entorno antes de que el niño entre. Un clasificador no las pone. Las dosifica.

Su y Yang (2022) saturan el retrato con 17 estudios de 1995 a 2021 sobre herramientas e impactos de la IA en ECE. Ljungcrantz (2026) actualiza a 39 publicaciones 2020–2024, 20 de ellas en 2024, con foco en 4–6 años y métodos mixtos; la IA “tradicional” pasa de 4 estudios en 2023 a 12 en 2024. El autor señala vacíos de estudios longitudinales, de poblaciones diversas y de marcos éticos. Estatus: hallazgo de crecimiento del campo, no de equivalencia con DUA. Inferencia: el auge de 2024 no autoriza a traducir “más IA en el jardín” como “más DUA”. Autoriza a preguntar qué hace la IA: si diseña opciones de antemano o si clasifica al niño para entregarle un canal.

Saborío-Taylor y Rojas-Ramírez (2024) exploran la convergencia de DUA e IA y presentan aplicaciones de medios múltiples. Bray, Devitt, Banks, Sanchez Fuentes, Sandoval, Riviou, Byrne, Flood, Reale y Terrenzio (2024), con 15 estudios empíricos de 1 253 registros, muestran que, en secundaria, la investigación de tecnología y DUA se ha concentrado en los “easy wins” del principio de Representación —ofrecer elección sobre cómo se accede al contenido— y deja un vacío en Compromiso y en Acción y expresión. Estatus: hallazgo de secundaria, no de 3–6 años. Inferencia, marcada como tal: si incluso en secundaria la tecnología “de DUA” se reduce a un canal de acceso, el riesgo en el jardín es mayor. Un tablero que cambia el contraste o lee en voz alta un pdf no ha diseñado múltiples medios de compromiso ni de expresión. Ha activado un ajuste. King-Sears et al. (2023) miden instrucción con DUA, no plataformas que se autodenominan DUA. Zhang et al. (2024) muestran que, sin alineación explícita a checkpoints, lo que se llama DUA a menudo no lo es. Inferencia: una ficha de producto que dice “personalización + accesibilidad = DUA” no pasa esa prueba.

5. Caso 2. Lo que el jardín sí hace cuando hay DUA: el adulto diseña el entorno

Tīģere, Bethere, Jurs y Ļubkina (2025) publican en Education Sciences el estudio de caso que mejor nombra, en este corpus, una implementación empírica de las Pautas DUA 3.0 en preescolar. En Liepāja, Letonia, con el Center for Pedagogy and Social Work de la Academia Liepāja de la Universidad Técnica de Riga, observan a cinco niñas y niños de 4 a 8 años entre septiembre de 2023 y mayo de 2024. La observación se alinea con las Pautas 3.0 y se centra en comunicación e interacción social. El desarrollo de habilidades se valora con la zona de desarrollo próximo de Vygotsky. El programa diseña, de antemano, múltiples medios de compromiso (intereses e identidades, esfuerzo y persistencia, capacidad emocional), de representación y de acción y expresión: horarios visuales y temporizadores, bolsas del hogar para recolectar materiales con pares, tareas de independencia como cocinar y poner la mesa, visitas a parques o a profesionales, y un repertorio de prompts verbales, gestuales, físicos, visuales y posicionales. Estatus de la evidencia. Hallazgo empírico de diseño de entorno en un N pequeño: las opciones se ponen en la actividad antes de que el niño “falle”. No es hallazgo de IA. No es hallazgo de que un algoritmo reproduzca ese diseño. No es, y este artículo no lo convierte en, un estudio de inclusión o de discapacidad como eje único: el marco que las autoras invocan es el DUA para todos en un preescolar inclusivo, no un tablero de apoyos individuales. El N = 5 y el rango 4–8 limitan la generalización; las propias autoras no inflan los datos. Inferencia pedagógica, marcada como tal: este es el objeto que un centro de educación inicial puede llamar, con propiedad, DUA. Es diseño de barreras de antemano por un adulto. Un clasificador no recolecta materiales con pares. Un tablero de accesibilidad no pone la mesa.

Fundelius, Wade, Robbins, Wang, McConomy y Fumero (2023) traducen el mismo gesto a la lectura de cuentos. Las “cajas de libro” reúnen, de antemano, objetos tangibles o abstractos —fotos, miniaturas, objetos reales— y experiencias sensoriales, de modo que todas las niñas y los niños puedan participar. Estatus: hallazgo de diseño instruccional, no de ensayo aleatorizado. Inferencia: la caja se arma antes de la asamblea. No se “adapta” el cuento después de detectar quién no entendió. Gauvreau, Lohmann y Hovey (2023) llevan el DUA a la asamblea o circle time, rutina central del jardín, para que todas las niñas y los niños participen. Hovey, Gauvreau y Lohmann (2022) detallan múltiples medios de acción y expresión: herramientas, representaciones visuales, elección y manipulación. Lohmann, Hovey y Gauvreau (2023) aplican el mismo marco a la ciencia preescolar: planificación proactiva, no reparación. Chen y Dote-Kwan (2021) recuerdan que el DUA planifica para el grupo y que la diferenciación atiende al individuo. Inferencia: si el centro “hace DUA” solo cuando un niño ya fue etiquetado, no está haciendo DUA. Está diferenciando con retraso, y a menudo con un algoritmo.

King-Sears et al. (2023) ofrecen el contraste cuantitativo: g = 0,43 combinado, más alto en grupos pequeños. El dato no se transfiere, sin más, a un jardín o a un CENDI. Se usa aquí como techo de lo que la literatura de instrucción con DUA —no de plataformas— ha medido. Zhang et al. (2024) advierten que, sin documentar checkpoints, lo que se llama implementación no es evaluable. Boysen (2024) obliga a no inflar la neurociencia de las tres redes. CAST (2024) y Gravel et al. (2026) desplazaron el lenguaje hacia la agencia, la pertenencia y las barreras de sistema. OECD (2021) sitúa el motor del desarrollo en las interacciones de proceso. Inferencia: la evidencia de DUA en inicial se verifica en el diseño del entorno —caja de libro, asamblea con opciones, ciencia con múltiples medios, prompts preparados— no en un log de personalización.

6. Caso 3. La IA como herramienta del diseñador adulto, no como ajuste post hoc sobre el niño

Evmenova, Borup y Shin (2024) publican en TechTrends el caso que mejor ilustra el tercer artefacto cuando se lo coloca del lado correcto del diseño. Analizan datos de un instituto docente de verano 2023. En ese momento, la mayoría de las y los docentes no había usado IA generativa y se dividían de modo parejo entre considerarla “amiga” o “enemiga”. El 43 % afirmó que ChatGPT y otra IA generativa “ayudará a hacer la instrucción más accesible para TODOS los aprendices”; el 32 % estaba indeciso. El artículo discute estrategias para usar IA generativa en la mejora del DUA: no para clasificar al estudiante, sino para que el adulto produzca, de antemano, representaciones diversas, variantes de actividades y apoyos de expresión. Estatus de la evidencia. Hallazgo empírico de percepciones docentes en un instituto de verano, no de un ensayo en jardín de 3–6 años. No es hallazgo de que la IA generativa “haga DUA”. Es hallazgo de que un conjunto de docentes imagina la IA como apoyo a su propio diseño. Inferencia pedagógica, marcada como tal: este es el único lugar en el que la IA puede acercarse al DUA en educación inicial sin contradecir el marco. El adulto es el diseñador. La máquina, si entra, entra como taller de materiales, no como tutor del niño. Miao y Holmes (2023) fijan el umbral de 13 años para conversaciones independientes con plataformas generativas. Un niño de cuatro no es el interlocutor. OECD (2023, 2025) sitúa la digitalización en el personal, los materiales y la protección, no en un perfil adaptativo del infante.

CAST (2024) y Gravel et al. (2026) refuerzan esa distribución de papeles. En 3–6 años la agencia se ejerce en un entorno que un adulto armó: pertenencia, gozo, juego, identidades, interdependencia. Meyer y Rose (2025) recuerdan materiales accesibles y entornos universalmente diseñados. Rao et al. (2023) recuerdan que el DUA es un marco de diseño, no un matching de estilo. Bray et al. (2024) muestran qué ocurre cuando la tecnología se queda en el “easy win” de la representación: se ofrece un canal de acceso y se llama a eso DUA. Inferencia: un jardín que pide a un modelo que “le adapte el cuento a este niño” hace el easy win al revés. No ofrece medios múltiples en el entorno. Ofrece un medio único recalibrado. Eso es personalización. No es DUA.

El marco de derechos cierra el caso. UNESCO (2021) exige supervisión humana. UNICEF (2021) exige desarrollo y bienestar. La Comisión Europea (2022) exige no sustituir el juicio profesional. El anexo III del Reglamento (UE) 2024/1689 incluye la evaluación automatizada de aprendizajes y la determinación del nivel educativo (Unión Europea, 2024). Inferencia: un sistema que, en un CENDI, clasifica al niño y le asigna un “nivel DUA” no es una innovación de diseño universal. Es, en ese territorio, una práctica de alto riesgo si determina nivel o evaluación. El umbral de edad de Miao y Holmes (2023) no se “cumple” bajando la edad del usuario. Se respeta no convirtiendo al niño de inicial en interlocutor de una plataforma o de un clasificador.

7. Marco inferencial: cuatro pruebas para afirmar que hay DUA, no un ajuste

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 cuatro pruebas. Si un jardín, preescolar, CENDI o escuela infantil no las pasa, no puede declarar que una plataforma que personaliza, un tablero de accesibilidad o un modelo que adapta el contenido constituyen DUA.

7.1. Prueba del diseño de antemano, no del ajuste post hoc. CAST (2024) y Meyer y Rose (2025) sitúan el DUA en el diseño de metas, métodos, materiales, evaluaciones y entornos. Fundelius et al. (2023) arman la caja de libro antes de la lectura. Gauvreau et al. (2023) diseñan la asamblea para que todas las niñas y los niños participen. Tīģere et al. (2025) ponen horarios visuales, prompts y materiales en la actividad. Chen (2024) muestra que la literatura de IA, en cambio, predice, clasifica y personaliza. Inferencia: la evidencia de DUA se verifica en opciones presentes en el entorno antes de que el niño “falle” o sea etiquetado. Si la “evidencia” de que el centro hace DUA es un log de adaptación o un perfil que desbloquea un modo, el centro ha hecho ajuste, no diseño.

7.2. Prueba de los tres principios, no del canal de acceso. Bray et al. (2024) documentan la reducción de la tecnología “de DUA” al principio de Representación. Hovey et al. (2022) y Lohmann et al. (2023) recuerdan acción/expresión y compromiso en el aula de inicial. CAST (2024) teje identidad, pertenencia, gozo, juego e interdependencia en los tres principios. Zhang et al. (2024) exigen alineación a checkpoints, no a un eslogan. Inferencia: un tablero que cambia el contraste, el tamaño de fuente o la voz no ha cubierto compromiso ni expresión. Ha cubierto, en el mejor caso, un checkpoint de percepción. Declarar DUA por un canal es el easy win que Bray nombra. En 3–6 años, el compromiso se juega en la asamblea, en el material y en la relación, no en un slider.

7.3. Prueba del adulto diseñador, no del niño clasificado. Chen y Dote-Kwan (2021) separan DUA (plan del grupo) y diferenciación (atención al individuo). Evmenova et al. (2024) sitúan la IA generativa en el diseño docente. Miao y Holmes (2023) excluyen al menor de 13 años como interlocutor independiente de plataformas generativas. OECD (2021, 2023, 2025) sitúa la calidad en interacciones y en el personal. Inferencia: el niño de 3–6 años no es el usuario de un modelo que “le adapta el DUA”. Es el habitante de un entorno que un adulto diseñó. Si la IA entra, entra como taller del adulto —variantes de cuento, pictogramas, opciones de expresión— sometido a validación pedagógica. No entra como tutor, clasificador o personalizador del infante.

7.4. Prueba de los derechos y del alto riesgo, no del tablero de producto. UNESCO (2021) exige supervisión humana. UNICEF (2021) exige interés superior. El anexo III del Reglamento (UE) 2024/1689 incluye acceso, admisión, asignación, evaluación de aprendizajes y nivel educativo (Unión Europea, 2024). La Comisión Europea (2022) exige no sustituir al docente. Inferencia: un centro de inicial no puede tratar al niño como objeto de un veredicto automatizado de “perfil DUA”. En territorio europeo, un sistema que asigne nivel o evalúe con IA es, salvo las salvaguardas del reglamento, una práctica de alto riesgo. Fuera de ese territorio, sigue siendo un error de categoría: el DUA no se cumple clasificando mejor. Se cumple diseñando opciones para todas las niñas y los niños antes de que nadie las pida.

El marco admite la IA generativa como taller del adulto (Evmenova et al., 2024); las Pautas 3.0 como herramienta de diseño, no como checklist de producto (CAST, 2024; Gravel et al., 2026); las cajas de libro, las asambleas y la ciencia con medios múltiples (Fundelius et al., 2023; Gauvreau et al., 2023; Lohmann et al., 2023; Tīģere et al., 2025); y el g = 0,43 de King-Sears et al. (2023) como techo cauteloso de la instrucción con DUA, no de las plataformas. Rechaza declarar DUA por una plataforma que personaliza, por un tablero que desbloquea accesibilidad tras una etiqueta, o por un modelo que adapta el contenido al niño clasificado (Chen, 2024; Bray et al., 2024; Miao y Holmes, 2023).

8. Discusión

Tres tensiones organizan la discusión. La primera es entre personalizar y diseñar. Es hallazgo que la literatura de IA en ECE incluye, como affordances distintas, predecir o clasificar al niño y personalizar su aprendizaje (Chen, 2024); que el campo creció hasta 39 estudios en 2020–2024, con pico en 2024 y foco en 4–6 años (Ljungcrantz, 2026); y que 17 estudios anteriores ya reportaban herramientas e impactos (Su y Yang, 2022). Es marco que el DUA diseña opciones de antemano (CAST, 2024; Meyer y Rose, 2025; Rao et al., 2023). No es hallazgo que personalizar produzca el entorno que Tīģere et al. (2025), Fundelius et al. (2023) y Gauvreau et al. (2023) observan. La política de los tres artefactos —plataforma, tablero, modelo— mide lo que la ingeniería sabe medir y declara lo que solo el diseño de barreras autorizaría.

La segunda es entre el niño como perfil y el entorno como diseño. Chen y Dote-Kwan (2021) muestran que el DUA planifica para el grupo y que la diferenciación atiende al individuo. King-Sears et al. (2023) miden instrucción, no matching. Zhang et al. (2024) muestran que, sin checkpoints documentados, la etiqueta “DUA” no es evaluable. Boysen (2024) muestra el riesgo de tratar el DUA como estilos de aprendizaje. Inferencia: insistir en que el niño “tenga su ruta” mientras el entorno sigue siendo de un solo medio es una pedagogía invertida. El perfil culpa al niño de lo que el diseño no anticipó. CAST (2024) había desplazado el lenguaje hacia barreras de sistema. El modelo de personalización hace la operación inversa: extrae al niño del entorno y lo devuelve como itinerario.

La tercera es entre el taller del adulto y el interlocutor infantil. Evmenova et al. (2024) muestran docentes que imaginan la IA generativa como apoyo a su DUA. Miao y Holmes (2023) excluyen al menor de 13 años como usuario independiente. OECD (2023, 2025) sitúa la digitalización en el personal y en la protección. Inferencia: el único uso de IA que no contradice el DUA en 3–6 años es el que permanece del lado del diseñador adulto y se somete a validación pedagógica. Un cuento con pictogramas y objetos preparados por la educadora puede ser DUA. Un modelo que reescribe el cuento porque el sistema clasificó al niño no lo es.

9. Límites

Esta revisión es narrativa. No aplica PRISMA ni estima efectos combinados. Chen (2024) mapea affordances de IA en ECE 2–8 años, no implementaciones de DUA; la transferencia a la tesis restrictiva es inferencia. Su y Yang (2022) cubren 1995–2021 y no aíslan DUA. Ljungcrantz (2026) cubre 2020–2024. Tīģere et al. (2025) es un N = 5 en Liepāja, con rango 4–8; no se usa como artículo de discapacidad y no autoriza generalización. Fundelius et al. (2023), Gauvreau et al. (2023), Hovey et al. (2022) y Lohmann et al. (2023) son artículos de técnicas, no ensayos. King-Sears et al. (2023) incluyen prekínder pero no lo aíslan; el g = 0,43 no se traduce en un efecto de jardín. Zhang et al. (2024) cubren PreK–12. Boysen (2024) y Edyburn (2024) debaten la base de CAST. Bray et al. (2024) son de secundaria. Evmenova et al. (2024) es un instituto docente, no un aula de 3–6. Saborío-Taylor y Rojas-Ramírez (2024) son conceptuales. CAST, Meyer y Rose, Gravel et al., Rao et al., UNESCO, UNICEF, la OECD, la Unión Europea y las guías de 2021–2023 son de marco. Chen y Dote-Kwan (2021) se usan por la distinción DUA/diferenciación, no como eje de inclusión. No se localizaron ensayos latinoamericanos de DUA e IA en jardín que midan diseño de barreras frente a personalización. Las inferencias de la sección 7 son hipótesis de categoría pedagógica, no evidencia de implementación.

10. Conclusiones

Una plataforma que personaliza, un tablero de accesibilidad o un modelo que adapta el contenido no constituyen Diseño Universal para el Aprendizaje en un centro de educación inicial. La evidencia verificada no autoriza esa declaración. Dieciocho estudios que cubren 15 081 niñas y niños de 2 a 8 años distinguen, como affordances de la IA, predecir o clasificar al niño y personalizar su aprendizaje; eso es el campo de la IA en ECE, no DUA (Chen, 2024). Diecisiete y treinta y nueve revisiones saturan el crecimiento del campo sin equivalerlo a diseño de barreras (Su y Yang, 2022; Ljungcrantz, 2026). En secundaria, la tecnología “de DUA” se concentra en el easy win de la representación (Bray et al., 2024). El metaanálisis de instrucción con DUA reporta un g = 0,43 y no mide plataformas (King-Sears et al., 2023). La implementación PreK–12 tropieza con checkpoints no documentados (Zhang et al., 2024). En cambio, cuando hay DUA en inicial, hay un adulto que diseña el entorno de antemano: cajas de libro multimodales (Fundelius et al., 2023), asambleas para todas las niñas y los niños (Gauvreau et al., 2023), ciencia y expresión con medios múltiples (Lohmann et al., 2023; Hovey et al., 2022), y un preescolar de Liepāja alineado con las Pautas 3.0 (Tīģere et al., 2025). La IA generativa, cuando se acerca al DUA, se acerca como taller del docente, no como clasificador del infante (Evmenova et al., 2024). El derecho vigente exige supervisión humana, interés superior, umbral de edad para conversaciones independientes con plataformas generativas y, en la Unión Europea, tratar como de alto riesgo la IA que determina acceso, admisión, asignación, evaluación o nivel educativo (UNESCO, 2021; UNICEF, 2021; Miao y Holmes, 2023; Unión Europea, 2024; European Commission, 2022).

Donde las fuentes no miden un jardín, este artículo no lo afirma. Donde miden personalización o un canal de acceso, no las traduce en DUA. Acompañar a niñas y niños de tres a seis años con DUA es diseñar barreras de antemano —múltiples medios de representación, de acción y expresión, y de compromiso— con el adulto como diseñador del entorno. Lo demás es un ajuste sobre un niño clasificado. No es DUA, y no debe presentarse como lo que no es.

Laboratorio Editorial de NEXTECH.IA / Ingeniero Mitre.

Referencias

  1. Boysen, G. A. (2024). A critical analysis of the research evidence behind CAST’s universal design for learning guidelines. Policy Futures in Education, 22(7), 1219–1238. https://doi.org/10.1177/14782103241255428
  2. Bray, A., Devitt, A., Banks, J., Sanchez Fuentes, S., Sandoval, M., Riviou, K., Byrne, D., Flood, M., Reale, J., y Terrenzio, S. (2024). What next for Universal Design for Learning? A systematic literature review of technology in UDL implementations at second level. British Journal of Educational Technology, 55(1), 113–138. https://doi.org/10.1111/bjet.13328
  3. CAST. (2024). Universal Design for Learning Guidelines version 3.0 [organizador gráfico]. CAST. https://udlguidelines.cast.org/
  4. Chen, D., y Dote-Kwan, J. (2021). Preschoolers with visual impairments and additional disabilities: Using universal design for learning and differentiation. Young Exceptional Children, 24(2), 70–81. https://doi.org/10.1177/1096250620922205
  5. Chen, J. J. (2024). A scoping study on AI affordances in early childhood education: Mapping the global landscape, identifying research gaps, and charting future research directions. Journal of Artificial Intelligence Research. https://doi.org/10.1613/jair.1.16882
  6. Edyburn, D. (2024). Research or policy – which lever pushes practice faster? A universal design for learning historical footnote: A response to Guy Boysen. Policy Futures in Education, 22(7), 1239–1260. https://doi.org/10.1177/14782103241260902
  7. European Commission. (2022). Ethical guidelines on the use of artificial intelligence (AI) and data in teaching and learning for educators. Publications Office of the European Union. https://doi.org/10.2766/153756
  8. Evmenova, A. S., Borup, J., y Shin, J. K. (2024). Harnessing the power of generative AI to support ALL learners. TechTrends, 68(4), 820–831. https://doi.org/10.1007/s11528-024-00966-x
  9. Fundelius, E., Wade, T., Robbins, A., Wang, S., McConomy, M. A., y Fumero, K. (2023). Universal design principles for multimodal representation in literacy activities for preschoolers. Inclusive Practices, 2(1). https://doi.org/10.1177/27324745221140380
  10. Gauvreau, A. N., Lohmann, M. J., y Hovey, K. A. (2023). Circle is for everyone: Using UDL to promote inclusion during circle times. Young Exceptional Children, 26(1), 3–15. https://doi.org/10.1177/10962506211028576
  11. Gravel, J. W., Tucker-Smith, N., Rose, D. H., Fornauf, B., Hughes, M. M., Lester, L., Rao, K., Singer, S., y Waitoller, F. R. (2026). UDL Guidelines 3.0: A community-driven, research-based process toward fulfilling the promise of Universal Design for Learning. International Journal of Universal Design and Universal Design for Learning, 1(2). https://doi.org/10.34874/PRSM.ijududl-vol1iss2.6592
  12. Hovey, K. A., Gauvreau, A. N., y Lohmann, M. J. (2022). Providing multiple means of action and expression in the early childhood classroom through a Universal Design for Learning framework. The Journal of Special Education Apprenticeship, 11(2), Article 7. https://scholarworks.lib.csusb.edu/josea/vol11/iss2/7
  13. King-Sears, M. E., Stefanidis, A., Evmenova, A. S., Rao, K., Mergen, R. L., Owen, L. S., y Strimel, M. M. (2023). Achievement of learners receiving UDL instruction: A meta-analysis. Teaching and Teacher Education, 122, 103956. https://doi.org/10.1016/j.tate.2022.103956
  14. Ljungcrantz, L. (2026). The interaction of AI and early childhood education. A state-of-the-art review 2020–2024. Early Childhood Education Journal, 54, 3565–3581. https://doi.org/10.1007/s10643-025-02079-3
  15. Lohmann, M. J., Hovey, K. A., y Gauvreau, A. N. (2023). Universal Design for Learning (UDL) in inclusive preschool science classrooms. Journal of Science Education for Students with Disabilities, 26(1), Article 4. https://doi.org/10.14448/jsesd.15.0005
  16. Meyer, A., y Rose, D. H. (2025). Universal Design for Learning: Principles, framework, and practice (3.ª ed.). CAST Professional Publishing. https://www.cast.org/books-media/universal-design-for-learning-principles-framework-practice-third-edition/
  17. Miao, F., y Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  18. OECD. (2021). Starting Strong VI: Supporting meaningful interactions in early childhood education and care. OECD Publishing. https://doi.org/10.1787/f47a06ae-en
  19. OECD. (2023). Empowering young children in the digital age (Starting Strong). OECD Publishing. https://doi.org/10.1787/50967622-en
  20. OECD. (2025). Results from TALIS Starting Strong 2024: Strengthening early childhood education and care. OECD Publishing. https://doi.org/10.1787/20af08c0-en
  21. Rao, K., Gravel, J. W., Rose, D. H., y Tucker-Smith, N. (2023). Universal design for learning in its 3rd decade: A focus on equity, inclusion, and design. En R. J. Tierney, F. Rizvi y K. Erkican (Eds.), International encyclopedia of education (4.ª ed., pp. 712–720). Elsevier. https://doi.org/10.1016/B978-0-12-818630-5.14079-5
  22. Saborío-Taylor, S., y Rojas-Ramírez, F. (2024). Universal design for learning and artificial intelligence in the digital era: Fostering inclusion and autonomous learning. International Journal of Professional Development, Learners and Learning, 6(2), ep2408. https://doi.org/10.30935/ijpdll/14694
  23. 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
  24. Tīģere, I., Bethere, D., Jurs, P., y Ļubkina, V. (2025). Developing inclusive preschool education for children with autism applying universal learning design strategy. Education Sciences, 15(6), 638. https://doi.org/10.3390/educsci15060638
  25. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000381137
  26. UNESCO. (2022). Tashkent Declaration and Commitments to Action for Transforming Early Childhood Care and Education. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000384045
  27. UNICEF. (2021). Policy guidance on AI for children 2.0. UNICEF Innocenti. https://www.unicef.org/innocenti/reports/policy-guidance-ai-children
  28. Unión Europea. (2024). Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial. Diario Oficial de la Unión Europea. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
  29. U.S. Department of Education, Office of Educational Technology. (2023). Artificial intelligence and the future of teaching and learning: Insights and recommendations. U.S. Department of Education. https://www.ed.gov/sites/ed/files/documents/ai-report/ai-report.pdf
  30. Zhang, L., Carter, R. A., Jr., Greene, J. A., y Bernacki, M. L. (2024). Unraveling challenges with the implementation of Universal Design for Learning: A systematic literature review. Educational Psychology Review, 36, 35. https://doi.org/10.1007/s10648-024-09860-7