1. Introducción y problema

En las facultades de educación se ha instalado un gesto de política curricular de bajo costo: un módulo de inteligencia artificial, a menudo alojado en la asignatura de tecnología educativa, en el que los estudiantes de magisterio aprenden a “hablarle” a un modelo generativo. El producto del taller —un prompt, un plan de clase generado, una rúbrica, una ficha— se exhibe como evidencia de preparación profesional. El salto enunciativo es enorme. Se pasa de la fluidez con una interfaz a la afirmación de que el futuro maestro de jardín y de primer ciclo está listo para enseñar a niñas y niños de tres a ocho años en un entorno saturado de sistemas opacos, inestables y sociales (Mishra et al., 2023). Ese salto no está autorizado por la evidencia de la formación inicial.

La tesis de este artículo es restrictiva. Un módulo de IA no prepara al docente de educación inicial si solo enseña prompts. El prompt es un acto de conocimiento tecnológico: saber formular una petición, iterar, copiar y pegar. El magisterio de jardín es otra clase de saber: notar lo que un niño de cuatro años hace con un material, decidir si una actividad es o no pertinente a su desarrollo, sostener un grupo, improvisar cuando el plan se cae, y —ahora— juzgar si un texto generado por un modelo es didácticamente admisible o es un artefacto adulto disfrazado de lección infantil. Confundir ambas operaciones es un error categorial. Es el mismo error que Trust, Whalen y Mouza (2023) describen cuando recuerdan que los programas de teacher education han siloed durante décadas la tecnología en un único curso, y que la IA, precisamente porque atraviesa todas las asignaturas, no admite ese aislamiento.

El problema se agrava en la educación inicial por una razón de edad y de oficio que no aparece en los talleres genéricos de “ChatGPT para docentes”. Miao y Holmes (2023) recomiendan un enfoque humano-céntrico, validación ética y pedagógica de las herramientas, y un umbral de edad para conversaciones independientes con plataformas generativas. Seis profesores expertos en primera infancia de China y Estados Unidos sitúan a ChatGPT, en el mejor de los casos, como facilitador a demanda del educador y, con reservas, como agente conversacional para el niño; su trayectoria deseable es la aumentación de la inteligencia humana, no el reemplazo de la acción del docente (Luo et al., 2024). Nada de ello se enseña cuando el módulo se agota en la ingeniería de prompts. Tampoco se enseña cuando el indicador de éxito es la aceptación tecnológica —la intención de usar— y no el juicio sobre un plan de asamblea, de rincón o de lectoescritura emergente.

Este trabajo no recicla el marco de competencias de la UNESCO para docentes en servicio (Miao y Cukurova, 2024): ese instrumento describe perfiles de quien ya enseña. La pregunta aquí es anterior: qué ocurre en la formación inicial cuando se pretende “preparar” al maestro de jardín con un módulo de IA. Las contribuciones son tres: reconstruir el estado del arte separando TK, TPK y juicio (Celik, 2023; Mishra et al., 2023; Sperling et al., 2024); examinar tres familias de casos de preservice —aceptación, curso de alfabetización y planificación de lecciones—; y ofrecer cuatro pruebas para decidir cuándo un diseño de magisterio puede afirmar que “prepara”.

2. Estado del arte: de la aceptación al juicio, del módulo al currículo

Conviene separar cuatro estratos que la literatura suele mezclar. El primero es la aceptación de la tecnología: si el futuro docente declara que usará IA. El segundo es el conocimiento profesional para integrar IA en la enseñanza, formulado hoy como TPACK y como Intelligent-TPACK. El tercero es el lugar curricular de ese conocimiento en la formación inicial: un curso siloed o un hilo a lo largo del plan de estudios y de las prácticas. El cuarto es el oficio específico de la educación inicial, donde el interlocutor no es un adolescente que escribe ensayos, sino un niño pequeño cuya conversación independiente con un modelo generativo no está autorizada por la guía de la UNESCO (Miao y Holmes, 2023).

En el estrato de la aceptación, Zhang et al. (2023) hallan que utilidad percibida y facilidad de uso predicen la intención de utilizar aplicaciones educativas de IA. Runge, Hebibi y Lazarides (2025) extienden el modelo con cursos de IA y un autoinforme de AI-TPACK: los cursos se asocian a ambos; el AI-TPACK no predice de modo significativo la intención de usar IA en la enseñanza futura. Aceptar, autoevaluar conocimiento y declarar intención no equivalen a saber enseñar a un grupo de cinco años.

En el estrato del conocimiento profesional, Celik (2023) modela Intelligent-TPACK con 428 docentes de Turquía que usaban una plataforma con tableros y tutores. Aunque la muestra es de docentes en ejercicio, el resultado es transferible como estructura de saber, no como equivalencia de cohortes: el conocimiento tecnológico (TK) permite evaluar mejor las decisiones de la IA, pero “solo TK no es suficiente”; el TK es significativo cuando se combina con conocimiento pedagógico, reflejado en el conocimiento tecnológico-pedagógico (TPK); la evaluación ética influye sobre el TPACK tanto como el TPK (Celik, 2023). Enseñar a interactuar con la herramienta —el territorio del prompt— no es enseñar a decidir. Mishra, Warr e Islam (2023) añaden que los sistemas generativos son proteicos, opacos e inestables, y además generativos y sociales. El conocimiento contextual (XK) debe ampliarse más allá del aula inmediata. Un módulo que no toca esa opacidad forma un hábito de consulta, no TPACK.

Sperling, Stenberg, McGrath, Åkerfeldt, Heintz y Stenliden (2024) revisan 34 trabajos (2000–2023) sobre alfabetización en IA relevante para la teacher education, con episteme, techne y phronesis. El tópico es emergente a escala global y está “casi ausente” del campo de la formación docente. Las éticas se abordan como configuraciones técnicas; el saber práctico se traduce en adoptar recursos o EdTech. La phronesis —el juicio profesional situado— queda fuera. Un módulo de prompts opera en una techne estrecha y deja intacto el juicio. Ng, Leung, Su, Ng y Chu (2023) adaptan DigCompEdu y P21 a competencias de IA: es un marco, no evidencia de implementación en magisterio de inicial. Kasneci et al. (2023) subrayan que el profesorado necesita formación y que los modelos no sustituyen al docente. Celik, Dindar, Muukkonen y Järvelä (2022) ya documentaban oportunidades de planificación, implementación y evaluación, y límites de fiabilidad y de aplicabilidad; sistemas técnica y pedagógicamente capaces en entornos diversos “están aún por lograrse”. Chiu, Xia, Zhou, Chai y Cheng (2023) identifican trece roles, siete resultados y diez desafíos, e insisten en el desarrollo profesional. Ninguna síntesis afirma que un taller de prompts cierre el desafío.

En el estrato curricular, Trust et al. (2023) recomiendan examinar la IA de modo orgánico en todo el plan de la formación inicial, no en un curso único. Van den Berg y du Plessis (2023) muestran que ChatGPT puede entregar materiales y “nivelar” el acceso a planes, y exigen precaución: los modelos “no reemplazan a los docentes”. El OECD Digital Education Outlook 2023 sitúa las competencias digitales docentes en el ecosistema del sistema, no en un anexo de taller (OECD, 2023). La Recomendación de la UNESCO sobre la ética de la IA ancla derechos humanos y supervisión humana (UNESCO, 2021). La Guía de 2023 añade validación pedagógica y el umbral de edad (Miao y Holmes, 2023): el niño de tres a seis años no es usuario autónomo de ChatGPT; el docente de inicial no puede formarse como si lo fuera. Luo et al. (2024) sintetizan entrevistas a seis profesores expertos en primera infancia: agente conversacional para el niño y facilitador a demanda del educador; desafíos 3A2S (accesibilidad, asequibilidad, rendición de cuentas, sostenibilidad, justicia social); trayectoria deseable, aumentación de la inteligencia, no reemplazo. Inferencia, marcada como tal: si el valor está en la agencia del maestro, la formación inicial no puede reducirse a la agencia del prompt.

3. Método de revisión

Se realizó una revisión narrativa crítica, no un metaanálisis. El propósito no fue estimar un tamaño de efecto homogéneo entre encuestas TAM, cursos mixtos y análisis de planificación, sino articular un argumento de política curricular con fuentes verificadas. Criterios de inclusión: (a) 2021–2026; (b) formación inicial (preservice, teacher education) o, si la muestra es de docentes en ejercicio, uso conceptual y marcado (Celik, 2023; Celik et al., 2022); (c) IA, modelos generativos o TPACK aplicado a IA; (d) relevancia para educación inicial o básica, o para el plan de magisterio que forma a esos docentes; (e) revista con pares, DOI o informe de UNESCO u OECD; (f) DOI o página editorial verificable. Se excluyeron los ejes ya usados en esta serie (juego y PopBots, mediación parental, inclusión, tutores adaptativos, brechas de aprendizaje de IA, alfabetización de estudiantes, privacidad de aula, multilingüismo, bienestar docente, integridad y detectores, documentación pedagógica, baja conectividad) y, como marco rector, el documento de competencias para docentes en servicio de Miao y Cukurova (2024).

La búsqueda se ejecutó el 24 de agosto de 2026 en páginas DOI, SpringerOpen, Elsevier, Emerald, Wiley, SAGE, MDPI, CITE Journal, UNESDOC, OECD iLibrary y repositorios (Oulu, DiVA, East China Normal). Cada fuente se verificó contra al menos una de esas páginas. El corpus se organizó en aceptación, módulo o curso, y planificación de lecciones. Como saturación se retuvieron Celik (2023), Sperling et al. (2024), Mishra et al. (2023), Trust et al. (2023), van den Berg y du Plessis (2023), Luo et al. (2024), Miao y Holmes (2023), UNESCO (2021), Ng et al. (2023), Kasneci et al. (2023), Celik et al. (2022), Chiu et al. (2023) y OECD (2023).

El análisis distinguió tres estatus enunciativos. Hallazgo empírico: lo observado o medido en la muestra de preservice (o, si la muestra es de in-service, se declara). Marco conceptual o normativo: lo que un marco de conocimiento, una guía o una recomendación prescribe. Inferencia pedagógica: la traducción que este artículo propone para el diseño de la formación inicial de maestros de jardín y de primer ciclo, marcada como tal. Los límites son los de toda revisión narrativa: no hay protocolo PRISMA completo, hay sesgo de idioma hacia el inglés y el alemán, y hay escasez de ensayos latinoamericanos de preservice e IA en educación inicial (sección 9).

4. Caso 1. Aceptar no es preparar: 452 futuros docentes y el techo del TAM

Zhang, Schießl, Plößl, Hofmann y Gläser-Zikuda (2023) publicaron en International Journal of Educational Technology in Higher Education (vol. 20, art. 49) un análisis de grupos múltiples sobre la aceptación de la IA entre futuros docentes. En una universidad alemana, de 712 potenciales respondentes se obtuvo un conjunto completo de 452 participantes (63,48 %), de los cuales 325 eran mujeres (71,90 %). Los programas incluían educación primaria (primary school education, n = 260), educación de escuela inferior (n = 44) y otras vías de magisterio. Los datos se recogieron en el semestre de invierno 2021/2022, antes de la eclosión pública de ChatGPT como aplicación de consumo masivo, lo que importa para no leer el estudio como un ensayo de prompts generativos. El modelo fue TAM3. Ocho de nueve hipótesis se sostuvieron. La utilidad percibida (β = 0,501, p < 0,001) y la facilidad de uso percibida (β = 0,297, p < 0,001) fueron los predictores primarios de la intención de utilizar aplicaciones educativas de IA; la utilidad pesó más. Las diferencias de medias latentes por género fueron significativas en ansiedad ante la IA (z = −3,217, p < 0,01) y en disfrute percibido (z = 2,556, p < 0,05). El género moderó los senderos de la ansiedad a la facilidad de uso (p = 0,018) y de la facilidad de uso a la utilidad (p = 0,002). Las autoras subrayan la necesidad de atender aspectos de género en la teacher education, dado el predominio femenino de las cohortes (Zhang et al., 2023).

Estatus de la evidencia. Hallazgo empírico: en esa muestra de una universidad, con ese instrumento y en ese momento, la intención de usar IA se explica sobre todo por cuán útil y cuán fácil se percibe la herramienta. No es hallazgo de competencia didáctica. El estudio no observa prácticas con niños, no evalúa planes de clase, no mide TPACK y no distingue educación inicial de otras vías más allá de la composición de la muestra. Los 260 estudiantes de primaria son el subconjunto más próximo al objeto de este artículo; el estudio no desagrega el modelo SEM por programa. Inferencia pedagógica, marcada como tal: un decanato que cite este tipo de encuesta para afirmar que “nuestros estudiantes aceptan la IA, luego están preparados para el jardín” comete el salto que la tesis prohíbe. La aceptación es un precursor posible del uso; no es preparación profesional. La facilidad de uso —el territorio fenomenológico del prompt bien escrito— es el predictor más débil de los dos principales, y aun así no equivale a TPK.

La saturación conceptual viene de Intelligent-TPACK. Celik (2023) muestra, en 428 docentes turcos de 29 a 38 años (258 mujeres), que el TK predice la evaluación ética, pero no el TPACK; el TPK es el puente. Trasladar ese resultado al magisterio es inferencia, no equivalencia de muestras: ya enseñaban y usaban una plataforma estatal. El valor es la estructura del saber. Un módulo que entrena TK y celebra la intención de uso deja sin formar el TPK y la ética de la decisión.

5. Caso 2. El curso de IA eleva la confianza y no autoriza el “ya preparados”

Hur (2024) publicó en Information and Learning Sciences (vol. 126, núm. 1/2, pp. 56–74) un estudio mixto sobre lecciones de alfabetización en IA integradas en un curso de integración tecnológica para futuros docentes, con el Concerns-Based Adoption Model como marco de las preocupaciones. El hallazgo de partida es que los participantes carecían inicialmente de conocimiento y de conciencia de la IA. Las lecciones específicas aumentaron la conciencia y la confianza para enseñar IA. Al mismo tiempo, tras las lecciones, persistieron preocupaciones: temor al desplazamiento del docente y efectos adversos de la IA generativa sobre el desarrollo de habilidades críticas de aprendizaje de los estudiantes (Hur, 2024). El estudio se presenta como una de las escasas investigaciones empíricas de alfabetización en IA en preservice; su propio diagnóstico de escasez coincide con Sperling et al. (2024).

Estatus de la evidencia. Hallazgo empírico: un módulo insertado en el curso de tecnología puede mover la conciencia y la confianza autoinformadas, y no disuelve las preocupaciones de oficio. No es hallazgo de que los participantes sepan enseñar en un jardín. El curso es, precisamente, el silo que Trust et al. (2023) critican: la IA se enseña en la asignatura de tecnología, no en didáctica de la lengua, ni en práctica profesional, ni en desarrollo infantil. Hur no afirma que la confianza post-módulo equivalga a preparación; este artículo tampoco. Inferencia pedagógica: el aumento de confianza es un resultado de taller, no un criterio de habilitación profesional. Un maestro de jardín más confiado y igual de incapaz de juzgar un plan generado no está mejor preparado; está más dispuesto a desplegar un artefacto no examinado.

Runge et al. (2025) aportan la saturación cuantitativa más precisa para esta tesis. En Education Sciences (vol. 15, art. 167) modelan senderos con 143 futuros docentes de universidades alemanas (mayoría de Brandeburgo, 42 %, y Berlín, 13 %; 56 % de grado y 42 % de máster; datos del semestre de verano de 2024). La participación en cursos relacionados con IA se asoció positivamente al AI-TPACK (β = 0,449, p < 0,001) y a la utilidad percibida (β = 0,235, p < 0,001), no a la facilidad de uso (β = 0,025, p = 0,808). El AI-TPACK se asoció a la utilidad (β = 0,260, p = 0,032) y a la facilidad de uso (β = 0,417, p < 0,001). La utilidad percibida predijo con fuerza la intención de usar IA en la enseñanza futura (β = 0,722, p < 0,001) y, con menor magnitud, el uso real de IA para tareas profesionales en la propia formación (β = 0,266, p = 0,004). La facilidad de uso predijo el uso en la formación (β = 0,362, p < 0,001), no la intención de uso futuro (β = −0,061, p = 0,518). El sendero del AI-TPACK a la intención de uso en la enseñanza futura no fue significativo (β = −0,045, p = 0,690); tampoco lo fue el sendero del AI-TPACK al uso en la formación (β = 0,165, p = 0,169) (Runge et al., 2025).

Estatus de la evidencia. Hallazgo empírico: en esa muestra, tomar cursos de IA se asocia a un autoinforme más alto de AI-TPACK y a percibir la IA como útil; percibirla como útil predice querer usarla al enseñar; el AI-TPACK, en cambio, no predice esa intención. El “uso real” medido no es uso con niños en el jardín: es uso para tareas de la carrera docente. No es hallazgo de transferencia al aula de tres a seis años. No es hallazgo de calidad didáctica del output. Inferencia pedagógica, marcada como tal: el dato más incómodo para la política del módulo es ese coeficiente no significativo. Un programa puede certificar que sus estudiantes “tienen AI-TPACK” según escala y, aun así, no haber movido la intención de uso pedagógico ni, con mayor razón, la capacidad de usarlo bien. El curso produce percepción de conocimiento y de utilidad; no produce, en este modelo, el criterio que los decanatos suelen anunciar.

Leído con Hur (2024), el patrón es coherente. El módulo cambia estados subjetivos y deja intactas las preocupaciones de oficio y la práctica con niños. Sperling et al. (2024) lo anticipan: sin phronesis, el curso forma techne de interfaz.

6. Caso 3. Un prompt no hace una lección de jardín: 59 y 27 futuros docentes ante el plan generado

Kalenda, Rath, Abugasea Heidt y Wright (2025) publicaron en Journal of Educational Technology Systems (vol. 53, núm. 3, pp. 219–241) un estudio pretest-postest con 59 estudiantes de grado y posgrado inscritos en cursos de métodos de STEM, TESOL y estudios sociales para los grados PreK–12. El procedimiento fue un análisis guiado de la capacidad de ChatGPT para escribir planes de clase, con encuesta y una reflexión sobre fortalezas y debilidades. Tras el análisis, las percepciones de que ChatGPT puede escribir un plan completo en el área de contenido disminuyeron de modo estadísticamente significativo, t(58) = 2,039, p = 0,046. Las percepciones de que puede escribir un plan suficientemente detallado para un docente suplente cayeron con mayor fuerza, t(58) = 5,959, p < 0,001. Los participantes declararon que planean usar ChatGPT para planificar cuando ejerzan, e indicaron que la revisión del output es necesaria (Kalenda et al., 2025).

Estatus de la evidencia. Hallazgo empírico: en esa muestra de métodos PreK–12, un único prompt y un plan crudo no resisten el escrutinio del propio candidato una vez que se le pide analizar el contenido. El descenso en la percepción de “listo para un suplente” es el dato más próximo al jardín: un plan que no podría dejar a un adulto sustituto no es un plan de aula. No es hallazgo de que la revisión posterior produzca un plan de calidad; el estudio mide percepciones, no la calidad de los planes revisados con rúbrica de desarrollo infantil. No es un ensayo aleatorizado. El rango PreK–12 mezcla jardín con secundaria; el valor para este artículo es que el procedimiento de análisis guiado —no el prompt aislado— es lo que mueve el juicio, y lo mueve hacia abajo.

Sun y Huang (2025) publicaron en Journal of Computer Assisted Learning (vol. 41, núm. 4, e70098) un estudio mixto con 27 futuros docentes en una unidad STEM de un curso de posgrado de tecnología educativa en la East China Normal University. Analizaron interacciones con análisis de redes epistémicas (ENA) y, cualitativamente, los planes finales y los registros de uso de IA generativa. La GenAI funcionó sobre todo como fuente directa de información para tareas operativas; su rol como andamiaje cognitivo fue limitado. Apoyó de modo significativo las fases iniciales de la planificación, con pensamiento de orden superior (analizar, crear), y su contribución disminuyó en las fases iterativas posteriores. Los autores subrayan la necesidad de andamiajes estructurados y de facilitación humana para complementar la GenAI y sostener un compromiso cognitivo más profundo (Sun y Huang, 2025).

Estatus de la evidencia. Hallazgo empírico: en esa muestra de posgrado, el modelo no sostiene el trabajo pedagógico cuando este se vuelve iterativo —precisamente cuando un plan de jardín debería ajustarse a un grupo concreto, a un rincón, a un niño que no entra en la actividad, a un objetivo de desarrollo que el modelo no ha observado—. No es hallazgo de educación inicial: la unidad es STEM en un curso de tecnología educativa. La transferencia al jardín es inferencia de riesgo, no equivalencia: si el andamiaje cognitivo ya se debilita en la iteración de un plan STEM de posgrado, un candidato de inicial que reciba un plan “listo” de asamblea o de lectoescritura emergente y no tenga formador humano en el bucle queda más expuesto, no menos.

Van den Berg y du Plessis (2023) saturan: el modelo entrega materiales y no reemplaza al docente. Trust et al. (2023) exigen modelar la evaluación crítica del output. Luo et al. (2024) sitúan el valor en la agencia humana. Inferencia: el prompt abre un expediente, no cierra una competencia. Un módulo que evalúa el prompt y no el juicio sobre el plan —adecuación etaria, secuenciación, oralidad, observación— no forma al maestro de jardín. Forma a un operador de interfaz que, tras mirar el output, ya no cree que el plan baste para un suplente (Kalenda et al., 2025).

7. Marco inferencial: cuatro pruebas para afirmar que la formación inicial “prepara”

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 diseño de magisterio no las pasa, no puede declarar que un módulo de IA prepara al docente de educación inicial.

7.1. Prueba de juicio profesional, no de fluidez de interfaz. Sperling et al. (2024) muestran que la phronesis está casi ausente de la literatura de alfabetización en IA para teacher education. Celik (2023) muestra que el TK no basta y que el TPK y la ética son los puentes. Kalenda et al. (2025) muestran que el análisis guiado del output baja la ilusión de completitud. Sun y Huang (2025) muestran que el modelo no andamia las fases iterativas. Inferencia: la evidencia de preparación no es un portfolio de prompts ni un puntaje de facilidad de uso (Zhang et al., 2023). Es la capacidad, observada en la práctica o en simulaciones densas, de aceptar, rechazar o reescribir un artefacto generado con razones didácticas. El criterio de éxito del módulo, si el módulo existe, es el juicio, no la velocidad de generación.

7.2. Prueba de integración curricular, no de silo tecnológico. Trust et al. (2023) rechazan el curso único. Hur (2024) ilustra el diseño típico: lecciones de IA dentro de integración tecnológica. Runge et al. (2025) miden el uso en las tareas de la carrera, no en el aula infantil. OECD (2023) sitúa las competencias digitales docentes en el ecosistema del sistema, no en un anexo. Inferencia: la IA debe aparecer en didáctica de la lengua, en desarrollo infantil, en prácticas profesionales y en el trabajo con el formador de campo. Un crédito optativo de “IA para docentes” no cumple la prueba, aunque eleve el AI-TPACK autoinformado. El lugar del saber es el plan de estudios entero, porque el modelo generativo toca cada decisión de enseñanza (Mishra et al., 2023).

7.3. Prueba de adecuación a la educación inicial, no de lección genérica K–12. Miao y Holmes (2023) exigen validación pedagógica y un umbral de edad para el uso independiente de plataformas generativas. Luo et al. (2024) distinguen el rol de facilitador del educador del rol de agente conversacional con el niño, y privilegian la aumentación de la agencia humana. Un plan generado para “grado 2 de primaria” no es, por el hecho de existir, un plan de sala de cuatro años. Inferencia: el magisterio de inicial debe entrenar la detección de inadecuación etaria —lenguaje adulto, actividades sedentarias, objetivos cognitivos de otro tramo, ausencia de observación, de cuerpo, de oralidad—. Esa detección es PCK de la primera infancia mediada por tecnología, no un truco de prompt. El módulo genérico de “enseñanza con IA” falla esta prueba por construcción.

7.4. Prueba de mediación humana irreemplazable en la propia formación. Sun y Huang (2025) exigen facilitación humana y andamiajes. Van den Berg y du Plessis (2023) y Kasneci et al. (2023) niegan el reemplazo del docente. Celik et al. (2022) concluyen que sistemas técnica y pedagógicamente capaces en entornos diversos están aún por lograrse. UNESCO (2021) exige supervisión humana. Inferencia: el formador de maestros —el profesor de didáctica, el tutor de prácticas— es la condición de la preparación, no un costo a optimizar con licencias. Un diseño en el que el candidato “aprende IA” dialogando solo con el modelo, sin contradicción humana, reproduce en la formación el error que se quiere evitar en el jardín: dejar la decisión pedagógica a un sistema sin humano en el bucle (Miao y Holmes, 2023).

El marco admite modelos en la planificación con análisis guiado y rúbricas etarias (Kalenda et al., 2025); IA en métodos y prácticas, no solo en tecnología; evaluación de TPK y de ética, no solo de TK (Celik, 2023); y formación del formador. Rechaza certificar preparación por asistencia a un módulo de prompts; usar la intención de uso o el AI-TPACK autoinformado como proxy de competencia de jardín (Zhang et al., 2023; Runge et al., 2025); autorizar conversación independiente de niños de inicial con plataformas generativas (Miao y Holmes, 2023); y sustituir al tutor de prácticas por un chatbot de feedback (Luo et al., 2024).

8. Discusión

Tres tensiones organizan la discusión. La primera es entre aceptación y preparación. Es hallazgo que la utilidad percibida predice la intención de uso, con 260 estudiantes de primaria en la muestra alemana (Zhang et al., 2023), y que la utilidad, no el AI-TPACK, predice la intención de usar IA al enseñar (Runge et al., 2025). Es marco que el TK no basta (Celik, 2023) y que la phronesis falta en la teacher education (Sperling et al., 2024). No es hallazgo que quien acepta o autoevalúa conocimiento sepa enseñar en un jardín. La política del módulo mide lo que el TAM sabe medir y declara lo que solo el juicio situado autorizaría.

La segunda es entre el curso que eleva la confianza y el oficio que no se mueve. Hur (2024) documenta más conciencia y confianza, y preocupaciones persistentes. Runge et al. (2025) documentan AI-TPACK sin predicción de intención pedagógica. Trust et al. (2023) habían advertido el silo. Un curso de tecnología hace lo que puede hacer. No forma, por sí, al maestro de jardín. Declarar que lo hace no es un resultado empírico.

La tercera es entre el plan generado y la lección de educación inicial. Kalenda et al. (2025) bajan la fe en el plan crudo; Sun y Huang (2025), el andamiaje en la iteración; van den Berg y du Plessis (2023), la equivalencia entre acceso a planes y enseñanza. Luo et al. (2024) y Miao y Holmes (2023) sitúan el límite etario y la agencia humana. El prompt produce texto verosímil; el jardín exige una decisión sobre un cuerpo, una lengua en desarrollo y un grupo. Mishra et al. (2023) describen el modelo como social y generativo. Tratarlo como procesador de textos en dos semanas subestima la tecnología y el oficio. Los modelos pueden ahorrar borrador (Kasneci et al., 2023); ese ahorro, sin juicio ni prácticas, no es preparación. OECD (2023) sitúa el problema en el ecosistema. Recortar la respuesta a un taller de prompts es no responder.

9. Límites

Esta revisión es narrativa. No aplica PRISMA ni estima efectos combinados. Los casos de preservice tienen geografías sesgadas (Alemania, Estados Unidos, China) y n desiguales (452, 143, 59, 27; Hur, 2024, no se cita con n porque el resumen editorial verificado no la consigna de modo unívoco). Zhang et al. (2023) miden aceptación previa al ChatGPT de consumo masivo. Runge et al. (2025) miden uso en la formación, no en el jardín. Kalenda et al. (2025) cubren PreK–12 y percepciones, no rúbricas de desarrollo. Sun y Huang (2025) trabajan STEM de posgrado. Celik (2023) es in-service, usado como marco. No se localizaron, con el mismo grado de DOI, ensayos latinoamericanos de magisterio de jardín e IA; esa ausencia es un vacío. UNESCO y OECD son prescriptivos. Las inferencias de la sección 7 son hipótesis de diseño, no evidencia de implementación.

10. Conclusiones

Un módulo de inteligencia artificial no prepara al docente de educación inicial si solo enseña prompts. La evidencia verificada no autoriza esa declaración de política. La intención de uso se predice por la utilidad percibida en 452 futuros docentes, 260 de primaria (Zhang et al., 2023). Un curso de alfabetización eleva conciencia y confianza y deja en pie las preocupaciones de oficio (Hur, 2024). En 143 estudiantes de magisterio, los cursos se asocian al AI-TPACK autoinformado, y ese constructo no predice la intención de usar IA en la enseñanza futura; el uso medido es el de las tareas de la carrera (Runge et al., 2025). En 59 candidatos PreK–12, el análisis guiado de planes generados reduce la creencia en su completitud y, con más fuerza, en su utilidad para un suplente (Kalenda et al., 2025). En 27 futuros docentes, la GenAI informa las fases iniciales y no andamia las iterativas (Sun y Huang, 2025). Intelligent-TPACK, TPACK generativo y la revisión de 34 trabajos coinciden en el diagnóstico: el conocimiento tecnológico aislado no basta y el juicio profesional no está en el centro de la teacher education (Celik, 2023; Mishra et al., 2023; Sperling et al., 2024).

El derecho y la guía vigentes no son ambiguos en lo que importa al jardín. La UNESCO exige ética, supervisión humana, validación pedagógica y un umbral de edad para el uso independiente de plataformas generativas (UNESCO, 2021; Miao y Holmes, 2023). Los expertos en primera infancia sitúan a ChatGPT como aumentación, no como reemplazo (Luo et al., 2024). Donde las fuentes no miden competencia didáctica con niños de tres a seis años, este artículo no la afirma. Preparar al maestro de jardín es formar, en el plan de estudios y en las prácticas, el juicio que acepta, rechaza o reescribe un artefacto generado. Enseñar prompts es otra operación, y no basta.

Laboratorio Editorial de NEXTECH.IA / Ingeniero Mitre.

Referencias

  1. Celik, I. (2023). Towards Intelligent-TPACK: An empirical study on teachers’ professional knowledge to ethically integrate artificial intelligence (AI)-based tools into education. Computers in Human Behavior, 138, 107468. https://doi.org/10.1016/j.chb.2022.107468
  2. Celik, I., Dindar, M., Muukkonen, H., y Järvelä, S. (2022). The promises and challenges of artificial intelligence for teachers: A systematic review of research. TechTrends, 66(4), 616–630. https://doi.org/10.1007/s11528-022-00715-y
  3. Chiu, T. K. F., Xia, Q., Zhou, X., Chai, C. S., y Cheng, M. (2023). Systematic literature review on opportunities, challenges, and future research recommendations of artificial intelligence in education. Computers and Education: Artificial Intelligence, 4, 100118. https://doi.org/10.1016/j.caeai.2022.100118
  4. Hur, J. W. (2024). Fostering AI literacy: Overcoming concerns and nurturing confidence among preservice teachers. Information and Learning Sciences, 126(1/2), 56–74. https://doi.org/10.1108/ILS-11-2023-0170
  5. Kalenda, P. J., Rath, L., Abugasea Heidt, M., y Wright, A. (2025). Pre-service teacher perceptions of ChatGPT for lesson plan generation. Journal of Educational Technology Systems, 53(3), 219–241. https://doi.org/10.1177/00472395241301388
  6. Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., Stadler, M., Weller, J., Kuhn, J., y Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274
  7. Luo, W., He, H., Liu, J., Berson, I. R., Berson, M. J., Zhou, Y., y Li, H. (2024). 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
  8. Miao, F., y Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  9. Mishra, P., Warr, M., y Islam, R. (2023). TPACK in the age of ChatGPT and Generative AI. Journal of Digital Learning in Teacher Education, 39(4), 235–251. https://doi.org/10.1080/21532974.2023.2247480
  10. Ng, D. T. K., Leung, J. K. L., Su, J., Ng, R. C. W., y Chu, S. K. W. (2023). Teachers’ AI digital competencies and twenty-first century skills in the post-pandemic world. Educational Technology Research and Development, 71(1), 137–161. https://doi.org/10.1007/s11423-023-10203-6
  11. OECD. (2023). OECD Digital Education Outlook 2023: Towards an effective digital education ecosystem. OECD Publishing. https://doi.org/10.1787/c74f03de-en
  12. Runge, I., Hebibi, F., y Lazarides, R. (2025). Acceptance of pre-service teachers towards artificial intelligence (AI): The role of AI-related teacher training courses and AI-TPACK within the Technology Acceptance Model. Education Sciences, 15(2), 167. https://doi.org/10.3390/educsci15020167
  13. Sperling, K., Stenberg, C.-J., McGrath, C., Åkerfeldt, A., Heintz, F., y Stenliden, L. (2024). In search of artificial intelligence (AI) literacy in teacher education: A scoping review. Computers and Education Open, 6, 100169. https://doi.org/10.1016/j.caeo.2024.100169
  14. Sun, Y., y Huang, Y. (2025). Exploring the role of generative AI in collaborative lesson planning for pre-service teachers. Journal of Computer Assisted Learning, 41(4), e70098. https://doi.org/10.1111/jcal.70098
  15. Trust, T., Whalen, J., y Mouza, C. (2023). Editorial: ChatGPT: Challenges, opportunities, and implications for teacher education. Contemporary Issues in Technology and Teacher Education, 23(1). https://citejournal.org/volume-23/issue-1-23/editorial/editorial-chatgpt-challenges-opportunities-and-implications-for-teacher-education
  16. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000381137
  17. van den Berg, G., y du Plessis, E. (2023). ChatGPT and generative AI: Possibilities for its contribution to lesson planning, critical thinking and openness in teacher education. Education Sciences, 13(10), 998. https://doi.org/10.3390/educsci13100998
  18. Zhang, C., Schießl, J., Plößl, L., Hofmann, F., y Gläser-Zikuda, M. (2023). Acceptance of artificial intelligence among pre-service teachers: A multigroup analysis. International Journal of Educational Technology in Higher Education, 20, 49. https://doi.org/10.1186/s41239-023-00420-7