1. Introducción y problema

En las escuelas de educación inicial y básica circula una promesa simétrica a la de la “personalización”: la inteligencia artificial “libera” al docente, “automatiza” lo administrativo y “devuelve tiempo” a la relación con niñas y niños. Esa promesa suele silenciar su condición de posibilidad. Para automatizar hace falta un flujo de trabajo que se pueda extraer, un prompt que se pueda escribir, una salida que se pueda corregir y una institución que pueda exigir el mismo producto —o más productos— en menos tiempo. El tiempo no es un recipiente vacío que la máquina llena. Es la sustancia del oficio: planificar, evaluar, comunicar con familias, sostener la simultaneidad de un aula de cuatro años. Si la IA reorganiza esas tareas sin reducir la demanda institucional, el riesgo no es la holganza: es la intensificación.

El problema no es la hostilidad a la herramienta. Es la confusión entre tres objetos. El primero es un hallazgo empírico: qué se observa cuando se pregunta a docentes por estrés, presión de tiempo o uso de genAI; qué minutos de planificación registra un diario de carga; qué perciben maestras de primaria que planifican con ChatGPT. El segundo es un marco normativo: qué prescriben UNESCO, la OCDE o un ministerio cuando piden agencia humana, formación o “reducción de carga”. El tercero es una inferencia pedagógica: qué no debería venderse como bienestar aunque el marketing diga “aliado contra el burnout”. Mezclarlos produce una pedagogía de la liberación no medida: la escuela “usa IA” sin poder decir si el docente duerme más, si el aula gana presencia o si solo cambió el tipo de trabajo extraescolar.

La tesis de este artículo es restrictiva. No hay evidencia suficiente para afirmar que la IA reduce el burnout o “devuelve tiempo al aula” en educación inicial y básica. Puede reorganizar el trabajo docente y, a veces, intensificarlo. Donde la fuente no mide burnout, este artículo no lo afirma. Donde no mide tiempo recuperado para la presencia con la infancia, no promete liberación. El vacío que organiza el trabajo es el de la intensificación: Apple (1986) conceptualizó cómo una racionalidad economicista comprime el oficio; Ballet y Kelchtermans (2009) mostraron, en primaria flamenca, que esa experiencia se media por la identidad profesional y por la organización escolar. La genAI entra en esa historia como recurso aparente y como nueva demanda: hay que saber usarla, verificarla, justificarla y, a menudo, producir más con ella.

Este artículo no trata el marco de competencia docente UNESCO (19 de agosto mañana), ni la privacidad o dataficación de aula (21 de agosto, 1:02), ni la alfabetización para estudiantes, ni la inclusión por discapacidad, ni la mediación parental, ni el juego o los PopBots, ni los tutores adaptativos como eje de aprendizaje del alumno, ni las brechas de “aprender IA”, ni el multilingüismo (21 de agosto, 5:02). El objeto es el trabajo docente: carga, automatización de planificación, evaluación y comunicación, y el riesgo de que la IA no libere tiempo sino que aumente demandas.

2. Estado del arte: intensificación, demandas-recursos y la promesa de automatizar el oficio

Conviene separar tres estratos. El primero es conceptual: qué significa intensificar el trabajo docente. El segundo es normativo: qué marcos fijan bienestar, agencia y “uso ético” de la IA. El tercero es empírico: qué se ha documentado sobre carga, estrés y genAI en docentes de inicial y básica, no en el aprendizaje del alumno como eje.

En el estrato conceptual, Apple (1986) formuló la tesis de la intensificación: la perspectiva economicista sobre la educación comprime el tiempo, multiplica tareas y amenaza con descualificar el juicio profesional. Hargreaves (1992) analizó esa tesis desde el tiempo de los docentes y advirtió que la intensificación no es un reloj simple. Ballet, Kelchtermans y Loughran (2006) y Ballet y Kelchtermans (2008, 2009) la refinaron con estudios cualitativos en primaria: hay fuentes múltiples (macro, meso y autoimpuestas); el impacto no es lineal; se media por la organización escolar y por el marco interpretativo del docente; no todos experimentan igual la misma reforma. Hallazgo de esos casos flamencos: no todo cambio “añade horas” de modo automático; la experiencia de intensificación pasa por el sentido profesional y por normas colectivas —incluida la de “estar dispuestos a innovar”— que pueden sostener y, a la vez, sobrecargar. Ese marco no mide ChatGPT; se retiene porque describe el mecanismo que la genAI puede reactivar: una innovación que se presenta como alivio y se vive como nueva norma de productividad.

En el mismo estrato, Bakker y Demerouti (2017) consolidan la teoría de demandas y recursos laborales (JD-R): las demandas erosionan la salud si no hay recursos que amortigüen. Collie, Martin y Gasevic (2024) aplican esa gramática a la genAI (apoyo escolar como recurso; presión de tiempo como demanda). El modelo no garantiza que un software sea recurso; permite preguntar si la genAI reduce la demanda o se vuelve una demanda nueva (aprenderla, verificarla, rendir cuentas con ella).

En el estrato normativo, UNESCO e International Task Force on Teachers for Education 2030 (2024) estiman que hacen falta 44 millones de docentes adicionales de primaria y secundaria para 2030 y agrupan el bienestar y las condiciones de trabajo como factores de empuje hacia la salida de la profesión. El informe menciona la evolución digital, incluida la IA, como parte del contexto de escasez; cita que, en una encuesta UNESCO de más de 450 escuelas y universidades, menos del 10 % habían desarrollado políticas institucionales o guía formal sobre aplicaciones de IA generativa. No es un ensayo de burnout con ChatGPT: es un marco de escasez y de condiciones. Miao y Holmes (2023) orientan un uso centrado en lo humano de la genAI en educación e investigación. Miao y Cukurova (2024) definen quince competencias docentes en IA —marco que este artículo cita y no reabre como eje— y declaran principios de protección de derechos docentes, agencia humana y sostenibilidad. La Recomendación de UNESCO (2021) sobre ética de la IA eleva la proporcionalidad y la supervisión humana. El Department for Education del Reino Unido (2023/2025), en su posición sobre genAI, y el informe de The Open Innovation Team y Department for Education (2024) formulan que la genAI podría reducir carga administrativa y “liberar” tiempo para enseñar. Estatus: prescripción o hipótesis de política. No es hallazgo de que esa liberación se haya medido en educación inicial.

En el estrato empírico, el vacío es precisamente el que organiza este artículo. Hay encuesta internacional de estrés y de uso de IA (OCDE, 2025a, 2025b). Hay un estudio de motivación e integración de genAI bajo demandas y recursos (Collie et al., 2024). Hay casos cualitativos de primaria (Calleja y Camilleri, 2025; Özsongür y Çeliktürk Sezgin, 2026). Hay un ensayo aleatorizado de minutos de planificación en ciencias de secundaria (Roy, Poet, Staunton, Aston y Thomas, 2024). Hay análisis de salidas de ChatGPT para planes de lección, incluidos de primer grado (van den Berg y du Plessis, 2023; Cooper, 2023; Powell y Courchesne, 2024). Hay un artículo cuyo título promete alivio de burnout y cuyo método prueba capacidades de ChatGPT, no escalas de agotamiento en docentes (Hashem, Ali, El Zein, Fidalgo y Abu Khurma, 2024). Ninguno de esos objetos, por sí solo, autoriza la frase “la IA reduce el burnout en educación inicial”.

3. Método de revisión

Se realizó una revisión narrativa crítica, no un metaanálisis. El propósito no fue estimar un tamaño de efecto homogéneo de “IA y bienestar docente” —inexistente de manera comparable entre una encuesta internacional, un modelo de ecuaciones estructurales, un estudio de caso de tres maestras y un ensayo de diarios de minutos—, sino articular la tesis de la intensificación con fuentes verificadas. Los criterios de inclusión fueron: (a) foco en el trabajo docente de educación inicial, primaria o, como saturación explícita, básica/secundaria inferior cuando el estudio mide tiempo o estrés de docentes y no el aprendizaje del alumno como eje; (b) publicación preferente 2021–2026, con excepción justificada de marcos aún vigentes (Apple, 1986; Hargreaves, 1992; Ballet et al., 2006; Ballet y Kelchtermans, 2008, 2009; Bakker y Demerouti, 2017); (c) tipo documental de revista o actas con DOI, informe de la OCDE, UNESCO o ensayo registrado de agencia educativa, o posición ministerial en portal oficial; (d) acceso a DOI, página editorial o URL oficial que confirmara autores, año, título, muestra y alcance. Se excluyeron como caso nuclear la competencia docente UNESCO (se cita como marco), la privacidad/dataficación de aula, la alfabetización para estudiantes, la inclusión por discapacidad, la mediación parental, el juego/PopBots, los tutores adaptativos como eje de aprendizaje, las brechas de “aprender IA” y el multilingüismo.

La búsqueda se ejecutó el 21 de agosto de 2026 (alrededor de las 09:05, America/Mexico_City) en páginas DOI, ScienceDirect, Emerald, PLOS, MDPI, Springer, EEF/NFER, OECD iLibrary, UNESDOC, GOV.UK, DergiPark y repositorios institucionales. Cada fuente citada se verificó contra al menos una de esas páginas. Se descartaron, por no confirmarse como evidencia de burnout en docentes de inicial/básica, encuestas no científicas de educación superior, revisiones de literatura de educación terciaria sin medición de bienestar y un preprint o comunicación de conferencia que alegaba reducciones porcentuales de planificación no contrastadas aquí con DOI de revista. El corpus se organizó en tres casos nucleares: la estructura internacional de estrés y uso de IA; la presión de tiempo como demanda que predice valorar la genAI; y la planificación con genAI en docentes de primaria. El ensayo EEF/NFER y los análisis de planes de primer grado se usan como saturación de tiempo medido y de trabajo de verificación, no como prueba de bienestar en inicial.

El análisis distinguió tres estatus enunciativos. Hallazgo empírico: lo observado en la muestra o en el cuestionario. Marco normativo: lo que un organismo prescribe. Inferencia pedagógica: la traducción al aula de inicial y básica, marcada como tal. Los límites son los de toda revisión narrativa (sección 9).

4. Caso 1. La carga ya existente: TALIS 2024 y el personal de educación inicial

Antes de preguntar si la IA “libera”, hay que fijar de qué se libera. TALIS 2024 (OCDE, 2025a) es la encuesta internacional de docentes y directores; el núcleo comparable es, de modo habitual, la educación secundaria inferior, no el jardín. El informe Results from TALIS 2024: The State of Teaching establece que alrededor de un tercio de los docentes usa inteligencia artificial en su trabajo, y que siete de cada diez se preocupan de que facilite el plagio y la trampa. Nueve de cada diez declaran satisfacción laboral. El folleto de Insights (OCDE, 2025a) precisa que, en promedio, solo alrededor de uno de cada cinco docentes dice experimentar estrés “mucho” en su trabajo, y que alrededor de la mitad experimenta poco o ningún estrés; en Alberta (Canadá), Australia, Bahréin, Costa Rica, Malta y Nueva Zelanda más del 30 % reporta estrés “mucho”. Entre quienes usan IA, la mayoría la emplea para planificar lecciones y para informarse o resumir temas; un cuarto la emplea para evaluar o calificar. Entre usuarios, en promedio, un 73 % la usa para aprender y resumir temas con eficiencia y un 69 % para generar planes de lección. La formación en IA es máxima en Singapur (76 %) y mínima en Francia (9 %). Alrededor de la mitad de los docentes cree que la IA no debería usarse en la enseñanza; uno de cada diez informa políticas escolares que la prohíben. En el promedio OCDE, el 40 % reporta que hay demasiada calificación como fuente de estrés. La nota de Suecia (OCDE, 2025a) sitúa el promedio OCDE de uso de IA en 36 % y, entre no usuarios, un 75 % sin conocimientos o habilidades para enseñar con ella; el 10 % dice que el trabajo impacta “mucho” su salud mental y el 8 % su salud física.

Estatus. Hallazgo empírico: hay adopción heterogénea de IA, preocupación por el plagio, fuentes de estrés ligadas a calificación y al cúmulo de responsabilidades (disciplina, currículo, administración), y un déficit masivo de formación. Hallazgo que TALIS no produce: que quienes usan IA reporten menos burnout, menos horas o más tiempo de aula. El texto de Insights formula la atracción (“el software afirma que puede evaluar cientos de pruebas en segundos”) y, a renglón seguido, la ausencia de evidencia robusta a gran escala de que la IA mejore el aprendizaje del estudiante. Inferir de la adopción un alivio del oficio es, por tanto, un salto: es el argumento de los “partidarios”, no un resultado del cuestionario.

Para educación inicial, el instrumento pertinente es TALIS Starting Strong 2024 (OCDE, 2025b), administrado al personal y a líderes de educación y cuidado de la primera infancia en 17 países o entidades subnacionales (15 en preescolar ISCED 02; 8 en entornos para menores de tres años). El informe documenta satisfacción alta y, a la vez, estrés persistente. El porcentaje que reporta estrés laboral va de menos del 20 % en preescolar en Colombia e Israel a más del 75 % en Alemania en ambos niveles. Fuentes frecuentes: tener demasiadas tareas al mismo tiempo y realizar deberes extra por ausencias del personal —estas últimas, sobre todo en entornos para menores de tres años—. El personal con más estrés es más propenso a considerar irse por salud mental o física o a otro sector. Los líderes identifican ausencias y escasez como principal barrera a entornos de calidad. Estatus. Hallazgo empírico de carga en ECEC: simultaneidad, suplencias, escasez. Hallazgo que Starting Strong 2024 no produce en las páginas verificadas aquí: que la IA reduzca esas fuentes. Inferencia pedagógica, marcada como tal: el núcleo del trabajo en inicial no es redactar un plan de 5E en un teclado; es sostener cuerpos, juego, cuidado y múltiples demandas a la vez. Automatizar un texto de planificación no toca, por sí, la fuente de estrés más reportada en varios sistemas: hacer demasiadas cosas al mismo tiempo en presencia de la infancia.

UNESCO e International Task Force (2024) anclan el problema en la escasez: 44 millones de docentes de primaria y secundaria hacia 2030; el bienestar y las condiciones son factores de empuje. Es marco de diagnóstico macro, no medición de ChatGPT. Inferencia marcada: introducir IA en un sistema que ya pierde docentes por carga, sin evidencia de alivio, es una apuesta institucional, no un tratamiento del burnout.

5. Caso 2. Presión de tiempo y valoración de la genAI: 368 docentes australianos

Collie, Martin y Gasevic (2024) publicaron en Computers and Education: Artificial Intelligence un estudio longitudinal de un trimestre escolar con 368 docentes de escuelas australianas (56 % en primaria, 40 % en secundaria, 4 % en ambos niveles). El marco es JD-R: recurso (apoyo escolar para aplicar genAI) y demandas (presión de tiempo, conducta disruptiva) predicen motivación (autoeficacia y valoración de la genAI) y, a su vez, integración (en el trabajo docente y en actividades de los estudiantes). En el Tiempo 2 permanecieron 241 docentes (pérdida del 35 %). La media de presión de tiempo fue alta (5,84 en una escala cuya formulación incluye “I feel pressed for time in my job”); la media de apoyo escolar a la genAI fue comparativamente baja (2,62).

Hallazgo empírico: el apoyo escolar se asoció con mayor autoeficacia y mayor valoración de la genAI. La presión de tiempo se asoció con mayor valoración de la genAI, no con menor presión posterior. La conducta disruptiva no se asoció de modo significativo con la motivación o la integración de genAI. La autoeficacia predijo ambos tipos de integración; la valoración predijo solo la integración en el trabajo del docente (planificar, preparar), no en las actividades del alumnado. Los autores interpretan que la presión de tiempo puede funcionar como “salvavidas”: ante cargas insostenibles, se valora una herramienta de uso relativamente fácil y a menudo gratuita. Limitaciones que el propio artículo declara: no examinó la efectividad de las herramientas de genAI; no anidó escuelas; un trimestre no cubre el año. Estatus. Es hallazgo de predicción de uso y de valoración bajo demanda. No es hallazgo de reducción de burnout, de horas trabajadas ni de tiempo de aula. Al contrario: el mecanismo empírico compatible con los datos es que la demanda (presión) impulsa la adopción, no que la adopción disuelva la demanda.

Inferencia pedagógica, marcada como tal: si en un sistema de primaria y secundaria la presión de tiempo ya es alta y el apoyo institucional a la genAI es bajo, la consigna “úsenla para liberarse” reproduce la norma de innovación que Ballet y Kelchtermans (2008) vieron como paradójica: alivia la presión externa y, a la vez, añade un estándar de productividad. Collie et al. (2024) no miden esa paradoja como burnout; la hacen pensable. Donde el docente de inicial debe, además, cuidar, vigilar y sostener juego, la genAI entra como tarea cognitiva extraescolar —prompt, recorte, adaptación a edades que el modelo no vio— sobre una jornada ya simultánea (OCDE, 2025b).

6. Caso 3. Docentes de primaria que planifican con genAI: percepciones, no escalas de burnout

Calleja y Camilleri (2025) publicaron en el International Journal for Lesson and Learning Studies un estudio de caso múltiple con tres equipos de lesson study en dos escuelas primarias de Malta. El foco pedagógico fue el maltés (estructura oracional, vocabulario, anuncio escrito) en Years 4 y 5. Los equipos integraron herramientas —ChatGPT, generación de imágenes y personajes, Canva, CapCut, bancos de palabras— en el ciclo de planificación, observación y discusión. Los datos nucleares son entrevistas por correo, al cierre del año escolar (junio–julio de 2024), con las tres docentes que impartieron las lecciones, más los informes de cada equipo. El lente es el Modelo de Aceptación Tecnológica (utilidad percibida, facilidad de uso, intención). Hallazgo empírico: el uso situado en lesson study mejoró percepciones y actitudes hacia la IA y la agencia de seguir aprendiendo. Las docentes reportaron nerviosismo inicial, ansiedad por limitaciones de licencia, un inicio de sesión descrito como consumidor de tiempo, y la convicción de que los beneficios superaban los desafíos. Una docente (Helen, Year 5) era la única del equipo A con experiencia previa de IA en planificación; para el resto, la herramienta era nueva. Limitación que los autores declaran: muestra pequeña, no generalizable. Estatus. Es hallazgo de percepción y de aceptación en un dispositivo de desarrollo profesional. No es hallazgo de minutos ahorrados, ni de burnout, ni de educación inicial (las edades son 8–10 años). El lesson study, además, añade reuniones: la “innovación que alivia” se inscribe en un formato que exige tiempo colectivo.

Özsongür y Çeliktürk Sezgin (2026) publicaron en Educational Academic Research un estudio cualitativo básico con 27 docentes de primaria (sınıf öğretmenleri) en Estambul. Entrevistas semiestructuradas presenciales, entre el 11 de diciembre de 2023 y el 19 de enero de 2024 (promedio de duración cercano a catorce minutos), analizadas por contenido. Hallazgo empírico de discurso: los docentes relatan que las herramientas de genAI facilitan el acceso a recursos, la creación de contenido y materiales personalizados; que reducen trabajo administrativo y, por ello, “permiten” más tiempo para la enseñanza; que apoyan la gestión de aula y aceleran la retroalimentación; y que hace falta formación y soporte técnico. Varios extractos insistieron en “ahorrar tiempo” y “menos esfuerzo”. Estatus. Es hallazgo de percepción autodeclarada, no de diario de carga ni de inventario de burnout. Los autores recomiendan estudios longitudinales aplicados precisamente porque no pretenden haber medido impacto. La muestra es joven (nueve docentes de 20–25 años; diez de 26–30; ocho de 30 o más) y voluntaria. Inferencia, marcada: el relato de alivio es un dato de sentido, no una prueba de que la jornada se haya acortado. En la tesis de Ballet y Kelchtermans (2009), el sentido profesional media la intensificación: se puede vivir como ayuda lo que, institucionalmente, se convierte en nueva norma de producción de materiales.

Como saturación del objeto “plan de primer grado”, no como muestra de docentes, Powell y Courchesne (2024) examinaron en PLOS ONE un estudio de caso exploratorio: una serie de prompts a ChatGPT para un plan de ciencias de primer grado sobre herencia, alineado al currículo de Massachusetts y al modelo 5E. Hallazgo empírico: en unos treinta minutos se pudo generar y refinar un plan formalmente alineado; las iteraciones incluyeron componentes cuestionables, detalles faltantes y un recurso falso. Van den Berg y du Plessis (2023) analizaron planes de ChatGPT para una lección de preposiciones en grado 6 y concluyeron que la herramienta es “punto de partida, no producto final”. Cooper (2023), en un self-study de educación científica, advirtió el riesgo de situar a ChatGPT como “autoridad epistémica última”. Estatus. Es hallazgo de calidad y de trabajo de verificación sobre salidas de modelo, no de bienestar docente. Inferencia pedagógica: cada recurso falso, cada sesgo y cada detalle faltante es minutos que no aparecen en el relato de “plan en treinta minutos”. Ese trabajo invisible —comprobar, adaptar a la edad, traducir a un aula de inicial, descartar lo inadecuado— es demanda cognitiva. No se mide en Özsongür et al. (2026) ni en Calleja y Camilleri (2025); Powell y Courchesne (2024) lo hacen visible en el artefacto.

Como saturación de tiempo medido —no de inicial—, Roy et al. (2024) evaluaron para la Education Endowment Foundation un ensayo aleatorizado por escuela con 259 docentes de ciencias de Years 7 y 8 en 68 escuelas de Inglaterra (verano de 2024; diez semanas). El grupo ChatGPT recibió una guía de implementación; el de comparación no debía usar genAI para esas lecciones. Resultado primario: 56,2 minutos semanales de preparación frente a 81,5 en el grupo sin genAI (ahorro medio de 25,3 minutos; 31 %; alta seguridad). Un panel experto, ciego al origen, no halló diferencia de calidad en una muestra de recursos. Los docentes del grupo ChatGPT lo usaron de modo modesto (un tercio de las lecciones; una o dos actividades, sobre todo preguntas, quizzes e ideas). Hallazgo crucial para este artículo: “Teachers reported typically using the time saved to complete other lesson and resource planning (LRP) or teaching tasks, or to reduce overall workload”. Estatus. Es hallazgo de minutos de un fragmento del horario en secundaria, no de burnout, no de educación inicial, no de “tiempo devuelto al aula” como presencia con la infancia. Parte del ahorro se reasigna a más planificación. El propio informe advierte que la mayoría solo aplicó el enfoque a una parte de su horario.

7. Marco inferencial: cinco pruebas antes de hablar de bienestar

El marco que sigue es inferencia pedagógica de este artículo, anclada en los casos y en los instrumentos verificados. No es un nuevo estándar internacional. Distingue cinco pruebas. Si una propuesta de “IA para el bienestar docente” en educación inicial o básica no las pasa, no se anuncia como alivio.

7.1. Prueba de la variable medida. Collie et al. (2024) miden autoeficacia, valoración e integración. Calleja y Camilleri (2025) miden percepción TAM. Özsongür y Çeliktürk Sezgin (2026) miden temas de entrevista. Roy et al. (2024) miden minutos de un bloque de planificación. TALIS (OCDE, 2025a, 2025b) mide estrés, fuentes y uso de IA por separado. Hashem et al. (2024) miden salidas de ChatGPT evaluadas con el modelo 5E, no a docentes agotados. Inferencia: no se afirma reducción de burnout si no hay inventario (Maslach u otro), seguimiento de salud o, al menos, horas totales. El título de Hashem et al. (2024) —“teacher ally for workload relief and burnout prevention”— es un marco retórico; el método es prueba de capacidad del modelo. Confundirlos es el error que este artículo se niega a repetir.

7.2. Prueba de la reasignación. Roy et al. (2024) documentan que el tiempo “ahorrado” se usa, de modo típico, en más planificación o en otras tareas docentes, o en reducir la carga global: las tres cosas a la vez, sin que el ensayo aísle la tercera. Inferencia: un ahorro local (quizzes de ciencias de Year 7) no es liberación del oficio. En inicial, si se ahorran veinte minutos de redactar un plan y se añaden veinte de verificar adecuación etaria, comunicar a familias o producir variantes, la jornada no se abrió: se redistribuyó. Apple (1986) y Ballet y Kelchtermans (2009) describen precisamente esa compresión cualitativa: no solo más horas, sino más densidad.

7.3. Prueba del trabajo de verificación. Powell y Courchesne (2024) hallan un recurso falso en un plan de primer grado. Van den Berg y du Plessis (2023) exigen examen crítico. Cooper (2023) nombra el riesgo de autoridad epistémica. Inferencia: la automatización de la primera página no automatiza el juicio. Ese juicio es tiempo. En educación inicial, el juicio incluye seguridad, juego, lenguaje situado y lo que un modelo entrenado en corpus adultos no ve. Miao y Holmes (2023) y Miao y Cukurova (2024) prescriben agencia humana: como marco, no como evidencia de que esa agencia sea barata en minutos.

7.4. Prueba de la demanda nueva. Collie et al. (2024) muestran apoyo institucional bajo y presión alta. TALIS (OCDE, 2025a) muestra que tres de cada cuatro no usuarios carecen de conocimiento o habilidad, que la formación va del 9 % al 76 % según el país, y que la mitad rechaza el uso en la enseñanza. Calleja y Camilleri (2025) documentan nerviosismo, licencias y logins. Özsongür y Çeliktürk Sezgin (2026) piden formación. UNESCO e International Task Force (2024) registran que menos del 10 % de más de 450 instituciones tenían política de genAI. Inferencia: “usar IA” es una competencia adicional (Miao y Cukurova, 2024), una fuente de ansiedad de rol y un posible criterio de evaluación docente. Eso es demanda JD-R, no recurso automático (Bakker y Demerouti, 2017).

7.5. Prueba de la presencia en inicial. TALIS Starting Strong (OCDE, 2025b) sitúa el estrés en la simultaneidad y en las suplencias, no en la escasez de texto de planificación. Inferencia: una herramienta que escribe planes, rúbricas o mensajes a familias no sustituye el cuerpo del docente en el aula ni la ratio ni el sustituto que falta. Prometer que la genAI “devuelve tiempo al aula” cuando el aula ya exige estar en varios sitios a la vez es una metáfora de escritorio. Lo no delegable del bienestar docente en inicial es la densidad de la presencia, no la velocidad del primer borrador.

Operativamente, el marco admite: (a) diarios de carga y medidas de burnout antes de celebrar alivio; (b) herramientas locales con apoyo real (el recurso de Collie et al., 2024); (c) tiempo protegido para verificar salidas; (d) no convertir la adopción en nueva performatividad. Rechaza: (e) vender ChatGPT como prevención de burnout sin medir burnout; (f) extrapolar minutos de ciencias de secundaria a jardín; (g) tomar percepciones de “menos esfuerzo” como horas reales; (h) añadir comunicación automatizada con familias sin contar el canal extra de mensajes que esa automatización habilita.

8. Discusión

Tres tensiones organizan la discusión. La primera es entre alivio declarado y demanda medida. The Open Innovation Team y Department for Education (2024) recogen entrevistas y literatura gris según las cuales la genAI podría transformar la educación, ahorrar tiempo y personalizar; la posición del DfE (2023/2025) afirma que, usada de modo apropiado, puede reducir carga y liberar tiempo para la enseñanza. Es marco de política. Roy et al. (2024) ofrecen el hallazgo más limpio de minutos, y aun así acotan: secundaria, un fragmento del horario, reasignación frecuente a más planificación, sin medida de burnout. Collie et al. (2024) muestran el mecanismo inverso al relato ministerial: se valora la herramienta porque hay presión, no se documenta que la presión caiga. Hashem et al. (2024) ilustran el desliz retórico del campo: un diseño explicativo sobre planes de inglés, ciencias y matemáticas para 12–18 años se titula como prevención de burnout. Discutir ese artículo como evidencia de bienestar sería falsear su método.

La segunda tensión es entre automatizar un artefacto y sostener un oficio. Van den Berg y du Plessis (2023), Cooper (2023) y Powell y Courchesne (2024) coinciden en que el plan generado exige crítica. Calleja y Camilleri (2025) muestran docentes que se emocionan con la planificación y, a la vez, se inquietan por las licencias. Özsongür y Çeliktürk Sezgin (2026) recogen la esperanza de “más tiempo para enseñar” sin cronometrarla. En inicial, el artefacto (plan, ficha, mensaje a la familia) es una fracción del trabajo. La intensificación contemporánea puede no parecerse a la de Apple (1986) en su superficie —ya no es solo papeleo ministerial— y sí en su lógica: más productos visibles (variantes, diferenciación, comunicación inmediata) con el mismo cuerpo. Ballet y Kelchtermans (2009) advirtieron que la norma colectiva de innovar intensifica. La genAI es, hoy, esa norma con interfaz conversacional.

La tercera tensión es entre encuesta de uso y encuesta de salud. TALIS (OCDE, 2025a) puede decir, a la vez, que un tercio usa IA y que un quinto tiene mucho estrés, sin articular ambos ítems en un modelo causal. Starting Strong (OCDE, 2025b) puede decir que el personal de ECEC se estresa por hacer demasiadas cosas a la vez, sin que exista, en las páginas verificadas, un módulo que atribuya alivio a un chatbot. UNESCO e International Task Force (2024) pueden pedir valorizar la profesión y, a la vez, registrar el vacío de políticas de genAI. Miao y Cukurova (2024) pueden exigir agencia humana. Nada de eso es evidencia de que la automatización haya devuelto presencia al aula de tres años. El salto de “se usa para planificar” a “se está mejor” es el que este artículo corta.

Queda una nota sobre comunicación con familias, anunciada en el título de este trabajo. TALIS (OCDE, 2025a) incluye, entre usos, generar texto para retroalimentación o comunicación con tutores, con frecuencias menores que la planificación en varios sistemas. Ninguna fuente nuclear mide si esa automatización reduce o aumenta el volumen de mensajes, la expectativa de respuesta inmediata o el trabajo emocional de la relación escuela-hogar. Inferencia, marcada: abrir un canal más barato de producir texto puede aumentar la demanda de interacción, no disminuirla. Afirmar lo contrario sería inventar un resultado.

9. Límites

Esta revisión es narrativa. No aplica un protocolo PRISMA completo ni estima efectos combinados sobre burnout. TALIS 2024 no es, en su núcleo, educación inicial; Starting Strong 2024 no es, en las páginas usadas, un estudio de IA. Collie et al. (2024) mezclan primaria y secundaria y no miden efectividad ni burnout. Calleja y Camilleri (2025) entrevistan a tres docentes de Years 4–5. Özsongür y Çeliktürk Sezgin (2026) ofrecen percepciones de 27 voluntarios, con entrevistas breves, en una revista universitaria turca con DOI verificado: el estatus es cualitativo local, no ensayo. Roy et al. (2024) es el diseño más robusto de tiempo y es secundaria. Powell y Courchesne (2024), van den Berg y du Plessis (2023), Cooper (2023) y Hashem et al. (2024) analizan salidas de modelo o capacidades, no cohortes de maestras de jardín. Apple (1986), Hargreaves (1992) y Ballet y Kelchtermans (2009) son marcos de intensificación, no evidencia de ChatGPT. Los textos de UNESCO y del DfE son prescriptivos o de política. La geografía está sesgada hacia OCDE, Australia, Inglaterra, Malta, Türkiye y los Emiratos en el título de Hashem; no se localizó, con el mismo grado de apertura verificable, un ensayo latinoamericano de burnout y genAI en inicial que cumpliera los criterios. Esa ausencia es un vacío, no una prueba de inexistencia. Las inferencias de la sección 7 son hipótesis de umbral ético-laboral, no evidencia de implementación nacional. Este artículo no afirma que la genAI no pueda, en algún diseño futuro, reducir horas; afirma que, en el corpus verificado, no se demostró reducción de burnout ni devolución de tiempo al aula de inicial y básica.

10. Conclusiones

La inteligencia artificial en educación inicial y básica no tiene, hoy, evidencia suficiente para venderse como política de bienestar docente. Tres familias de fuentes verificadas sostienen el argumento. Las encuestas TALIS y TALIS Starting Strong documentan estrés, fuentes de carga y adopción de IA sin articular un efecto de alivio (OCDE, 2025a, 2025b). El estudio de Collie, Martin y Gasevic (2024) muestra que la presión de tiempo predice valorar la genAI en docentes de primaria y secundaria, no que la genAI disuelva esa presión. Los casos de primaria en Malta y Estambul (Calleja y Camilleri, 2025; Özsongür y Çeliktürk Sezgin, 2026) recogen percepciones de apoyo a la planificación y pedidos de formación, no escalas de burnout; Powell y Courchesne (2024) visibilizan el trabajo de verificar un plan de primer grado; Roy et al. (2024) miden minutos en secundaria que, en parte, se reasignan a más planificación.

Los marcos no son mudos. UNESCO e International Task Force (2024) sitúan el bienestar en la retención de una profesión en escasez. Miao y Holmes (2023) y Miao y Cukurova (2024) mandatan agencia humana y competencias, que son ellas mismas trabajo. Bakker y Demerouti (2017) recuerdan que un “recurso” que no amortigua la demanda no es recurso. Apple (1986) y Ballet y Kelchtermans (2009) recuerdan que la innovación puede densificar el oficio. El DfE (2023/2025) puede esperar alivio: esa espera no es hallazgo. Donde las fuentes no miden burnout ni tiempo de aula, este artículo no lo inventa. El riesgo no es que la máquina escriba un plan. El riesgo es que la institución lea ese plan como prueba de que el docente ya fue liberado —y le pida, entonces, más.

Ingeniero Mitre / Laboratorio Editorial de NEXTECH.IA

Referencias

  1. Apple, M. W. (1986). Teachers and texts: A political economy of class and gender relations in education. Routledge.
  2. Bakker, A. B., y Demerouti, E. (2017). Job demands-resources theory: Taking stock and looking forward. Journal of Occupational Health Psychology, 22(3), 273–285. https://doi.org/10.1037/ocp0000056
  3. Ballet, K., y Kelchtermans, G. (2008). Workload and willingness to change: Disentangling the experience of intensification. Journal of Curriculum Studies, 40(1), 47–67. https://doi.org/10.1080/00220270701516463
  4. Ballet, K., y Kelchtermans, G. (2009). Struggling with workload: Primary teachers’ experience of intensification. Teaching and Teacher Education, 25(8), 1150–1157. https://doi.org/10.1016/j.tate.2009.02.012
  5. Ballet, K., Kelchtermans, G., y Loughran, J. (2006). Beyond intensification towards a scholarship of practice: Analysing changes in teachers’ work lives. Teachers and Teaching, 12(2), 209–229. https://doi.org/10.1080/13450600500467415
  6. Calleja, J., y Camilleri, P. (2025). Primary school teachers’ perceptions towards the use of generative AI in teaching using lesson study. International Journal for Lesson and Learning Studies, 14(3), 237–252. https://doi.org/10.1108/IJLLS-11-2024-0268
  7. Collie, R. J., Martin, A. J., y Gasevic, D. (2024). Teachers’ generative AI self-efficacy, valuing, and integration at work: Examining job resources and demands. Computers and Education: Artificial Intelligence, 7, 100333. https://doi.org/10.1016/j.caeai.2024.100333
  8. Cooper, G. (2023). Examining science education in ChatGPT: An exploratory study of generative artificial intelligence. Journal of Science Education and Technology, 32, 444–452. https://doi.org/10.1007/s10956-023-10039-y
  9. Department for Education. (2023/2025). Generative artificial intelligence (AI) in education. GOV.UK. https://www.gov.uk/government/publications/generative-artificial-intelligence-in-education
  10. Hargreaves, A. (1992). Time and teachers’ work: An analysis of the intensification thesis. Teachers College Record, 94(1), 87–108. https://doi.org/10.1177/016146819209400110
  11. Hashem, R., Ali, N., El Zein, F., Fidalgo, P., y Abu Khurma, O. (2024). AI to the rescue: Exploring the potential of ChatGPT as a teacher ally for workload relief and burnout prevention. Research and Practice in Technology Enhanced Learning, 19, Article 23. https://doi.org/10.58459/rptel.2024.19023
  12. Miao, F., y Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084
  13. Miao, F., y Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  14. OCDE. (2025a). Results from TALIS 2024: The State of Teaching. OECD Publishing. https://doi.org/10.1787/90df6235-en
  15. OCDE. (2025b). Results from TALIS Starting Strong 2024: Strengthening Early Childhood Education and Care. OECD Publishing. https://doi.org/10.1787/20af08c0-en
  16. Özsongür, M. Z., y Çeliktürk Sezgin, Z. (2026). Primary school teachers’ experiences with generative artificial intelligence in education: Opportunities and limitations. Educational Academic Research, 61, 11–20. https://doi.org/10.33418/education.1714789
  17. Powell, W., y Courchesne, S. (2024). Opportunities and risks involved in using ChatGPT to create first grade science lesson plans. PLOS ONE, 19(6), e0305337. https://doi.org/10.1371/journal.pone.0305337
  18. Roy, P., Poet, H., Staunton, R., Aston, K., y Thomas, D. (2024). ChatGPT in lesson preparation: A Teacher Choices trial. Evaluation report. Education Endowment Foundation y National Foundation for Educational Research. https://educationendowmentfoundation.org.uk/projects-and-evaluation/projects/choices-in-edtech-using-generative-ai-chatgpt-for-ks3-science-lesson-preparation-2024-teacher-choices-trial
  19. The Open Innovation Team y Department for Education. (2024). Generative AI in education: Educator and expert views (RR1402). Department for Education. https://www.gov.uk/government/publications/generative-ai-in-education-educator-and-expert-views
  20. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000381137
  21. UNESCO e International Task Force on Teachers for Education 2030. (2024). Global report on teachers: Addressing teacher shortages and transforming the profession. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000388832
  22. 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