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 desarrollo motor. El primero es un sistema de pose estimation que puntúa «correcto/incorrecto» un salto o una carrera: un pipeline de keypoints que compara la trayectoria del cuerpo con un patrón y declara que el niño «ya ejecutó bien la habilidad». El segundo es un wearable que marca «hitos motores»: un dispositivo que registra aceleraciones, posturas o umbrales y presenta la alerta como si fuera progreso motor pedagógico. El tercero es una app que clasifica FMS a partir de video: un modelo que etiqueta correr, saltar, lanzar o atrapar y entrega el score como si fuera desarrollo de la motricidad gruesa y fina. Los tres son visibles y baratos en tiempo de coordinación. Permiten exhibir que el centro «ya hace desarrollo motor con inteligencia artificial». El salto —de obtener un score de keypoints, recibir una alerta de hito o acumular clasificaciones de FMS a afirmar que hay desarrollo motor— no está autorizado ni por la evidencia de visión por computador ni por lo que la pedagogía de la motricidad mide cuando hay práctica situada de locomoción, control de objetos y estabilidad en contextos de juego activo y mediación adulta.

La tesis de este artículo es restrictiva. Un sistema de pose estimation que puntúa «correcto/incorrecto» un salto o una carrera, un wearable que marca «hitos motores» o una app que clasifica FMS a partir de video no constituyen desarrollo motor en educación inicial. En esta etapa el desarrollo motor es práctica situada de locomoción, control de objetos y estabilidad —habilidades motrices fundamentales cultivadas en juego activo, práctica guiada y mediación docente en patio y aula; observación pedagógica del movimiento que interpreta calidad del desplazamiento, no solo presencia del gesto—; no un score de keypoints, un dashboard de hitos ni una etiqueta automática de «correcto». Zheng, Ye, Korivi, Liu y Hong (2022), en revisión sistemática y metaanálisis de FMS en niños de 3 a 6 años, sitúan la competencia motriz fundamental como dominio real de locomoción y control de objetos, no como output de un clasificador. Zhang, Tang, Geng, Li, Liu y Cai (2025) sintetizan intervenciones de active play sobre FMS: el oficio es el juego activo, no el tablero. Eso no autoriza a traducir «hay pose estimation instalado» como «hay desarrollo motor». Autoriza a preguntar qué se midió: a menudo, error de keypoints o correlación con evaluación humana en tareas motoras, no la práctica reiterada y mediada cuando un niño de cuatro años corre, salta, lanza y equilibra en el patio con un adulto que observa, modela y amplía.

El problema se agrava por cinco confusiones de categoría que las fichas de producto no mencionan y que este artículo separa con rigor. Primera: desarrollo motor no es STEM ni robótica educativa —kits, secuencias o «programar el cuerpo» como analogía computacional—. Segunda: no es funciones ejecutivas como control inhibitorio, memoria de trabajo o flexibilidad cognitiva vestidas de «motricidad atenta». Tercera: no es SEL como programa de competencias socioemocionales globales. Cuarta: no es juego libre genérico sin mediación ni intencionalidad motriz. Quinta: no es evaluación formativa académica —rúbricas de lenguaje o matemáticas aplicadas al patio—. Este trabajo no recicla artículos de interacciones, funciones ejecutivas, SEL, STEM, creatividad artística, juego libre, documentación, numeracidad ni oralidad. La pregunta es de motricidad: qué cuenta como desarrollo motor cuando un centro de inicial «hace IA y motricidad». Confundir el producto —pose estimation, wearable, app de FMS— con el proceso es el error que este trabajo nombra. Jahn et al. (2025) demuestran techos técnicos de pose estimation en lactantes; Lei et al. (2025) correlacionan machine vision con evaluación humana de coordinación; Andarage et al. (2023) proponen ECAMS como toolkit de monitoreo con TGMD-2. Inferencia pedagógica, marcada como tal: el mercado de «IA para el desarrollo motor en inicial» hereda esa distribución evaluativa y la convierte en promesa pedagógica. Convierte la medición automatizada del movimiento en el todo del oficio motor.

Las contribuciones son tres: reconstruir el estado del arte que separa desarrollo motor (FMS; juego activo; mediación en patio/aula; observación pedagógica del movimiento) de la puntuación por keypoints, la alerta de hitos y la clasificación de FMS por video; examinar tres familias de casos empíricos; y ofrecer cuatro pruebas para decidir cuándo un jardín puede afirmar que hay desarrollo motor, y no solo un sistema de pose estimation, un wearable o una app clasificadora.

2. Estado del arte: de la motricidad situada al artefacto que se exhibe

Conviene separar cuatro estratos que el mercado de «IA para el desarrollo motor en inicial» suele mezclar. El primero es el constructo de desarrollo motor de 3 a 6 años como competencia en locomoción, control de objetos y estabilidad —FMS; motricidad gruesa y fina; coordinación— cultivada en contextos de juego y práctica (Zheng et al., 2022; Zhang et al., 2025; Zhu et al., 2025; NAEYC, 2022; OECD, 2021). El segundo es el oficio pedagógico que la cultiva —juego activo, práctica guiada de FMS, mediación docente en patio y aula, observación pedagógica del movimiento— (Zhang et al., 2025; OECD, 2021, 2023; NAEYC, 2022). El tercero es la evidencia de pose estimation, machine vision, monitoreo de acciones, computer vision de motricidad fina y apps de trazo, más los mapeos de IA en ECE (Jahn et al., 2025; Lei et al., 2025; Andarage et al., 2023; Kim y Neville, 2023; Butler, Pimenta, Tommerdahl, Fuchs y Caçola, 2019; Li, Fu, Zheng, Gou, Yu, Kong y Wang, 2023; Chen, 2024; Su y Yang, 2022; Ljungcrantz, 2026; Nikolopoulou, 2025). El cuarto es el marco de derechos, de sistemas y de práctica apropiada al desarrollo, que trata al infante de 3–6 años como sujeto de práctica motriz situada, no como vector de keypoints para un pipeline de scoring (UNESCO, 2021; Miao y Holmes, 2023; European Commission, 2022; U.S. Department of Education, 2023).

En el estrato del constructo, Zheng et al. (2022) metaanalizan diferencias de género en FMS en niños de 3 a 6 años y sitúan locomoción y object control como dominios empíricos de la competencia motriz fundamental. Estatus: hallazgo de síntesis sobre FMS reales en el rango etario del jardín, no sobre IA. Zhu et al. (2025) revisan con metodología COSMIN las propiedades de medida del Test of Gross Motor Development-3 (TGMD-3): el test es instrumento de evaluación de motricidad gruesa, no pedagogía cotidiana del patio. Estatus: hallazgo metrológico. Inferencia pedagógica, marcada como tal: un score TGMD —humano o automatizado— no es, por existir, desarrollo motor en la vida del aula. Zhang et al. (2025) incluyen nueve estudios de intervenciones de active play sobre FMS en niños con desarrollo típico: siete reportan efecto significativo y dos no; las intervenciones duran entre 45 y 60 minutos, con frecuencias de una a cuatro veces por semana y periodos de cuatro semanas a seis meses. Estatus: hallazgo de síntesis de que el juego activo puede mejorar FMS, con heterogeneidad. Inferencia: el oficio es AP mediado y situable; no un dashboard.

En el estrato del oficio, OECD (2021) ancla la calidad de ECEC en interacciones cotidianas significativas; OECD (2023) exige que la digitalización empodere sin sustituir esas interacciones. NAEYC (2022) exige práctica apropiada al desarrollo: el niño de 3–6 años es sujeto de juego, movimiento y relación, no de pipeline. Inferencia: un score de pose estimation no corre con el niño. Un adulto que organiza juego activo, modela un lanzamiento y observa la calidad del apoyo del pie sí. La observación pedagógica del movimiento interpreta intención, esfuerzo, transferencia entre contextos y seguridad; no se agota en detectar si el keypoint del tobillo cruzó un umbral.

En el estrato de artefactos, Jahn et al. (2025) comparan métodos marker-less 2D de pose estimation infantil con 4500 frames anotados de 75 grabaciones de funciones motoras espontáneas entre 4 y 16 semanas de edad; ViTPose destaca entre estimadores genéricos; la vista top-down supera a la diagonal; los estimadores especializados en lactantes no generalizan bien a otros datasets infantiles. Estatus: hallazgo empírico de techo técnico. Transferencia explícita: la muestra es de lactantes, no de 3–6 años; no es pedagogía de motricidad en jardín. Lei et al. (2025) proponen evaluación de coordinación motriz infantil por machine vision con keypoints y Dynamic Time Warping, correlacionada con evaluación humana: objetividad de scoring, no desarrollo motor pedagógico. Andarage et al. (2023) presentan ECAMS para detectar sentarse, correr, caminar y saltar integrado con TGMD-2 en edades tempranas (3–5): toolkit de monitoreo, no sustituto de juego activo mediado. Kim y Neville (2023) demuestran exactitud y factibilidad de computer vision para evaluar motricidad fina de mano mediante tracking de objeto: hallazgo técnico; transferencia marcada cuando la edad de los experimentos no coincide con 3–6 de jardín. Butler et al. (2019), con N = 125 kindergarten (experimental 58 / control 67), hallan que una app de handwriting con stylus mejora destreza manual frente a solo hojas; se cita aquí solo como límite/transferencia tecnológica fuera del núcleo 2021–2026: una app de trazo no autoriza equivaler app = desarrollo motor integral. Li et al. (2023) integran tracking visual-motor en análisis de conducta para developmental coordination disorder: contexto clínico/rehabilitación; transferencia a jardín marcada. Chen (2024), Su y Yang (2022), Ljungcrantz (2026) y Nikolopoulou (2025) mapean IA en ECE sin equivalerla a desarrollo motor de patio.

En el estrato de sistemas, UNESCO (2021) exige supervisión humana. Miao y Holmes (2023) fijan validación pedagógica y umbrales de edad para IA generativa. La Comisión Europea (2022) y el Departamento de Educación de Estados Unidos (2023) coinciden en no sustituir el juicio profesional. Inferencia: un niño de cuatro años no es el insumo de un pipeline de keypoints ni el destinatario pasivo de un wearable de hitos. Es el protagonista de una práctica motriz situada que un adulto garante organiza, modela y observa.

3. Método de revisión

Se realizó una revisión narrativa crítica, no un metaanálisis primario. El propósito no fue estimar un tamaño de efecto homogéneo del pose estimation, sino articular un argumento de categoría pedagógica con fuentes verificadas. Criterios de inclusión: (a) 2021–2026, con transferencia explícitamente marcada cuando la muestra no es de 3–6, y con Butler et al. (2019) solo como límite de apps de trazo; (b) desarrollo motor, FMS, motricidad gruesa/fina, coordinación, juego activo, pose estimation, machine vision, monitoreo de acciones o IA en educación inicial; (c) relevancia para jardín, preescolar, CENDI o 3–6 años; (d) revista con pares, DOI o informe de NAEYC, UNESCO, OECD, Comisión Europea o departamento de educación; (e) DOI o página editorial verificable. Se excluyeron como objeto central los ejes ya usados en esta serie —interacciones CLASS/serve-and-return, documentación pedagógica, SEL como programa sustituto, funciones ejecutivas, STEM/robótica, creatividad artística, juego libre genérico, numeracidad, oralidad, tutoría generativa, brechas, privacidad, DUA, evaluación formativa académica, familia–escuela, formación continua— aunque algunos aparecen como límite de categoría.

La búsqueda se ejecutó el 28 de agosto de 2026 (slot 09:02 America/Mexico_City) en páginas DOI, Crossref, Springer, Nature, BMC, MDPI, IEEE Xplore, Tsinghua Science and Technology, OECD iLibrary, UNESDOC, JAIR, NAEYC y sitios editoriales. Cada fuente se verificó contra al menos una de esas páginas; los autores de Butler et al. (2019) y Zhu et al. (2025) se corrigieron contra DOI/Crossref antes de citar. Se distinguieron hallazgo empírico, marco conceptual o normativo, e inferencia pedagógica marcada como tal. Se priorizó la distinción desarrollo motor / STEM / FE / SEL / juego libre / evaluación formativa, y la precaución de no traducir correlación de scoring con evaluación humana en pedagogía de la motricidad.

4. Caso 1. Pose estimation, wearables de hitos o apps que clasifican FMS no constituyen desarrollo motor

Jahn, Flügge, Zhang, Poustka, Bölte, Wörgötter, Marschik y Kulvicius (2025) publican en Scientific Reports la comparación que mejor nombra el techo del primer artefacto cuando se lo presenta como desarrollo motor. Comparan estimadores marker-less 2D —genéricos y especializados en lactantes— sobre 4500 frames anotados de 75 grabaciones de movimiento espontáneo entre 4 y 16 semanas; evalúan error respecto de anotación humana y percentage of correct key-points; hallan que ViTPose, entrenado en adultos, es el mejor genérico; que reentrenar en datos propios mejora; que estimadores infantiles no generalizan bien a otros datasets; y que la vista top-down supera a la diagonal usada en general movement assessment. Estatus de la evidencia. Hallazgo empírico de exactitud de pose estimation en lactantes. Transferencia explícita: no es muestra de 3–6 años ni de pedagogía de jardín. Inferencia pedagógica, marcada como tal: este es el gesto que un centro copia cuando «hace motricidad con IA que puntúa el salto». Se graba, se estiman keypoints, se declara «correcto/incorrecto». Lo que hay es un techo técnico de visión. El desarrollo motor, en Zheng et al. (2022) y Zhang et al. (2025), pide práctica de FMS en juego activo, no un PCK alto en frames.

Lei, Shu, Yu, Shi, Li y Chen (2025) saturan el retrato del scoring de coordinación. En Tsinghua Science and Technology proponen un método de machine vision con keypoints y Dynamic Time Warping para evaluar capacidad de coordinación motriz infantil, correlacionado con evaluación humana. Estatus: hallazgo de objetividad y factibilidad de scoring. No es hallazgo de que instalar un scorer de coordinación desarrolle locomoción, control de objetos o estabilidad en la vida del patio. Inferencia, marcada como tal: correlacionar con jueces humanos autoriza a decir que hay medición más reproducible; no autoriza a declarar «ya hay desarrollo motor». Andarage, Fernando, Lokuarachchi, Athuluwage y Wijewickrama (2023) presentan ECAMS en IEEE PRDC: computer vision y machine learning integrados con TGMD-2 para detectar sentarse, correr, caminar y saltar en edades tempranas, como toolkit de monitoreo en tiempo real para educadores, entrenadores y familias. Estatus: hallazgo de diseño de sistema de monitoreo. No es hallazgo de que el toolkit sustituya juego activo mediado. Inferencia: detectar la clase de acción no es enseñar la habilidad ni mediar la práctica.

Kim y Neville (2023) nombran la cara fina del tercer artefacto. Desarrollan captura 3D por computer vision con dos cámaras de acción para tracking de un objeto manipulado por la mano y examinan exactitud y factibilidad para detectar cambios en motricidad fina manual. Estatus: hallazgo técnico de assessment. Transferencia: cuando los experimentos no equivalen al tramo 3–6 de jardín, no se extrapolan como pedagogía de inicial. Butler et al. (2019), fuera del núcleo temporal, muestran con N = 125 que Letter School con stylus mejora destreza manual en kindergarten frente a solo worksheets; ambos grupos mejoran legibilidad. Estatus: hallazgo de app de handwriting como complemento. Inferencia restrictiva: no autoriza equivaler app de trazo = desarrollo motor integral de FMS. Li et al. (2023) cierran con tracking visual-motor en DCD: utilidad clínica/rehab; no pedagogía cotidiana de CENDI. Chen (2024), Su y Yang (2022), Ljungcrantz (2026) y Nikolopoulou (2025) confirman crecimiento de IA en ECE sin evidencia de que pose estimation, wearable de hitos o clasificador de FMS sustituyan el oficio. Inferencia: un jardín que entrega «FMS correctos según el modelo» o «hitos motores cumplidos según el wearable» ha hecho medición o conteo. El desarrollo motor se verifica en si el niño practicó locomoción, control de objetos y estabilidad con mediación adulta en juego activo. No se verifica en el PCK del estimador.

5. Caso 2. Lo que el jardín sí hace cuando hay desarrollo motor: juego activo, FMS y mediación

Zheng et al. (2022) sitúan las FMS de 3 a 6 años como dominio empírico con diferencias de género especialmente en object control. Estatus: hallazgo de metaanálisis sobre competencia motriz fundamental real. No es hallazgo de IA. Inferencia pedagógica, marcada como tal: este es el objeto que un centro de inicial puede llamar desarrollo motor. La motricidad no es un score de keypoints: es dominio creciente de correr, saltar, galopar, lanzar, atrapar, patear, equilibrar y coordinar en contextos significativos. Un wearable que marca «hito de salto logrado» sin práctica reiterada puede celebrar un umbral y, a la vez, vaciar el patio de mediación. Un clasificador de FMS puede etiquetar «correr» en video y no haber capturado si el adulto modeló la impulsión, ajustó el espacio o invitó a transferir el patrón a un juego de persecución.

Zhang et al. (2025) saturan el oficio desde active play: de 3672 registros cribados, nueve estudios entran a la revisión; intervenciones de 45–60 minutos, una a cuatro veces por semana, de cuatro semanas a seis meses; instrumentos TGMD-2, BOTMP, PDMS-2 y MABC; siete estudios con efecto significativo sobre FMS y dos sin él; riesgo de sesgo bajo en tres y moderado en seis. Estatus: hallazgo de síntesis de que AP tiende a mejorar FMS con heterogeneidad. Inferencia: cuando hay desarrollo motor en inicial, hay juego activo organizado con intencionalidad motriz, no un feed de alertas. Zhu et al. (2025) recuerdan que TGMD-3 tiene propiedades de medida revisables por COSMIN: el test informa evaluación; no reemplaza la pedagogía diaria. OECD (2021) ancla calidad en interacciones cotidianas; OECD (2023) exige digitalización subordinada. NAEYC (2022) exige práctica apropiada al desarrollo. Inferencia: mediación docente en patio/aula significa notar la calidad del apoyo, la secuencia del lanzamiento, la seguridad del espacio y la oportunidad de reiterar; observación pedagógica del movimiento es lectura profesional, no log de keypoints. Un dashboard no modela un galope. Un adulto que organiza estaciones de FMS, juega con el niño y observa la transferencia entre rincones sí.

La práctica guiada de FMS no niega el juego: lo orienta. Zhang et al. (2025) subrayan el potencial del active play por su carácter de elección y su facilidad de difusión, no por su automatización. Inferencia: el jardín que «hace motricidad» abre tiempo, espacio y mediación para locomoción, control de objetos y estabilidad; documenta con mirada pedagógica si hace falta; no declara desarrollo cumplido porque ECAMS detectó cuatro clases de acción o porque un scorer de coordinación correlacionó con un juez. Andarage et al. (2023) pueden auxiliar el monitoreo; no firman el desarrollo. Lei et al. (2025) pueden objetivar un score; no sustituyen la práctica. Jahn et al. (2025) muestran cuánto cuesta estimar pose incluso en condiciones controladas de lactantes: transferencia que frena la fantasía de un patio plenamente «scoreado» sin fricción.

6. Caso 3. Desarrollo motor no es STEM, ni FE, ni SEL, ni juego libre genérico, ni evaluación formativa académica

La primera frontera de categoría es STEM/robótica. Un kit de robots, una secuencia de programación o una metáfora de «el cuerpo como máquina» pueden coexistir en un centro; no constituyen, por sí solos, desarrollo motor de FMS en 3–6 años. Estatus: inferencia pedagógica marcada como tal, anclada en Zheng et al. (2022) y Zhang et al. (2025) como constructo motor. Este artículo no convierte STEM en objeto central: lo nombra para prohibir la equivalencia. Un sistema de pose estimation tampoco es «STEM motriz»: es estimación geométrica del cuerpo. Confundir «tenemos visión por computador» con «hay práctica de locomoción mediada» es el error de categoría que el mercado explota.

La segunda frontera son las funciones ejecutivas. Este artículo no convierte motricidad en control inhibitorio, memoria de trabajo o flexibilidad cognitiva. Li et al. (2023) se retienen por tracking visual-motor en DCD clínico, no por entrenamiento ejecutivo de jardín. Inferencia: cuando un producto promete «mejora la atención ejecutiva porque clasifica el salto», se ha cruzado a otro constructo. El desarrollo motor puede asociarse empíricamente con muchos outcomes; no se identifica con FE.

La tercera frontera es SEL. Competencias socioemocionales pueden aparecer en el patio; no son FMS. Inferencia restrictiva: un wearable que premia «hitos» con refuerzo emocional no convierte el refuerzo en object control. La cuarta frontera es el juego libre genérico. El juego libre importa; no basta, por sí solo, como práctica intencional de FMS si no hay mediación, tiempo motor ni observación pedagógica del movimiento. Zhang et al. (2025) hablan de active play con potencial sobre FMS, no de dejar el patio sin oficio. La quinta frontera es la evaluación formativa académica. Rúbricas de lenguaje o matemáticas no miden galope ni recepción de balón. Zhu et al. (2025) sitúan TGMD-3 en metrología de motricidad gruesa: otro instrumento, otro constructo. Chen (2024), Su y Yang (2022), Ljungcrantz (2026) y Nikolopoulou (2025) mapean IA en ECE; Miao y Holmes (2023) fijan límites. Inferencia: el único uso de IA coherente con 3–6 años permanece del lado del adulto que organiza juego activo, guía FMS y observa el movimiento —como apoyo a formación o a feedback profesional diferido—, sometido a validación pedagógica. No entra como scorer autónomo de «correcto/incorrecto», wearable que sustituye el juicio ni app que declara FMS cumplidas.

7. Marco inferencial: cuatro pruebas para afirmar que hay desarrollo motor, no un artefacto

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 un sistema de pose estimation que puntúa «correcto/incorrecto», un wearable de hitos motores o una app que clasifica FMS a partir de video constituyen desarrollo motor.

7.1. Prueba de la práctica situada de locomoción, control de objetos y estabilidad, no del score de keypoints. Zheng et al. (2022) definen FMS de 3–6 como competencia real. Jahn et al. (2025) estiman pose en lactantes con techos de PCK y de generalización. Lei et al. (2025) correlacionan machine vision con jueces humanos. Inferencia: la evidencia de desarrollo se verifica en si el niño practicó las habilidades en contexto. Si la «evidencia» del centro es un dashboard de keypoints o un PCK, el centro ha hecho estimación, no motricidad pedagógica.

7.2. Prueba del juego activo y la práctica guiada de FMS, no del detector de acciones. Zhang et al. (2025) documentan AP con efectos heterogéneos sobre FMS en nueve estudios. Andarage et al. (2023) detectan sentarse, correr, caminar y saltar con ECAMS+TGMD-2. Inferencia: detectar la clase de acción no demuestra que hubo juego activo mediado ni práctica reiterada. Un toolkit de monitoreo puede informar; no firma el desarrollo.

7.3. Prueba de la mediación docente y la observación pedagógica del movimiento, no de la alerta de hito. NAEYC (2022) y OECD (2021, 2023) exigen práctica apropiada e interacciones/digitalización con sentido. Kim y Neville (2023) y Butler et al. (2019) muestran assessment o apps de destreza fina —con transferencia y límite temporal—. Inferencia: «hito cumplido» puede elevar un umbral sin elevar la calidad de la mediación. Observación pedagógica lee el movimiento; la alerta cuenta un evento.

7.4. Prueba de la distinción de categoría y del juicio profesional, no del catálogo de producto. Desarrollo motor ≠ STEM, FE, SEL, juego libre genérico ni evaluación formativa académica. Zhu et al. (2025) impiden confundir propiedades de TGMD-3 con pedagogía cotidiana. Li et al. (2023) quedan en clínica/rehab con transferencia marcada. UNESCO (2021), Miao y Holmes (2023), la Comisión Europea (2022), el Departamento de Educación de Estados Unidos (2023), NAEYC (2022) y OECD (2021, 2023) exigen supervisión humana, validación pedagógica y no sustituir el juicio profesional. Inferencia: un centro no puede tratar al infante como vector de keypoints. El desarrollo motor no se cumple puntuando mejor el video del salto. Se cumple practicando FMS en juego activo con adultos que median y observan.

El marco admite el digital cuando se subordina a formación docente y a observación profesional validada (Andarage et al., 2023, como monitoreo auxiliar; Lei et al., 2025, como scoring subordinado, no como desarrollo declarado). Rechaza declarar desarrollo motor por pose estimation autónomo, wearable de hitos o app clasificadora de FMS (Jahn et al., 2025; Kim y Neville, 2023; Butler et al., 2019, como límite).

8. Discusión

Tres tensiones organizan la discusión. La primera es entre exhibir un artefacto de medición del movimiento y ejercer desarrollo motor. Es hallazgo que ViTPose y vistas top-down mejoran estimación de pose en lactantes, con límites de generalización (Jahn et al., 2025; transferencia); que machine vision puede correlacionar coordinación con jueces humanos (Lei et al., 2025); y que ECAMS detecta acciones ligadas a TGMD-2 (Andarage et al., 2023). Es marco que el desarrollo motor de 3–6 se juega en FMS y active play (Zheng et al., 2022; Zhang et al., 2025; NAEYC, 2022). No es hallazgo de que score, wearable o app produzcan el oficio que el patio exige. Los tres artefactos miden o etiquetan lo que la ingeniería sabe entregar y declaran lo que solo la práctica mediada autorizaría.

La segunda es entre assessment automatizado y pedagogía cotidiana. Zhu et al. (2025) muestran que TGMD-3 es objeto de propiedades de medida; Andarage et al. (2023) automatizan detección alineada a TGMD-2. Inferencia: insistir en que el jardín «ya tiene desarrollo motor» porque el modelo clasifica saltos suficientes es una pedagogía invertida. Se toma un proxy evaluativo y se lo hace valer por práctica de locomoción, control de objetos y estabilidad. El infante queda como emisor de keypoints; el adulto, como supervisor del clasificador.

La tercera es entre app de destreza fina y desarrollo motor integral. Butler et al. (2019) mejoran manual dexterity con handwriting app en kindergarten; Kim y Neville (2023) hacen factible el assessment fino por visión. Inferencia: fragmentar la motricidad en un gesto de trazo o en un tracking de objeto y venderlo como «desarrollo motor con IA» confunde parte con todo. El único uso de IA coherente con 3–6 años permanece del lado del adulto que organiza juego activo y observa el movimiento, sometido a UNESCO, Comisión Europea y Departamento de Educación de Estados Unidos. Un scorer autónomo porque el sistema necesita un producto no lo es.

Inferencia pedagógica adicional, marcada como tal: la serie de artefactos —pose estimation que puntúa correcto/incorrecto, wearable de hitos y app clasificadora de FMS— comparte una misma economía de visibilidad. Cada uno produce un output legible para coordinación: un número, una notificación, una etiqueta de habilidad. OECD (2021) y NAEYC (2022) exigen, en cambio, que el desarrollo se verifique en la práctica situada. Chen (2024), Su y Yang (2022), Ljungcrantz (2026) y Nikolopoulou (2025) muestran el crecimiento del campo de IA en educación inicial; ese crecimiento no autoriza la equivalencia. Miao y Holmes (2023), UNESCO (2021), la Comisión Europea (2022) y el Departamento de Educación de Estados Unidos (2023) coinciden en subordinar la IA al juicio profesional. En un CENDI o jardín, ello significa que el adulto permanece como garante de la motricidad: organiza el juego activo, guía FMS, media en patio y aula y observa el movimiento. El artefacto puede auxiliar la formación o el feedback diferido; no puede firmar el desarrollo motor.

9. Límites

Esta revisión es narrativa. No aplica PRISMA ni estima efectos combinados primarios. Jahn et al. (2025) son lactantes de 4–16 semanas: transferencia marcada, no jardín. Lei et al. (2025) validan scoring de coordinación, no pedagogía de FMS cotidiana. Andarage et al. (2023) son diseño de toolkit ECAMS, no ensayo de desarrollo motor mediado versus scorer autónomo. Kim y Neville (2023) son factibilidad de computer vision en motricidad fina, con transferencia etaria cuando corresponda. Butler et al. (2019) están fuera de 2021–2026 y se usan solo como límite de apps de trazo (N = 125). Zhang et al. (2025) sintetizan nueve estudios heterogéneos de AP, no de IA. Zheng et al. (2022) metaanalizan género en FMS, no artefactos. Zhu et al. (2025) revisan propiedades TGMD-3, no implementación de IA en CENDI. Li et al. (2023) son DCD clínico/rehab. Chen (2024), Su y Yang (2022), Ljungcrantz (2026) y Nikolopoulou (2025) mapean IA en ECE, no motricidad de patio como variable primaria. NAEYC, UNESCO y OECD son de marco. No se localizaron ensayos latinoamericanos de IA que comparen juego activo mediado por adulto frente a pose estimation autónomo o wearable de hitos en CENDI. Las inferencias de la sección 7 son hipótesis de categoría pedagógica, no evidencia de implementación.

10. Conclusiones

Un sistema de pose estimation que puntúa «correcto/incorrecto» un salto o una carrera, un wearable que marca «hitos motores» o una app que clasifica FMS a partir de video no constituyen desarrollo motor en un centro de educación inicial. La evidencia verificada no autoriza esa declaración. Jahn et al. (2025) muestran techos de pose estimation en 4500 frames de 75 grabaciones de lactantes (4–16 semanas), con ventajas de ViTPose y de vista top-down y límites de generalización —transferencia, no pedagogía de 3–6—. Lei et al. (2025) objetivan coordinación por machine vision correlacionada con evaluación humana. Andarage et al. (2023) detectan acciones con ECAMS+TGMD-2 como toolkit de monitoreo. Kim y Neville (2023) hacen factible el assessment fino por visión. Butler et al. (2019) mejoran destreza manual con app de handwriting en kindergarten, sin autorizar equivalencia con desarrollo motor integral. En cambio, cuando hay desarrollo motor en inicial, hay práctica situada de FMS: diferencias y dominios reales a los 3–6 años (Zheng et al., 2022); active play con efectos predominantemente positivos y heterogéneos en nueve estudios (Zhang et al., 2025); TGMD-3 como instrumento de medida, no como sustituto del patio (Zhu et al., 2025); mediación y práctica apropiada al desarrollo (NAEYC, 2022; OECD, 2021, 2023). El desarrollo motor se distingue de STEM/robótica, de funciones ejecutivas, de SEL, de juego libre genérico y de evaluación formativa académica. Las guías vigentes exigen supervisión humana, validación pedagógica y no sustituir el juicio profesional (UNESCO, 2021; Miao y Holmes, 2023; European Commission, 2022; U.S. Department of Education, 2023; Chen, 2024; Su y Yang, 2022; Ljungcrantz, 2026; Nikolopoulou, 2025).

Donde las fuentes no miden un jardín, este artículo no lo afirma. Donde miden pose estimation, scoring de coordinación, detección de acciones o apps de destreza, no las traduce en desarrollo motor pedagógico. Acompañar a niñas y niños de tres a seis años en motricidad es ejercer práctica de locomoción, control de objetos y estabilidad en juego activo, con mediación docente en patio y aula y con observación pedagógica del movimiento. Lo demás es score de keypoints, alerta de hitos y clasificación algorítmica de FMS. No es desarrollo motor en educación inicial, y no debe presentarse como lo que no es.

Laboratorio Editorial de NEXTECH.IA / Ingeniero Mitre.

Referencias

  1. Andarage, I. S. N., Fernando, D., Lokuarachchi, B. A., Athuluwage, M. G., y Wijewickrama, P. (2023). Early Childhood Action Monitoring and Analytics System (ECAMS). En 2023 IEEE 28th Pacific Rim International Symposium on Dependable Computing (PRDC) (pp. 1–6). IEEE. https://doi.org/10.1109/prdc59308.2023.00056
  2. Butler, C., Pimenta, R., Tommerdahl, J., Fuchs, C. T., y Caçola, P. (2019). Using a handwriting app leads to improvement in manual dexterity in kindergarten children. Research in Learning Technology, 27, 2135. https://doi.org/10.25304/rlt.v27.2135
  3. 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, 81, 701–740. https://doi.org/10.1613/jair.1.16882
  4. 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
  5. Jahn, L., Flügge, S., Zhang, D., Poustka, L., Bölte, S., Wörgötter, F., Marschik, P. B., y Kulvicius, T. (2025). Comparison of marker-less 2D image-based methods for infant pose estimation. Scientific Reports, 15, 12148. https://doi.org/10.1038/s41598-025-96206-0
  6. Kim, B., y Neville, C. (2023). Accuracy and feasibility of a novel fine hand motor skill assessment using computer vision object tracking. Scientific Reports, 13, 1813. https://doi.org/10.1038/s41598-023-29091-0
  7. Lei, Y., Shu, D., Yu, M., Shi, D., Li, J., y Chen, Y. (2025). Evaluation method of motor coordination ability in children based on machine vision. Tsinghua Science and Technology, 30(2), 633–649. https://doi.org/10.26599/tst.2024.9010069
  8. Li, R., Fu, H., Zheng, Y., Gou, S., Yu, J. J., Kong, X., y Wang, H. (2023). Behavior analysis with integrated visual-motor tracking for developmental coordination disorder. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 31, 2164–2173. https://doi.org/10.1109/tnsre.2023.3270287
  9. 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
  10. Miao, F., y Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  11. NAEYC. (2022). Developmentally appropriate practice in early childhood programs serving children from birth through age 8 (4.ª ed.). NAEYC. https://www.naeyc.org/resources/pubs/books/dap-fourth-edition
  12. Nikolopoulou, K. (2025). Child-centered integration of generative AI in early learning: Balancing promises and challenges. AI, Brain and Child. https://doi.org/10.1007/s44436-025-00023-1
  13. OECD. (2021). Starting Strong VI: Supporting meaningful interactions in early childhood education and care. OECD Publishing. https://doi.org/10.1787/f47a06ae-en
  14. OECD. (2023). Empowering young children in the digital age (Starting Strong). OECD Publishing. https://doi.org/10.1787/50967622-en
  15. 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
  16. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000381137
  17. 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
  18. Zhang, X., Tang, C., Geng, M., Li, K., Liu, C., y Cai, Y. (2025). The effects of active play interventions on children’s fundamental movement skills: A systematic review. BMC Pediatrics, 25, 40. https://doi.org/10.1186/s12887-024-05385-8
  19. Zheng, Y., Ye, W., Korivi, M., Liu, Y., y Hong, F. (2022). Gender differences in fundamental motor skills proficiency in children aged 3–6 years: A systematic review and meta-analysis. International Journal of Environmental Research and Public Health, 19(14), 8318. https://doi.org/10.3390/ijerph19148318
  20. Zhu, Y., Wang, J., Ding, Y., Qian, Y., Korivi, M., Chen, Q., y Ye, W. (2025). Assessing the measurement properties of the Test of Gross Motor Development-3 using the COSMIN methodology—A systematic review. Behavioral Sciences, 15(1), 62. https://doi.org/10.3390/bs15010062