1. Introducción: el problema pedagógico de una mediación que habla

La educación inicial se ha construido, en la tradición pedagógica contemporánea, como un espacio en el que el juego, el lenguaje oral y la presencia sensible del adulto constituyen el andamiaje primordial del desarrollo. Cuando una máquina comienza a hablar, a responder, a recomendar y a simular comprensión, esa tríada se ve interpelada de un modo que no es meramente técnico. La inteligencia artificial generativa —sistemas capaces de producir texto, imagen, audio o diálogo a partir de modelos entrenados con grandes volúmenes de datos— irrumpe en las aulas y en los hogares con una velocidad que, como advierten Miao y Holmes (2023), supera a la de la regulación. El problema que este artículo formula no es si la tecnología “funciona”, sino bajo qué condiciones éticas y didácticas una mediación algorítmica puede sostener, y no suplantar, el juego y la oralidad de la primera infancia. La pregunta es deliberadamente restrictiva: no se trata de transferir a la educación inicial las promesas de productividad que circulan en la educación superior o en la formación profesional, sino de interrogar un tramo etario en el que la atribución de intencionalidad, la confusión entre compañero y artefacto, y la vulnerabilidad de los datos personales adquieren un peso específico.

Esa restricción se justifica por el estado mismo de la evidencia. Su y Yang (2022), en una revisión de alcance de diecisiete estudios publicados entre 1995 y 2021, muestran que la investigación sobre inteligencia artificial en la educación de la primera infancia es todavía un campo estrecho, aunque ya no vacío. Los trabajos revisados indican que la inteligencia artificial mejoró la comprensión de conceptos de inteligencia artificial, aprendizaje automático, ciencias de la computación y robótica, y que también se asoció con el desarrollo de creatividad, control emocional, indagación colaborativa, literacidad y pensamiento computacional. Esa lista de efectos no autoriza un entusiasmo irrestricto: diecisiete estudios en más de un cuarto de siglo son, por sí mismos, un dato de cautela. Al mismo tiempo, impiden el escepticismo perezoso que declara inexistente todo lo que no alcanza la escala de un ensayo aleatorizado masivo. El presente artículo se sitúa en ese intervalo: toma en serio los hallazgos disponibles, se niega a inventar otros y extrae de ellos una tesis pedagógica sobre el andamiaje.

La tesis puede enunciarse así. Si la inteligencia artificial, en las formas ya estudiadas —currículos de construcción y entrenamiento de sistemas, juguetes robóticos con interfaz de inteligencia artificial, agentes conversacionales domésticos—, ha mostrado capacidad para sostener conceptos, emociones, indagación y lenguaje, entonces la inteligencia artificial generativa no introduce una ruptura ontológica, sino una intensificación de la mediación verbal. Esa intensificación aumenta el potencial de andamiaje del juego y del lenguaje oral y, en la misma medida, aumenta el riesgo de una cesión indebida de la presencia adulta. Yang (2022) formula el núcleo conceptual que la infancia puede explorar: los algoritmos entrenados con grandes volúmenes de datos identifican patrones, predicen y recomiendan, y tienen límites. Esa idea, y no la fascinación por la fluidez de un chatbot, debería orientar el diseño curricular. Miao y Holmes (2023) añaden el correlato normativo: un enfoque centrado en lo humano, la desprotección actual de la privacidad de los datos y un límite de edad para las conversaciones independientes con plataformas de inteligencia artificial generativa. El andamiaje, en este marco, no es una metáfora complaciente: es la condición de posibilidad de cualquier uso defendible.

2. Inteligencia artificial en la educación inicial: el alcance de una evidencia escasa y convergente

La revisión de Su y Yang (2022) ofrece el mapa más prudente de lo que puede afirmarse sin extralimitación. Diecisiete estudios, un arco temporal que va de 1995 a 2021, y un conjunto de resultados que no se dispersan en direcciones contradictorias, sino que convergen en dos familias de efectos. La primera familia es conceptual y disciplinar: las niñas y los niños que participaron en las experiencias revisadas mejoraron su comprensión de nociones de inteligencia artificial, de aprendizaje automático, de ciencias de la computación y de robótica. La segunda familia es competencial y socioemocional: se observaron avances en creatividad, en control emocional, en indagación colaborativa, en literacidad y en pensamiento computacional. Esta doble familia es pedagógicamente elocuente. No se trata únicamente de “enseñar máquinas”, sino de un desplazamiento del sujeto que aprende: la inteligencia artificial aparece, en la evidencia disponible, tanto como objeto de conocimiento cuanto como mediación que reorganiza prácticas de creación, de regulación afectiva, de indagación conjunta y de lenguaje.

Esa elocuencia, sin embargo, no debe confundirse con una generalización causal robusta. Una revisión de alcance no es un metaanálisis; diecisiete estudios no constituyen un corpus saturado; y la heterogeneidad de dispositivos —robots sociales, juguetes, agentes de voz, currículos de construcción— impide tratar “la inteligencia artificial” como una variable única. El valor de Su y Yang (2022) reside precisamente en esa honestidad de escala: el campo existe, es pequeño, y lo que muestra es prometedor en direcciones que coinciden con los fines clásicos de la educación inicial. Quien desee fundar una política de aula o una política pública sobre esta base debe saber que está argumentando a partir de una evidencia emergente, no de una doctrina consolidada. El presente artículo acepta esa condición y la convierte en método: cada afirmación empírica remite a un estudio nombrado; cada inferencia pedagógica se declara como tal.

En un tramo etario más amplio, Su, Guo, Chen y Chu (2023) han cartografiado la enseñanza de la inteligencia artificial en aulas K–12 mediante otra revisión de alcance. Su existencia misma es un dato de contexto: lo que en la primera infancia es todavía un conjunto reducido de experiencias se inscribe, en la escolaridad posterior, en un debate curricular ya más denso. Ese desnivel no autoriza a importar sin mediación los marcos de la secundaria hacia el jardín de infantes. Autoriza, en cambio, a reconocer que la pregunta por qué se enseña, cómo se enseña y con qué ética se enseña la inteligencia artificial no es un capricho de la coyuntura generativa de 2023–2024, sino un problema que precede a ChatGPT y que la irrupción de los modelos de lenguaje masivos no inventa, sino que agrava. Kasneci et al. (2023) han discutido las oportunidades y los desafíos de esos modelos para la educación en general; Yan, Greiff, Teuber y Gašević (2024) han examinado las promesas y los desafíos de la inteligencia artificial generativa para el aprendizaje humano. Ninguno de esos trabajos sustituye la evidencia específica de la primera infancia; ambos impiden tratar el fenómeno como un asunto meramente local o meramente técnico.

La articulación entre estos estratos bibliográficos permite una afirmación de método. Hay un núcleo empírico pequeño y valioso sobre inteligencia artificial en educación inicial (Su y Yang, 2022; Williams et al., 2019; Kewalramani, Palaiologou, Dardanou, Allen y Phillipson, 2021; Kewalramani, Kidman y Palaiologou, 2021; Druga, Williams, Breazeal y Resnick, 2017). Hay un marco curricular que traduce ese núcleo en principios de diseño (Yang, 2022). Hay un debate más amplio sobre modelos generativos y aprendizaje humano (Kasneci et al., 2023; Yan et al., 2024). Hay, finalmente, una gobernanza internacional que intenta poner coto a la asimetría entre innovación y regulación (Miao y Holmes, 2023; Miao y Cukurova, 2024; Miao, Shiohira y Lao, 2024). El artículo se mueve entre esos cuatro estratos sin mezclar sus estatutos: lo empírico se cita como empírico; lo curricular, como curricular; lo normativo, como normativo; lo argumentativo, como argumentativo.

3. Alfabetización en inteligencia artificial: qué puede explorar la infancia y cómo debe diseñarse el currículo

Yang (2022) desplaza el problema desde la fascinación tecnológica hacia una pregunta clásica de teoría curricular: por qué, qué y cómo enseñar inteligencia artificial a la infancia. La respuesta que ofrece no es un catálogo de herramientas, sino una redefinición de la alfabetización. La alfabetización en inteligencia artificial se comprende como una forma de alfabetización digital: no el adiestramiento en un software particular, sino la capacidad de habitar un mundo en el que sistemas opacos identifican patrones, predicen conductas y recomiendan acciones. El núcleo conceptual que las niñas y los niños pueden explorar es, en la formulación de Yang (2022), notablemente sobrio y notablemente suficiente: los algoritmos se entrenan con grandes volúmenes de datos; identifican patrones; predicen; recomiendan; y tienen límites. Esa quíntuple estructura —datos, patrones, predicción, recomendación, límite— es pedagógicamente más fecunda que cualquier demostración de fluidez conversacional, porque restituye a la infancia el derecho a interrogar la máquina en lugar de admirarla.

El cómo de Yang (2022) se articula en dos principios que este artículo asume como brújula del andamiaje. El primero es el aprendizaje mediante la fabricación (learning-by-making): la inteligencia artificial se comprende cuando se construye, se programa, se entrena y se pone a prueba, no cuando se contempla como un oráculo. El segundo es la pedagogía como relación (pedagogy-as-relational): el conocimiento no circula en un circuito cerrado entre infante y sistema, sino en una red de presencias —pares, docentes, familias, objetos culturales— que dan sentido a lo que la máquina hace y a lo que la máquina no puede hacer. A esos principios se añade una exigencia de encarnación y de responsividad cultural: el currículo no es un paquete universal que se descarga sobre cualquier aula, sino una propuesta que debe encarnarse en cuerpos, lenguas, juegos y cosmologías locales. El currículo “AI for Kids” aparece, en ese marco, como una ilustración de diseño y no como una plantilla imperial.

Esta concepción tiene una consecuencia directa para el debate sobre inteligencia artificial generativa. Un modelo de lenguaje que produce respuestas fluidas puede seducir al adulto con la ilusión de un tutor inagotable y seducir al infante con la ilusión de un compañero que “entiende”. Si el núcleo conceptual de Yang (2022) se toma en serio, esa doble ilusión es precisamente lo que el currículo debe desmontar. Explorar que un sistema identifica patrones en datos, predice y recomienda, y que esas operaciones tienen límites, es una forma de alfabetización que protege el juego: el infante puede hablar con la máquina, pero no debe quedar a solas con la creencia de que la máquina le habla como le habla un adulto. La pedagogía relacional no es un adorno humanista; es el dispositivo que impide que la mediación algorítmica se convierta en una presencia sin responsabilidad.

En diálogo con Su y Yang (2022), el planteamiento curricular de Yang (2022) permite releer los efectos reportados. Si la evidencia de alcance muestra mejoras en conceptos de inteligencia artificial y de aprendizaje automático, ello es coherente con un currículo que pone en el centro la idea de algoritmos, datos y límites. Si muestra avances en creatividad, indagación colaborativa y literacidad, ello es coherente con el learning-by-making y con la pedagogía relacional. Si muestra control emocional y pensamiento computacional, ello sugiere que la mediación no opera solo en el plano cognitivo-declarativo, sino en prácticas de regulación y de sistematización que la educación inicial ya reconoce como propias. Nada de esto prueba que un chatbot generativo produzca, por sí mismo, los mismos efectos. Prueba, en cambio, que el diseño importa más que el dispositivo, y que el diseño defendible es el que mantiene a la infancia en posición de explorar límites, no de consumir fluidez.

4. Estudio de caso I. PopBots: construir, programar, entrenar e interactuar como vía de alfabetización

Williams, Park, Oh y Breazeal (2019) diseñaron PopBots como un conjunto de herramientas y un currículo de inteligencia artificial para la educación de la primera infancia. El estudio involucró a ochenta niñas y niños de preescolar y kindergarten, de cuatro a siete años, y situó a un robot social como compañero de aprendizaje. El hallazgo central, en los términos que este artículo se autoriza a retener, es que las niñas y los niños aprendieron conceptos de inteligencia artificial mediante la construcción, la programación, el entrenamiento y la interacción. Esa cuádruple secuencia —construir, programar, entrenar, interactuar— no es un detalle metodológico menor: es la traducción empírica del learning-by-making que Yang (2022) formula en el plano curricular. PopBots no presenta a la inteligencia artificial como un servicio que se consulta, sino como un artefacto que se fabrica y se pone a prueba en compañía de un robot que, precisamente por ser compañero, no deja de ser objeto de diseño.

La edad de las y los participantes —cuatro a siete años— sitúa el estudio en el umbral mismo de la educación inicial y del inicio de la escolaridad. Ochenta infantes no constituyen una población universal, pero sí una escala que excede la anécdota y que permite tomar en serio la afirmación de que, con un currículo y un toolkit adecuados, la primera infancia puede apropiarse de conceptos de inteligencia artificial sin que ello requiera una formalización prematura al estilo de la programación textual para adultos. El robot social como compañero de aprendizaje introduce, al mismo tiempo, una tensión que el resto de la literatura de este artículo ayuda a nombrar. Un compañero robótico puede sostener la motivación, la conversación y el juego; puede, también, activar atribuciones de inteligencia y de identidad que Druga et al. (2017) documentaron en otros agentes. El diseño de PopBots, al exigir construir, programar y entrenar, ofrece un antídoto estructural a esa atribución acrítica: quien entrena al sistema está en mejor posición para comprender que el sistema no “sabe” de un modo humano.

Desde la tesis de este artículo, PopBots ilumina el andamiaje del juego de un modo específico. El juego no aparece como recompensa extrínseca que se añade al final de una lección, sino como el medio en el que la construcción y la interacción se vuelven significativas. Un robot social que acompaña no reemplaza al docente: reorganiza el espacio de la actividad conjunta. El adulto sigue siendo quien sostiene la pregunta, quien nombra el límite, quien traduce la experiencia en lenguaje. La mediación algorítmica, en este caso, es material y programable; no es aún la fluidez opaca de un modelo generativo de gran escala. Precisamente por ello PopBots sirve como contrapeso: muestra que la vía más fecunda para la primera infancia no es la conversación ilimitada con un sistema inescrutable, sino la fabricación situada de un sistema cuyo comportamiento puede interrogarse. Si la inteligencia artificial generativa ha de entrar en el jardín de infantes, el precedente de Williams et al. (2019) sugiere que debería entrar como objeto que se explora y se limita, no como voz que se consulta en soledad.

Cabe, además, una lectura en clave de literacidad. Su y Yang (2022) reportan mejoras en literacidad y en pensamiento computacional en el conjunto de estudios de su revisión; PopBots aporta un mecanismo plausible para esas mejoras: al construir y programar, las niñas y los niños ensayan secuencias, hipótesis y correcciones; al entrenar, se enfrentan a la idea de que los datos dejan huella en el comportamiento del sistema; al interactuar, ponen en juego el lenguaje oral en un circuito que no es puramente humano. El andamiaje, aquí, es triple: material (el toolkit), curricular (la secuencia de actividades) y social (el robot como compañero y el adulto como garante). Quitar cualquiera de esos tres pilares —sobre todo el tercero— convertiría la experiencia en otra cosa: en consumo de novedad o en abandono de la infancia ante una máquina parlante.

5. Estudio de caso II. Juguetes robóticos, confinamiento y capital emocional: cinco infantes en Australia, 2020

Kewalramani, Palaiologou, Dardanou, Allen y Phillipson (2021) investigaron el uso de juguetes robóticos de inteligencia artificial en el hogar durante el confinamiento por COVID-19 en Australia, en 2020. El estudio, de orientación de investigación basada en diseño, involucró a cinco niñas y niños con necesidades adicionales diversas. El dispositivo metodológico no fue la medición de un rendimiento académico, sino la producción de diálogos basados en la empatía y el análisis de lo que las autoras conceptualizan como capital emocional y como una forma de togetherness imaginaria —una compañía compartida que se sostiene también en el plano de lo imaginario—. En un contexto de encierro, de interrupción de las rutinas presenciales y de reconfiguración forzada de los cuidados, el juguete robótico no aparece como un lujo didáctico, sino como un mediador de la vida emocional y de la presencia conjunta.

Los hechos que este artículo retiene son deliberadamente austeros y, por ello, más exigentes. Cinco infantes no permiten inferencias poblacionales; la diversidad de necesidades adicionales impide tratar al grupo como homogéneo; el confinamiento de 2020 es un contexto histórico irrepetible en su forma exacta y, al mismo tiempo, un revelador de lo que ocurre cuando el aula se disuelve en el hogar. Lo que el estudio autoriza a afirmar es que, en esas condiciones, los juguetes robóticos de inteligencia artificial participaron de prácticas de diálogo empático, de movilización de capital emocional y de una compañía imaginaria compartida. Eso no prueba que “los robots mejoren la inclusión”. Prueba que, en un diseño de investigación atento a la emoción y a la relación, la mediación técnica puede inscribirse en el trabajo de sostener el lazo cuando el lazo presencial del centro educativo se ha interrumpido.

Kewalramani, Kidman y Palaiologou (2021), en un trabajo convergente, plantean el caso de los juguetes robóticos con interfaz de inteligencia artificial en escenarios de educación inicial como una vía para la literacidad de la indagación infantil. La formulación es importante: no se trata de literacidad digital en el sentido estrecho del manejo de un dispositivo, sino de una literacidad indagatoria —preguntar, explorar, construir sentido— mediada por un artefacto que responde. Leída junto con Su y Yang (2022), esta línea refuerza la familia de efectos que incluye indagación colaborativa y literacidad. Leída junto con Yang (2022), confirma que la pedagogía relacional no es un postulado abstracto: es el modo en que un juguete deja de ser un solucionador de tareas y se convierte en un interlocutor situado, siempre que el adulto sostenga el diálogo.

El confinamiento añade una lección que la inteligencia artificial generativa vuelve urgente. Cuando el espacio público de la educación inicial se cierra, la mediación técnica puede colonizar el hogar con una facilidad que el aula, con sus rituales y sus presencias múltiples, suele moderar. Un juguete robótico, en el diseño de Kewalramani, Palaiologou, Dardanou, Allen y Phillipson (2021), se inscribe en diálogos empáticos y en una togetherness imaginaria; un modelo generativo doméstico, sin ese diseño y sin ese adulto, puede inscribirse en una soledad conversacional. La diferencia no está en la “inteligencia” del sistema, sino en la calidad del andamiaje humano que lo rodea. El capital emocional no lo produce el algoritmo: lo movilizan las relaciones. El artículo retiene esta distinción como criterio de evaluación de cualquier propuesta que pretenda llevar la generación automática de lenguaje a la primera infancia en contextos de cuidado.

6. “Hey Google, ¿está bien si te como?”: atribución de inteligencia, identidad y ludicidad

Druga, Williams, Breazeal y Resnick (2017) realizaron exploraciones iniciales de la interacción entre infantes y agentes con veintiséis niñas y niños de tres a diez años que usaron Alexa, Google Home, Cozmo y el chatbot Julie. El título mismo del trabajo —la pregunta de un infante a un asistente sobre si está permitido “comérselo”— condensa el estatuto híbrido de estos objetos: se les habla como se les habla a las personas, se les atribuye un cuerpo imaginario y se les somete a las reglas del juego. Los temas que el estudio identifica —inteligencia percibida, atribución de identidad, ludicidad y comprensión— constituyen, para este artículo, el mapa más temprano y más honesto de lo que ocurre cuando una voz algorítmica entra en el mundo infantil.

La inteligencia percibida no es la inteligencia medida por un test, sino la que el infante otorga al agente a partir de sus respuestas, sus fallos, su tono y su puntualidad. La atribución de identidad nombra el paso siguiente: no solo “esto parece listo”, sino “esto es alguien”. La ludicidad recuerda que la primera infancia no se relaciona con los artefactos primariamente como usuaria de servicios, sino como jugadora que ensaya hipótesis, provocaciones, transgresiones y cariños. La comprensión, finalmente, señala que hay un trabajo cognitivo en curso: las niñas y los niños no son receptores pasivos de una magia, sino intérpretes que construyen modelos de cómo funciona eso que les habla. Druga et al. (2017) no entregan, en los términos que este artículo se permite usar, una métrica de aprendizaje curricular; entregan algo quizá más decisivo para el problema ético: una fenomenología de la relación.

Esa fenomenología se cruza con PopBots y con los juguetes robóticos de un modo que conviene explicitar. En Williams et al. (2019), el robot es compañero de aprendizaje, pero el currículo exige construir, programar y entrenar: la atribución de identidad queda tensionada por la fabricación. En Kewalramani, Palaiologou, Dardanou, Allen y Phillipson (2021), el juguete participa de una togetherness imaginaria y de diálogos empáticos: la atribución no se niega, se trabaja en el plano emocional y relacional. En Druga et al. (2017), la interacción con asistentes de voz y con un chatbot muestra que la atribución emerge incluso —y sobre todo— cuando el sistema no ha sido construido por el infante, sino que se presenta como una presencia ya hecha, doméstica, siempre disponible. La inteligencia artificial generativa contemporánea se parece más a este tercer escenario que a los dos primeros: es una voz ya entrenada, ya fluida, ya instalada, que no exige ser fabricada para ser consultada.

De ahí se sigue un criterio de diseño que este artículo considera no negociable. Si la atribución de inteligencia y de identidad es un fenómeno documentado desde los tres años, y si la ludicidad es el modo primordial de esa atribución, entonces cualquier introducción de sistemas generativos en la educación inicial debe tratar esa atribución como contenido pedagógico y no como efecto colateral. Hay que poder preguntar, en el lenguaje de Yang (2022), qué patrones identifica el sistema, de qué datos se alimenta, qué recomienda y dónde fallan sus límites. Hay que poder sostener, en el lenguaje de Miao y Holmes (2023), que esa conversación no puede ser independiente: el adulto es parte del circuito, no un supervisor opcional. El juego no se protege prohibiendo toda interlocución con máquinas; se protege impidiendo que la interlocución se vuelva un dueto sin testigo humano.

7. Inteligencia artificial generativa, lenguaje oral y andamiaje del juego

La inteligencia artificial generativa introduce, respecto de los sistemas estudiados en la primera infancia entre 2017 y 2021, una diferencia de grado que tiende a convertirse en diferencia de naturaleza: la fluidez. Un robot que se construye y se entrena, un juguete que responde con un repertorio limitado, un asistente de voz que malentiende y provoca risa, dejan ver sus costuras. Un modelo de lenguaje de gran escala las disimula. Kasneci et al. (2023) han examinado las oportunidades y los desafíos de esos modelos para la educación; Yan et al. (2024) han analizado las promesas y los desafíos de la inteligencia artificial generativa para el aprendizaje humano. Este artículo no extrae de esos trabajos hallazgos que no están en las fuentes aquí verificadas; extrae una consecuencia pedagógica para la educación inicial: cuanto más se parece la máquina a un interlocutor competente, más se oscurece el núcleo conceptual que Yang (2022) quiere que la infancia explore —datos, patrones, predicción, recomendación, límites— y más se tensiona la pedagogía relacional.

El lenguaje oral de la primera infancia no es un canal de transmisión de contenidos. Es el medio en el que se construye la intersubjetividad, se ensayan roles, se negocia el juego simbólico y se regula la emoción. Si Su y Yang (2022) reportan avances en literacidad, en indagación colaborativa y en control emocional en experiencias de inteligencia artificial, ello sugiere que la mediación técnica puede, bajo diseño, inscribirse en esas prácticas. La tentación generativa consiste en invertir el vector: en lugar de inscribir la máquina en el juego, inscribir el juego en la máquina, como si un diálogo automático pudiera sustituir la idiosincrasia del habla infantil, sus silencios, sus repeticiones, sus errores productivos. El andamiaje, en la tradición que este artículo reivindica, es una ayuda transitoria, contingente y retirada de manera progresiva por un adulto que conoce al infante. Un sistema generativo no retira su ayuda: la ofrece de manera ilimitada, uniforme y sin memoria pedagógica del sujeto concreto, salvo la que sus registros de datos —ellos mismos problemáticos— puedan acumular.

Cabe entonces distinguir tres usos posibles, ninguno de los cuales se presenta aquí como hallazgo empírico, sino como hipótesis de diseño fundada en las fuentes. El primero es el uso de la generación como objeto de exploración: producir con el sistema, en presencia del adulto, un cuento, una consigna de juego o una variación de un ritual, y preguntar después qué datos, qué patrones y qué límites se advierten. Ese uso se alinea con Yang (2022) y con la secuencia de PopBots (Williams et al., 2019). El segundo es el uso de la generación como apoyo a la indagación y a la literacidad del preguntar, en la línea de Kewalramani, Kidman y Palaiologou (2021), siempre que la pregunta siga siendo del infante y no del prompt adulto que se impone. El tercero, que este artículo descarta como incompatible con Miao y Holmes (2023), es el uso de la generación como interlocutor independiente de la infancia: la conversación a solas con la plataforma. Ese tercer uso no es un extremo retórico; es el default comercial de los sistemas contemporáneos y, por ello, el riesgo estructural que la educación inicial debe nombrar.

El juego, en este esquema, no es el lugar de la aplicación lúdica de una tecnología, sino el criterio de juicio. Un uso es defendible cuando amplía el repertorio de acciones simbólicas, de turnos de habla, de hipótesis compartidas y de regulaciones emocionales que el grupo ya practica. Un uso no es defendible cuando reduce el juego a la espera de una respuesta brillante, cuando captura la atención en un circuito diádico con la pantalla o el altavoz, o cuando desplaza al adulto desde la posición de andamiaje hacia la posición de técnico que “prende el sistema”. Kewalramani, Palaiologou, Dardanou, Allen y Phillipson (2021) muestran que, incluso en el encierro, el valor del juguete robótico se juega en el diálogo empático y en el capital emocional, no en la autonomía del artefacto. Esa lección vale, con más razón, para un modelo que habla mejor que cualquier juguete.

8. Gobernanza y competencias: la UNESCO ante la asimetría entre innovación y regulación

Miao y Holmes (2023), en la guía de la UNESCO para la inteligencia artificial generativa en la educación y la investigación, establecen tres hechos que este artículo trata como constricciones, no como recomendaciones opcionales. El primero: la inteligencia artificial generativa avanza más rápido que la regulación. El segundo: la privacidad de los datos no está protegida. El tercero: el enfoque debe ser centrado en lo humano, y existe un límite de edad para las conversaciones independientes con plataformas de inteligencia artificial generativa. En la educación inicial, esas tres constricciones se vuelven casi tautológicas y, sin embargo, cotidianamente transgredidas. Los sistemas llegan al hogar antes que a la política educativa; las voces infantiles quedan registradas en infraestructuras opacas; la conversación independiente es, en la práctica, el gesto más simple —dejar el dispositivo al alcance— y, al mismo tiempo, el más incompatible con el andamiaje.

Miao y Cukurova (2024) proponen un marco de competencias en inteligencia artificial para docentes: quince competencias organizadas en cinco dimensiones —mentalidad centrada en lo humano, ética, fundamentos y aplicaciones, pedagogía de la inteligencia artificial, e inteligencia artificial para el aprendizaje profesional— y tres niveles de progresión: adquirir, profundizar y crear. El marco no está escrito como un currículo de jardín de infantes, pero su arquitectura es reveladora para quien diseña la mediación en la primera infancia. La mentalidad centrada en lo humano y la ética preceden a los fundamentos técnicos; la pedagogía de la inteligencia artificial es una dimensión propia, no un apéndice del “uso de herramientas”; el aprendizaje profesional reconoce que el docente es también un sujeto que se forma, no un operador que se capacita en una tarde. Los niveles adquirir–profundizar–crear impiden tanto el inmovilismo de quien se declara incompetente para siempre cuanto el productivismo de quien pretende “crear” sin haber adquirido.

Miao, Shiohira y Lao (2024) ofrecen el marco correlativo para estudiantes: doce competencias en cuatro dimensiones —mentalidad centrada en lo humano, ética, técnicas y aplicaciones, y diseño de sistemas— con niveles de comprender, aplicar y crear. La diferencia de arquitectura respecto del marco docente no es trivial. El estudiantado no se forma, en este esquema, para “usar mejor la herramienta”, sino para habitar una mentalidad, una ética, una tecnicidad y una capacidad de diseño. En la educación inicial, “diseño de sistemas” no significa ingeniería de software; significa, en la estela de PopBots (Williams et al., 2019) y de Yang (2022), que las niñas y los niños puedan construir, entrenar e interrogar artefactos, y que comprendan que esos artefactos tienen límites. “Comprender–aplicar–crear” es una progresión que, en este tramo, debe leerse en clave de juego y de oralidad, no de acreditación temprana.

La articulación de los tres documentos de la UNESCO produce un estándar mínimo que este artículo adopta como cierre normativo de la tesis. No hay uso defendible de inteligencia artificial generativa en educación inicial sin un docente que, al menos en el nivel de adquirir, sostenga una mentalidad centrada en lo humano y una ética explícita (Miao y Cukurova, 2024). No hay alfabetización infantil defendible que omita la ética y reduzca la experiencia a la aplicación técnica (Miao, Shiohira y Lao, 2024). No hay conversación independiente de la infancia con plataformas generativas que pueda reconciliarse con la guía de Miao y Holmes (2023). El andamiaje del juego y del lenguaje oral, lejos de ser un romanticismo, es la traducción didáctica de ese estándar: el adulto permanece, el dato se trata como problema, el sistema se interroga, el infante no queda a solas con una voz que simula cuidado.

9. Límites éticos de la mediación algorítmica en la primera infancia

Los límites que este artículo defiende no se derivan de una antropología pesimista de la técnica, sino de la conjunción de los hechos ya citados. Si la privacidad de los datos no está protegida (Miao y Holmes, 2023), entonces cada interacción vocal de un infante con un sistema generativo es, potencialmente, una extracción. Si las niñas y los niños atribuyen inteligencia e identidad a los agentes y se relacionan con ellos desde la ludicidad (Druga et al., 2017), entonces esa extracción no es un trámite informado, sino una relación asimétrica en la que el consentimiento no puede presuponerse. Si el valor pedagógico documentado depende de construir, programar, entrenar e interactuar (Williams et al., 2019), de diálogos empáticos y de capital emocional (Kewalramani, Palaiologou, Dardanou, Allen y Phillipson, 2021), y de una pedagogía relacional y culturalmente responsiva (Yang, 2022), entonces un sistema que opera como oráculo doméstico sin fabricación, sin diálogo mediado y sin encarnación cultural no hereda automáticamente esos valores. El límite no es “no usar tecnología”; el límite es no confundir la fluidez con la justificación.

Un segundo límite concierne a la equidad y a la diversidad de necesidades. El estudio de Kewalramani, Palaiologou, Dardanou, Allen y Phillipson (2021) se ocupa de cinco infantes con necesidades adicionales diversas en un hogar de confinamiento. Ese recorte, lejos de ser una nota al margen, obliga a desconfiar de las soluciones universales. Un mismo agente conversacional no produce el mismo andamiaje en cuerpos, lenguas, neurodivergencias y situaciones de cuidado distintas. La responsividad cultural que exige Yang (2022) y la mentalidad centrada en lo humano de los marcos de la UNESCO (Miao y Cukurova, 2024; Miao, Shiohira y Lao, 2024) coinciden aquí: el diseño que no parte de la diferencia produce exclusión con la elocuencia adicional de parecer innovador. El artículo no dispone de evidencia para afirmar qué adaptaciones funcionan en cada caso; dispone de evidencia para afirmar que la diferencia ya estaba en el centro de una de las investigaciones más sensibles del corpus, y que ignorarla sería una forma de mala fe pedagógica.

Un tercer límite es epistémico y se dirige a quienes investigan y a quienes escriben —incluido este texto—. Su y Yang (2022) revisaron diecisiete estudios en veintiséis años. PopBots estudió a ochenta infantes. El trabajo australiano de 2020 estudió a cinco. Druga et al. (2017) exploraron a veintiséis. Esas cifras no son un defecto que deba ocultarse con prosa ambiciosa; son el contorno honesto del saber disponible. Kasneci et al. (2023) y Yan et al. (2024) amplían el debate hacia los modelos generativos y el aprendizaje humano, pero no rellenan el vacío de evidencia específica sobre educación inicial y generación automática de lenguaje. Quien prometa, a partir de este corpus, que la inteligencia artificial generativa “desarrolla el lenguaje oral” o “mejora el juego simbólico” en la primera infancia estará inventando un hallazgo. Quien, a partir del mismo corpus, argumente que el andamiaje humano es la condición de cualquier mediación defendible, estará interpretando, no fabricando.

El cuarto límite es institucional y se refiere a la formación. Las quince competencias docentes de Miao y Cukurova (2024) y las doce competencias estudiantiles de Miao, Shiohira y Lao (2024) no se improvisan en una jornada de “actualización digital”. Adquirir una mentalidad centrada en lo humano y una ética operativa es un trabajo de cultura profesional. En la educación inicial, esa cultura ya posee lenguajes propios —juego, cuidado, observación, documentación, participación familiar— que no deben ser reemplazados por la jerga de la innovación. El marco de competencias debería traducirse a esos lenguajes, no al revés. Un jardín de infantes que “usa inteligencia artificial” sin poder nombrar qué datos se recogen, qué patrones se invocan, qué se recomienda a las familias y dónde está el límite de edad para la conversación independiente no está a la vanguardia: está en falta ética.

10. Implicaciones para el diseño de prácticas: andamiaje, no automatización

Las implicaciones que siguen se presentan como orientaciones de diseño, no como resultados de un experimento nuevo. Primera: el objeto de la actividad, cuando hay inteligencia artificial en la educación inicial, debería ser el sistema mismo —sus datos, sus patrones, sus predicciones, sus recomendaciones y sus límites—, en la línea de Yang (2022), y no la obtención de un producto verbal brillante. Segunda: la secuencia privilegiada es la de PopBots —construir, programar, entrenar, interactuar— (Williams et al., 2019), adaptada a los materiales y a las culturas locales, no la secuencia de consultar–copiar–exhibir. Tercera: la evaluación de la experiencia no puede reducirse a la corrección de una respuesta; debe atender a la literacidad indagatoria (Kewalramani, Kidman y Palaiologou, 2021), al capital emocional y a la togetherness imaginaria (Kewalramani, Palaiologou, Dardanou, Allen y Phillipson, 2021), y a los modos en que las niñas y los niños perciben inteligencia, atribuyen identidad, juegan y comprenden (Druga et al., 2017).

Cuarta implicación: el adulto no es un facilitador genérico, sino el garante del circuito relacional. Los marcos de la UNESCO (Miao y Cukurova, 2024; Miao, Shiohira y Lao, 2024) exigen una mentalidad centrada en lo humano y una ética que, en el aula de educación inicial, se traducen en presencia, en interpretación y en veto. El veto incluye, de manera explícita, la conversación independiente con plataformas generativas (Miao y Holmes, 2023). Quinta: las familias no son un apéndice de la innovación escolar. El caso australiano de 2020 muestra que el hogar puede ser el escenario principal de la mediación, para bien cuando hay diálogos empáticos diseñados, para mal cuando el dispositivo queda como niñera algorítmica. Sexta: la escala de la evidencia obliga a la modestia institucional. Diecisiete estudios (Su y Yang, 2022) y un debate K–12 en expansión (Su et al., 2023) no bastan para adoptar plataformas comerciales masivas en la primera infancia; bastan para sostener proyectos de diseño, de documentación y de investigación situada.

Séptima implicación, específicamente lingüística. Si el lenguaje oral es el medio del andamiaje, entonces la lengua de la actividad no puede ser, por defecto, la lengua dominante de los modelos. La pedagogía relacional y culturalmente responsiva de Yang (2022) exige que el juego y la conversación ocurran en las lenguas de la comunidad, y que se vuelva visible el hecho de que muchos sistemas predicen y recomiendan mejor en algunas lenguas que en otras. Ese desnivel es un contenido de alfabetización, no un detalle técnico. Octava: la creatividad y el control emocional, reportados por Su y Yang (2022) como parte de los efectos de la inteligencia artificial en la primera infancia, no se “entregan” por el modelo; se cultivan en la actividad conjunta. Un sistema generativo que produce sin esfuerzo un poema o una consigna puede, si el diseño es descuidado, empobrecer precisamente aquello que la evidencia asocia con las experiencias bien diseñadas.

Novena implicación, de cierre de este apartado: la inteligencia artificial generativa no necesita ser prohibida de manera absoluta para ser rigurosamente limitada. Necesita ser reconducida hacia las formas de mediación que el corpus ya ha vuelto inteligibles —fabricación, relación, indagación, emoción, límite— y alejarse de las formas que el corpus y la norma ya han vuelto sospechosas —conversación independiente, opacidad de datos, atribución no trabajada, universalismo curricular—. Kasneci et al. (2023) y Yan et al. (2024) recuerdan, en el plano del aprendizaje humano en general, que las promesas y los desafíos viajan juntos. En la educación inicial, ese viaje conjunto no es una metáfora equilibrada: el desafío pesa más, porque el sujeto que atribuye identidad a un agente (Druga et al., 2017) no está en simetría con el sistema que recoge su voz.

11. Conclusiones

Este artículo ha sostenido una tesis restrictiva y, por ello, operativa. La inteligencia artificial generativa puede participar del andamiaje del juego y del lenguaje oral en la educación inicial únicamente si se la trata como mediación algorítmica limitada, visible en sus operaciones de datos, patrones, predicción y recomendación (Yang, 2022), inserta en una pedagogía relacional y culturalmente responsiva, y subordinada a un adulto que no delega la conversación. La evidencia de alcance reunida por Su y Yang (2022) autoriza a afirmar que, en las experiencias estudiadas entre 1995 y 2021, la inteligencia artificial se asoció con una mejor comprensión de conceptos de inteligencia artificial, aprendizaje automático, ciencias de la computación y robótica, y con avances en creatividad, control emocional, indagación colaborativa, literacidad y pensamiento computacional. No autoriza a afirmar que los modelos generativos contemporáneos reproduzcan automáticamente esos efectos.

Los estudios de caso precisan el mecanismo. PopBots muestra que ochenta infantes de cuatro a siete años pueden aprender conceptos de inteligencia artificial construyendo, programando, entrenando e interactuando con un robot social como compañero de aprendizaje (Williams et al., 2019). El trabajo de Kewalramani, Palaiologou, Dardanou, Allen y Phillipson (2021) muestra que, en el confinamiento australiano de 2020, cinco infantes con necesidades adicionales diversas movilizaron capital emocional y una togetherness imaginaria en diálogos empáticos mediados por juguetes robóticos de inteligencia artificial, en un diseño de investigación basada en el diseño. Kewalramani, Kidman y Palaiologou (2021) sitúan esos juguetes en una argumentación sobre literacidad de la indagación. Druga et al. (2017) recuerdan, con veintiséis infantes de tres a diez años ante Alexa, Google Home, Cozmo y un chatbot, que la inteligencia percibida, la atribución de identidad, la ludicidad y la comprensión son el suelo fenomenológico de cualquier mediación que hable.

Sobre ese suelo, la gobernanza de la UNESCO no es un epílogo diplomático: es la condición de legitimidad. La inteligencia artificial generativa es más rápida que la regulación; la privacidad de los datos no está protegida; el enfoque debe ser centrado en lo humano; y hay un límite de edad para las conversaciones independientes con las plataformas (Miao y Holmes, 2023). Los docentes necesitan quince competencias en cinco dimensiones, con progresión de adquirir a crear (Miao y Cukurova, 2024). El estudiantado necesita doce competencias en cuatro dimensiones, con progresión de comprender a crear (Miao, Shiohira y Lao, 2024). En la educación inicial, esos marcos se traducen a un lenguaje que la profesión ya posee: cuidar, jugar, conversar, observar, documentar, incluir. La mediación algorítmica que no pueda enunciarse en ese lenguaje no merece el aula.

Queda, como agenda y no como hallazgo, la investigación que este corpus todavía no ofrece: estudios situados, de escala honesta, sobre lo que ocurre cuando un modelo generativo entra —siempre con adulto, siempre con límite, siempre con pregunta sobre los datos— en el juego simbólico y en la oralidad de la primera infancia. Hasta que esa evidencia exista, la ética de la interpretación consiste en no llenar el vacío con promesas. El andamiaje es una práctica humana. La máquina puede, en el mejor de los diseños, ampliarla. No puede, sin dejar de ser lo que es, ocuparla.

  1. Druga, S., Williams, R., Breazeal, C. y Resnick, M. (2017). “Hey Google is it OK if I eat you?”: Initial explorations in child-agent interaction. En Proceedings of the 2017 Conference on Interaction Design and Children (pp. 595–600). ACM. https://doi.org/10.1145/3078072.3084330
  2. 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
  3. Kewalramani, S., Kidman, G. y Palaiologou, I. (2021). Using Artificial Intelligence (AI)-interfaced robotic toys in early childhood settings: A case for children’s inquiry literacy. European Early Childhood Education Research Journal, 29(5), 652–668. https://doi.org/10.1080/1350293X.2021.1968458
  4. Kewalramani, S., Palaiologou, I., Dardanou, M., Allen, K.-A. y Phillipson, S. (2021). Using robotic toys in early childhood education to support children’s social and emotional competencies. Australasian Journal of Early Childhood, 46(4), 355–369. https://doi.org/10.1177/18369391211056668
  5. Miao, F. y Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084
  6. Miao, F. y Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  7. Miao, F., Shiohira, K. y Lao, N. (2024). AI competency framework for students. UNESCO. https://doi.org/10.54675/JKJB9835
  8. Su, J., Guo, K., Chen, X. y Chu, S. K. W. (2023). Teaching artificial intelligence in K–12 classrooms: A scoping review. Interactive Learning Environments, 32(9), 5207–5226. https://doi.org/10.1080/10494820.2023.2212706
  9. 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
  10. Williams, R., Park, H. W., Oh, L. y Breazeal, C. (2019). PopBots: Designing an artificial intelligence curriculum for early childhood education. Proceedings of the AAAI Conference on Artificial Intelligence, 33(01), 9729–9736. https://doi.org/10.1609/aaai.v33i01.33019729
  11. Yan, L., Greiff, S., Teuber, Z. y Gašević, D. (2024). Promises and challenges of generative artificial intelligence for human learning. Nature Human Behaviour, 8(10), 1839–1850. https://doi.org/10.1038/s41562-024-02004-5
  12. Yang, W. (2022). Artificial intelligence education for young children: Why, what, and how in curriculum design and implementation. Computers and Education: Artificial Intelligence, 3, 100061. https://doi.org/10.1016/j.caeai.2022.100061