1. Introducción y problema

En el tramo que va del jardín, el preescolar o el CENDI a la primaria se ha instalado un paquete de tres artefactos que pretenden valer por transición. El primero es un score: una puntuación de “madurez escolar” o de “listo para aprender” que clasifica a la niña o al niño como on track, needs support o at risk. El segundo es un modelo: un clasificador de bosque aleatorio, un extra-trees o un boosting que, con variables del hogar, de la encuesta o del expediente, predice quién “llegará preparado”. El tercero es un sistema de alerta temprana: un tablero que, con asistencia, demografía o indicadores de conducta, señala quién “está en riesgo” antes de que cruce un umbral. Los tres son visibles, auditables y baratos en tiempo de coordinación. Permiten exhibir, ante la supervisión, la red o las familias, que el centro “ya hace la transición con inteligencia artificial”. El salto enunciativo es enorme: se pasa de clasificar, predecir o alertar a afirmar que hay una transición pedagógica. Ese salto no está autorizado por la evidencia de las transiciones ECEC-primaria ni por la de la predicción del desarrollo.

La tesis de este artículo es restrictiva. Un score o un modelo que “predice” la preparación para la primaria no es una transición pedagógica. La transición es un proceso relacional de niñas y niños, familias y docentes; no un umbral algorítmico. El Informe mundial sobre educación y protección de la primera infancia lo formula con nitidez institucional: el derecho a una base sólida no se agota en un indicador de “en vía de desarrollo”, sino en entornos, educadores y familias que sostienen el aprendizaje y el bienestar (UNESCO y UNICEF, 2024). Starting Strong VI ancla la calidad de la educación inicial en la calidad de proceso: las interacciones cotidianas con adultos, pares, materiales y espacio son el motor más próximo del desarrollo (OECD, 2021). Un score extrae una señal, le asigna una categoría y devuelve un informe. Puede producir un dato. No produce continuidad pedagógica.

El problema se agrava por una razón de oficio que las fichas de producto no mencionan. El ODS 4.2 pide que, hacia 2030, todas las niñas y todos los niños tengan acceso a un desarrollo, un cuidado y una educación preprimaria de calidad, de modo que estén “preparados para la educación primaria”. El indicador 4.2.1 se opera, a escala de población, con el Índice de Desarrollo de la Primera Infancia 2030 (ECDI2030): veinte ítems reportados por la persona cuidadora para niñas y niños de 24 a 59 meses (Halpin, de Castro, Petrowski y Cappa, 2024; UNICEF, 2023). Ese instrumento es un monitor poblacional. No es un diagnóstico individual ni un rito de paso. Cuando un centro, un distrito o un proveedor convierte el mismo gesto —umbral, etiqueta, ranking— en un modelo que “predice la madurez” de cada niño, desplaza el acto educativo hacia una clasificación. En 2022, el 63,6 % de las niñas y los niños de 3 a 5 años en Estados Unidos se consideraron “healthy and ready to learn”; un millón, el 9,0 %, necesitaba apoyo en múltiples dominios (Ghandour et al., 2024). Esos números describen una distribución. No describen una transición.

Este trabajo no recicla los ejes ya tratados en esta serie. La pregunta es de categoría pedagógica: qué cuenta como transición cuando un centro de educación inicial “hace IA”. Las contribuciones son tres: reconstruir el estado del arte que separa el school readiness como atributo del niño del proceso relacional de paso; examinar tres familias de casos —predicción de desarrollo y de madurez, alerta temprana de ausentismo desde prekínder, y transiciones ECEC-primaria observadas como práctica—; y ofrecer cuatro pruebas para decidir cuándo un jardín puede afirmar que transiciona, y no solo que puntúa, predice o alerta.

2. Estado del arte: del niño listo a la escuela que recibe

Conviene separar cuatro estratos que el mercado de “IA para la transición” suele mezclar. El primero es el school readiness como constructo multidimensional del niño: cognitivo, lingüístico, socioemocional y motor. El segundo es la transición ECEC-primaria como proceso relacional, temporal y situado, que implica a niñas y niños, familias, educadoras y docentes de primaria. El tercero es la predicción: modelos que, con datos administrativos o de encuesta, clasifican “en vía” o “en riesgo”. El cuarto es el marco de derechos y de alto riesgo, que trata la evaluación automatizada de aprendizajes y la asignación a instituciones educativas como prácticas que no pueden eludir supervisión humana ni interés superior.

En el estrato del readiness, Garon-Carrier, Mavungu-Blouin, Letarte, Gobeil-Bourdeau y Fitzpatrick (2024) sintetizan ocho estudios longitudinales centrados en la persona. Identifican quince perfiles de madurez escolar antes de la entrada, de los cuales siete se asocian a peores resultados académicos y sociales. El más vulnerable —bajo equilibrado— agrupa, en muestras normativas, entre el 7 y el 13 % de los preescolares. Los perfiles de riesgo comparten rasgos: minorías lingüísticas o étnicas, bajo nivel socioeconómico, menor asistencia a preescolar y, con más frecuencia, varones. Un umbral binario —listo / no listo— no describe esa heterogeneidad. Inferencia, marcada como tal: un score único comprime perfiles mixtos en un número. El número no es el perfil, y el perfil no es la transición.

En el estrato de la transición, González-Moreira, Ferreira y Vidal (2024) reúnen más de trescientas variables del paso a la primaria en veintinueve grupos, académicos y no académicos; el 67 % de los artículos considera ambos. La investigación se ha polarizado hacia la alfabetización y la lógica-matemática porque, en muchos países, ese paso inaugura la escolaridad obligatoria. Degli Esposti y Cigala (2025), con 23 artículos de 2008 a 2025, desplazan el foco a la experiencia infantil: expectativas previas, percepciones posteriores y procesos de aprendizaje; un proceso gradual y entornos de apoyo emergen como esenciales. Boylan et al. (2024) traducen eso en práctica: transiciones eficaces requieren que las escuelas conecten y empoderen a niñas, niños y familias, no que los clasifiquen a la puerta. González-Moreira, Ferreira y Vidal (2023) documentan, además, un sesgo adultocéntrico: las y los de 5 a 7 años no suelen incluirse. Inferencia: un modelo que los predice sin ellos no repara ese vacío. Lo agrava.

En el estrato de la predicción, Benson, Chelangat, Brink, Mwangala, Waljee, Moyer y Abubakar (2025) mapean 27 estudios de machine learning en desarrollo infantil (0–8 años). El 78 % proviene de países de altos ingresos; ninguno de África subsahariana. El 74,1 % se limita a predicción; solo el 7,4 % validó fuera de la muestra; el 41 % explicó el modelo; uno llegó a ensayo clínico. Tebeje et al. (2025) operan el gesto a escala: 12 860 niñas y niños de 24 a 59 meses en Kenia, Mozambique y Tanzania; ensamble de bosque aleatorio y extreme gradient boosting; exactitud del 66 % y AUC de 0,71 para predecir si el niño está “en vía” según el ECDI2030. Halpin et al. (2024) recuerdan para qué se diseñó ese índice: monitoreo poblacional comparable, no clasificación individual de acceso a la primaria. Inferencia: predecir el ECDI2030 no es transicionar. Es reutilizar un instrumento de política como etiqueta de niño.

En el estrato de derechos, el Reglamento (UE) 2024/1689 trata como de alto riesgo, en el anexo III, los sistemas de IA destinados a determinar el acceso o la admisión a instituciones de educación y formación, a asignar a las personas a esas instituciones, a evaluar resultados de aprendizaje o a determinar el nivel educativo apropiado que una persona recibirá o al que podrá acceder (Unión Europea, 2024). Un score de madurez usado para decidir si un niño “pasa” o “espera” no es un juguete analítico: es, en ese territorio, un sistema de alto riesgo. La Recomendación sobre la ética de la IA exige supervisión humana, proporcionalidad y atención particular cuando hay niñas y niños (UNESCO, 2021). UNICEF (2021) exige priorizar el interés superior y apoyar el desarrollo. La Guía ética de 2022 y el informe del Departamento de Educación de Estados Unidos coinciden en no sustituir el juicio profesional ni al docente (European Commission, 2022; U.S. Department of Education, 2023). Miao y Holmes (2023) fijan un umbral de edad para conversaciones independientes con plataformas generativas y exigen validación pedagógica. Inferencia: un niño de cinco años no es el usuario de un tablero de predicción. Es el sujeto de una relación que el tablero no sostiene.

3. Método de revisión

Se realizó una revisión narrativa crítica, no un metaanálisis. El propósito no fue estimar un tamaño de efecto homogéneo entre un modelo de encuesta, un sistema de alerta de distrito y un rediseño de prácticas de paso, sino articular un argumento de categoría pedagógica con fuentes verificadas. Criterios de inclusión: (a) 2021–2026; (b) school readiness, predicción de desarrollo infantil o de madurez escolar, sistemas de alerta temprana en primera infancia, o transiciones ECEC-primaria; (c) relevancia para jardín, preescolar, CENDI o 3–6 años; (d) revista con pares, DOI o informe de UNESCO, OECD, UNICEF, Unión Europea, Comisión Europea o ministerio; (e) DOI o página editorial verificable. Se excluyeron los ejes ya usados en esta serie, incluidos SEL/chatbots de emociones, liderazgo de centros y tutores adaptativos como objeto.

La búsqueda se ejecutó el 25 de agosto de 2026 en páginas DOI, Springer, Elsevier, PLOS, BMJ, Frontiers, MDPI, Taylor & Francis, Annenberg/EdWorkingPapers, OECD iLibrary, UNESDOC, UNICEF, EUR-Lex, ERIC y PubMed/PMC. Cada fuente se verificó contra al menos una de esas páginas. El corpus se organizó en predicción de readiness y de ECD; alerta temprana en los primeros grados; y evidencia de transiciones relacionales ECEC-primaria.

El análisis distinguió tres estatus enunciativos. Hallazgo empírico: lo observado o medido en la muestra. Marco conceptual o normativo: lo que un marco, una guía o un reglamento prescribe. Inferencia pedagógica: la traducción a jardines, preescolares, CENDI y escuelas infantiles, marcada como tal. Los límites son los de una revisión narrativa (sección 9).

4. Caso 1. Predecir el “en vía de desarrollo” no es transicionar a la primaria

Tebeje, Tesfaye, Sisay, Seboka, Tesfa, Sisay y colegas (2025) publican en PLOS One el estudio que mejor ilustra el salto que la tesis rechaza. Con el módulo ECDI2030 de las Encuestas de Demografía y Salud de Kenia, Mozambique y Tanzania, analizan 12 860 niñas y niños de 24 a 59 meses. El 57,4 % (IC 95 %: 56,5–58,3) estaba en vía de desarrollo en salud, aprendizaje y bienestar psicosocial. Entrenan siete algoritmos supervisados y un ensamble de los dos mejores —extreme gradient boosting y bosque aleatorio— para predecir esa etiqueta. El ensamble alcanza una exactitud del 66 %, sensibilidad del 73 %, especificidad de 0,56, F1 ponderado de 0,64 y AUC de 0,71. Los tres predictores con mayor valor SHAP absoluto medio son la edad del niño (+0,17), la exposición materna a medios (+0,12) y el nivel educativo materno (+0,10). El beeswarm muestra que los 24–35 meses, las madres no expuestas a medios y las madres con al menos secundaria se asocian a mayor probabilidad de “en vía”. Los autores concluyen con recomendaciones de política: priorizar preprimaria, educación de las mujeres y uso apropiado de medios.

Estatus de la evidencia. Hallazgo empírico de clasificación poblacional: dadas ciertas covariables de encuesta, un ensamble acierta en dos de cada tres casos al reproducir la etiqueta ECDI2030. No es hallazgo de transición pedagógica. El modelo no observa el primer día de primaria, ni el vínculo con la maestra nueva, ni la continuidad de juego, ni la conversación entre el jardín y la escuela. No es hallazgo de validez individual: el ECDI2030 se diseñó para monitoreo de población (Halpin et al., 2024; UNICEF, 2023). Un AUC de 0,71, que los propios autores comparan con el 0,67 de un modelo análogo en Bangladesh, no autoriza una decisión de admisión. Inferencia pedagógica, marcada como tal: el gesto que un jardín copia cuando “predice la madurez escolar” es exactamente este. Se toma un umbral de hitos, se le asigna una probabilidad y se declara que hay gestión de la transición. Lo que hay es un expediente de desarrollo. El ODS 4.2 pide preparación para la primaria como resultado de un sistema de cuidado y educación. Un tablero de SHAP no es ese sistema.

Benson et al. (2025) saturan el retrato. De 759 registros, 27 estudios cumplen criterios. Predominan clasificadores supervisados (40,7 %) y deep learning (22,2 %). El desenlace más frecuente es el desarrollo cognitivo (33,3 %); la medida más usada, Bayley-III (33,3 %). Los datos son, sobre todo, imagen, video y sensores. El 74,1 % se queda en predicción. Solo uno llegó a implementación clínica. El 59 % no explica el modelo. Inferencia: la literatura de “IA para el desarrollo infantil” produce clasificadores, no transiciones. Confundir un F1 de laboratorio con un proceso de paso entre instituciones es el error de categoría que este artículo nombra.

Ghandour et al. (2021, 2024) muestran qué ocurre cuando el score se vuelve indicador nacional. En 2016, con una medida piloto sobre 7 565 niños de 3 a 5 años, el 42,2 % se consideró “healthy and ready to learn”; el dominio más bajo era early learning skills (58,4 % on-track). En 2022, con 11 121 niños y una medida revisada —on-track en cuatro o cinco dominios y ninguno que “necesite apoyo”— la cifra sube al 63,6 %; un millón, el 9,0 %, necesitaba apoyo en múltiples dominios. Estatus: hallazgo de prevalencia, no de transición. Inferencia: si cambiar el recorte mueve quince puntos la “preparación” de un país, el umbral no es un hecho del niño. Es una convención de medición. Halpin et al. (2024), con muestras de México (n = 1 641) y Palestina (n = 1 099), sostienen el ECDI2030 para monitoreo poblacional. El índice no se ofrece como puerta de la primaria.

5. Caso 2. Alertar el ausentismo desde prekínder no es una pedagogía del paso

Wu y Weiland (2025) publican, en EdWorkingPapers del Annenberg Institute, el caso que mejor ilustra el segundo artefacto: el sistema de alerta temprana llevado a la primera infancia. Con una muestra demográficamente diversa de 6 698 estudiantes seguidos desde prekínder hasta tercer grado en las Boston Public Schools, comparan la regresión logística típica de los EWS en uso con algoritmos contemporáneos —SMOTE y XGBoost— para predecir quién se volverá crónicamente ausente en tercero. El ausentismo crónico se define como faltar el 10 % o más de los días lectivos, por cualquier razón. El mejor modelo, XGBoost con SMOTE, logra una mejora de 54 puntos porcentuales en recall respecto del modelo logístico más cercano a los EWS actuales. Los modelos que excluyen información demográfica del estudiante mantienen una exactitud predictiva comparable. El estudio se pregunta, además, cuántos años de historia hacen falta para decidir una intervención temprana y cómo umbrales de probabilidad distintos pueden acomodar restricciones presupuestarias.

Estatus de la evidencia. Hallazgo empírico de predicción de asistencia: en un distrito urbano grande, un boosting con sobremuestreo identifica mejor, desde los primeros grados, a quienes faltarán de modo crónico en tercero. No es hallazgo de transición ECEC-primaria. El objeto es el ausentismo, no el proceso relacional de paso. No es hallazgo de que alertar produzca continuidad pedagógica, juego conjunto, vínculo familia-escuela o alineación curricular. Las autoras son explícitas: muchos EWS se diseñaron para predecir abandono de secundaria; llevarlos a prekínder es una extensión analítica, no una pedagogía del jardín. Inferencia pedagógica, marcada como tal: el gesto que un centro copia cuando “hace la transición con un early warning” es este. Se toma una señal de asistencia, se le asigna un riesgo y se declara que hay alerta temprana de la madurez escolar. Lo que hay es un pronóstico de faltas. Faltar es un problema grave, asociado a logro, habilidades socioemocionales y, más adelante, a abandono (Wu y Weiland, 2025). Intervenir sobre la asistencia puede ser una política justa. No por ello el tablero es la transición. La transición ocurre cuando una educadora y una maestra de primero se coordinan sobre un niño concreto, con su familia, en un tiempo que no cabe en un recall.

Wu y Weiland muestran, además, que omitir demografía no desploma la predicción. Inferencia: si el modelo “funciona” sin raza ni ingreso, no se sigue que la alerta sea pedagógicamente neutra. Se sigue que la señal de asistencia ya concentra desigualdades que el distrito no resolverá con un umbral. Un EWS más exacto puede ayudar a asignar apoyos de asistencia. No hace que la primaria reciba al niño que el jardín conoció. OECD (2021) sitúa ese trabajo en la calidad de proceso. UNESCO y UNICEF (2024) lo sitúan en el derecho a una base sólida y en la caída de la matrícula neta un año antes de la primaria —del 75 % en 2020 al 72 % en 2022—. Un tablero de riesgo de faltas no matricula, no acompaña y no alinea pedagogías.

Kim (2024) ofrece un contraste útil y un límite. Con la cohorte ECLS-K:2011 (n = 18 174), muestra que las percepciones docentes sobre approaches to learning, pensamiento matemático y ciencia, al entrar a kindergarten, predicen logros posteriores en matemáticas y ciencias hasta quinto grado. Estatus: hallazgo de que el juicio docente de entrada se asocia a trayectorias. No es hallazgo de IA. No es hallazgo de que automatizar ese juicio mejore la transición. Inferencia: si el informe de la maestra de jardín ya predice, el valor añadido de un modelo no es “descubrir” al niño. Es, a menudo, duplicar una percepción adulta con el vocabulario de la exactitud. La transición no es esa predicción. Es lo que ocurre entre el informe y el aula nueva.

6. Caso 3. Lo que el jardín sí hace cuando hay transición: un proceso relacional

Boylan, Barblett, Lavina y Ruscoe (2024) publicaron en el European Early Childhood Education Research Journal (vol. 32, pp. 704–718) el estudio que mejor ancla, en este corpus, lo que una transición pedagógica sí es. Con un lente de fondos de conocimiento y fondos de identidad, niñas y niños de 3 a 6 años y sus docentes reimaginaron las prácticas de paso a la primaria. Mediante un proceso de design-based thinking, el equipo recolectó datos cualitativos de cuatro jornadas de aprendizaje profesional, sesiones individuales de coaching, observaciones de los primeros días de escuela y entrevistas a partes interesadas. Se elaboraron estudios de caso en colaboración con cada escuela participante. Tres principios de diseño, formulados por las propias docentes, impactaron de modo positivo la preparación de maestras y de escuelas para las transiciones. Todas las partes describieron el proceso como útil para transformar las prácticas y para pensar las transiciones desde perspectivas distintas (Boylan et al., 2024). ERIC indexa el trabajo como investigación empírica con estudio de caso, coaching y relación familia-escuela en Australia (ERIC, 2024, EJ1431215).

Estatus de la evidencia. Hallazgo empírico de rediseño de prácticas: la transición, cuando se toma en serio, aparece como trabajo conjunto de docentes, niñas y niños y familias, mediado por el conocimiento que el niño trae y por la identidad que pone en juego. No es hallazgo de IA. No es hallazgo de que un score reproduzca esos tres principios. Inferencia pedagógica, marcada como tal: este es el objeto que un centro de educación inicial puede llamar, con propiedad, transición. Es un proceso relacional, temporal y situado. Un clasificador de ECDI no pregunta por los fondos de conocimiento. Un EWS de faltas no observa el primer día. Un tablero de “listo / no listo” no empodera a la familia en el proceso: la informa, en el mejor caso, de una etiqueta.

Degli Esposti y Cigala (2025) saturan el retrato con 23 artículos: expectativas antes del paso, percepciones después, procesos de aprendizaje, y un proceso gradual como factor esencial. González-Moreira et al. (2024) muestran por qué el score no basta: más de trescientas variables, veintinueve grupos. Reducir esa ecología a un umbral de hitos —siete a quince según la edad, en el ECDI2030 (Tebeje et al., 2025)— es una operación de política estadística, legítima a escala de país, ilegítima como rito de paso de un niño. González-Moreira et al. (2023) documentan una visión adultocéntrica en los métodos. Inferencia: un modelo entrenado sobre el reporte de la madre o de la maestra hereda ese adultocentrismo y lo presenta como objetividad.

Garon-Carrier et al. (2024) cierran el contraste: quince perfiles, siete de riesgo. El hallazgo sirve para diseñar apoyos. No autoriza a tratar el perfil como veredicto de entrada. Los autores sitúan la respuesta en el cuidado de calidad y en asociaciones familia-escuela, no en un umbral. OECD (2021) alinea el currículo como palanca de continuidad. TALIS Starting Strong 2024 sitúa las prácticas semanales en observar interacciones y en mejorar cómo juegan las niñas y los niños juntos (OECD, 2025). Inferencia: la evidencia de transición se verifica en esas interacciones y alianzas, no en un AUC. Si la “evidencia” es un ranking de madurez o un semáforo de riesgo, el centro ha hecho gestión de producto, no pedagogía del paso.

7. Marco inferencial: cuatro pruebas para afirmar que hay transición, no un umbral

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 score de madurez, un modelo que predice la preparación o un sistema de alerta temprana constituyen una transición pedagógica.

7.1. Prueba del proceso relacional, no del umbral. Boylan et al. (2024) muestran transición como rediseño con niñas, niños, familias y docentes. Degli Esposti y Cigala (2025) muestran experiencia infantil gradual. González-Moreira et al. (2024) muestran una ecología de más de trescientas variables. Inferencia: la evidencia de transición se verifica en el vínculo, en el tiempo compartido, en la continuidad de prácticas y en la voz del niño, no en un corte de hitos. Si la “evidencia” de que el centro transiciona es un score on-track o un log de riesgo, el centro ha hecho clasificación, no paso.

7.2. Prueba de la continuidad pedagógica, no de la predicción. OECD (2021) sitúa el currículo como palanca de alineación entre etapas y la calidad de proceso como motor del desarrollo. OECD (2025) sitúa las interacciones y el juego conjunto como prácticas semanales. Tebeje et al. (2025) predicen una etiqueta de encuesta. Wu y Weiland (2025) predicen faltas. Inferencia: predecir un desenlace posterior no es producir la continuidad que ese desenlace requeriría. Un modelo puede acertar quién faltará en tercero. No por ello ha alineado el jardín con la primaria. Kim (2024) muestra que el juicio docente de entrada ya se asocia a trayectorias: automatizarlo no añade, por sí, pedagogía del paso.

7.3. Prueba del instrumento poblacional, no del veredicto individual. Halpin et al. (2024) y UNICEF (2023) diseñan el ECDI2030 para monitoreo de población y para el indicador 4.2.1. Ghandour et al. (2021, 2024) muestran que cambiar el recorte del HRTL mueve la prevalencia nacional de 42,2 % a 63,6 %. Garon-Carrier et al. (2024) muestran perfiles, no un bit. Benson et al. (2025) muestran que la mayoría de los modelos de ECD no se validan fuera de la muestra ni se implementan. Inferencia: un umbral de encuesta o de tablero no es un diagnóstico de madurez para decidir el paso de un niño. Usarlo como tal confunde el ODS con un rito de admisión.

7.4. Prueba de los derechos y del alto riesgo, no del tablero de producto. El anexo III del Reglamento (UE) 2024/1689 incluye, entre los sistemas de alto riesgo, los destinados a determinar el acceso o la admisión a instituciones educativas, a asignar a las personas a esas instituciones, a evaluar resultados de aprendizaje o a determinar el nivel educativo apropiado (Unión Europea, 2024). UNESCO (2021) exige supervisión humana y atención particular a niñas y niños. UNICEF (2021) exige el interés superior. European Commission (2022) y U.S. Department of Education (2023) exigen no sustituir al docente. Miao y Holmes (2023) exigen validación pedagógica y umbral de edad para el uso autónomo de plataformas generativas. Inferencia: un centro de inicial no puede tratar al niño de 3–6 años como objeto de un veredicto automatizado de “listo para la primaria”. El umbral no se “cumple” bajando la edad del clasificado. Se respeta no usando la predicción como puerta. En territorio europeo, un sistema que asigne plaza o nivel con IA no es una innovación de transición: es, salvo las salvaguardas del reglamento, una práctica de alto riesgo.

El marco admite el ECDI2030 y el HRTL como monitores poblacionales (Halpin et al., 2024; Ghandour et al., 2024; UNICEF, 2023); los EWS como herramientas de asistencia, no de pedagogía del paso (Wu y Weiland, 2025); los perfiles de readiness como hipótesis de apoyo, no como veredictos (Garon-Carrier et al., 2024); y el juicio docente como información relacional, no como input de un clasificador que lo sustituye (Kim, 2024). Rechaza declarar transición por un score de madurez, un modelo que predice el ECDI o el HRTL a escala de niño, un semáforo de alerta temprana presentado como “gestión de la transición”, o el trato del niño de inicial como usuario de un umbral algorítmico (Tebeje et al., 2025; Benson et al., 2025; Unión Europea, 2024; Boylan et al., 2024).

8. Discusión

Tres tensiones organizan la discusión. La primera es entre predecir y transicionar. Es hallazgo que un ensamble predice el ECDI2030 con AUC 0,71 en 12 860 niños de África oriental (Tebeje et al., 2025); que 27 estudios de ML en ECD se concentran en predicción, con escasa validación externa y casi nula implementación (Benson et al., 2025); y que un XGBoost mejora 54 puntos de recall al alertar ausentismo crónico desde prekínder (Wu y Weiland, 2025). Es marco que el ECDI2030 es un monitor poblacional (Halpin et al., 2024) y que asignar nivel o acceso con IA es, en la Unión Europea, alto riesgo (Unión Europea, 2024). No es hallazgo que predecir una etiqueta produzca el proceso que Boylan et al. (2024) observan. La política de los tres artefactos —score, modelo, alerta— mide lo que la ingeniería sabe medir y declara lo que solo la transición relacional autorizaría.

La segunda es entre el niño como atributo y el sistema como receptor. Garon-Carrier et al. (2024) muestran que la madurez no es un rasgo único. Ghandour et al. (2021, 2024) muestran que el recorte del indicador cambia quién cuenta como “listo”. González-Moreira et al. (2024) muestran que la transición se investiga como ecología, no como bit. UNESCO y UNICEF (2024) muestran que el mundo no está en vía de cumplir el 4.2 y que la matrícula un año antes de la primaria retrocedió. Inferencia: insistir en que el niño “esté listo” mientras el sistema no se alinea es una pedagogía invertida. El score culpa al niño de lo que el currículo, el tiempo y el vínculo no sostienen. OECD (2021) había advertido que la palanca es la calidad de proceso y la continuidad entre etapas. El modelo de madurez hace la operación inversa: extrae al niño del proceso y lo devuelve como probabilidad.

La tercera es entre el tablero y la voz. Degli Esposti y Cigala (2025) y González-Moreira et al. (2023) documentan que las niñas y los niños del tramo 5–7 siguen siendo poco escuchados en la investigación del paso. Boylan et al. (2024) muestran qué ocurre cuando sí se los incluye: cambian las prácticas, no el ranking. Un sistema de alerta temprana habla de ellos en tercera persona. Un score de madurez habla de ellos como vector. Ninguno de los dos les pide los fondos de conocimiento que Boylan sitúa en el centro. Dataficar esa voz —convertirla en feature— no repara el silencio. Lo administra.

9. Límites

Esta revisión es narrativa. No aplica PRISMA ni estima efectos combinados. Tebeje et al. (2025) predicen una etiqueta de encuesta, no un desenlace de aula de primaria; la transferencia al rito de paso es inferencia. Benson et al. (2025) cubren ECD 0–8 años, no solo la transición ECEC-primaria, y excluyen trastornos del neurodesarrollo. Wu y Weiland (2025) es un working paper de distrito sobre ausentismo, no un ensayo de prácticas de transición; el DOI institucional Annenberg se verifica, y el estatus de preprint se declara. Boylan et al. (2024) es cualitativo en escuelas independientes de Australia. Degli Esposti y Cigala (2025) y González-Moreira et al. (2023, 2024) son revisiones, no observaciones de IA. Garon-Carrier et al. (2024) revisan perfiles 2005–2022; varios estudios base son anteriores a 2021. Ghandour et al. (2021, 2024) son encuestas parentales de Estados Unidos; el cambio de medida impide leer la subida de 42,2 % a 63,6 % como mejora neta del desarrollo. Kim (2024) es juicio docente, no modelo. Halpin et al. (2024) validan un índice poblacional. UNESCO, UNICEF, la OECD, la Unión Europea y las guías de 2022–2023 son prescriptivos. No se localizaron, con el mismo grado de DOI, ensayos latinoamericanos de predicción de madurez escolar e IA en el paso jardín-primaria. Las inferencias de la sección 7 son hipótesis de categoría pedagógica, no evidencia de implementación.

10. Conclusiones

Un score de madurez escolar, un modelo que predice la preparación para la primaria o un sistema de alerta temprana no constituyen una transición pedagógica en un centro de educación inicial. La evidencia verificada no autoriza esa declaración. Un ensamble que reproduce el ECDI2030 en 12 860 niños clasifica una etiqueta de encuesta; eso es predicción poblacional, no paso (Tebeje et al., 2025). Veintisiete estudios de machine learning en desarrollo infantil se quedan, en su gran mayoría, en predicción sin validación externa ni implementación (Benson et al., 2025). Un EWS que mejora el recall del ausentismo crónico desde prekínder identifica faltas; eso es alerta de asistencia, no continuidad pedagógica (Wu y Weiland, 2025). El HRTL nacional se mueve cuando cambia el recorte del indicador (Ghandour et al., 2021, 2024). El ECDI2030 se ofrece como monitor de población, no como veredicto de niño (Halpin et al., 2024; UNICEF, 2023). Quince perfiles de readiness desmienten el umbral único (Garon-Carrier et al., 2024). En cambio, cuando hay transición, hay rediseño relacional con niñas y niños de 3 a 6 años, familias y docentes (Boylan et al., 2024); hay experiencia infantil gradual (Degli Esposti y Cigala, 2025); hay una ecología de factores que no cabe en un bit (González-Moreira et al., 2024). El derecho vigente exige supervisión humana, interés superior y, en la Unión Europea, tratar como de alto riesgo la IA que determina acceso, admisión, asignación o nivel educativo (UNESCO, 2021; UNICEF, 2021; Unión Europea, 2024; European Commission, 2022; U.S. Department of Education, 2023).

Donde las fuentes no miden un jardín, este artículo no lo afirma. Donde miden clasificación o alerta, no las traduce en transición. Acompañar a niñas y niños de tres a seis años en el paso a la primaria es sostener un proceso relacional de niños, familias y docentes. Lo demás es un umbral. No es transición, y no debe presentarse como lo que no es.

Laboratorio Editorial de NEXTECH.IA / Ingeniero Mitre.

Referencias

  1. Benson, F. N., Chelangat, D., Brink, W., Mwangala, P. N., Waljee, A. K., Moyer, C. A., y Abubakar, A. (2025). Application of machine learning in early childhood development research: A scoping review. BMJ Open, 15(8), e100358. https://doi.org/10.1136/bmjopen-2025-100358
  2. Boylan, F., Barblett, L., Lavina, L., y Ruscoe, A. (2024). Transforming transitions to primary school: Using children’s funds of knowledge and identity. European Early Childhood Education Research Journal, 32(4), 704–718. https://doi.org/10.1080/1350293X.2023.2291354
  3. Degli Esposti, C., y Cigala, A. (2025). Children’s experience of transition from preschool to primary school: A scoping literature review. Early Childhood Education Journal. https://doi.org/10.1007/s10643-025-02019-1
  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. Garon-Carrier, G., Mavungu-Blouin, C., Letarte, M.-J., Gobeil-Bourdeau, J., y Fitzpatrick, C. (2024). School readiness among vulnerable children: A systematic review of studies using a person-centered approach. Psicologia: Reflexão e Crítica, 37, 16. https://doi.org/10.1186/s41155-024-00298-y
  6. Ghandour, R. M., Hirai, A. H., Moore, K. A., Robinson, L. R., Kaminski, J. W., Murphy, K., Lu, M. C., y Kogan, M. D. (2021). Healthy and ready to learn: Prevalence and correlates of school readiness among United States preschoolers. Academic Pediatrics, 21(5), 818–829. https://doi.org/10.1016/j.acap.2021.02.019
  7. Ghandour, R. M., Hirai, A. H., Moore, K. A., Paschall, K., LaForett, D. R., Reddington, E., y Kogan, M. D. (2024). School readiness among United States children: Results from the 2022 National Survey of Children’s Health. Academic Pediatrics, 24(7), 1049–1061. https://doi.org/10.1016/j.acap.2024.02.013
  8. González-Moreira, A., Ferreira, C., y Vidal, J. (2023). Review on research methods for studying transition from early childhood education to primary education. Education Sciences, 13(3), 254. https://doi.org/10.3390/educsci13030254
  9. González-Moreira, A., Ferreira, C., y Vidal, J. (2024). A journey to primary education: A systematic review of factors affecting the transition from early childhood education to primary education. Preventing School Failure, 69(1), 77–91. https://doi.org/10.1080/1045988X.2024.2335679
  10. Halpin, P. F., de Castro, E. F., Petrowski, N., y Cappa, C. (2024). Monitoring early childhood development at the population level: The ECDI2030. Early Childhood Research Quarterly, 67, 1–12. https://doi.org/10.1016/j.ecresq.2023.11.004
  11. Kim, J. (2024). The relationships between teachers’ evaluation of children’s academic readiness and children’s later outcomes. International Journal of Child Care and Education Policy, 18, 6. https://doi.org/10.1186/s40723-024-00131-0
  12. Miao, F., y Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  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. (2025). Results from TALIS Starting Strong 2024: Strengthening early childhood education and care. OECD Publishing. https://doi.org/10.1787/20af08c0-en
  15. Tebeje, T. M., Tesfaye, S. H., Sisay, G., Seboka, B. T., Tesfa, G. A., Sisay, D., et al. (2025). Application of machine learning algorithms to predict early childhood development in children aged 24–59 months across three East African countries. PLOS One, 20(9), e0332023. https://doi.org/10.1371/journal.pone.0332023
  16. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000381137
  17. UNESCO y UNICEF. (2024). Global report on early childhood care and education: The right to a strong foundation. UNESCO. https://doi.org/10.54675/FWQA2113
  18. UNICEF. (2021). Policy guidance on AI for children 2.0. UNICEF Innocenti. https://www.unicef.org/innocenti/reports/policy-guidance-ai-children
  19. UNICEF. (2023). The Early Childhood Development Index 2030: A new measure of early childhood development. UNICEF. https://data.unicef.org/resources/early-childhood-development-index-2030-ecdi2030/
  20. Unión Europea. (2024). Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial. Diario Oficial de la Unión Europea, L 2024/1689. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
  21. U.S. Department of Education, Office of Educational Technology. (2023). Artificial intelligence and the future of teaching and learning: Insights and recommendations. https://www.ed.gov/sites/ed/files/documents/ai-report/ai-report.pdf
  22. Wu, T., y Weiland, C. (2025). Leveraging modern machine learning to improve early warning systems and reduce chronic absenteeism in early childhood (EdWorkingPaper 24-1081). Annenberg Institute at Brown University. https://doi.org/10.26300/xxvz-cv94