1. Introducción y problema

En las escuelas de educación inicial y básica circula una promesa seductora: la inteligencia artificial “personaliza” el aprendizaje, “libera” al docente y “hace visible” lo que el ojo humano no alcanza. Esa promesa suele silenciar su condición de posibilidad. Para personalizar hace falta un dato. Para liberar, una métrica. Para hacer visible, una cámara, un micrófono o un registro continuo de conducta. El dato no es abstracto. Es la voz de una niña de cuatro años, el rostro de un niño de ocho, el punto que un docente asigna porque “trabajó duro” o “habló fuera de turno”. Quienes producen ese dato no pueden leer una política de privacidad, no pueden negociar con un proveedor y no pueden optar por no estar en el aula.

El problema no es la hostilidad a la tecnología. Es la confusión entre tres objetos. El primero es un hallazgo empírico: qué se observa cuando una plataforma cuantifica conducta, cuando se graba voz infantil o cuando se prueba reconocimiento facial en un recinto escolar. El segundo es un marco normativo: qué exigen la Convención sobre los Derechos del Niño en el entorno digital, el RGPD, la COPPA, UNICEF, UNESCO y las autoridades de protección de datos. El tercero es una inferencia pedagógica: qué no debería delegarse en el aula aunque el marketing diga “consentimiento parental” o “beneficio educativo”. Mezclarlos produce una pedagogía de la captura: la escuela “usa IA” sin poder decir qué se extrae, quién lo retiene, por cuánto tiempo y con qué derecho a decir no.

La tesis de este artículo es restrictiva. La IA educativa en el aula de educación inicial y básica no personaliza sin coste; extrae voz, imagen y conducta de sujetos que no pueden consentir. Ese umbral —lo no delegable— no se resuelve con una casilla firmada por un adulto ni con la ficción de que la escuela actúa siempre como agente del padre. Lupton y Williamson (2017) nombraron al “niño dataficado” y advirtieron la escasez de instrumentos específicos frente a la dataveillance. Desde entonces, el aula ha concentrado plataformas de conducta, analítica de aprendizaje, grabación de voz para reconocimiento automático y, en algunos distritos, biometría facial. Este artículo no trata la mediación parental en el hogar (eje del 19 de agosto extra), ni la alfabetización curricular para estudiantes (20 de agosto noche), ni la inclusión por discapacidad (20 de agosto, 5:00), ni la competencia docente UNESCO (19 de agosto mañana), ni el juego o los PopBots (18 de agosto), ni los tutores adaptativos (16 de agosto). El objeto es el aula: el espacio de presencia obligatoria donde la captura se naturaliza.

Donde la fuente no mide mejora del aprendizaje, este artículo no la afirma. Donde no mide que la protección de datos “ya está resuelta”, no lo promete. El vacío que organiza el trabajo es el del consentimiento en un entorno de asimetría: el niño no puede rechazar la escuela; el padre a menudo no puede rechazar la plataforma que la escuela eligió; el docente queda atrapado entre cuidar y cuantificar (Lu et al., 2021).

2. Estado del arte: dataficación, privacidad y el aula como recinto

Conviene separar tres estratos. El primero es conceptual: qué significa dataficar a la infancia en la escuela. El segundo es normativo: qué marcos fijan privacidad, consentimiento y límites a la biometría o a la IA. El tercero es empírico: qué se ha documentado en aulas y plataformas escolares, no en el hogar como eje.

En el estrato conceptual, Lupton y Williamson (2017) ofrecen una crítica de la dataficación y de la dataveillance desde la gestación hasta los años escolares, y concluyen que hay poca evidencia de instrumentos específicos para salvaguardar derechos frente a esas prácticas. Su artículo no es un ensayo de aula; se retiene como marco crítico del “niño dataficado”. Manolev, Sullivan y Slee (2019) desplazan ese marco al dispositivo ClassDojo y argumentan que la dataficación de la disciplina intensifica y normaliza la vigilancia, produce una cultura performativa y opera como control de conducta. Williamson (2017), citado en esa línea, había conectado ClassDojo con psico-política y aprendizaje socioemocional persuasivo; aquí no se toma como caso nuclear, sino como antecedente del debate.

En el estrato normativo, el Comité de los Derechos del Niño (2021), en la Observación general núm. 25, afirma que los derechos de la Convención se aplican en el entorno digital. En materia de privacidad (párrs. 67–73), exige que toda injerencia sea legal, legítima, proporcional, con minimización de datos y en el interés superior del niño; que el consentimiento —del niño o del titular de la responsabilidad parental según la edad y la capacidad evolutiva— sea informado y libre; y que se pueda acceder, rectificar, suprimir y oponerse. UNICEF (2021), en la guía de política sobre IA para niños (versión 2.0), exige proteger datos y privacidad, adoptar privacidad desde el diseño, minimizar el tratamiento “invisible” y no permitir que los datos de la infancia acompañen a la persona hasta la adultez. El Considerando 38 del RGPD reconoce protección específica a los niños; el artículo 8 regula el consentimiento del menor respecto de servicios de la sociedad de la información (umbral de 16 años, reducible a no menos de 13); el Considerando 43 advierte que el consentimiento no es libre ante un claro desequilibrio, en particular cuando el responsable es una autoridad pública; el Considerando 71 señala que la toma de decisiones automatizada basada en perfiles no debería referirse a un niño. Miao y Holmes (2023) advierten que la ausencia de regulación nacional deja desprotegida la privacidad de los usuarios y proponen mandatar protección de datos y un límite de edad para conversaciones independientes con IA generativa. La Recomendación de UNESCO (2021) sobre ética de la IA eleva la privacidad y la protección de datos a principio. El Reglamento (UE) 2024/1689 (Anexo III, punto 3) clasifica como de alto riesgo sistemas de IA destinados a determinar acceso o admisión a instituciones educativas, evaluar resultados de aprendizaje, valorar el nivel educativo apropiado o vigilar y detectar conductas prohibidas de estudiantes durante exámenes. La FTC (2022) recuerda que, en el contexto escolar, los operadores de edtech sujetos a COPPA no pueden usar la información del estudiante para fines comerciales ajenos al servicio educativo solicitado. La American Academy of Pediatrics (Radesky et al., 2020; AAP, 2026) insiste en que los niños tienen dificultad para comprender la recolección de datos y no pueden consentir de modo significativo, y pide privacidad por defecto y evitar vigilancia y publicidad dirigida. El ICO (2023) aclara que las escuelas no son “servicios de la sociedad de la información” bajo el Children’s Code, pero que los proveedores de edtech sí pueden estarlo cuando determinan finalidades propias (investigación, marketing, desarrollo de producto).

En el estrato empírico de aula, la evidencia cualitativa sobre ClassDojo (Lu et al., 2021; DiGiacomo et al., 2021; Manolev et al., 2024) documenta cuantificación de conducta, tensiones de cuidado/control y poder métrico, sin medir aprendizaje académico como efecto de la plataforma. Los corpus de voz infantil (Pradhan et al., 2024) documentan escala y procedimientos de consentimiento institucional, no mejora pedagógica. Las decisiones de Skellefteå (Integritetsskyddsmyndigheten, 2019), la posición de la CNIL (2019) y la determinación de Nueva York (New York State Education Department, 2023), junto con el informe de Galligan et al. (2020), documentan desproporción, invalidez del consentimiento o prohibición del reconocimiento facial escolar. El vacío no es la ausencia de normas: es la naturalización escolar de la captura bajo el léxico de la personalización.

3. Método de revisión

Se realizó una revisión narrativa crítica, no un metaanálisis. El propósito no fue estimar un tamaño de efecto de “IA y aprendizaje”, inexistente de manera homogénea entre un estudio de entrevistas a docentes, un corpus de voz y una sanción administrativa, sino articular el umbral de lo no delegable con fuentes verificadas. Los criterios de inclusión fueron: (a) foco en aula, escuela o plataforma usada en el recinto escolar, no mediación parental en el hogar como eje; (b) publicación preferente 2021–2026, con excepción justificada de marcos aún vigentes (Lupton y Williamson, 2017; Manolev et al., 2019; McReynolds et al., 2017; RGPD, 2016; COPPA; UNESCO, 2021; UNICEF, 2021; Comité de los Derechos del Niño, 2021; Galligan et al., 2020; Integritetsskyddsmyndigheten, 2019; CNIL, 2019); (c) tipo documental de revista o actas con DOI, informe universitario archivado, decisión o comunicado oficial de autoridad de protección de datos o de educación, o texto legal en EUR-Lex / FTC / NYSED / ICO; (d) acceso a DOI, página editorial o URL oficial que confirmara autores, año, título y alcance. Se excluyeron como caso nuclear la mediación parental y los juguetes del hogar (salvo saturación breve), la alfabetización curricular de estudiantes, la inclusión/discapacidad, la competencia docente UNESCO, PopBots/juego genAI y tutores/evaluación adaptativa.

La búsqueda se ejecutó el 21 de agosto de 2026 (alrededor de las 01:06, America/Mexico_City) en páginas DOI, ACM Digital Library, Taylor & Francis, Springer, ScienceDirect, EUR-Lex, FTC, EDPB/IMY, CNIL, NYSED, UNESDOC, UNICEF Innocenti, ICO, Deep Blue (University of Michigan) y ACL Anthology. Cada fuente citada se verificó contra al menos una de esas páginas. El corpus se organizó en tres casos nucleares: dataficación conductual (ClassDojo); voz infantil en contextos educativos; biometría facial en escuelas. McReynolds et al. (2017) se usa solo como saturación de opacidad de la grabación, no como caso nuclear.

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

4. Caso 1. ClassDojo y la dataficación de la conducta en el aula

ClassDojo es una plataforma de comunicación y gestión de conducta que permite a docentes cuantificar, registrar y comunicar puntos asociados a comportamientos deseados o no deseados, además de portafolios y mensajería con familias. Manolev, Sullivan y Slee (2019) examinaron críticamente cómo el sistema datafica la disciplina y el comportamiento estudiantil. Argumentan que intensifica y normaliza la vigilancia, crea una cultura de performatividad y sirve como mecanismo de control. El estatus es de análisis crítico de diseño y de racionalidades disciplinares, no de ensayo controlado de aprendizaje. No miden si los puntos mejoran lectura o matemáticas; miden, en el plano conceptual, cómo la conducta se vuelve número, comparable y gobernable.

Lu, Dillahunt, Marcu y Ackerman (2021) publicaron en Proceedings of the ACM on Human-Computer Interaction (CSCW) un estudio de entrevistas con veinte docentes de K-8 que usaban ClassDojo. Hallazgo empírico: los docentes despliegan la herramienta tanto para controlar como para cuidar; al mismo tiempo quedan expuestos a la mirada de padres, administradores y estudiantes, y realizan “trabajo de datos” —recontextualizar cuerpos y necesidades reducidos a puntos, y a veces manipular puntos para resistir expectativas de vigilancia—. El artículo no afirma que ClassDojo mejore el aprendizaje; documenta la tensión de (in)visibilidad y autonomía docente bajo dataficación.

Lu, Marcu, Ackerman y Dillahunt (2021), en DIS, analizan la misma línea cualitativa (veinte docentes K-8) bajo el ángulo del sesgo de codificación. Hallazgo empírico: el uso de ClassDojo corre el riesgo de medir, codificar y simplificar factores psico-sociales que impulsan la conducta, operando como “curita” de problemas más profundos y pudiendo perpetuar desigualdades. Proponen tres consideraciones de diseño: proveer contexto, exponer sesgo y desafiar lo que cuenta como “normal”. DiGiacomo, Greenhalgh y Barriage (2021), en TechTrends, aportan un estudio de métodos mixtos en un estado del sureste de Estados Unidos sobre cómo estudiantes y directores comprenden ClassDojo. Hallazgo empírico: hay percepción de mediación de relaciones estudiante-docente y estudiante-padre; las preocupaciones de privacidad aparecen en el entorno mediático y en la literatura, pero permanecen subestudiadas en la experiencia cotidiana. Manolev, Sullivan y Tippett (2024), en el British Journal of Sociology of Education, examinan prácticas docentes con ClassDojo mediante indagación cualitativa crítica. Hallazgo empírico: las prácticas operan mediante técnicas de control centradas en métricas; los autores invocan el “poder métrico” y argumentan que las métricas de ClassDojo actúan como dispositivos pedagógicos estrechos que fijan la mirada en la medición y reconfiguran la disciplina escolar bajo racionalidades neoliberales. Tampoco miden rendimiento académico.

Estatus de la evidencia. Hallazgo empírico acumulado: en aulas K-8, ClassDojo cuantifica conducta, desplaza la complejidad psico-social hacia puntos, expone a docentes y estudiantes a vigilancia cruzada y reconfigura la disciplina como gobierno por métricas. No es hallazgo de mejora del aprendizaje. No es hallazgo de que la privacidad “esté cubierta” porque exista una política en línea: DiGiacomo et al. (2021) y la literatura crítica señalan precisamente la opacidad y la subinvestigación. Inferencia pedagógica, marcada como tal: en educación inicial y primer ciclo, convertir la jornada en un tablero de puntos es ya una forma de dataficación de la presencia obligatoria. Aunque no haya cámara ni micrófono, hay perfil conductual. Ese perfil no es “personalización pedagógica” mientras no se demuestre —y aquí no se demuestra— un vínculo causal con aprendizajes; es captura de conducta de quien no puede rechazar el aula.

5. Caso 2. Voces infantiles: corpus, grabación y el umbral del micrófono

La voz infantil es dato biométrico potencial y, bajo COPPA, un archivo de audio con la voz de un niño es información personal (Federal Trade Commission, s. f., FAQ F). En contextos educativos, esa voz se recoge para tutores virtuales, reconocimiento automático del habla infantil, analítica de lenguaje en el aula o investigación. Pradhan, Cole y Ward (2024) describen el corpus My Science Tutor (MyST): aproximadamente 400 horas de habla conversacional de unos 1.300 estudiantes de tercero a quinto grado en sesiones con un tutor virtual de ciencias (unas 10.500 sesiones y 230.000 emisiones; la liberación incluye más de 100.000 emisiones transcritas). El proyecto reporta revisión IRB, consentimiento parental y asentimiento estudiantil, y distribución de datos anónimos. Hallazgo empírico: existe a escala un corpus escolar de voz infantil alineado a instrucción de ciencias; los autores reportan tasas de error de palabra de modelos entrenados sobre el corpus y lo ofrecen para investigación de reconocimiento del habla. No es hallazgo de que el tutor virtual mejore el aprendizaje de ciencias en este paper de descripción de corpus: el objeto es el recurso de datos y el ASR, no un ensayo de eficacia pedagógica.

Dutta, Irvin y Hansen (2025) exploran, en el International Journal of Human-Computer Studies, unidades discretas de habla como codificación anónima para reconocimiento automático orientado a niños en edad escolar y preescolar. Hallazgo empírico: un modelo de ASR discreto entrenado sobre MyST alcanza una tasa de error de palabra del 15,7 % y un rendimiento comparable a modelos extremo a extremo mucho más grandes; los autores argumentan que la secuencia de unidades discretas hace virtualmente imposible reconstruir la forma de onda original, introduciendo un grado de privacidad. También reportan resultados prometedores en reconocimiento de palabras interrogativas, nombres, verbos y pronombres en un estudio de caso de interacciones docente-niño en un centro de cuidado. Estatus: hallazgo técnico de privacidad por diseño en ASR infantil; no es hallazgo de que el aula “ya esté protegida” si se graba en crudo, ni de mejora curricular.

Como saturación —no como caso nuclear—, McReynolds, Hubbard, Lau, Saraf, Cakmak y Roesner (2017) mostraron, en entrevistas con pares padre-hijo y juguetes conectados, que los niños a menudo desconocían que el juguete grababa o que otros podían oír lo dicho. Se cita solo para subrayar la opacidad fenomenológica de la grabación: si eso ocurre con un juguete visible en casa, la inferencia pedagógica —marcada como tal— es que un micrófono de chaleco o de aula, presentado como “para investigar el lenguaje” o “para personalizar”, puede ser aún menos inteligible para un niño de educación inicial. Esa saturación no desplaza el eje al hogar.

Inferencia pedagógica: grabar voces infantiles en el aula cruza un umbral distinto al de anotar una calificación. La voz identifica, permite inferencias afectivas y puede entrenar modelos comerciales o de investigación más allá del propósito declarado. UNICEF (2021) exige minimización y plazos cortos de conservación. El Comité de los Derechos del Niño (2021) exige finalidad definida y no retención innecesaria. Dutta et al. (2025) muestran que hay caminos técnicos de minimización; no muestran que las plataformas escolares los adoptan por defecto. Donde el micrófono es continuo y el niño no puede apagarlo, el consentimiento parental —o el de la escuela como agente bajo orientación COPPA— no borra el desequilibrio que el Considerando 43 del RGPD señala frente a autoridades públicas.

6. Caso 3. Rostro y biometría: cuando el aula se vuelve sensor

El reconocimiento facial en escuelas ha producido un corpus de decisiones administrativas, informes de política y, en menor medida, estudios empíricos de despliegue. Integritetsskyddsmyndigheten (2019) —entonces Datainspektionen— sancionó al municipio de Skellefteå con 200.000 SEK por un piloto de tres semanas con 22 estudiantes de secundaria que usó reconocimiento facial para controlar asistencia. Hallazgo de la autoridad: se trataron datos biométricos sensibles sin excepción válida; el consentimiento no era base adecuada por el desequilibrio de poder entre la escuela y los estudiantes; el tratamiento era más intrusivo de lo necesario (art. 5 RGPD); faltó evaluación de impacto adecuada y consulta previa (arts. 35 y 36). Es el primer sanción GDPR en Suecia. No es un ensayo de aprendizaje: es un expediente de legalidad.

La CNIL (2019) se pronunció sobre la experimentación de “pórticos virtuales” de reconocimiento facial en dos liceos (Niza y Marsella). Consideró el dispositivo contrario a proporcionalidad y minimización del RGPD: tratándose de alumnos en su mayoría menores, y existiendo alternativas menos intrusivas (p. ej., control por tarjeta), el recurso a reconocimiento facial para fluidificar y securizar accesos aparecía desproporcionado e ilegítimo. Galligan, Rosenfeld, Kleinman y Parthasarathy (2020), en el informe Cameras in the Classroom de la University of Michigan, analizan implicaciones del reconocimiento facial escolar mediante comparación analógica de casos. Anticipan exacerbación del racismo, normalización de la vigilancia y erosión de la privacidad, estrechamiento de la definición de estudiante “aceptable”, comodificación de datos e institucionalización de la inexactitud; recomiendan prohibir el uso en escuelas. New York State Education Department (2023), tras el informe de la Office of Information Technology Services bajo la State Technology Law § 106-b, determinó prohibir la compra o utilización de tecnología de reconocimiento facial en escuelas del estado; otras biometrías quedan a decisión local condicionada a privacidad, derechos civiles, eficacia y participación parental.

Estatus de la evidencia. Hallazgo normativo-administrativo: en Suecia, Francia (posición CNIL) y Nueva York, el reconocimiento facial escolar ha sido sancionado, declarado desproporcionado o prohibido. Hallazgo de informe de política: Galligan et al. (2020) argumentan riesgos estructurales sin pretender un RCT. No es hallazgo de que las cámaras con IA mejoren seguridad o aprendizaje: esas variables no se demuestran en este corpus. Inferencia pedagógica: si la biometría facial falla el test de proporcionalidad para asistencia o acceso en secundaria, con más razón falla en educación inicial, donde el rostro es identidad en desarrollo, el niño no comprende el tratamiento y la alternativa menos intrusiva (lista, tarjeta, presencia docente) es trivial. El Reglamento (UE) 2024/1689, al catalogar ciertos usos educativos de IA como de alto riesgo, refuerza —como marco, no como evaluación de un producto concreto— que vigilancia y evaluación automatizada en educación no son “innovación inocua”.

7. Marco inferencial: el umbral de lo no delegable

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

7.1. Prueba de presencia obligatoria. El aula no es un servicio de la sociedad de la información al que el niño llega por elección. El Considerando 43 del RGPD y la decisión de Skellefteå (Integritetsskyddsmyndigheten, 2019) muestran que el consentimiento se debilita o se invalida ante desequilibrio de poder. Inferencia: presentar una plataforma de conducta, un micrófono continuo o una cámara biométrica como “opción” es retórica; la opción real suele ser aceptar o quedar fuera de la actividad escolar ordinaria. Lo no delegable empieza aquí: no se finge libertad donde hay escolarización obligatoria.

7.2. Prueba de finalidad y minimización. UNICEF (2021) y el Comité de los Derechos del Niño (2021) exigen finalidad definida, minimización y plazos cortos. La FTC (2022) limita el uso edtech a la finalidad educativa contratada, sin marketing. Inferencia: si el proveedor retiene voz o conducta para entrenar modelos propios, mejorar producto o perfilar, la captura ya no es “extensión digital de la escuela” (ICO, 2023). En educación inicial, la minimización por defecto es no grabar; si se graba para investigación, Dutta et al. (2025) ilustran que existen técnicas de irreversibleidad de la forma de onda —no que basten políticas vagas.

7.3. Prueba de no sustitución del juicio pedagógico por métrica. Manolev et al. (2019, 2024) y Lu et al. (2021) documentan cómo el punto reemplaza la complejidad. Inferencia: una analítica de conducta o de “compromiso” no se vende como personalización del aprendizaje mientras no haya evidencia de aprendizaje. Este artículo no halló, en el corpus nuclear, esa evidencia. Afirmarla sería inventar un resultado.

7.4. Prueba de biometría y proporcionalidad. CNIL (2019), Integritetsskyddsmyndigheten (2019), Galligan et al. (2020) y New York State Education Department (2023) convergen: el rostro en la escuela exige un umbral alto o una prohibición. Inferencia: en inicial y básica, el reconocimiento facial para asistencia, acceso o “atención” no pasa proporcionalidad cuando existen alternativas. El Reglamento (UE) 2024/1689 refuerza el carácter de alto riesgo de ciertos sistemas educativos de IA.

7.5. Prueba de agencia infantil y del “no”. El Comité de los Derechos del Niño (2021) exige consentimiento informado y libre, acceso, rectificación, oposición y información en lenguaje infantil. AAP (2026) afirma que los niños no pueden consentir de modo significativo a la recolección. Inferencia: si el niño no puede decir no sin sanción escolar, y el padre no puede retirar el dato sin excluir al hijo de la clase, no hay consentimiento; hay aquiescencia. Lo no delegable es el derecho a no ser convertido en flujo de entrenamiento.

Operativamente, el marco admite: (a) herramientas locales sin perfilado comercial; (b) datos agregados y borrables; (c) investigación con IRB, consentimiento verificable y técnicas de minimización demostrables; (d) evaluación humana de conducta sin tablero permanente. Rechaza: (e) biometría facial escolar de rutina; (f) grabación continua de voz sin finalidad estrecha y borrado; (g) métricas de conducta como proxy de aprendizaje; (h) la ficción de que “la escuela ya consintió” cierra el debate ético.

8. Discusión

Tres tensiones organizan la discusión. La primera es entre personalización y extracción. El marketing educacional habla de adaptar; los casos muestran cuantificar conducta (Manolev et al., 2024; Lu et al., 2021), acumular voz (Pradhan et al., 2024) e intentar leer rostros (Integritetsskyddsmyndigheten, 2019). Sin evidencia de aprendizaje en este corpus, “personalizar” funciona como eufemismo de captura. Miao y Holmes (2023) advierten la desprotección de la privacidad ante la velocidad de la IA generativa; esa advertencia vale, a fortiori, para la IA que opera sobre cuerpos infantiles en el aula.

La segunda tensión es entre consentimiento formal y consentimiento libre. COPPA y la orientación FTC permiten, en ciertos límites, que la escuela actúe respecto del consentimiento parental para usos educativos no comerciales (Federal Trade Commission, 2022; FAQs COPPA). El RGPD, en cambio, relativiza el consentimiento ante autoridades y prohíbe de hecho basar biometría sensible en un “sí” escolar (Integritetsskyddsmyndigheten, 2019). Inferencia: cumplir un FAQ no agota el umbral de la Observación general núm. 25 ni el interés superior del niño. La escuela puede ser agente administrativo y, al mismo tiempo, fallar el test ético de lo no delegable.

La tercera tensión es entre privacidad por diseño y privacidad por comunicado. Dutta et al. (2025) muestran que se puede diseñar ASR infantil con irreversibleidad de forma de onda. UNICEF (2021) exige privacidad desde el diseño. Las plataformas de conducta y muchas cámaras escolares no demuestran, en la evidencia citada, ese diseño. Un aviso en el manual no es minimización. Galligan et al. (2020) advierten la normalización de la vigilancia: cada piloto “pequeño” educa a la institución a mirar sin ser mirada.

Si el objeto es el aula de inicial y básica, el docente no necesita ser jurista. Necesita la autoridad de decir que un micrófono continuo, un tablero de puntos perpetuo o una cámara biométrica no son pedagogía mientras no se demuestre finalidad legítima, proporcionalidad y beneficio educativo medido. Sustituir ese juicio por la licencia del proveedor es captura institucional.

9. Límites

Esta revisión es narrativa. No aplica un protocolo PRISMA completo ni estima efectos combinados sobre aprendizaje. Los estudios de ClassDojo son cualitativos o de métodos mixtos con muestras limitadas (p. ej., veinte docentes en Lu et al., 2021); no son ensayos aleatorizados de rendimiento. MyST y Dutta et al. (2025) miden ASR y privacidad técnica, no logros curriculares. Las decisiones de Skellefteå, CNIL y NYSED son actos de autoridad, no etnografías de aula de inicial. McReynolds et al. (2017) es saturación hogareña, no evidencia escolar. La geografía está sesgada hacia Estados Unidos, Suecia, Francia, Reino Unido (ICO) y marcos ONU; no se localizó, con el mismo grado de apertura verificable, un ensayo latinoamericano de biometría o ClassDojo en inicial que cumpliera los criterios. Esa ausencia es un vacío, no una prueba de inexistencia. Los marcos de UNICEF, CRC, UNESCO, RGPD, COPPA, AAP y el Reglamento (UE) 2024/1689 son prescriptivos: su autoridad es normativa. Las inferencias de la sección 7 son hipótesis de umbral ético-pedagógico, no evidencia de implementación nacional. Este artículo no afirma que toda analítica sea ilícita; afirma que, en el corpus verificado, no se demostró mejora del aprendizaje ni resolución de la privacidad.

10. Conclusiones

La inteligencia artificial en el aula de educación inicial y básica no personaliza sin coste. Extrae voz, imagen y conducta de niñas y niños situados en un régimen de presencia obligatoria. Tres familias de evidencia verificada sostienen el argumento. ClassDojo muestra dataficación de la disciplina y poder métrico sin prueba de aprendizaje (Manolev et al., 2019, 2024; Lu et al., 2021; DiGiacomo et al., 2021). Los corpus y modelos de voz infantil muestran escala de captura y, a la vez, caminos técnicos de minimización que no equivalen a protección ya lograda (Pradhan et al., 2024; Dutta et al., 2025). El reconocimiento facial escolar ha sido sancionado, declarado desproporcionado o prohibido en decisiones e informes de peso (Integritetsskyddsmyndigheten, 2019; CNIL, 2019; Galligan et al., 2020; New York State Education Department, 2023).

El derecho y la política no son mudos. UNICEF (2021) exige proteger datos y privacidad desde el diseño. El Comité de los Derechos del Niño (2021) exige consentimiento libre, minimización e interés superior. El RGPD relativiza el consentimiento ante el poder público y protege la biometría. COPPA y la FTC (2022) limitan el uso comercial de datos escolares. Miao y Holmes (2023) y UNESCO (2021) mandatan privacidad y enfoque centrado en lo humano. El Reglamento (UE) 2024/1689 marca como de alto riesgo usos educativos centrales de la IA. Donde las fuentes no miden aprendizaje ni “privacidad resuelta”, este artículo no lo inventa. El umbral de lo no delegable es pedagógico antes que contractual: no se delega la captura de la infancia a cambio de una promesa no medida.

Ingeniero Mitre / Laboratorio Editorial de NEXTECH.IA

Referencias

  1. American Academy of Pediatrics. (2026). Digital ecosystems, children, and adolescents: Policy statement. Pediatrics, 157(2), e2025075320. https://doi.org/10.1542/peds.2025-075320
  2. CNIL. (2019, 29 octobre). Expérimentation de la reconnaissance faciale dans deux lycées: la CNIL précise sa position. https://www.cnil.fr/fr/experimentation-de-la-reconnaissance-faciale-dans-deux-lycees-la-cnil-precise-sa-position
  3. Comité de los Derechos del Niño. (2021). Observación general núm. 25 (2021) relativa a los derechos de los niños en relación con el entorno digital (CRC/C/GC/25). Naciones Unidas. https://www.ohchr.org/en/documents/general-comments-and-recommendations/general-comment-no-25-2021-childrens-rights-relation
  4. DiGiacomo, D. K., Greenhalgh, S., y Barriage, S. (2021). How students and principals understand ClassDojo: Emerging insights. TechTrends, 66, 172–184. https://doi.org/10.1007/s11528-021-00640-6
  5. Dutta, S., Irvin, D., y Hansen, J. H. L. (2025). Exploring discrete speech units for privacy-preserving and efficient speech recognition for school-aged and preschool children. International Journal of Human-Computer Studies. https://doi.org/10.1016/j.ijhcs.2025.103460
  6. Federal Trade Commission. (s. f.). Complying with COPPA: Frequently asked questions (sección N, COPPA and Schools; sección F, Photos, videos, and audio recordings). https://www.ftc.gov/business-guidance/resources/complying-coppa-frequently-asked-questions
  7. Federal Trade Commission. (2022). Policy statement of the Federal Trade Commission on education technology. https://www.ftc.gov/system/files/ftc_gov/pdf/Policy%20Statement%20of%20the%20Federal%20Trade%20Commission%20on%20Education%20Technology.pdf
  8. Galligan, C., Rosenfeld, H., Kleinman, M., y Parthasarathy, S. (2020). Cameras in the classroom: Facial recognition technology in schools. Science, Technology, and Public Policy Program, University of Michigan. https://doi.org/10.7302/21934
  9. ICO. (2023). The Children’s code and education technologies (edtech). Information Commissioner’s Office. https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/childrens-information/childrens-code-guidance-and-resources/the-children-s-code-and-education-technologies-edtech/
  10. Integritetsskyddsmyndigheten. (2019). Facial recognition used to monitor the attendance of students (decisión; sanción a Skellefteå). https://www.imy.se/globalassets/dokument/beslut/facial-recognition-used-to-monitor-the-attendance-of-students.pdf
  11. Lu, A. J., Dillahunt, T. R., Marcu, G., y Ackerman, M. S. (2021). Data work in education: Enacting and negotiating care and control in teachers’ use of data-driven classroom surveillance technology. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW2), Article 452. https://doi.org/10.1145/3479596
  12. Lu, A. J., Marcu, G., Ackerman, M. S., y Dillahunt, T. R. (2021). Coding bias in the use of behavior management technologies: Uncovering socio-technical consequences of data-driven surveillance in classrooms. En Designing Interactive Systems Conference 2021 (DIS ’21). ACM. https://doi.org/10.1145/3461778.3462084
  13. Lupton, D., y Williamson, B. (2017). The datafied child: The dataveillance of children and implications for their rights. New Media & Society, 19(5), 780–794. https://doi.org/10.1177/1461444816686328
  14. Manolev, J., Sullivan, A., y Slee, R. (2019). The datafication of discipline: ClassDojo, surveillance and a performative classroom culture. Learning, Media and Technology, 44(1), 36–51. https://doi.org/10.1080/17439884.2018.1558237
  15. Manolev, J., Sullivan, A., y Tippett, N. (2024). Reshaping school discipline with metrics: An examination of teachers’ disciplinary practices with ClassDojo. British Journal of Sociology of Education, 45(7–8), 1146–1160. https://doi.org/10.1080/01425692.2024.2407874
  16. McReynolds, E., Hubbard, S., Lau, T., Saraf, A., Cakmak, M., y Roesner, F. (2017). Toys that listen: A study of parents, children, and Internet-connected toys. En Proceedings of the 2017 CHI Conference on Human Factors in Computing Systems (pp. 5197–5207). ACM. https://doi.org/10.1145/3025453.3025735
  17. Miao, F., y Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  18. New York State Education Department. (2023, 27 September). State Education Department issues determination on biometric identifying technology in schools. https://www.nysed.gov/news/2023/state-education-department-issues-determination-biometric-identifying-technology-schools
  19. Pradhan, S., Cole, R. A., y Ward, W. H. (2024). My Science Tutor (MyST)–a large corpus of children’s conversational speech. En Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024) (pp. 12040–12045). ELRA y ICCL. https://aclanthology.org/2024.lrec-main.1052/
  20. Radesky, J., Chassiakos, Y. R., Ameenuddin, N., Navsaria, D., y Council on Communication and Media. (2020). Digital advertising to children. Pediatrics, 146(1), e20201681. https://doi.org/10.1542/peds.2020-1681
  21. Reglamento (UE) 2016/679 del Parlamento Europeo y del Consejo, de 27 de abril de 2016 (RGPD), arts. 8 y 9; considerandos 38, 43 y 71. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32016R0679
  22. Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo (Artificial Intelligence Act), Anexo III, punto 3 (educación y formación profesional). https://artificialintelligenceact.eu/annex/3/
  23. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. https://unesdoc.unesco.org/ark:/48223/pf0000381137
  24. UNICEF. (2021). Policy guidance on AI for children 2.0. UNICEF Office of Global Insight and Policy. https://www.unicef.org/innocenti/reports/policy-guidance-ai-children