Análisis diarios sobre tecnología, inteligencia artificial y educación, elaborados con fuentes académicas verificadas y publicados en español, inglés y francés.
Un dashboard de learning analytics, un checklist de momentos documentados, un score de fotos o un caption GenAI sin protocolo de observación narrativa, interpretación docente, diálogo con familias y evidencia de procesos no constituyen documentación pedagógica: el oficio es la learning story, no el conteo.
Un score de brain training, una app de memoria de trabajo, un dashboard de minutos de pantalla o un paquete de ejercicios cognitivos sin juego situado y andamiaje docente no constituyen apoyo a la función ejecutiva: hace falta contexto social, observación, transferencia y no sustituir el juego por drill.
Un banco de comentarios GenAI, un score de rúbrica LLM, un dashboard de similitud o un chatbot de «escribe mejor» sin mediación docente no constituyen evaluación formativa: hace falta metas, criterios, diálogo, revisión y atribución del juicio.
PISA 2025 registró el promedio de lectura más bajo de la OCDE. Esta revisión del estado del arte examina el papel de los dispositivos y la IA generativa, propone el modelo 4D y una hoja de ruta para México y América Latina.
Un chat que «enseña», un score de confianza, un plan generado o un agente «autónomo» sin protocolo HITL (criterio de aceptación, trazas, veto, atribución, escalamiento) no constituyen apoyo profesional: el oficio es el juicio docente.
Una demo cherry-picked, un screenshot de leaderboard, un score único de un run o un vídeo de «el agente resolvió X» sin harness de evaluación fijo no constituyen evaluación de un agente: hace falta criterio verificable fuera del modelo.
Un GenAI de circle/morning meeting scripts / lesson packs / carpet-time banks, un engagement/attention/participation quality score o circle compliance, un dashboard de circle minutes / morning meeting fidelity, un robot o agente que dirige la asamblea sustituyendo al adulto, o un ranking de calidad de participación vision/NLP sin juicio situado no constituyen apoyo a la asamblea / circle time en inicial: es oficio relacional dialógico del adulto con el grupo.
Un modelo más grande, un prompt «mejor» o una demo de tools sin bucle observación–acción–verificación no constituyen un arnés: el harness (tools tipadas, memoria, parada, verificadores, presupuestos, logging, aislamiento) convierte capacidad generativa en trabajo fiable; la ganancia en benchmarks de agentes se explica más por el diseño del arnés que por escalar solo el LLM.
Un GenAI de cooperative play scripts / peer collaboration lesson packs / shared-goal activity banks, un cooperation quality score o cooperative minutes/hour, un dashboard de cooperative minutes, un robot «par cooperativo» sin mediación adulta contingente o un ranking de efectividad colaborativa vision/NLP sin juicio situado no constituyen apoyo al juego cooperativo en inicial: es co-construcción entre pares y oficio relacional del adulto.
Un GenAI de guided play scripts / lesson packs / provocation banks, un score de guided play quality o minutes of guided play/hour, un dashboard de guided minutes, un robot que «guía el juego» sin adulto contingente o un ranking de andamiaje vision/NLP sin juicio situado no constituyen apoyo al juego guiado en inicial: es co-construcción contingente y oficio relacional del adulto.
Un detector facial/voz/ML de EQ score o dysregulation alerts, un GenAI de emotion scripts / calm-down recipes, un dashboard de minutos desregulados/hora, un chatbot/robot/wearable que «co-regula» sin adulto o un ranking de sensibilidad emocional docente sin juicio situado no constituyen apoyo a la co-regulación ni a la autorregulación emocional en inicial: es presencia, sintonía afectiva y ofício relacional.
Un detector ASR/NLP/ML o SSTEW auto-score, un GenAI de SST scripts / open-question banks, un dashboard de minutos SST/hora, un chatbot/robot que «hace SST» sin adulto o un co-coding ChatGPT convertido en ranking docente no constituyen apoyo al pensamiento compartido sostenido en inicial: es diálogo prolongado, co-construcción de significado e interpretación pedagógica situada.
Un detector CV/multimodal de ToM o perspective-taking score, un GenAI de worksheets/scripts de falsa creencia, un dashboard de trials/hora, un VR/robot como tratamiento cerrado o un ranking por mirada/emoción sin mediación no constituyen apoyo a la teoría de la mente / toma de perspectiva en inicial: es andamiaje adulto, lenguaje mentalista y juego de roles situado.
Un detector CV/multimodal de actos prosociales o kindness-index, un GenAI de worksheets de sharing, un dashboard de ayudas/hora, un VR-tratamiento cerrado, un robot de elogio automatizado o un ranking por proximidad sin mediación no constituyen apoyo a las conductas prosociales (ayudar/compartir/consolar) en inicial: es necesidad real del otro, lenguaje de oferta/ayuda/consuelo y agencia de los niños.
Un detector CV/multimodal de conflictos o SEC-score, un GenAI de scripts de resolución/sharing, un dashboard de conflictos/hora, un robot de «say sorry» o un ranking por proximidad/sincronía sin mediación no constituyen apoyo a la negociación de conflictos entre pares / turn-taking en inicial: es co-presencia, lenguaje de petición/espera/oferta y agencia de los niños para reparar.
Un CNN/CV que puntúa trazos/formas/DAP o fine motor/prewriting/drawing-age/VMI scores, un GenAI de worksheets copy-the-shape, un dashboard de minutos/stroke accuracy, una app de correctness o un ranking developmental sin mediación no constituyen apoyo al mark-making / early drawing-writing en inicial: es materiales reales, agencia gráfica y co-presencia que interpreta significado y proceso.
Un chatbot/agente LLM que «hace lectura dialógica» con el niño, un score de comprensión/vocabulario/dialogic quality, un GenAI de scripts CROWD/PEER, un dashboard de minutos de shared reading o una app que reemplaza la lectura compartida adulto–niño no constituyen apoyo a la lectura dialógica / dialogic reading en inicial: es libro compartido con PEER/CROWD contingentes y co-presencia adulta.
Un sensor de «pouring accuracy» / «STEM water score», un CV/cámara de mesa con alertas de «mess / off-task splashing», un GenAI de «experimentos de agua» / sink-or-float lesson plans, un dashboard de minutos en la mesa de agua o una capa AR que guía el vertido o predice hundir/flotar no constituyen apoyo al juego con agua / water play en inicial: es exploración del líquido con flujo, capacidad, hundir-flotar y co-presencia adulta.
Un sensor de «sandcastle accuracy» / «STEM sand score» / «molding accuracy», un CV/cámara de arenero con alertas de «mess / off-task sand spilling», un GenAI de «planes de castillos» / sand play lesson plans, un dashboard de minutos en el arenero o una capa AR que guía el moldeado o predice la estabilidad del castillo no constituyen apoyo al juego con arena / sand play en inicial: es exploración del granular con flujo, compactación, moldeabilidad y co-presencia adulta.
Un sensor de «playdough molding accuracy» / «fine-motor dough score» / «shape compliance», un CV/cámara de mesa con alertas de «mess / off-task dough spilling», un GenAI de «planes de figuras» / playdough lesson plans / STEM dough activities, un dashboard de minutos con plastilina o una capa AR que guía el amasado o predice la forma correcta no constituyen apoyo al juego con plastilina / playdough / clay en inicial: es exploración del deformable con propiedades táctiles y co-presencia adulta.
Un wearable o sensor de «fall-risk score», un CV/cámara de patio con alertas de «unsafe play», un GenAI de «actividades seguras» / risk-free alternatives, un dashboard de «risk exposure score» o una capa AR que evita altura/velocidad no constituyen apoyo al juego de riesgo / risky play en inicial: es calibración infantil con categorías Sandseter, riesgo≠hazard y co-presencia adulta.
Un chatbot que «sugiere construcciones» o «ideas de loose parts», un generador GenAI de provocations por prompt, un CV que puntúa «creatividad», una capa AR que guía la disposición o un dashboard de «open-endedness score» no constituyen apoyo al juego con materiales sueltos en inicial: es práctica situada con materiales abiertos físicos, agencia infantil, tiempo prolongado, pares y co-presencia adulta.
Un chatbot de «eco-tips» o planes de «aula verde», una app que puntúa «huella verde», un computer vision de «actos sostenibles» o un generador de unidades ambientales por prompt no constituyen educación ambiental en inicial: es práctica situada de cuidado del entorno, exploración sensorial, hábitos cotidianos y mediación adulta (ECEfS / nature pedagogy).
Un chatbot que «enseña naturaleza», una app AR de identificación, un wearable/dashboard de «minutos outdoor» o «green score», un generador de unidades outdoor por prompt o un bosque VR no constituyen apoyo al juego al aire libre en inicial: es práctica situada con cuerpo afuera, pares, materiales reales y co-presencia adulta.
Un chatbot que «juega roles», una app de guiones de pretend play, un agente de voz autónomo que dirige el roleplay, un computer vision que puntúa «calidad del juego simbólico» o un generador de unidades dramáticas por prompt no constituyen apoyo al juego simbólico en inicial: es práctica situada entre pares con objetos abiertos, metacomunicación y andamiaje adulto (StoryCarnival teleoperado = contraste periférico).
Un chatbot que «enseña espacial», una app de puzzles que puntúa «habilidad espacial», un computer vision de «complejidad» de construcciones o un generador de unidades de entrenamiento espacial por prompt no constituyen apoyo al razonamiento espacial en inicial: es práctica situada de block play, lenguaje espacial, gestos y andamiaje humano.
Un chatbot STEM/5E, un sensor o computer vision que puntúa curiosidad o engagement, o un generador de guiones de experimento por prompt no constituyen indagación científica temprana: en inicial es práctica situada de observación, experimentación con materiales reales y mediación adulta en la science table.
Este artículo analiza cómo los asistentes virtuales impulsados por IA están transformando el entorno laboral, mejorando la productividad y redefiniendo las interacciones humanas.
Este artículo analiza el impacto de la inteligencia artificial en el sector financiero, enfocándose en la detección de fraude, el scoring crediticio y la implementación de asistentes bancarios.
Este artículo analiza el proceso de fine-tuning de modelos de inteligencia artificial, discutiendo cuándo es beneficioso entrenar un modelo propio y cuándo es mejor utilizar modelos preentrenados.
Un sistema de eye-tracking que marca «correcto/incorrecto» si el niño sigue la mirada, un robot social con prompts RJA/IJA o un CV que puntúa joint visual attention no constituyen atención conjunta pedagógica: en 0–6 es práctica triádica situada, serve-and-return y mediación del foco compartido.
Un sistema que puntúa videos CLASS, un wearable que avisa «responde ahora» o un modelo que clasifica turnos de habla no constituyen calidad de la interacción pedagógico-relacional: en inicial la calidad de proceso es sensibilidad, reciprocidad y andamiaje (serve-and-return; CLASS ES/CO/IS; OECD Starting Strong).
Una app que completa el dibujo del niño, un generador de imágenes a partir de un prompt o un modelo que puntúa «creatividad» no constituyen creatividad artística: en inicial es process art, exploración material y corporal y mediación docente, no un output ni un score.
Un sistema de pose estimation que puntúa «correcto/incorrecto» un salto o una carrera, un wearable que marca «hitos motores» o una app que clasifica FMS a partir de video no constituyen desarrollo motor: en inicial es práctica situada de locomoción, control de objetos y estabilidad en juego activo mediado.
Un chatbot de lectura dialógica PEER/CROWD, un generador de cuentos por prompt o una app que marca «correcto/incorrecto» letras o comprensión no constituyen literacidad emergente: en inicial es práctica situada de lectura compartida, print awareness y mediación adulta en el rincón de libros.
Una app de pitch correction que marca «correcto/incorrecto» el canto del niño, un generador de nanas a partir de un prompt o un sistema de affective computing que clasifica el engagement musical no constituyen educación musical: en inicial es práctica situada de canto compartido, juego rítmico-corporal y mediación adulta.
Un curso de prompts, un webinar, un badge o un microlearning generado por IA no constituyen desarrollo profesional docente en un jardín: el DPD efectivo en inicial es indagación situada en la práctica con pares y acompañamiento, no consumo de contenido automatizado.
Una app de entrenamiento cognitivo, un juego adaptativo que puntúa la atención o un modelo que clasifica impulsividad no desarrollan funciones ejecutivas en un jardín de 3–6 años: las FE son control inhibitorio, memoria de trabajo y flexibilidad cognitiva construidas en juego compartido, conversación, espera mediada, movimiento y andamiaje adulto sobre conflictos cotidianos reales; no drill digital ni puntuación algorítmica de la atención.
Una app que practica conteo, un chatbot que propone problemas o un modelo que personaliza fichas no constituyen numeracidad en un jardín: la numeracidad en inicial es sentido numérico corporeizado, comparación, composición-descomposición y conversación matemática, no drill digital.
Un kit de robot programable, una app de bloques o un modelo que sugiere retos STEM no constituyen experiencia STEM en un jardín: el STEM en inicial es indagación corporal, material y compartida con adultos, no entrenamiento en interfaces.
Una plataforma que personaliza, un tablero de accesibilidad o un modelo que adapta el contenido no constituye DUA: el DUA es diseño de barreras de antemano con el adulto como diseñador del entorno, no un ajuste algorítmico sobre un niño clasificado.
Un dashboard de progreso, un score continuo o un modelo que diagnostica al niño no constituyen evaluación formativa en un jardín: la evaluación formativa en inicial es juicio situado del adulto en el proceso —feedback, ajuste de la actividad, mirada al grupo—, no un tablero que clasifica.
Un cuento generado, un chatbot que “conversa” o una app que corrige el habla no constituyen mediación del lenguaje oral: en inicial el habla es diálogo situado, escucha y ampliación por el adulto, no un output de modelo.
Un botón de “feedback”, un avatar que “consulta” al niño o un modelo que resume su opinión no constituyen participación infantil: la participación en inicial es agencia, escucha situada y decisión compartida con adultos responsables, no un input capturado por una interfaz.
Un plan de clase generado por un modelo, una secuencia “lista” o un prompt que produce la asamblea no constituye planificación pedagógica: la planificación en inicial es observación del grupo, decisión situada y ajuste en el acto, no un artefacto textual generado a priori.
Un chatbot de avisos o un resumen automático de la jornada no constituye comunicación pedagógica familia–escuela: esa comunicación es diálogo situado entre adultos responsables del niño, no un feed generado.
Un chatbot de emociones, un detector de afecto o una app que nombra sentimientos no constituyen SEL en jardín: el SEL de 3–6 años es interacción situada, co-regulación y juego, no clasificación de caras ni diálogo con un modelo.
Una app gamificada, un robot que dirige turnos o un modelo que sugiere actividades lúdicas no constituyen juego libre: el juego de 3–6 años es iniciativa del niño, temporalidad abierta y ausencia de producto impuesto, no una secuencia optimizada por IA.
Un score de madurez escolar o un modelo que predice la preparación para la primaria no constituye una transición pedagógica: el paso de 3–6 años es un proceso relacional de niños, familias y docentes, no un umbral algorítmico.
Comprar una licencia, nombrar un referente de IA o circular un comunicado interno no constituye liderazgo pedagógico en un jardín: el liderazgo se juega en proteger el tiempo de juego, el juicio de las educadoras y los derechos infantiles.
Este artículo analiza la integración de texto, imagen y audio en modelos de inteligencia artificial, destacando su potencial en la educación y los negocios.
Un módulo de IA no prepara al docente de jardín si solo enseña prompts: la intención de uso y el AI-TPACK autoinformado no equivalen a juicio didáctico en la formación inicial.
Este artículo analiza cómo la inteligencia artificial está transformando el mercado laboral al automatizar ciertas tareas y potenciar otras, así como su impacto en el futuro del empleo en América Latina.
Este artículo explora la evolución de la visión por computadora desde la clasificación de imágenes hasta su aplicación en detección en tiempo real, destacando su impacto en la educación y los negocios.
La IA puede transcribir y etiquetar el aula de educación inicial; no documenta en el sentido pedagógico si no hay interpretación situada del adulto. El riesgo no es solo extraer datos: es que deje de contar como documentación aquello que el adulto ya no mira.
No hay evidencia suficiente para afirmar que la IA reduce el burnout o “devuelve tiempo al aula” en educación inicial y básica: puede reorganizar el trabajo docente y, a veces, intensificarlo.
Sin conectividad, energía y soporte técnico, la IA educativa no llega tarde al jardín y a la escuela básica rurales: llega como desigualdad. La innovación que presupone banda ancha, dispositivo y nube se realiza donde ya hay red.
La inteligencia artificial no es lingüísticamente neutra. Un sistema entrenado sobre todo en inglés puede ampliar desigualdad de lengua en educación inicial y básica: el español rinde por debajo del inglés, las lenguas indígenas operan con ASR de alto error, y una alfabetización en IA que solo funciona en inglés no es alfabetización.
La irrupción de modelos generativos de texto ha desplazado la integridad académica hacia un problema de evidencia: si un sistema puede producir el artefacto que la escuela califica, ¿qué cuenta como prueba de que un niño aprendió? En básica el problema no es cazar trampas con un detector, sino no evaluar un texto sin sujeto.
La inteligencia artificial educativa se anuncia con frecuencia como personalización del aula. Este artículo sostiene una tesis restrictiva: en educación inicial y básica esa personalización no opera sin coste, porque extrae voz, imagen y conducta de niñas y niños que no pueden consentir de modo informado, libre y reversible.
Alfabetizar en IA en básica e inicial no es usar ChatGPT en clase: es un currículo de ideas (dato, patrón, predicción, límite, agencia) compatible con el umbral de 13 años para conversar a solas con un modelo generativo.
La IA no incluye por sí sola en la primera infancia: puede ampliar el acceso comunicativo como tecnología de apoyo y, a la vez, medicalizar, sesgar voces y lenguas, o desplazar al especialista y al docente de apoyo.
El marco UNESCO de competencias en IA para docentes no se transfiere al jardín como un taller de herramientas: debe traducirse a juego, observación, documentación, cuidado e inclusión, y anclarse en evidencia empírica sin prometer que la IA mejore el desarrollo.
Educar en IA no es dar ChatGPT: es mediación parental de covisión, conversación, límites, privacidad y alfabetización. El hogar es el primer escenario de atribución de mente a las máquinas; la evidencia no demuestra que la IA desarrolle al niño.
Síntesis doctoral sobre el andamiaje del juego y del lenguaje oral cuando la inteligencia artificial generativa entra en la educación inicial. A partir de diecisiete estudios de 1995–2021, PopBots (n=80, 4–7 años), juguetes robóticos en el confinamiento australiano de 2020 (n=5) e interacciones infante-agente (n=26, 3–10 años), se argumenta que la mediación algorítmica solo es defendible si permanece subordinada al adulto, a la pedagogía relacional y al límite de edad para conversaciones independientes con plataformas generativas.
Este artículo analiza el impacto de los chatbots con inteligencia artificial en la atención al cliente, centrándose en el diseño conversacional y las métricas de eficacia.
Este artículo analiza la estructura y función de los agentes de inteligencia artificial, enfatizando su arquitectura, capacidad de memoria y niveles de autonomía.
Un análisis de la evolución de las interfaces de inteligencia artificial, desde simples prompts hasta agentes autónomos que realizan tareas complejas en diversos entornos.
Este artículo explora el impacto de la inteligencia artificial en la ciberseguridad, analizando sus aplicaciones en la defensa y los ataques automatizados.
Este artículo analiza el estado del arte científico de los agentes de voz en la telefonía, con fuentes verificadas publicadas entre 2021 y 2024, y su futuro en la comunicación.
La incorporación de la inteligencia artificial (IA) a las aulas ha abierto una nueva familia de desigualdades educativas que trasciende la brecha digital clásica. Este artículo presenta una revisión del estado del arte (2021-2026) sobre las brechas educativas…