Brecha digital

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

Brecha digital: la distribución desigual del acceso a las tecnologías digitales (y cada vez más de IA), de las habilidades para usarlas y de los beneficios que se obtienen de ellas entre personas, comunidades y naciones. En la educación con IA, la brecha digital es una preocupación central de equidad: la IA generativa está reconfigurando rápidamente el aprendizaje, y la brecha entre quienes pueden usarla de forma eficaz y crítica y quienes no pueden amenaza con profundizar las desigualdades educativas existentes.

Preguntas para reflexionar

• La brecha digital suele describirse en tres niveles: acceso, habilidades y quién se beneficia realmente. ¿En qué nivel cree que piensa la mayoría de la gente cuando dice «cerrar la brecha digital», y por qué podría ser incompleto?
• Dar a cada estudiante un dispositivo y acceso a internet no significa automáticamente que pueda usar la IA de forma eficaz o crítica. ¿Qué separa tener acceso de poder beneficiarse de él?
• La IA añade nuevas capas a la desigualdad: el sesgo algorítmico puede perjudicar de forma desproporcionada a quienes aprenden en situación de marginación, y la propia alfabetización en IA determina si la tecnología amplía o reduce las brechas. ¿En qué se diferencia esto de las brechas de tecnologías anteriores?
• La brecha también se extiende a QUÉ comunidades, idiomas y perspectivas están representadas en los sistemas de IA y son atendidas por ellos. ¿En qué sentido la representación es en sí misma una forma de acceso, o de exclusión?
• Si cerrar la brecha es «una cuestión de justicia y participación», ¿quién tiene la responsabilidad: las plataformas, las escuelas, los gobiernos o todos ellos? ¿Y cómo sería realmente una distribución justa de los beneficios de la IA?

Introducción

La brecha digital se entiende comúnmente como algo que opera en tres niveles (van Deursen y van Dijk, 2014): la brecha de primer nivel se refiere al acceso a las tecnologías y a la infraestructura (conectividad, dispositivos, entornos de apoyo); la de segundo nivel se refiere a las habilidades y competencias (la capacidad desigual de usar las herramientas de forma eficaz y significativa); y la de tercer nivel se refiere a los resultados y los beneficios (quién se beneficia realmente del uso de la tecnología, con la IA pudiendo exacerbar las disparidades sociales, culturales y económicas). Enmarcar el uso de la IA en clave de alfabetización desde esta perspectiva deja claro que la equidad exige más que cerrar la brecha de dispositivos e infraestructura: exige construir las habilidades para usar la IA de forma eficaz y crítica, de modo que sus beneficios se distribuyan con justicia en lugar de reforzar las desigualdades existentes.

Cómo aparece la brecha digital en la investigación

• La alfabetización en IA como mecanismo de equidad: El marco SAIL se diseñó explícitamente para abordar las brechas de segundo y tercer nivel, ofreciendo una vía andamiada y agnóstica a la edad hacia una alfabetización en IA equitativa en todas las etapas educativas, fundamentada en el argumento de que la alfabetización en IA es inseparable de la equidad y la participación.

• Política e infraestructura: El Panorama de la Educación Digital de la OCDE 2026 sitúa la brecha digital dentro de la política educativa nacional, y examina cómo varía el acceso a las tecnologías digitales y de IA y qué pueden hacer los sistemas para cerrar las brechas.

• Uso responsable y alfabetización para el diseño de prompts: La investigación sobre alfabetización en prompting en K-12 aborda la brecha de segundo nivel al enseñar al estudiantado las habilidades para usar los chatbots de IA de forma responsable, reconociendo que el acceso por sí solo no confiere la capacidad de usar bien la IA.

• Representación y silencio estructural: La investigación sobre idiomas subrepresentados destaca cómo la brecha digital se extiende a qué comunidades, idiomas y perspectivas están representadas en los sistemas de IA y son atendidas por ellos: una dimensión cultural y epistémica de la desigualdad.

La IA profundiza (y puede cerrar) las brechas

La IA añade nuevas capas a las implicaciones de equidad de la tecnología. El sesgo algorítmico puede afectar de forma desproporcionada a quienes aprenden en comunidades marginadas, y la alfabetización en IA —la capacidad de entender, evaluar críticamente y mitigar los sesgos y riesgos de la IA— es en sí misma un factor clave de si la IA amplía o reduce las brechas. La investigación muestra que el personal docente con mayor alfabetización en IA es más eficaz identificando y mitigando resultados sesgados. La brecha digital en la era de la IA no es, por tanto, un simple problema de provisión técnica, sino una cuestión de justicia y participación: quién puede acceder a la IA, quién puede usarla críticamente y quién se beneficia.

La personalidad, y no solo el NSE, configura la brecha de la era de la IA. Wang et al. (2026) analizaron datos de encuesta y de registros nacionales de 4.497 estudiantes de 6.º grado en los Países Bajos, separando dos vías mediadoras —el uso de IA y la alfabetización digital— que vinculan el origen y la personalidad del estudiantado con el rendimiento académico. Su hallazgo clave reformula la brecha clásica: la alfabetización digital, y no la intensidad del uso de IA, media el vínculo entre personalidad y rendimiento, y emerge una nueva brecha de habilidades digitales impulsada más por rasgos de personalidad que por el nivel socioeconómico. Las ventajas del NSE en el rendimiento operaban con independencia de la implicación con la IA. Esto complica el encuadre de acceso y NSE de la brecha digital, y apunta a la formación de habilidades y al apoyo disposicional como palancas relevantes para la equidad junto con el acceso a dispositivos y herramientas.

La brecha también opera a nivel institucional. Adeniranye et al. (2026) muestran que, en el sistema de educación superior de Nigeria, la capacidad de integración de la IA se concentra en instituciones más antiguas de la región suroeste y se acumula mediante vínculos de red mutuamente reforzantes (colaboraciones internacionales × alianzas con la industria, r = 0,74), lo que significa que los «desposeídos» institucionales (normalmente universidades estatales más nuevas) afrontan barreras estructurales para entrar en las mismas redes que les ayudarían a alcanzar a los demás. La desigualdad digital se reproduce así no solo entre quienes aprenden individualmente, sino entre las estructuras institucionales que determinan quién puede participar en una economía del conocimiento transformada por la IA.

La brecha también tiene una geografía, y la mentoría es su mecanismo. Jacobson et al. (2026) documentan una asimetría de recuperación en la participación en la FIRST LEGO League de Indiana: tanto la participación urbana como la rural cayeron en la temporada remota de 2020, pero solo se recuperó la urbana, y la rural se mantuvo cerca de su nivel posterior a 2020 durante 2025-2026. El mecanismo que nombran es el acceso a mentoría técnica —personas con suficiente conocimiento de programación y robótica para iniciar y sostener un equipo—, del que las escuelas rurales pueden carecer incluso cuando el estudiantado y el profesorado están interesados, lo que lo convierte en una precondición de la vía de la robótica y la IA y no en un rasgo de ella. Su respuesta es ingeniar la propagación de esa mentoría: los centros universitarios primarios forman a estudiantes de grado y acogen talleres, los programas escolares maduros se convierten en centros secundarios que mentorizan a escuelas cercanas, y una simulación de Markov espacial de las 1.925 escuelas públicas de Indiana proyecta 992 programas después de 40 años bajo supuestos moderados frente a 161 sin ARC, incluidos 341 programas rurales frente a 60. Leído junto al resultado sobre redes institucionales anterior, el patrón es que las brechas persisten por la estructura de quién puede aportar experiencia y dónde, y que aportarla deliberadamente —en lugar de suponer la proximidad a una universidad— es la palanca de política.

El acceso y la jerarquía epistémica son problemas distintos. Sithole (2026) traza la distinción con nitidez a partir de entrevistas con desarrolladores académicos de dos instituciones sudafricanas históricamente desfavorecidas: la desigualdad digital es distributiva —dispositivos, conectividad, presupuestos, alfabetización digital— y en principio se puede responder a ella mediante la redistribución, mientras que la colonialidad algorítmica es epistémica y persiste incluso en condiciones de acceso pleno, porque es inherente a lo que codifican los sistemas y a cuyo conocimiento centran. Los participantes del estudio experimentan ambas a la vez, descrito como que se les «pide construir un futuro digital sobre cimientos analógicos»: los cimientos nombran el registro material de la brecha, y el futuro importado llega precargado con los supuestos epistémicos de los contextos que lo diseñaron. La implicación práctica para el trabajo de equidad es que cerrar una brecha de acceso no desestabiliza por sí misma la jerarquía: los dos fenómenos operan en registros distintos y exigen respuestas distintas.

Conexiones con conceptos relacionados

La brecha digital es una preocupación central de la investigación sobre equidad en la educación con IA, estrechamente ligada a la alfabetización en IA (que se posiciona como un mecanismo central para abordar barreras estructurales) y a la ética y la mitigación de sesgos (ya que el sesgo algorítmico afecta de forma desproporcionada a grupos marginados). Se conecta con la educación con IA y la educación superior como los entornos donde se manifiestan las brechas de acceso y capacidad, y se relaciona con la experiencia del estudiantado en la medida en que determina quién puede participar de forma significativa en un aprendizaje configurado por la IA.

Conceptos conectados

• Efectos diferenciales entre grupos de estudiantes
• Supervisión remota de exámenes
• Equidad
• Alfabetización en IA
• Ética
• Mitigación de sesgos
• IA en la educación
• Educación superior
• Experiencia del estudiantado
• Madres, padres y familias

Artículos conectados

• Institutional Structures, Digital Inequality, and AI Integration in Higher Education — Estructuras institucionales, desigualdad digital e integración de la IA en la educación superior nigeriana

• Decoding Divides: The Role of Socioeconomic Status and Personality Traits in AI Divides and Educational Inequality — NSE, personalidad y brechas de IA en la educación primaria (Wang et al. 2026)

• Does school-based AI education narrow readiness gaps? The role of prior agency-related learning — La educación escolar en IA reduce las brechas de preparación psicológica pero no las cognitivas

• A Comprehensive Review of the Changing Landscape of Academic Dishonesty in Automated Proctoring in the Era of Artificial Intelligence

• Same Question, Different Answer? Measuring and Mitigating Prompt Privilege for Equitable AI Access — Privilegio de prompt: medir y mitigar las disparidades de accesibilidad en el acceso a los LLM

• The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education — El marco de alfabetización en IA andamiada (SAIL)

• OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education — Panorama de la Educación Digital de la OCDE 2026

• Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module — Enseñar el uso responsable de los chatbots de IA al estudiantado de K-12

• Structural Silence: When AI Infrastructure Fails Speakers of Underrepresented Languages — Silencio estructural e idiomas subrepresentados

• Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: a narrative review — Competencia socioemocional en la alfabetización en IA

• A Bilingual, LLM-Mediated Lecture Companion for Self-Regulated Learning: Architecture, Theoretical Framework, Comparative and Usability Evaluation, and a Pre-Registered Outcomes Protocol

• An AI-Based Adaptive Learning Platform for Multilingual and Low-Resource Educational Contexts: A Case Study on Nigeria — Plataforma de aprendizaje adaptativo basada en IA para contextos multilingües de bajos recursos

• Artificial Intelligence in Science and Chemistry Education: A Systematic Review — Revisión sistemática de la IA en la educación científica y química

• Translating UNESCO Artificial Intelligence Guidelines to Chemical Education and Its Intersection with Sustainable Development Goals — Directrices de la UNESCO sobre IA trasladadas a la educación química; deriva epistémica

• Artificial intelligence, cognitive offloading and implications for education — IA, descarga cognitiva e implicaciones para la educación (Lodge y Loble 2026)

• From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education — Alfabetización en IA desde un humanismo socialista + uso legítimo

• Teaching AI, Robotics, & Community: A Hubs-Based K-12 Education Framework for Reaching Rural Schools — ARC: el acceso rural a la robótica sigue la geografía de la mentoría, no el acceso a dispositivos (Jacobson et al. 2026)

• Beyond the algorithm: academic developers as digital mediators in Global South higher education — La desigualdad digital como problema distributivo frente a la colonialidad algorítmica como problema epistémico, en instituciones sudafricanas históricamente desfavorecidas

• LLMersion: A Local-First AI Agent Framework for Low-Cost Home Language Learning toward Educational Equity — LLMersion: un marco de agente de IA local primero para el aprendizaje de idiomas en casa a bajo coste orientado a la equidad educativa