¿Cómo deberían abordar la IA los padres y el profesorado con niños menores de 13 años?

Traducción automática de la página en inglés, todavía sin revisar por una persona hablante nativa.

La IA ya está en tu casa o en tu aula: el juguete que responde, el compañero de tableta, el tutor que tu hijo abre mientras preparas la cena, la herramienta de escritura por la que un colega se entusiasma. Estás decidiendo qué puede hacer con ella un niño menor de trece años, con política o sin ella.

La conclusión de fondo: la IA generativa es el nivel avanzado para esta franja de edad, no el punto de entrada. Deja que un niño pequeño se encuentre primero con la IA como algo que las personas diseñan y que los niños pueden moldear, mantén a un adulto en el circuito allí donde el niño no puede juzgar el resultado, y protege el pensamiento propio del niño. Una prohibición general no es la opción más segura, porque la mayor parte de la exposición de este grupo de edad ocurre en casa, donde una prohibición escolar no llega, y no existe ningún estudio sobre prohibiciones por edad.

La versión corta: permitir, bloquear, supervisar

• Permitir. Menores de 9 años: juego sin pantallas, programación tangible, narración de historias, juego de roles y creación con las manos, además de explicaciones sobre qué es una máquina. De 9 a 12 años: actividades con andamiaje, a menudo no generativas, en plataformas verificadas, más enseñanza explícita sobre los datos y sobre lo que la IA no puede saber.
• Bloquear. El chat generativo sin supervisión para los más pequeños; cualquier herramienta que guarde grabaciones, transcripciones o datos de un niño sin una respuesta clara a "qué pasa con ellos"; cualquier herramienta que no puedas verificar en las lenguas de tus familias.
• Supervisar. Uso conjunto, no vigilancia silenciosa: pregunta qué hizo la herramienta con las palabras del niño y mantén visible el trabajo sin ayuda; una calidad del resultado que sube mientras el trabajo sin ayuda baja es el patrón que hay que detectar.
• No construyas una regla que no puedas hacer cumplir. La aplicación basada en la detección no es defendible (por qué).

Qué debería poder hacer un niño menor de trece años

El diseño por niveles ya existe, y coloca el uso generativo al final. Wang, Chuang y Wu (2026) evaluaron un recurso de alfabetización en IA por niveles de edad para el sistema K-12 de Taiwán en dos ediciones: una edición de Primaria para edades de 9 a 12 años con actividades con andamiaje, basadas en plataformas y no generativas, y una edición Avanzada para edades de 13 a 18 años con razonamiento ético y uso supervisado de la IA generativa. En una única encuesta posterior a la exposición con 831 participantes, la cohorte de Primaria valoró los materiales significativamente mejor en expectativa de rendimiento, expectativa de esfuerzo, diversión e intención de comportamiento, con la diversión percibida como el correlato más fuerte de la intención en ambos grupos, aunque los autores son explícitos en que se trata de aceptación a corto plazo tras unos treinta minutos de exposición, y no de aprendizaje, competencia ética o uso real.

El juego es el mecanismo. Play With AI (PL-AI) es un currículo centrado en el juego para preescolar y kindergarten construido sobre el juego corporal, la programación tangible como puente procedimental, el diálogo guiado como andamiaje reflexivo y el codiseño con docentes como ancla de sostenibilidad; la comodidad autoevaluada del profesorado aumentó a lo largo de los ciclos de diseño, y los niños razonaron sobre la IA como algo diseñado por humanos, construyeron secuenciación y depuración mediante programación tangible y reflexionaron sobre la justicia a través del diálogo guiado. AI-Play toma la vía sin pantallas, con actividades sin pantalla que las familias pueden replicar en casa.

Para los niños más pequeños el riesgo es la creencia. Yang, Li y Lee (2025) advierten de que los robots sociales generativos pueden producir contenido que los niños en etapa preoperacional aceptan como verdadero, de que estos sistemas no están calibrados evolutivamente en la retroalimentación que dan y de que su coste y disponibilidad amplían brechas ya existentes. Xu, Girouard y Shi (2026) llaman al mecanismo una redistribución de la agencia en el juego: el control se desplaza hacia la interacción entre el niño y el juguete, restringiendo el juego cuando el juguete lo organiza y habilitándolo cuando el juguete sigue la imaginación del niño.

Enseña cómo funcionan las máquinas. El nivel de primaria es deliberadamente no generativo, y la evidencia sobre robótica en kindergarten coincide: Tsingidou et al. (2026) encuentran que el aprendizaje basado en problemas, la narración y el andamiaje son las estrategias más usadas en el pensamiento computacional mediado por robots, con la secuenciación, la depuración y el diseño algorítmico como las habilidades más evaluadas (la mayoría de las veces mediante TechCheck-K, aunque muchas herramientas se desarrollan ad hoc sin validación). Omite esto y los riesgos aparecerán más tarde como dependencia excesiva.

Las habilidades transversales se pueden enseñar a bajo coste. Demir y Akar (2026) aplicaron un programa de alfabetización mediática crítica de 18 horas basado en las 5E a 36 estudiantes turcos de cuarto curso, cubriendo privacidad de datos, comunicación segura y ética de los medios, con una d de Cohen entre grupos de 1.12 (lectura), 1.18 (escritura) y 1.31 (alfabetización total).

Supervisión y divulgación: quién está en la sala

Cuenta con que la responsabilidad sea poco clara; resuélvela de forma explícita. En entrevistas con 33 docentes de K-12 de EE. UU., Xiao et al. (2026) encontraron que 10 nombraron el escenario del compañero orientado a las familias como el más preocupante, 17 dijeron que un docente debería intervenir y 11 que depende; la prueba de visibilidad del profesorado dejaba el uso doméstico de la IA fuera de su jurisdicción si no había efectos observables, y se nombraba a los padres como principales responsables a la vez que se los describía como desinformados o desbordados. Fan, Li y Zhang (2026) formalizan los arreglos entre familia y escuela como modelos aditivos, sinérgicos y compensatorios, y afirman con claridad que la versión sinérgica no tiene evidencia que la respalde.

Da al adulto un papel definido, o la herramienta lo tomará. ParaTutor (Luo et al. 2026) separó los papeles de progenitor e hijo en la tutoría domiciliaria de matemáticas mediada por un LLM con 23 díadas de progenitor y niño (niños de 10 a 12 años) en cuatro condiciones: la asistencia genérica tendía a desplazar el papel tutorial del progenitor, mientras que la interfaz con papeles separados lo preservaba. Los progenitores también tenían dificultades con el conocimiento del contenido y la comunicación.

Los compañeros que leen a los niños necesitan el mismo cuidado. Liao (2026) encontró que un compañero de IA con un papel fijo de par producía interacciones significativamente más largas pero una proporción menor de palabras y frases del estudiante, y era más fuerte en el recuerdo factual que en la reflexión emocional o de futuro; por eso el marco propuesto añade un papel de Asesor para Familias y nombra un vacío de apoyo para docentes y familias.

Mantén a la persona humana en las partes que más importan. Raave y sus colegas (2026) compararon un agente conversacional de IA generativa con educadores humanos que facilitaban actividades de aprendizaje socioemocional basadas en relatos con una niña de IA estática: 18 simulaciones por facilitador, 108 observaciones, valoradas a ciegas respecto al tipo de facilitador. El agente era fuerte en el tono respetuoso y el andamiaje procedimental de rutina; los educadores humanos eran mejores en la instrucción socioemocional más profunda, en guiar la reflexión y en promover el conocimiento socioemocional, así que el aprendizaje socioemocional temprano debería apostar por la complementariedad.

La divulgación es obligación de la escuela, no trabajo detectivesco de la familia. Deja por escrito qué usa la escuela y cómo puede preguntarlo una familia; véanse Privacy, Pedagogical Safety, AI Use and Disclosure Statements y equidad, ética, privacidad y seguridad en la investigación sobre AIED.

Privacidad y datos: qué guarda la herramienta

Supón que la capa de seguridad no se diseñó para tu hijo. Un marco de evaluación de la seguridad infantil basado en orientación experta y datos reales de incidentes informa de que la mayoría de los marcos y benchmarks de seguridad de la IA se dirigen a usuarios adultos pese a la evidencia de una fuerte participación juvenil (una encuesta nacional citada en ese trabajo encontró que el 72% de los adolescentes estadounidenses había usado compañeros de IA), y de que, cuando se probaron tres modelos Llama Guard con indicaciones inseguras relacionadas con la educación, tuvieron dificultades para identificarlas.

Haz cuatro preguntas antes de adoptar una herramienta. ¿Qué peligros específicos para la infancia se probaron? ¿Qué hace por defecto con las grabaciones, las transcripciones y los datos de voz? ¿Cuánto costará a las familias si desaparece el nivel gratuito? ¿Funciona en las lenguas que hablan tus familias? Un estudio de caso de un makerspace para chicas (Liu et al. 2026) documenta a progenitores que informan de que las chicas se asustaban y hablaban menos en entornos de género mixto, de un generador de imágenes gratuito que retiró sus funciones gratuitas para pasar a un nivel de pago que la entidad sin ánimo de lucro no podía asumir, y de las indicaciones solo en inglés como barrera adicional.

Para los responsables escolares, la confianza del personal es un control de privacidad. Un estudio de entornos de educación infantil encuentra que la utilidad percibida y la facilidad de uso percibida son centrales en las intenciones del profesorado de preescolar de usar IA, que la autoeficacia en IA es un predictor significativo y la ansiedad ante la IA un elemento que disuade, y que la norma subjetiva (colegas y dirección) moldea la intención.

Integridad: ¿cuál es el trabajo propio del niño?

No construyas tu regla sobre un detector. Bassett et al. (2026) sostienen que la detección de IA no debería usarse en educación en absoluto: sus estimaciones son probabilísticas y no pueden verificarse de forma independiente porque el origen real del texto es desconocido, su uso infringe la justicia procedimental ya que las puntuaciones de los detectores no alcanzan el estándar de balance de probabilidades que requieren las investigaciones de integridad, y su dicotomía entre humano y IA carece de sentido para un trabajo creado con IA en lugar de por IA. La detección "no salvaguarda la integridad académica; la socava", lo que erosiona la confianza.

La vigilancia empuja a la ocultación; no la elimina. Mohamed y Temimi (2026) modelan la evaluación como información imperfecta: el estudiante sabe cómo se produjo el trabajo, la institución solo ve el artefacto. La disuasión pasa por la discriminación de un detector entre el uso oculto y el trabajo legítimo, y no por su tasa bruta de aciertos; cuando los falsos positivos crecen más rápido que los verdaderos positivos, una vigilancia más fuerte hace relativamente más atractiva la ocultación. Qu y Wang (2026) encontraron que no declarar entre 409 estudiantes de grado era una adaptación estratégica a las normas percibidas de los pares y a una baja confianza interpretativa, no negligencia moral.

Vigila el trabajo sin ayuda, no el producto. Un análisis secundario con 26,811 estudiantes encontró que las notas de los deberes subían mientras caían las de los exámenes con libros cerrados, de ahí la recomendación de vigilar las entradas y no las salidas. Una revisión sistemática de 8 estudios sobre IA en la enseñanza de la escritura en primaria (2019-2025) encuentra herramientas conversacionales que apoyan la práctica de la escritura y herramientas multimodales que extienden la composición más allá del texto, a la vez que concluye que la evaluación automatizada sigue requiriendo supervisión humana para la justicia y la precisión. Un programa de escritura de opinión apoyado en IA generativa de nueve semanas con 301 estudiantes de 5.º y 6.º curso elevó el yo escritor ideal y la flotabilidad académica y aumentó la implicación conductual y emocional, pero no movió la mentalidad de crecimiento, la implicación cognitiva o metacognitiva, ni la organización, y nombra los riesgos: dependencia excesiva, búsqueda de atajos y autosupervisión disminuida.

Sabe dónde está la línea antes de anunciarla. Un análisis comparativo de políticas institucionales y programas de curso encontró que las instituciones fomentan en general el uso de IA generativa (el 63% de 116 políticas) mientras la mitad de los 98 programas de curso lo prohibían directamente. Nash y Burriss (2026) encontraron el mismo reflejo entre 27 futuros docentes que redactaban políticas de aula: 26 de 27 permitían algún uso de la IA en términos fijados por el docente, solo uno lo prohibía por completo, y los límites rara vez se operacionalizaban; una política permitía la IA "para poner en marcha tu pensamiento" y después declaraba "aquí es donde debe trazarse la línea" sin decir dónde. Un análisis con el marco de la UNESCO de las políticas de IA generativa de 30 universidades añade que los principios centrales de ética y gobernanza se adoptan ampliamente mientras la inclusión, la equidad, el acceso a internet y el impacto ambiental se pasan a menudo por alto, con muchas disposiciones que siguen siendo declarativas.

Qué hacer cuando algo sale mal

Trata el resultado erróneo como una ocasión para enseñar: pregunta cómo lo comprobaría el niño en lugar de borrarlo. Cuando un niño dice que el compañero lo "entendió", esa es una conversación sobre lo que puede saber un sistema que predice la palabra siguiente.

Un estudio de escritura multimodal en 5.º curso encontró que visualizar los relatos de los niños produjo ganancias sostenidas en interpretación, análisis, evaluación y explicación, pero ninguna ganancia en inferencia, y que los niños informaron de una menor necesidad de inferir el significado implícito una vez que las imágenes lo hacían explícito. La fluidez compra creencia. La misma cautela se aplica a una respuesta fluida de IA.

Los robots y el juego de roles son vehículos legítimos para conversaciones difíciles. REMind usa drama aplicado mediado por robots para la intervención de testigos en el acoso escolar: los niños observan un escenario de acoso representado por robots sociales y ensayan estrategias de defensa manejando un avatar robótico; en una prueba de juego con métodos mixtos con 18 niños de 9 a 10 años, apoyó la autoeficacia, la toma de perspectiva y la comprensión de las consecuencias de defender.

Qué respalda la evidencia y qué no

La síntesis más amplia que hay aquí es prudente. Arthars y sus colegas (2026) revisaron 271 artículos empíricos sobre IA generativa en PreK-12 y encontraron que no existe un único "efecto de la IA generativa": las ganancias afectivas son comunes pero indicadores débiles del aprendizaje, la evidencia más consistente se refiere a mejoras en el rendimiento inmediato y en la calidad del producto, y la evidencia sobre aprendizaje duradero, transferencia y autorregulación sostenida es desigual. Los resultados dependen de cinco condiciones entrelazadas (quien aprende, la herramienta, la tarea, los arreglos sociales y el contexto cultural e institucional), y el marco separa cuatro funciones pedagógicas, aprender de la IA, con ella, sobre ella o moldeándola, y pregunta si un estudiante se rinde, delega o ejerce su agencia. Para los niños menores de trece años: sobre y moldeando antes que de, uso conjunto con un adulto allí donde el niño aún no puede evaluar el resultado, y ninguna afirmación sobre aprendizaje duradero a partir del buen producto de una tarde.

No existe ningún estudio sobre prohibiciones por edad en esta base de conocimiento. Ese es el estado honesto de la evidencia, dicho con claridad en lugar de suavizado: nada de lo que hay aquí puede resolver si las prohibiciones que ahora aparecen en algunos sistemas escolares funcionan. La evidencia que existe, sobre los riesgos, sobre la aplicación y sobre restricción frente a enseñanza, apunta en la misma dirección.

Donde se enseñó el acceso en lugar de solo permitirlo, los resultados se recuperaron. El estudio sobre disponibilidad frente a integración de la IA generativa encontró que poner la IA generativa a disposición sin enseñar al estudiantado a usarla se asociaba con un rendimiento significativamente menor en preguntas aplicadas (ω² = 0.35), presumiblemente porque los estudiantes no podían evaluar el resultado, mientras que enseñar explícitamente su uso para tareas como resumir datos devolvió el rendimiento aplicado a niveles previos a la IA generativa y superó la línea base en un cuestionario más difícil. La alternativa a una prohibición no es el laissez-faire: el acceso sin restricciones y sin instrucción también fracasó. Esta franja de edad se puede enseñar: el programa de alfabetización mediática de cuarto curso produjo efectos entre grupos de d = 1.12 a 1.31.

Las objeciones que oirás

¿Debería prohibirse la IA para los niños menores de trece años?

No como regla general, y la razón honesta es que no existe ningún estudio sobre estas prohibiciones, así que nadie puede decirte que funcionen. La vía de la aplicación es mala: las estimaciones de la detección son probabilísticas y no pueden verificarse de forma independiente, y cuando los falsos positivos crecen más rápido que los verdaderos positivos, una vigilancia más fuerte hace relativamente más atractiva la ocultación. Una prohibición también gobierna el canal menos importante: las aplicaciones de compañeros, los juguetes con IA y la tutoría familiar ocurren en casa, fuera del alcance de la escuela, en la vacante jurisdiccional que describieron esos docentes. Una prohibición escolar deja el hogar sin gobernar justo donde se concentra el riesgo, mientras las familias con recursos conservan el acceso en casa. La línea defendible es niveles por edad más verificación más enseñanza: actividad con andamiaje, a menudo no generativa, para edades de aproximadamente 9 a 12 años, y uso generativo supervisado con un propósito declarado después de eso.

"El hijo de todos los demás ya lo está usando."

En parte es cierto: una encuesta nacional citada en el trabajo de evaluación de la seguridad infantil encontró que el 72% de los adolescentes estadounidenses había usado compañeros de IA. Esa cifra es sobre adolescentes, no sobre tu hijo de diez años. La revisión de 271 artículos sobre PreK-12 no encontró un único "efecto de la IA generativa", así que lo que hacen los pares te dice qué es normal, no qué es seguro o útil.

"La escuela debería encargarse."

Las escuelas pueden actuar sobre lo que provee, contrata y enseña: las condiciones de contratación, la evaluación de peligros específicos para la infancia, la minimización de datos y la divulgación a las familias pertenecen a la política. Pero el canal doméstico es donde ocurre sobre todo la exposición de este grupo de edad. Fan, Li y Zhang (2026) nombran el modelo sinérgico de familia y escuela y afirman con claridad que no tiene evidencia que lo respalde. Hay que construirlo, lo que significa decir a los padres qué hacer en casa y no solo qué no hacer.

Listas de comprobación

Para casa.

• Menores de 9 años: primero lo analógico y lo corporal, es decir, programación tangible, relato, juego de roles, creación con las manos, con la IA enseñada como algo que las personas diseñan y no como algo que sabe.
• De 9 a 12 años: actividades con andamiaje, a menudo no generativas, en plataformas verificadas, más enseñanza explícita sobre privacidad de datos, persuasión y lo que la IA no puede saber; las herramientas generativas llegan después, con un papel adulto definido.
• Decide quién supervisa cada herramienta y qué te dirá la escuela, usa compañeros y tutores como actividad conjunta en lugar de vigilancia silenciosa, y comprueba qué hace una aplicación con los datos de voz y de transcripción.
• Mantén visible la construcción de significado del propio niño (borradores, explicaciones, reflexión, creación) y vigila si la calidad del resultado sube mientras cae el trabajo sin ayuda.

Para responsables escolares y docentes.

• Antes de adoptar una herramienta, pregunta qué peligros específicos para la infancia se probaron, qué hace con los datos por defecto, cuánto costará a las familias si desaparece el nivel gratuito y si funciona en las lenguas de tus familias.
• Prefiere reglas de acceso por franjas de edad y condiciones de verificación de herramientas frente a una prohibición general, y deja la línea por escrito de forma operativa; "IA para poner en marcha tu pensamiento" no es una política.
• Vigila las entradas además de las salidas, según el análisis secundario con 26,811 estudiantes en el que las notas de los deberes subieron mientras caían las de los exámenes con libros cerrados, e invierte en la confianza del profesorado, ya que la autoeficacia en IA predice la adopción en educación infantil mientras la ansiedad ante la IA la disuade.
• Publica un plan de evaluación. El corpus aún no tiene evidencia de que las prohibiciones cambien el uso o el aprendizaje, y los análogos más cercanos (la aplicación mediante detectores, los programas cargados de prohibiciones y la disponibilidad sin enseñanza) rindieron todos peor de lo esperado.
• Prefiere el rendimiento sin ayuda y la transferencia diferida frente a la implicación y la satisfacción al informar de lo que aprendió un niño.

Véanse también ¿Cómo está impactando la IA al estudiantado?, ¿Cómo debería incorporar la alfabetización en IA a mi curso?, AI Literacy, Parents and Families y Early Childhood Education para la base de investigación que hay detrás de esta página.