El Primer Proyecto de IA que Cada Niño Debe Crear — Y Por Qué Es Más Fácil de lo que Crees

La mayoría de los papás asumen que sus hijos necesitan aprender a programar primero, y luego, quizás, la IA. Años de estudio antes de tocar algo real.

Esa suposición está equivocada — y está alejando a los niños de una de las experiencias más accesibles y genuinamente educativas disponibles ahora mismo.

El primer proyecto de IA que cada niño debe crear no es un chatbot, no es un script de Python, y no es un modelo de machine learning sofisticado. Es un clasificador de imágenes entrenado en Google Teachable Machine. Todo el proceso toma unos 30 minutos. No requiere ningún código. Funciona para niños tan pequeños como 7 años. Y enseña conceptos centrales de machine learning — datos de entrenamiento, etiquetas, precisión del modelo, sobreajuste — de una manera que ninguna clase o video puede igualar.

Aquí te explico por qué funciona y exactamente cómo hacerlo.

Por qué los papás (y maestros) subestiman lo que los niños pueden aprender sobre IA

El modelo mental que la mayoría de los adultos tiene sobre la educación en IA es algo así: primero, aprende a programar. Luego, después de años de programación, podrías llegar a trabajar con IA.

Este modelo tenía sentido en 2010. No describe las herramientas disponibles en 2025.

Google Teachable Machine, lanzado en 2019 y actualizado significativamente desde entonces, permite a cualquier persona entrenar un modelo de machine learning funcional en un navegador. Muestras ejemplos, haces clic en “Entrenar” y lo pruebas. Eso es todo el proceso. La complejidad matemática está completamente oculta. La experiencia conceptual — lo que significa entrenar un modelo — está completamente expuesta.

Esto importa porque la investigación muestra consistentemente que la comprensión conceptual, no la habilidad técnica, es lo que produce alfabetización en IA. Un niño que ha entrenado su propio modelo entiende algo fundamental sobre cómo funciona la IA que un niño que solo ha usado productos de IA no entiende.

Lo que los niños realmente aprenden en este proyecto

Qué son los datos de entrenamiento. Cuando un niño muestra a Teachable Machine 30 fotos de sí mismo haciendo “pulgar arriba” y 30 fotos con cara neutral, experimenta directamente que el conocimiento del modelo se deriva completamente de esos ejemplos. No sabe nada que no le hayas mostrado. Esta es la visión fundamental de todo el machine learning.

Qué son las etiquetas y por qué importan. El niño decide cómo llamar a cada categoría. Esa decisión resulta importar: “cara feliz” captura algo diferente a “cara sonriendo”, y el modelo aprende la distinción que el niño hizo implícitamente al elegir qué fotos tomar.

La precisión del modelo como métrica. Después del entrenamiento, Teachable Machine muestra una vista previa en vivo de predicciones. Los niños ven porcentajes: “95% pulgar arriba.” Entienden de inmediato que el modelo no es seguro — está expresando una probabilidad.

La brecha entre entrenamiento y despliegue. Este es el momento que la mayoría de los niños recuerda: entrenan el modelo en su cuarto, con iluminación normal. Caminan a otro cuarto, levantan el pulgar, y la precisión baja. El modelo estaba sobreajustado a las condiciones de entrenamiento. Esa palabra — sobreajuste (overfitting) — es un término técnico en ML, pero los niños que han experimentado esta brecha no necesitan la definición.

Por qué más datos ayudan — hasta cierto punto. Si el modelo no funciona bien, los niños suelen intentar arreglarlo añadiendo más fotos. A veces funciona. A veces añadir más datos del mismo tipo no ayuda, y necesitan añadir datos más variados — diferente iluminación, diferentes ángulos. Esa es la distinción entre cantidad de datos y diversidad de datos.

Lo que dice la investigación sobre educación práctica en IA

El grupo de investigación de Georgia Tech liderado por Brian Magerko ha hecho el trabajo más exhaustivo sobre educación en alfabetización de IA para estudiantes K-12. Su estudio de 2020 (“¿Qué es la alfabetización en IA?”) identificó cinco componentes centrales: reconocer la IA, entender cómo funciona la IA, evaluar afirmaciones de IA críticamente, usar la IA de forma productiva y contribuir al desarrollo de IA.

Entrenar tu propio modelo aborda directamente el segundo componente de una manera que es empíricamente más efectiva que la exposición pasiva. El estudio del grupo Magerko de 2021 encontró que los estudiantes que entrenaron sus propios clasificadores obtuvieron puntuaciones significativamente más altas en evaluaciones de alfabetización en IA que los estudiantes que vieron demostraciones o recibieron instrucción directa.

Una investigación de 2022 en Computers & Education (Gresse von Wangenheim y cols.) analizó 20 programas de educación en IA globalmente y encontró que los proyectos prácticos de ML produjeron la mejora más duradera en comprensión conceptual de IA, superando significativamente los enfoques basados en video y conferencias.

El hallazgo consistente en la literatura: no entiendes cómo funciona el machine learning que te lo expliquen. Lo entiendes haciéndolo.

Paso a paso: Cómo construir el primer proyecto de IA de tu hijo

Planea 30–45 minutos para la primera sesión.

Paso 1: Ve a Teachable Machine (5 minutos)

Abre un navegador y ve a teachablemachine.withgoogle.com. Haz clic en “Empezar”. Elige “Proyecto de imagen” y luego “Modelo de imagen estándar.”

Verás dos clases vacías etiquetadas “Clase 1” y “Clase 2.” Estas son tus categorías. Puedes renombrarlas a cualquier cosa.

Paso 2: Decide qué clasificar (5 minutos)

Elige dos o tres categorías de las que el niño pueda tomar fotos ahora mismo. Buenas primeras opciones:

• “Yo” vs “No soy yo” — la cámara ve al niño o no
• “Pulgar arriba” vs “Pulgar abajo” — un clasificador de gestos
• “Perro” vs “Gato” — si hay mascotas cerca
• “Rojo” vs “Azul” vs “Verde” — objetos de colores
• “Mano abierta” vs “Puño cerrado” — para un juego de gestos

Malas primeras opciones:

• Categorías que se ven demasiado similares
• Cosas que no están físicamente presentes

Paso 3: Toma fotos de entrenamiento (10 minutos)

Para cada clase, haz clic en “Cámara web” o “Subir” y toma 30–50 fotos. Para el primer proyecto, usar la cámara web es más atractivo — el niño se ve en tiempo real, varía su posición y expresión.

Cosa clave que decirle al niño: varía las fotos. Diferentes ángulos, distancias, iluminación.

Este es el momento de preguntar: “¿Por qué crees que necesitamos tantas fotos?” Déjalo pensar. Generalmente llegan a “para que el modelo sepa cómo se ve desde diferentes ángulos” — lo cual es correcto.

Paso 4: Entrena el modelo (2 minutos)

Haz clic en “Entrenar modelo.” Se ejecuta en el navegador. Para un modelo básico de 2 clases con 50 fotos por clase, el entrenamiento tarda unos 30 segundos en una laptop típica.

Mientras entrena, pregunta: “¿Qué crees que está haciendo el modelo ahora mismo?”

Paso 5: Pruébalo y observa qué funciona — y qué no (10 minutos)

La vista previa en vivo muestra predicciones en tiempo real. Deja que el niño lo pruebe libremente al principio. Luego empieza a hacer preguntas:

• “¿Qué pasa si cubres parte de tu cara?”
• “¿Qué pasa si vas a otro cuarto?”
• “¿Qué pasa si tu hermano o hermana lo intenta?”
• “¿Qué pasa si muestras algo que el modelo nunca ha visto?”

Estas preguntas no son retóricas — son experimentos. Las respuestas enseñan conceptos que ninguna explicación puede.

Paso 6: Habla sobre lo que el modelo hizo mal (10 minutos)

Aquí es donde ocurre el aprendizaje real. Para cualquier predicción que el modelo hizo mal, pregunta: “¿Por qué crees que se equivocó?”

Las respuestas que dan los niños son frecuentemente sorprendentemente precisas: “Se confundió porque lo entrené en la cocina pero ahora estoy en la sala.” “No vio muchas fotos desde este ángulo.” Esos son diagnósticos de datos de entrenamiento. Los ingenieros de ML profesionales piensan sobre los modelos de esta manera.

Qué hacer después del primer proyecto

Niños de 7–9 años: Prueba un segundo proyecto de Teachable Machine con un tipo de categoría diferente (sonidos, en lugar de imágenes). Compara cómo funcionan los dos modelos.

Niños de 10–12 años: Conecta el modelo a un proyecto de Scratch. Hay una extensión de Teachable Machine para Scratch que permite que el modelo controle sprites — un gesto de la mano puede hacer saltar a un personaje.

Niños de 12–14 años: Intenta entrenar un modelo más complejo — más clases, más imágenes, conjuntos de datos intencionalmente desbalanceados. Explora qué significa “precisión” cuando las clases están desequilibradas.

Niños de 13+: Pasa a Python. El mismo tipo de modelo (clasificación de imágenes) puede construirse con TensorFlow o PyTorch. Los conceptos de Teachable Machine se transfieren directamente.

Progresión de proyectos de IA por edad

Edad	Proyecto	Herramienta	Concepto central de ML	Qué sigue
7–8 años	Clasificador de gestos	Teachable Machine	Datos de entrenamiento, etiquetas	Clasificador de sonidos
9–10 años	Detector de objetos para juego	Teachable Machine + Scratch	Precisión del modelo, sobreajuste	Clasificador de texto con ML4Kids
10–11 años	Clasificador de sentimiento de texto	ML4Kids + Scratch	Datos de texto, definición de categorías	Clasificador de imágenes multi-clase
11–12 años	Proyecto de imagen multi-clase + juego	ML4Kids + Scratch	Diversidad de datos, balance de clases	Básicos de Python
12–13 años	Script Python con scikit-learn	Python + ChatGPT	Código de modelo, ciclos de entrenamiento	ML más complejo
13–14 años	Bases de redes neuronales	TensorFlow/Keras	Capas, épocas, función de pérdida	Aprendizaje profundo
14+	Proyectos de IA personales	Python completo	Decisiones de arquitectura	Proyectos de portafolio

Qué observar en tres meses

Después del primer proyecto, la señal más clara de que ocurrió aprendizaje real es cuando el niño empieza a notar la IA en el mundo que lo rodea y pregunta “¿cómo crees que lo entrenaron?”

Esa pregunta — aplicada al reconocimiento facial en los celulares, a los sistemas de recomendación de YouTube, al autocorrector del teclado — indica que el niño internalizó el concepto de datos de entrenamiento.

Para el mes dos, una extensión productiva es entrenar deliberadamente un mal modelo — uno con datos sesgados o insuficientes — y observar cómo falla. Esa es la forma más memorable de aprender cómo se ven los buenos datos de entrenamiento.

Para el mes tres, un niño que empezó con Teachable Machine y ha estado explorando debería poder articular la diferencia entre un modelo y una regla — por qué un sistema de machine learning que aprendió de ejemplos es diferente a una calculadora que sigue instrucciones explícitas. Esa distinción es fundamental para entender la IA moderna.

Preguntas frecuentes

¿Mi hijo necesita una cámara web?

Sí, para los proyectos de clasificador de imágenes. La mayoría de las laptops tienen cámaras web integradas. Para una tablet, puedes usar la cámara en lugar de la webcam. Teachable Machine también permite subir archivos, así que un niño puede tomar fotos con su celular y subirlas si no hay cámara web.

¿Cómo es diferente Teachable Machine de jugar con ChatGPT?

Usando ChatGPT, eres usuario de IA. Construyendo un clasificador con Teachable Machine, eres creador — estás decidiendo qué datos recopilar, qué categorías definir y evaluando si el modelo funciona. La experiencia de construir produce una comprensión cualitativamente diferente a la experiencia de usar.

Mi hijo entrenó un modelo y funcionó genial. ¿Cuál es el mejor siguiente paso?

Conectarlo a Scratch. La extensión de Teachable Machine para Scratch permite que el modelo controle sprites — un gesto de la mano puede hacer saltar a un personaje, una expresión facial puede cambiar el fondo, o un objeto reconocido puede activar un sonido.

¿A qué edad es apropiado Teachable Machine?

Con apoyo de adultos, niños tan pequeños como 6–7 años pueden usarlo — la interfaz es suficientemente simple. El uso independiente es cómodo desde aproximadamente los 9 años. La profundidad conceptual escala con el niño.

¿Se necesita una cuenta?

No. Teachable Machine funciona en el navegador sin necesidad de iniciar sesión. Los modelos se pueden guardar localmente o exportar, pero no se necesita cuenta para entrenar y probar.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. Long, D., & Magerko, B. (2020). “What is AI literacy? Competencies and design considerations.” Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. https://doi.org/10.1145/3313831.3376727

2. AI4K12 Initiative. (2022). Five Big Ideas in AI: K-12 Guidelines. CSTA & AAAI. https://ai4k12.org/

3. Gresse von Wangenheim, C., Hauck, J. C. R., Pacheco, F. S., & Bueno, M. F. B. (2021). “Visual tools for teaching machine learning in K-12: A ten-year systematic mapping.” Education and Information Technologies, 26, 5733–5778. https://doi.org/10.1007/s10639-021-10570-8

4. Google. (2024). Teachable Machine. https://teachablemachine.withgoogle.com/

5. Resnick, M., & Rusk, N. (2020). “Coding at a crossroads.” Communications of the ACM, 63(11), 120–127. https://doi.org/10.1145/3375546

6. Su, J., & Yang, W. (2023). “Scratch as a visual programming tool for K-12 computational thinking: A systematic review.” Computers & Education, 196, 104722. https://doi.org/10.1016/j.compedu.2023.104722

7. Touretzky, D., Gardner-McCune, C., Martin, F., & Seehorn, D. (Eds.). (2019). Envisioning AI for K-12: What Should Every Child Know about AI? AAAI Press. https://ai4k12.org/resources/

Lectura relacionada: por qué programar es la nueva alfabetización en 2026, proyectos de Arduino para principiantes y pensamiento computacional vs. programación — lo que los niños realmente necesitan.