Tabla de contenido
La IA puede cerrar la brecha STEM para las niñas — si los papás actúan ya
Las niñas en STEM enfrentan una brecha de participación persistente que se amplía entre los 11 y 12 años. Nueva investigación muestra que la IA puede cerrarla — pero solo si los papás y las escuelas actúan antes de que los patrones se solidifiquen.
Una niña de diez años desarma una licuadora descompuesta para ver cómo funciona el motor. Es curiosa, segura de sí misma, y completamente ajena a la idea de que se supone que eso no le debería interesar. Dos años después — justo al entrar a la secundaria — algo cambia. Empieza a decir que “no se le dan las matemáticas”. Deja de levantar la mano en ciencias. No sabe exactamente cuándo pasó. Sus papás tampoco.
Esa ventana entre los 10 y los 12 años es donde se abre una de las brechas más documentadas y consecuentes en la educación. Y hay un argumento real, respaldado por investigación, de que la IA — manejada correctamente — es la mejor oportunidad en una generación para cerrarla antes de que cause daño.
La brecha es real, en algunas dimensiones está empeorando, y empieza temprano
Los números sobre las mujeres en campos técnicos no están mejorando tan rápido como deberían, y en algunas áreas van en sentido contrario. Las mujeres representan actualmente solo el 12% de los trabajadores de computación en la nube a nivel global y el 26% de la fuerza laboral de IA — los campos que están remodelando todas las demás industrias. En las licenciaturas de ciencias de la computación en EE. UU., las mujeres ahora obtienen el 21% de los títulos, por debajo de un máximo del 37% en 1984. Eso es una regresión, no estancamiento. Un campo se volvió más culturalmente masculino durante los últimos cuarenta años, no menos.
El análisis del Foro Económico Mundial de marzo de 2025 sobre la IA y la brecha de género en STEM identificó sectores específicos donde la brecha es más amplia: aprendizaje automático, ingeniería de datos e investigación en IA. Estos son también los sectores técnicos de mayor crecimiento de la próxima década. Las apuestas prácticas de la brecha no son abstractas — son salarios, trayectorias profesionales y quién llega a dar forma a las tecnologías que afectarán a todos.
La brecha no emerge a nivel universitario. Se abre mucho antes. La investigación señala consistentemente que las edades de 11 y 12 son el punto de inflexión donde las niñas comienzan a autoexcluirse de los caminos de STEM a tasas desproporcionadas, citando a menudo “no se me dan las matemáticas” — una declaración de identidad de mentalidad fija que precede a que el material se vuelva realmente difícil. El álgebra todavía no es difícil. La identidad ya cerró el camino.
Esto significa que para cuando la trayectoria STEM de una niña parece ir a algún lado, la ventana clave para darle forma ya pasó. Y para cuando está en la prepa, el sedimento cultural y psicológico sobre “quién hace ingeniería” es tan grueso que las intervenciones requieren un esfuerzo sustancialmente mayor.
Lo que dice la investigación de verdad
El mecanismo detrás de la brecha es la amenaza de estereotipo, documentada sistemáticamente por primera vez por Claude Steele y Joshua Aronson en 1995 y replicada en cientos de estudios desde entonces. La amenaza de estereotipo se refiere a la ansiedad que interrumpe el rendimiento cuando una persona está en una situación donde podría confirmar un estereotipo negativo sobre un grupo al que pertenece. Las niñas que son llevadas a pensar en su género antes de un examen de matemáticas obtienen puntajes significativamente más bajos que las niñas que no lo hacen — incluso cuando los dos grupos tienen el mismo rendimiento previo. Cuando a las niñas se les dice que el examen no muestra diferencias de género en el rendimiento, el efecto desaparece por completo.
La implicación es que la brecha de género en el rendimiento de STEM no es principalmente sobre habilidad. Es sobre la carga cognitiva impuesta por la amenaza de estereotipo en entornos que se sienten amenazantes para la identidad. Una niña en un salón de clases donde “las matemáticas son para niños” es un mensaje cultural ambiental está gastando recursos cognitivos manejando esa amenaza que los niños en el mismo salón no tienen que gastar. Resuelve menos problemas. Parece ser peor en matemáticas. El estereotipo parece confirmarse.
Las herramientas de IA en entornos educativos están creando una versión nueva y poco apreciada de este problema. Una investigación publicada en phys.org en marzo de 2026 documentó que la IA generativa en las aulas puede reducir la amenaza de estereotipo o amplificarla, dependiendo de cómo se implemente la IA. Cuando los tutores de IA o los conjuntos de problemas usan ejemplos predeterminados de dominios de código masculino — estadísticas deportivas, mecánica automotriz, escenarios de juego basados en combate — activan silenciosamente la amenaza de estereotipo en las usuarias. La IA no es neutral. Refleja los datos de entrenamiento en los que fue construida, los cuales a su vez reflejan la composición histórica de género de los campos STEM.
La misma investigación encontró un potencial positivo significativo: cuando la IA se implementa sin estos enmarques de código masculino predeterminados — usando ejemplos neutros en términos de género o explícitamente inclusivos — puede aumentar significativamente la confianza de las niñas en STEM. La efectividad de la herramienta depende completamente de las elecciones de implementación que hacen maestros y diseñadores de currículos, a menudo sin conocimiento de la investigación.
Girls Into Coding, una iniciativa con sede en el Reino Unido, reportó en 2025 que había llegado a más de 5,000 niñas a través de talleres prácticos de IA y programación. Más del 90% de las participantes reportaron mayor interés en carreras de STEM después de esas experiencias. El enfoque práctico de crear algo de esos talleres no es incidental al resultado — es probablemente el mecanismo.
Así es como está la brecha de niñas en STEM en los distintos niveles educativos y laborales:
| Etapa | Participación de niñas/mujeres | Tendencia | Factores destacados de la brecha |
|---|---|---|---|
| Primaria (K-5) | Aproximadamente igual a los niños | Estable | La brecha aún no es visible |
| Secundaria (6-8) | Comienza a divergir alrededor de los 11-12 años | Se amplía | Formación de identidad, inicio de amenaza de estereotipo |
| Preparatoria — STEM avanzado | ~45% en Biología AP; ~25% en Ciencias Computacionales AP | Mixta | La brecha en CS es más amplia y creciente |
| Universidad — licenciaturas en CS | 21% de las licenciaturas | En declive (desde 37% en 1984) | Cultura, incertidumbre de pertenencia |
| Fuerza laboral tecnológica — general | ~26% | Mejorando lentamente | Problemas de retención, cultura |
| IA/ML específicamente | ~26% de la fuerza laboral de IA | Mejora lenta | El campo es nuevo pero reproduce viejos patrones |
| Computación en la nube | ~12% | Estancada | Subcampo fuertemente codificado como masculino |
El patrón en esta tabla revela algo importante: la brecha no es uniforme. En biología y química, las niñas participan a tasas altas hasta la prepa. La brecha está concentrada específicamente en ciencias de la computación, ingeniería y física — los campos con la asociación cultural más fuerte con la masculinidad. La IA se encuentra en la intersección de las ciencias de la computación y las matemáticas, lo que significa que está heredando ambos conjuntos de bagaje cultural.
Pero la IA también es nueva. Todavía no tiene 50 años de cultura de aula de ciencias de la computación incrustada en ella. Los papás y maestros que se involucran con niñas de 10 años en torno a la IA hoy están trabajando con materiales que aún no tienen narrativas de género endurecidas adheridas a ellos. Esa ventana es estrecha y se está cerrando.
Qué hacer de verdad
Enmárculo como hacer y crear, no como matemáticas y computación
La investigación sobre la amenaza de estereotipo y el género en STEM converge en un hallazgo práctico: el rendimiento de las niñas en actividades técnicas es equivalente al de los niños cuando la actividad se enmarca como creativa en lugar de matemática. Hacer algo — un circuito que funciona, un personaje animado, un programa que hace algo sorprendente — no tiene la misma carga de amenaza de identidad que “hacer matemáticas”. El enmarcamiento está haciendo un trabajo que el contenido no puede hacer por sí solo.
Al presentarle conceptos de IA a tu hija, lidera con lo que se está creando, no con qué matemáticas subyacen a ello. “Puedes enseñarle a una computadora a reconocer tu letra” aterriza diferente que “vamos a aprender sobre algoritmos de clasificación”. Ambas son ciertas. Una activa la curiosidad; la otra activa preocupaciones de identidad.
Esté atento a los momentos de amenaza de estereotipo — e intervenga específicamente
La amenaza de estereotipo se activa mediante señales, no solo mediante declaraciones explícitas. Si la clase de programación de tu hija usa ejemplos de código masculino de manera consistente, o si las herramientas de IA que usa presentan imágenes y escenarios que posicionan a los hombres como los actores técnicos predeterminados, ese es un efecto real que vale la pena nombrar.
La intervención respaldada por la investigación es específica: decirles a las niñas que una actividad particular no muestra diferencia de género en el rendimiento elimina de manera confiable la brecha de rendimiento por amenaza de estereotipo. Esto no tiene que ser una conferencia. Puede ser tan simple como “las niñas y los niños son igualmente buenas en esto — de hecho, algunas de las mejores investigadoras de IA en el mundo son mujeres”, dicho de manera casual antes de que se siente a trabajar.
Encuentra la ventana de los 10 a 12 años y úsala
La investigación es clara en que esta es la ventana decisiva. Una niña que sigue siendo curiosa y segura en STEM a los 12 años tiene dramáticamente más probabilidades de seguir caminos de STEM en la prepa que una que ya internalizó “no se me dan las matemáticas”. Las intervenciones que funcionan antes del cambio de identidad son mucho más ligeras de lo que se requiere después de él.
Esto no significa forzar STEM. Significa asegurarse de que las experiencias de STEM disponibles durante esta ventana sean de alta calidad, enmarcadas como creativas y entregadas en contextos donde las niñas ven a mujeres haciendo trabajo técnico como algo normal. Campamentos, programas extracurriculares y proyectos padre-hija cuentan todos.
Busca herramientas de IA que hayan sido probadas para sesgo
No todas las herramientas de IA utilizadas en entornos educativos han sido evaluadas para sesgo de género en sus ejemplos y resultados. La investigación de phys.org deja claro que esta no es una preocupación teórica — los resultados estereotipados de la IA producen efectos medibles en la confianza y el rendimiento de las niñas. Al evaluar herramientas de IA o planes de estudio para tu hija, pregunta si los ejemplos utilizados son neutros en términos de género, si la herramienta ha sido revisada para contenido que activa estereotipos, y si hay mujeres representadas en los ejemplos instruccionales y modelos a seguir.
Presenta modelos a seguir con especificidad
“Hay muchas mujeres en STEM” no es efectivo. La investigación sobre los efectos de los modelos a seguir muestra que la especificidad importa — las niñas se benefician más de conocer a una mujer específica que hizo algo específico y enfrentó obstáculos específicos que de la conciencia general de que las mujeres pueden tener éxito en STEM. Nombra personas. Cuenta sus historias. Las ingenieras que diseñaron los sistemas que tu hija usa todos los días son a menudo mujeres, y ese hecho rara vez sale a la luz.
Para más sobre cómo se desarrolla una mentalidad de ingeniería a través del fracaso y la iteración, y por qué ese proceso está disponible para todos los niños, ve nuestros artículos sobre desarrollar una mentalidad de ingeniería a través del fracaso y el aprendizaje y preparar a los niños con habilidades de IA para el futuro.
Qué vigilar en los próximos 3 meses
Si tu hija tiene entre 9 y 13 años, observa específicamente la señal de cierre de identidad: “no se me dan las matemáticas” o “las ciencias no son lo mío”. Esta declaración a menudo aparece antes de que haya mucha evidencia académica para ella. Vale la pena rebatirla suavemente — no de manera desdeñosa, sino con evidencia específica. “El mes pasado descubriste cómo reconectar esa lámpara — eso es exactamente lo que hacen los ingenieros eléctricos”.
Observa también qué tipos de actividades técnicas realiza voluntariamente versus cuáles se sienten como tarea escolar. El compromiso voluntario con actividades técnicas creativas — independientemente de si están etiquetadas como STEM — es la señal que buscas. Una niña que voluntariamente hace cosas, experimenta con cosas o se enseña a sí misma cosas en dominios técnicos está construyendo exactamente el autoconcepto que hace que STEM sea accesible.
Si tu hija ya está en la fase de “no se me dan las matemáticas”, observa los contextos donde esa identidad se relaja. ¿Cuándo está absorta en un problema sin preocuparse por si pertenece? Esos contextos son datos sobre qué tipo de entorno funciona para ella, y vale la pena invertir en ellos y ampliarlos.
Preguntas frecuentes
Mi hija dice que no le gusta STEM. ¿Debo presionarla?
La presión y el interés son intervenciones diferentes. La presión sobre un tema sobre el que alguien ha decidido que no es bueno tiende a confirmar la identidad de “no soy buena en eso”. La exposición al tema a través de un enmarcamiento diferente — particularmente creativo, práctico — puede cambiar la relación con el tema sin ninguna presión. El objetivo es asegurarse de que la conclusión de “no me gusta STEM” no esté basada principalmente en experiencias en el aula que activaron la amenaza de estereotipo, antes de asumir que refleja una preferencia genuina.
¿Hay herramientas de IA específicas que sean mejores para las niñas?
La investigación aún no está en el punto de recomendar herramientas específicas. Lo que sí recomienda es evaluar las herramientas por la codificación de género de sus ejemplos predeterminados. Las herramientas que usan una variedad de ejemplos y presentan explícitamente a mujeres como actoras técnicas son preferibles. Los entornos de programación basados en bloques tienden a tener una carga de amenaza de estereotipo más baja que los entornos de programación tradicionales, que tienen asociaciones culturales más fuertes con programadores masculinos.
Mi hija tiene 15 años y ya dice que odia las matemáticas. ¿Ya es tarde?
La ventana es más difícil de trabajar a los 15, pero no está cerrada. La investigación sobre la eliminación de la amenaza de estereotipo muestra que el efecto está presente y es abordable incluso en mujeres adultas. Lo que cambia a los 15 es que la identidad está más arraigada y la intervención necesita ser más sostenida. Encontrar un contexto — un proyecto, un programa de verano, una relación de mentoring — donde ella se experimente a sí misma como técnicamente capaz, durante un período suficientemente largo, puede cambiar la identidad. Requiere más que una sola experiencia.
¿Qué pasa con los niños que son excluidos de los programas de “niñas en STEM”?
La brecha de género en la participación y los resultados en estos campos es real y está documentada. Los programas diseñados para abordar esa brecha están respondiendo a un problema estructural, no creando uno. Los niños no están en desventaja en STEM por la existencia de programas diseñados para ayudar a las niñas a acceder a él — actualmente dominan estos campos por márgenes sustanciales.
¿Cómo se conecta esto con la IA específicamente versus STEM en general?
La IA es un caso especial porque es lo suficientemente nueva como para que las normas culturales sobre quién pertenece todavía se estén formando. Las niñas que se involucran con herramientas de IA, construyen con IA y desarrollan habilidades de IA entre los 10 y 13 años están entre la primera generación en hacerlo. La narrativa cultural sobre “quién hace IA” se está escribiendo ahora mismo, y las familias y escuelas que incluyen activamente a las niñas en esa narrativa están contribuyendo a cómo se ve el campo en 10 años.
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. Conoce más en hiwavemakers.com.
Fuentes
- phys.org. (March 2026). Generative AI has significant potential to empower girls in STEM. https://phys.org/news/2026-03-generative-ai-empower-girls-stem.html
- World Economic Forum. (March 2025). AI and the gender STEM gap: Where the opportunity lies. https://www.weforum.org/stories/2025/03/ai-stem-women-gender-gap/
- Girls Into Coding. (2025). Annual impact report: 5,000+ girls reached through AI and coding workshops. Girls Into Coding UK.
- Steele, C. M., & Aronson, J. (1995). Stereotype threat and the intellectual test performance of African Americans. Journal of Personality and Social Psychology, 69(5), 797–811.
- Spencer, S. J., Steele, C. M., & Quinn, D. M. (1999). Stereotype threat and women’s math performance. Journal of Experimental Social Psychology, 35(1), 4–28.
- Master, A., Cheryan, S., & Meltzoff, A. N. (2016). Computing whether she belongs: Stereotypes undermine girls’ interest and sense of belonging in computer science. Journal of Educational Psychology, 108(3), 424–437.
- National Science Foundation. (2025). Women, minorities, and persons with disabilities in science and engineering. NSF 25-309.
- World Economic Forum. (2024). Global Gender Gap Report 2024. WEF.
- Nguyen, H. H. D., & Ryan, A. M. (2008). Does stereotype threat affect test performance of minorities and women? A meta-analysis of experimental evidence. Journal of Applied Psychology, 93(6), 1314–1334.
