Tabla de contenido
¿Los niños pueden distinguir contenido hecho con IA? Casi nunca
¿Los niños pueden distinguir contenido hecho con IA? Un estudio de 2026 halló que los de 6 a 10 años no superan el azar. Por qué adivinar falla y qué enseñar.
¿Los niños pueden distinguir contenido hecho con IA del contenido hecho por personas? Casi nunca. En un estudio publicado en marzo de 2026, 37 niños de 6 a 10 años intentaron clasificar textos, fotos, obras de arte y caras en “lo hizo una persona” o “lo hizo un SmartBot”. En promedio no les fue mejor que si hubieran echado un volado, y a veces peor. Los que pasaban más tiempo con aparatos en casa fueron los menos acertados.
El instinto es enseñarles las pistas: manos raras, piel demasiado brillante, textos demasiado perfectos. Esa es la lección equivocada. Los adultos tampoco detectamos la IA a ojo, y las pistas van desapareciendo. Lo que los niños necesitan es otra pregunta, y se la puedes enseñar en la mesa de la cocina.
Puntos clave
- Langer, Martinez, Marshall y Chein (Technology in Society, 2026) encontraron que 37 niños de 6 a 10 años quedaron “al nivel del azar o por debajo” al distinguir contenido humano de contenido generado por IA, muy por debajo de 49 adultos.
- La precisión de los niños se asoció negativamente con el uso de tecnología en casa que reportaron sus papás.
- El 95% de los niños entendía que el agente de IA no está vivo. Saber qué es la IA no les ayudó a reconocer lo que la IA hizo.
- Los adultos también batallan: un estudio de 2022 en PNAS encontró que las caras sintetizadas por IA eran indistinguibles de las reales y parecían más confiables.
- Enseña procedencia (“¿de dónde salió esto y cómo lo comprobamos?”) en vez de adivinar por la vista.
¿Pueden los niños distinguir contenido hecho con IA? El estudio de 2026
El contenido generado por IA son textos, imágenes, audios o videos producidos por un modelo de IA generativa, no hechos directamente por una persona. Los niños se lo topan todo el tiempo en apps, videos, juegos y herramientas escolares, casi siempre sin etiqueta.
Allison Langer, Steven Martinez, Peter Marshall y Jason Chein diseñaron uno de los primeros estudios sobre la capacidad de los niños para notar la diferencia. Su artículo, “Children’s susceptibility to content generated by artificial intelligence”, se publicó en línea el 14 de marzo de 2026 en Technology in Society.
Así funcionó, según el resumen:
- Planteamiento: 37 niños de 6 a 10 años escucharon una historia sobre un “SmartBot”, que representaba a la IA y podía escribir textos, inventar fotos y crear arte.
- Tarea: vieron una serie de textos cortos e imágenes de objetos, obras de arte y caras, y decidieron si cada uno venía del SmartBot o de una maestra humana.
- Mediciones extra: los niños hicieron pruebas de razonamiento abstracto y vocabulario; los papás llenaron una encuesta sobre el uso de tecnología en casa.
- Comparación: 49 adultos de 18 a 34 años hicieron la misma tarea.
Los resultados:
- En promedio, los niños quedaron al nivel del azar o por debajo al distinguir contenido humano de contenido de IA, en todos los formatos.
- Su precisión fue significativamente menor que la de los adultos.
- La capacidad de distinguir se asoció de forma significativa y negativa con el uso de tecnología en casa reportado por los papás.
- En general, los niños entendían que el SmartBot no está vivo (95%).
Los autores concluyen que existe un “riesgo de atribuir a humanos contenido hecho por IA” y piden alfabetización en IA desde temprano.
Límites que vale la pena conocer
Treinta y siete niños es una muestra pequeña. El vínculo con la tecnología es una correlación basada en lo que reportan los papás, así que no demuestra que el tiempo de pantalla cause peor discernimiento; quizá los niños que usan más tecnología ven más contenido pulido y lo toman como normal. Además, leímos el resumen y los datos del artículo, no el texto completo, así que no reportamos resultados por edad ni por tipo de contenido. Y ojo: los adultos salieron mejor que los niños, no necesariamente bien. El resumen no dice que los adultos hayan sido muy precisos.
Por qué fijarse más no funciona
Este es el mecanismo detrás del problema. Un generador de imágenes se entrena con enormes cantidades de imágenes reales y aprende a producir imágenes nuevas con los mismos patrones estadísticos. Los primeros modelos dejaban errores que un ojo atento podía cachar, como dedos de más o letras derretidas. Cada generación nueva los reduce, porque reducirlos es literalmente lo que se optimiza al entrenar el modelo.
Eso significa que cualquier lista de pistas visuales caduca rápido. Para cuando un niño se aprende “fíjate en las manos”, el siguiente modelo ya dibuja bien las manos.
Los adultos chocaron con esa pared hace años. Sophie Nightingale y Hany Farid, en un artículo de 2022 en PNAS, reportaron que las caras sintetizadas por IA son indistinguibles de las caras reales y además parecen más confiables. Si los expertos que estudian el problema concluyen que la vista no alcanza, no es justo esperar que lo logre un niño de 7 años.
Una revisión de alcance de septiembre de 2026 en Frontiers in Psychology (Niu et al.), que analizó 22 estudios, también señaló que a los niños les cuesta entender de dónde sale la información de la IA. Y el dato del 95% del estudio de Langer agrega un giro importante: los niños sabían que el SmartBot no estaba vivo. Tenían el concepto. Lo que les faltaba era un método para juzgar el origen. Saber sobre la IA no es lo mismo que saber de dónde salió algo.
La herramienta que sí responde “quién hizo esto”
La respuesta de ingeniería a la procedencia no es detectar a ojo. Son los registros. La Coalición para la Procedencia y Autenticidad del Contenido (C2PA) publica un estándar abierto llamado Content Credentials (credenciales de contenido): estructuras de datos firmadas criptográficamente, que delatan cualquier alteración y viajan con el archivo, describiendo cómo se creó y se editó. Cualquier modificación rompe ese vínculo criptográfico y deja ver que hubo manipulación.
Tiene límites. El propio FAQ de la C2PA reconoce que los metadatos se pueden quitar, por accidente o a propósito, y por eso también usa marcas de agua invisibles y huellas digitales para recuperar las credenciales. Además, muchísimas imágenes en internet no traen credenciales. Así que la falta de etiqueta no prueba que lo hizo una persona. Pero el principio es el que hay que enseñar: el origen es cuestión de evidencia, no de apariencia.
Cómo enseñarle a tu hijo a juzgar de dónde viene el contenido
La guía actualizada de UNICEF sobre IA y niñez (versión 3.0) incluye “preparar y capacitar a los niños para los desarrollos presentes y futuros de la IA” entre sus diez requisitos para una IA centrada en la infancia. Así se ve eso en casa.
De 5 a 8 años
El juego de “¿quién lo hizo?”. Junta 10 imágenes: cinco dibujadas o fotografiadas por tu familia y cinco hechas con una herramienta de IA (esa parte hazla tú). Revuélvelas. Tu hijo las separa en dos montones, “persona” y “computadora”, y explica cada decisión. Luego revelan juntos las respuestas. La mayoría de los niños se equivoca en varias, y esa es la lección: “¿Ves? No siempre se nota a simple vista. Entonces, ¿cómo podríamos saberlo?”. Lleguen juntos a la respuesta: preguntar quién lo hizo o buscar de dónde salió. Que sea un juego; la meta es la curiosidad, no la desconfianza.
De 9 a 12 años
El detective de la procedencia. Elijan tres imágenes o textos cortos que tu hijo haya visto en internet esta semana. Para cada uno, responde tres preguntas en papel:
- ¿De dónde salió? ¿Quién lo publicó primero, si se puede saber?
- ¿Qué evidencia hay? ¿Un pie de foto, un crédito, un enlace a la fuente, el nombre de un artista?
- ¿Lo podemos comprobar? Prueben una búsqueda inversa de imágenes, busquen una etiqueta de Content Credentials o encuentren la publicación original.
Marca cada uno como “origen conocido”, “probable” o “desconocido”. El triunfo es un niño que se siente cómodo escribiendo “desconocido” en vez de adivinar.
De 13 en adelante
Repite el experimento. Los adolescentes pueden armar su propia versión del estudio de Langer. Que preparen 20 elementos, la mitad hechos con IA y la mitad por personas, con ayuda de un hermano o amigo para que quien aplique la prueba no sepa las respuestas. La familia los clasifica y se calcula la precisión de cada quien. El azar es 50%. Platiquen: ¿quién le ganó al azar? ¿Por cuánto? ¿Alcanza para confiar? Luego agreguen un giro: denle a cada persona 30 segundos para revisar una fuente por elemento y comparen los puntajes. La diferencia entre adivinar y comprobar es el hallazgo.
La pregunta que debes hacer: “Si no se puede saber a simple vista, ¿qué necesitarías saber para estar seguro de quién lo hizo?”
Adivinar contra comprobar: qué les funciona a los niños
| Enfoque | En qué se apoya | Por qué falla o funciona | Cuánto dura |
|---|---|---|---|
| Buscar errores visuales (manos, letras) | Fallas del modelo | Los modelos se entrenan para eliminarlas | Meses |
| ”Se ve demasiado perfecto” | Corazonada | Los profesionales humanos también hacen trabajos pulidos; los niños del estudio de 2026 quedaron al nivel del azar | Ya no sirve |
| Saber qué es la IA | Concepto | El 95% sabía que la IA no está viva y aun así no pudo clasificar | No se transfiere |
| Preguntar quién lo hizo | Fuente | Funciona si la fuente es honesta y conocida | Duradero |
| Buscar Content Credentials | Registro criptográfico | Confiable cuando existe; su ausencia no prueba nada | En aumento |
| Búsqueda inversa del original | Rastro de publicación | Muchas veces encuentra a quien lo publicó primero o al artista | Duradero |
Qué hacer en casa este mes
Etiqueta tu propio uso de IA
Cuando uses IA para hacer una invitación de cumpleaños o una imagen, díselo a tus hijos: “Esto lo hice con una herramienta de IA”. Los niños aprenden hábitos de procedencia escuchando a los adultos decirlos. También les muestra que usar IA no es vergonzoso, y que esconderlo es una decisión.
Cambia “¿es falso?” por “¿de dónde salió?”
“¿Es falso?” invita a adivinar. “¿De dónde salió?” invita a buscar. Usa la segunda pregunta cada vez que aparezca una imagen o un video sorprendente, sobre todo en los grupos de WhatsApp de la familia, donde circula de todo. Aquí hay más ideas para enseñarles a los niños a detectar contenido generado por IA.
Toma en cuenta el vínculo con las pantallas, sin entrar en pánico
El estudio de Langer encontró que los niños con más uso de tecnología en casa distinguían peor. Es una correlación, pero es razón para platicar del contenido de IA justo con los niños que más lo ven, en vez de suponer que ellos son los expertos.
Conéctalo con los deepfakes cuando sean más grandes
Con preadolescentes y adolescentes, lo que está en juego sube con fotos y videos falsos muy realistas de personas reales. La habilidad es la misma: revisar la fuente antes de creer o compartir. Nuestra guía de alfabetización mediática y deepfakes para niños cubre ese terreno.
Lo que no conviene hacer
No hagas concursos de “encuentra la falsa” como si fueran un examen que tu hijo puede pasar. O falla y se siente tonto, o pasa por suerte y se siente falsamente seguro. Las dos cosas son peores que aprender que la vista no alcanza. Plantea cada ejercicio alrededor de cómo averiguarlo, no de cómo adivinar.
¿Y en América Latina?
No encontramos estudios latinoamericanos que midan si los niños de la región distinguen contenido hecho con IA. Lo que sí se está moviendo es la ley sobre imágenes falsas. En Chile, la Cámara de Diputadas y Diputados aprobó en general, en julio de 2026, por 129 votos a favor, 2 en contra y 5 abstenciones, un proyecto que regula las deepfakes: el uso no consentido de IA para generar o difundir imitaciones realistas de la imagen, el cuerpo o la voz de una persona. Contempla multas de 5.000 a 10.000 UTM (entre 358 y 716 millones de pesos chilenos) y que los tribunales puedan ordenar retirar contenido. El proyecto volvió a comisión, así que todavía no es ley.
Ese tipo de ley protege cuando el daño ya ocurrió. La habilidad de preguntar “¿de dónde salió esto?” protege antes, y sirve igual en Santiago que en Bogotá o Guadalajara, en especial en los chats familiares de WhatsApp, por donde pasan tantas imágenes sin fuente. Para el panorama regional de los deepfakes, revisa deepfakes de menores: la perspectiva latinoamericana.
Qué observar en los próximos 3 meses
- Semana 4: Tu hijo dice “no sé, ¿de dónde salió?” al menos una vez sobre algo de internet. Ese es el comportamiento que buscas.
- Señales de alerta del mes 2: Afirmaciones muy seguras como “yo siempre sé cuándo es IA”. Compartir imágenes sorprendentes sin revisar. Tratar todo lo pulido como IA, o todo lo imperfecto como humano.
- Autoevaluación del mes 3: Muéstrale dos imágenes nuevas, una de IA y otra humana. Pregúntale cómo lo decidiría. Si la respuesta habla de fuente y evidencia y no de “las manos se ven raras”, la lección se quedó.
Preguntas frecuentes
¿Los niños pueden distinguir imágenes hechas con IA de las reales?
Por lo general, no de forma confiable. En un estudio de 2026, niños de 6 a 10 años quedaron al nivel del azar o por debajo al distinguir textos, imágenes, arte y caras hechos por IA de los hechos por personas, y muy por debajo de los adultos. Los adultos también batallan; un estudio de PNAS de 2022 encontró caras de IA indistinguibles de las reales.
¿A qué edad entienden los niños qué es la IA?
El estudio de 2026 encontró que el 95% de los niños de 6 a 10 años entendía que un agente de IA no está vivo. Pero entender el concepto no les ayudó a clasificar contenido. Los niños pueden captar desde chicos que las computadoras hacen dibujos y cuentos; juzgar de dónde viene una pieza concreta es otra habilidad que hay que enseñar.
¿El tiempo de pantalla hace que los niños detecten peor la IA?
El estudio vio que los niños con más uso de tecnología en casa, según sus papás, eran menos precisos. Es una correlación en una muestra pequeña, así que no prueba que las pantallas causen el problema. Sí sugiere que los que más usan aparatos no son automáticamente más hábiles, y que quizá son los que más se benefician de una enseñanza explícita.
¿Qué son las Content Credentials?
Son un estándar técnico abierto de la C2PA que agrega a una imagen o video un registro firmado criptográficamente sobre cómo se hizo y se editó. Cualquier alteración rompe la firma. Sirven cuando están, pero muchas imágenes no las traen y los metadatos se pueden borrar, así que la falta de etiqueta no significa que lo hizo una persona.
¿Le enseño a mi hijo a buscar manos raras y otras pistas de IA?
Un poco, como curiosidad, pero no te confíes. Los modelos se entrenan para eliminar esos errores, así que las pistas visuales caducan rápido. Un hábito más duradero es preguntar quién hizo algo y buscar la fuente original. Eso funciona sin importar qué tan buenos se vuelvan los modelos.
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
- Langer, A., Martinez, S., Marshall, P. J., & Chein, J. (2026). “Children’s susceptibility to content generated by artificial intelligence.” Technology in Society, 86, 103303. https://doi.org/10.1016/j.techsoc.2026.103303
- Nightingale, S. J., & Farid, H. (2022). “AI-synthesized faces are indistinguishable from real faces and more trustworthy.” Proceedings of the National Academy of Sciences, 119(8). https://doi.org/10.1073/pnas.2120481119
- Coalition for Content Provenance and Authenticity (C2PA). “FAQs.” https://c2pa.org/faqs/
- UNICEF Innocenti. (2025). “Guidance on AI and children, Version 3.0.” https://www.unicef.org/innocenti/reports/policy-guidance-ai-children
- Niu, T., Liu, H., Pang, P., Luo, Y. T., & Liu, T. (2026). “The role of generative AI in facilitating children’s creative thinking and cognitive development: a systematic scoping review.” Frontiers in Psychology, 17. https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2026.1880052/full
- CNN Chile. (2026, 23 de julio). “Con multas de hasta $716 millones: Cámara de Diputadas y Diputados aprueba proyecto que sanciona las deepfakes.” https://www.cnnchile.com/pais/con-multas-de-hasta-716-millones-camara-de-diputadas-y-diputados-aprueba-proyecto-que-sanciona-las-deepfakes/
