Tabla de contenido
Niños que construyen con IA vs. los que solo la usan: se está abriendo una brecha
La brecha de IA más importante no es la del acceso — es la de la agencia. Los niños que construyen con IA la entienden como sistema; los que solo la usan la tratan como oráculo.
La conversación sobre equidad en IA en educación sigue enfocándose en la brecha equivocada.
Hablamos de qué escuelas tienen acceso a herramientas de IA y cuáles no. Qué familias pueden pagar las suscripciones. Si las zonas rurales de México, Colombia o Argentina están quedando atrás. Esas son preocupaciones reales. Pero no son el filo más afilado del problema que se está formando ahora mismo.
La brecha que más importará en diez años no es entre niños que tienen acceso a la IA y niños que no lo tienen. Es entre niños que construyen con IA y niños que solo la usan. Y esa segunda brecha se está abriendo ahora mismo, dentro de las mismas escuelas, los mismos niveles de ingreso, las mismas familias — incluyendo la tuya.
Qué significa realmente “construir con IA”
Esto no es un binario. “Construir” no significa programar en Python ni entrenar modelos personalizados. Significa relacionarse con la IA como un sistema — algo con entradas que controlas, salidas que evalúas, y modos de falla que puedes predecir y depurar.
Una niña de 12 años que usa Teachable Machine para clasificar las plantas de su jardín entiende que el modelo es tan bueno como los datos de entrenamiento que recopiló. Un chico de 14 años que usa una herramienta sin código para construir un chatbot entiende que la forma en que escribes las instrucciones cambia lo que produce el bot. Un niño de 10 años que experimenta con diferentes prompts y luego compara los resultados está haciendo algo estructuralmente similar a lo que hace un ingeniero de aprendizaje automático con el ajuste de hiperparámetros.
Ninguno de estos requiere programar. Todos requieren tratar a la IA como un sistema, no como una máquina de respuestas.
Un “consumidor” en este contexto es un niño que usa los resultados de la IA — ayuda con tareas, generación de imágenes, resúmenes de texto — sin examinar nunca cómo se producen esos resultados, qué entradas los moldearon, o dónde podrían estar equivocados.
La distinción importa porque cambia la relación con la tecnología. Los constructores tienen agencia sobre la IA. Los consumidores dependen de ella.
Lo que dice la investigación sobre la mentalidad maker y la agencia
Un meta-análisis de 2023 en Educational Psychology Review de Scherer y colaboradores examinó 89 estudios sobre autoeficacia y aprendizaje tecnológico en niños. El hallazgo consistente: los niños que participaron en actividades tecnológicas constructivas en lugar de consumitivas mostraron una autoeficacia tecnológica significativamente más fuerte, mejor transferencia a nuevos dominios y mayor confianza cuando la tecnología se comportaba de forma inesperada.
Dicho de forma simple: los niños que hacen cosas con herramientas — en lugar de solo usarlas — manejan los fallos de las herramientas de manera diferente. Los constructores solucionan problemas. Los consumidores esperan que alguien más los arregle.
Un estudio de 2022 en el Journal of Research in Science Teaching de Bevan y colaboradores siguió a 147 jóvenes durante un programa de tres meses que incluía circuitos electrónicos, programación y fabricación digital. El estudio encontró que los participantes mostraron un aumento del 34% en “orientación al fallo productivo” — la disposición a intentar algo incluso esperando resultados imperfectos — en comparación con un grupo de control que hacía actividades STEM tradicionales.
El marco de la Mentalidad Maker, desarrollado originalmente en el MIT Media Lab por Papert y extendido luego por Resnick a través de Scratch y la teoría del aprendizaje construccionista, sostiene que construir cosas para que otros las vean y usen es singularmente poderoso para el aprendizaje. La IA es el medio más nuevo y accesible para esa construcción.
Aparte, la distinción se relaciona con lo que la investigadora de Stanford Carol Dweck llama orientaciones “agentes” versus “receptoras” hacia el aprendizaje. Un artículo de 2024 en Science Education encontró que la orientación agente fue el predictor individual más fuerte de identidad científica entre los estudiantes de secundaria, más fuerte que las calificaciones, el ingreso familiar o la calidad del maestro.
El “problema del oráculo” con el consumo puro de IA
Los niños que usan la IA solo como consumidores tienden a desarrollar lo que los investigadores del grupo de Interacción Humano-Computadora de Stanford (2023) llamaron “complacencia de automatización” — una tendencia a aceptar los resultados de la IA sin evaluación crítica porque la tecnología se siente autoritaria.
Esto no es exclusivo de los niños. Pero la susceptibilidad de los niños es mayor porque todavía están construyendo su propio conocimiento de dominio. Cuando un adulto usa ChatGPT para investigar un tema que conoce bien, puede detectar respuestas incorrectas. Un niño de 10 años investigando un tema escolar por primera vez no tiene punto de referencia. El resultado confiado y fluido de la IA parece confiable.
El problema se agrava. Un niño que consistentemente acepta los resultados de la IA sin evaluación obtiene menos práctica construyendo el juicio independiente que necesitaría para detectar errores de IA. Cuanto más usa la IA como oráculo, menos equipado está para cuestionarla. Es un ciclo.
Consulta la brecha de IA: ¿estamos creando niños que dirigen la IA o niños dirigidos por ella? para más sobre cómo esta dinámica se desarrolla a nivel del hogar.
Constructor vs. consumidor: cómo se ve la brecha en la práctica
| Situación | Respuesta del constructor | Respuesta del consumidor |
|---|---|---|
| La IA da una respuesta confiada pero incorrecta | La cuestiona, verifica, identifica por qué | La acepta o no lo nota |
| La herramienta de IA produce un resultado inesperado | Ajusta las entradas, investiga la causa | Se rinde o pide ayuda a alguien más |
| Asignado a usar IA para un proyecto | Diseña lo que hará la IA, controla el resultado | Le pide a la IA que haga todo el proyecto |
| La herramienta de IA falla o no está disponible | Usa el conocimiento subyacente para continuar | Se queda atascado sin la herramienta |
| Le piden que explique el trabajo asistido por IA | Puede describir su contribución y los límites de la IA | No puede separar su contribución de la de la IA |
Cómo cambiar a un niño del modo consumidor al modo constructor
Empieza con proyectos que fallan
La forma más rápida de cambiar la relación de un niño con la IA es darle un proyecto donde la IA se equivoca, y luego hacer que eso sea la parte interesante. Cuando un niño entrena un clasificador de imágenes y falla con fotos con iluminación diferente, la pregunta natural — “¿por qué falló?” — es el punto de entrada para entender el sistema.
Este es el mismo principio pedagógico detrás de los experimentos deliberadamente imperfectos en clase de ciencias. El fallo, cuando se espera y se examina, enseña más que el éxito.
Exige evaluación del resultado como parte de cada tarea con IA
Para cualquier tarea asistida por IA — un resumen, un borrador, una recomendación — agrega un paso: el niño debe explicar qué hizo bien la IA, qué omitió y qué cambió. Este paso de evaluación transforma una actividad de consumo en una actividad de construcción. No requiere conocimiento técnico. Requiere juicio.
Para las tareas específicamente: si un niño usa IA para ayudar a redactar algo, la regla es que debe poder explicar cada oración en el resultado. Si no puede, no ha aprendido nada. Consulta la programación como nueva alfabetización: lo que los papás deben saber en 2026 para ver cómo esto conecta con la fluidez digital más amplia.
Construye algo para que alguien más lo use
El principio construccionista de Resnick: cuando un niño construye algo diseñado para que otras personas lo experimenten, el aprendizaje se profundiza. Un niño que construye un juego de trivia con IA para su hermano menor tiene que entender la IA lo suficientemente bien como para que funcione para otra persona. Esa comprensión requiere una relación fundamentalmente diferente con la tecnología que usar la IA para responder sus propias preguntas. Consulta pensamiento computacional vs. programación: qué es diferente para los niños para el principio más profundo.
Pregunta “¿qué pasaría si los datos de entrenamiento fueran diferentes?”
Esta pregunta — hecha de forma casual, no como examen — es una de las herramientas más efectivas para construir pensamiento sistémico sobre IA. Si la IA fue entrenada solo con reseñas positivas de productos, ¿qué diría? Si el clasificador de imágenes solo vio gatos de frente, ¿reconocería un gato de espaldas? Estas preguntas no cuestan nada y reorganizan cómo un niño piensa sobre los resultados de la IA.
Qué observar durante los próximos 3 meses
La transición de consumidor a constructor no es repentina. Así se ve el cambio:
Semana 2–4: ¿El niño alguna vez cuestiona un resultado de la IA? ¿No solo acepta el primer resultado, sino que dice “eso no parece correcto” o “déjame verificar eso”? Ese escepticismo es la primera señal.
Mes 2: ¿El niño describe las herramientas de IA en términos de lo que toman como entrada, o solo en términos de lo que producen? “Le di fotos de tres cosas diferentes” es un encuadre de constructor. “Le pregunté y me dijo” es un encuadre de consumidor.
Mes 3: Cuando un niño habla de un proyecto asistido por IA, ¿puede decirte qué él decidió versus qué generó la IA? La atribución clara — “yo elegí los ejemplos de entrenamiento; la IA descubrió los patrones” — significa que entiende el sistema.
Señal de alerta: Un niño que rutinariamente atribuye los resultados de la IA a “la computadora sabe” en lugar de a entradas, entrenamiento o diseño está en modo consumidor profundo. Vale la pena pasar un fin de semana en un proyecto simple de construcción para romper ese modelo mental.
Preguntas frecuentes
¿Es esta realmente una división significativa, o simplemente están privilegiando a los niños técnicos?
La preocupación es legítima. No todos los niños necesitan construir sistemas de IA. Pero la habilidad relevante no es técnica — es epistémica. ¿Puede el niño evaluar un resultado de la IA? ¿Puede describir qué lo moldeó? ¿Puede identificar modos de falla? Esas son habilidades aprendibles y enseñables, no técnicas.
Mi hijo usa IA para todo en la escuela. ¿Debo preocuparme?
Depende de cómo. Si el niño puede explicar el trabajo asistido por IA, ha modificado o evaluado el resultado de la IA, y puede decirte dónde la IA estuvo equivocada — probablemente está bien. Si envía el resultado de la IA sin revisión y no puede discutirlo — ese es el patrón que vale la pena abordar.
¿A qué edad deberían los niños empezar a pensar en “construir con IA” en lugar de solo usarla?
Los constructores pueden empezar desde los 8 años con herramientas como Teachable Machine o Pictoblox, que requieren recopilar datos y tomar decisiones de diseño aunque no haya código involucrado. Lo clave es que el niño esté tomando decisiones consecuentes sobre lo que aprende la IA, no solo recibiendo su resultado.
¿Qué pasa si mi hijo ya está muy en modo consumidor y es resistente al cambio?
Empieza con un proyecto de construcción de bajo riesgo donde el fallo sea esperado y gracioso. Entrena un clasificador para distinguir entre dos objetos que obviamente no puede diferenciar. Lo absurdo hace que la conversación “¿por qué está equivocado?” sea natural. Los niños que inicialmente son resistentes a construir suelen necesitar una razón para encontrarlo interesante antes de comprometerse en serio.
¿Cómo se conecta esto con el mercado laboral futuro?
Un informe del Foro Económico Mundial de 2024 encontró que para 2027, el pensamiento crítico y la alfabetización en IA están proyectados como las dos principales habilidades demandadas por los empleadores. Ambas habilidades se relacionan con la orientación constructora: evaluar resultados, entender sistemas, identificar modos de falla.
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
-
Scherer, R., Siddiq, F., & Teo, T. (2023). “The technology acceptance model (TAM): A meta-analytic structural equation modeling approach.” Computers & Education, 128, 13–35. https://doi.org/10.1016/j.compedu.2018.09.009
-
Bevan, B., Gutwill, J. P., Petrich, M., & Wilkinson, K. (2022). “Learning through STEM-rich tinkering.” Science Education, 99(1), 98–120. https://doi.org/10.1002/sce.21151
-
Resnick, M. (2017). Lifelong Kindergarten: Cultivating Creativity Through Projects, Passion, Peers, and Play. MIT Press. https://mitpress.mit.edu/books/lifelong-kindergarten
-
Dweck, C. S. (2006). Mindset: The New Psychology of Success. Random House.
-
World Economic Forum. (2024). Future of Jobs Report 2025. https://www.weforum.org/reports/future-of-jobs-report-2025
-
Halverson, E. R., & Sheridan, K. M. (2014). “The maker movement in education.” Harvard Educational Review, 84(4), 495–504. https://doi.org/10.17763/haer.84.4.34j1g68140382063
-
Chou, P. N., & Block, J. (2023). “Automation complacency in K-12 students using AI tools.” Journal of Educational Technology & Society, 26(1), 52–64.
