Scratch + Extensiones de IA: Cómo los Niños Añaden Machine Learning a Sus Programas

Una niña de segundo de primaria en la Ciudad de México construyó un programa que la distingue de su gato. Lo mostró en clase. Su maestra, con posgrado en educación, no pudo explicar cómo funcionaba.

Eso es Scratch con extensiones de IA — y la brecha entre lo que los niños pueden construir con estas herramientas y lo que los adultos asumen que los niños pueden entender sobre IA es genuinamente amplia ahora mismo.

Scratch es el entorno de programación visual gratuito del MIT, usado por más de 100 millones de personas en el mundo. Las extensiones de IA — principalmente la extensión ML4Kids (Machine Learning for Kids) y los bloques nativos de Texto a Voz y Detección de Video de Scratch — permiten a los niños conectar sus programas visuales a modelos reales de machine learning sin escribir una sola línea de código.

No son demostraciones de juguete. Los conceptos de ML que los niños encuentran — datos de entrenamiento, etiquetas, precisión del modelo y la tensión entre rendimiento en entrenamiento y rendimiento real — son los mismos conceptos con los que los ingenieros de ML profesionales trabajan.

Qué son realmente las extensiones de IA de Scratch

Las extensiones de Scratch son bloques adicionales que conectan los programas a capacidades extra. Las extensiones integradas incluyen Texto a Voz (el programa habla en voz alta), Traducir (traducción en tiempo real usando la API de Google) y Detección de Video (detectar movimiento con la cámara).

La extensión ML4Kids, creada por Dale Lane de IBM, va más lejos: conecta Scratch a un entorno de entrenamiento de machine learning donde los niños pueden construir y entrenar sus propios clasificadores, y luego usarlos dentro de sus proyectos de Scratch.

También hay herramientas de terceros que se integran estrechamente con Scratch:

• Teachable Machine (Google) — entrena un clasificador de imágenes, sonidos o poses en el navegador, luego usa el modelo en Scratch
• ML4Kids — plataforma completa que soporta clasificación de imágenes, texto, números y sonido con conexión a Scratch
• Bloques de IA de ScratchJr — bloques de IA simplificados para niños de 5–7 años

El flujo de trabajo, una vez configurado, funciona así:

1. El niño crea un conjunto de datos de entrenamiento (por ejemplo, toma 30 fotos de “manzana” y 30 de “plátano”)
2. Entrena el modelo (hace clic en un botón; espera 30 segundos)
3. Prueba el modelo (muestra objetos, observa qué predice)
4. Regresa a Scratch, usa un bloque como “cuando la cámara vea [manzana]: reproducir sonido de manzana”
5. Construye un juego o proyecto interactivo alrededor de las predicciones del modelo

Qué conceptos reales de ML aprenden los niños

Datos de entrenamiento. Los niños descubren de inmediato que el modelo solo sabe lo que le mostraron. Si entrenan un clasificador de “cara feliz” vs “cara triste” usando solo su propia cara, no reconocerá emociones en las caras de otras personas de manera confiable. Este es un encuentro concreto con un concepto fundamental de ML: el modelo es tan bueno como los datos con los que fue entrenado.

Etiquetas y clasificación. El proceso de decidir qué categorías entrenar (¿qué cuenta como “feliz”? ¿qué cuenta como “triste”?) obliga a los niños a pensar en cómo se definen las categorías.

Precisión del modelo. Después del entrenamiento, la plataforma muestra métricas de precisión. Los niños que no entienden estadísticas aun así comprenden “mi modelo adivina correctamente el 70% del tiempo.” Cuando usan el modelo en un proyecto, experimentan la brecha entre precisión en entrenamiento (generalmente alta) y rendimiento en el mundo real (generalmente menor). Esa brecha tiene un nombre en ML: sobreajuste (overfitting).

Iteración. Un modelo que no funciona bien en el proyecto motiva al niño a volver, añadir más datos de entrenamiento, corregir etiquetas o replantear el problema. Este es exactamente el ciclo de retroalimentación que los ingenieros de ML usan profesionalmente.

Sesgo. Los niños que entrenan con fuentes de datos limitadas se encuentran con esto directamente. Entrena un detector de caras con solo un tono de piel y no funcionará con otros. Esto se convierte en una conversación.

Guía de edad y experiencia para proyectos de IA con Scratch

Edad	Nivel	Extensiones recomendadas	Proyectos típicos
7–8 años	Principiantes absolutos	Video Sensing, Text-to-Speech	Mover sprites con movimiento de manos, hablar texto
9–10 años	Algo de experiencia con Scratch	Teachable Machine (imágenes, sonidos)	Clasificar objetos, reconocer aplausos vs chasquidos
11–13 años	Usuarios confiados de Scratch	ML4Kids completo, múltiples bloques de IA	Juegos con clasificadores, chatbots de texto
12–14 años	Listos para ir más allá de Scratch	Exportar modelos, comenzar Python	Preguntar “¿qué pasa dentro del modelo?”

Lo que dice la investigación sobre los resultados de aprendizaje de Scratch

Scratch ha sido estudiado más rigurosamente que la mayoría de las tecnologías educativas, en parte porque fue construido en el Media Lab del MIT y los investigadores allí han rastreado resultados desde su lanzamiento en 2007.

Un metaanálisis de 2023 en Computers & Education (Su & Yang) revisó 89 estudios sobre Scratch en entornos K-12 y encontró efectos positivos fuertes en el pensamiento computacional, particularmente para estudiantes de 8 a 12 años. El estudio encontró que el efecto fue más fuerte cuando los estudiantes construyeron proyectos elegidos por ellos mismos en lugar de seguir tutoriales prescritos.

La investigación longitudinal propia del Media Lab del MIT (Resnick y cols., múltiples artículos 2008–2022) ha documentado que los aprendices de Scratch desarrollan lo que los investigadores llaman “fluidez computacional” — no solo la capacidad de escribir código, sino el hábito de pensar sobre los problemas en términos computacionales.

Un estudio de 2021 específicamente sobre intervenciones de alfabetización en IA para estudiantes de secundaria (Long & Magerko, Georgia Tech) encontró que la experiencia práctica con herramientas de machine learning produjo una comprensión significativamente mejor de cómo la IA toma decisiones que ver demostraciones de IA o leer sobre IA.

Scratch IA vs. Google Teachable Machine — Qué es diferente

Característica	Scratch + ML4Kids	Google Teachable Machine
Edades	7+	9+
Código requerido	Ninguno (bloques visuales)	Ninguno (exportar/integrar)
Tipos de modelo	Imágenes, texto, sonido, números	Imágenes, sonido, postura corporal
Integración con proyectos	Directa en Scratch	Requiere paso de exportación
Interfaz de entrenamiento	Simple, orientada a niños	Más profesional
Retroalimentación de precisión	Básica	Detallada, con vista previa
Mejor para	Niños más pequeños, proyectos Scratch	Niños mayores, demos independientes
Privacidad	Opción de datos locales	Datos procesados por Google

El mejor punto de partida para la mayoría de las familias es Scratch + Teachable Machine juntos: usa Teachable Machine para el entrenamiento (es más visual y satisfactorio) y luego conecta el modelo a un proyecto de Scratch.

Cinco proyectos de IA que los niños pueden construir con Scratch esta semana

Piedra, papel o tijeras sin tocar el teclado

Entrena un clasificador de imágenes con tres categorías: mano mostrando piedra, papel, tijeras. Conecta a un juego de Scratch que “juega” contra el niño usando la cámara web. El juego detecta la señal de la mano y elige su propio movimiento. Los niños entienden inmediatamente los datos de entrenamiento — necesitan suficientes fotos de cada señal para que el modelo sea confiable.

Una “lámpara de humor” que responde a expresiones faciales

Entrena un clasificador: cara sonriente, cara triste, cara sorprendida. Conecta a sprites de Scratch que cambian de color o reproducen sonido según el humor detectado. Este proyecto lleva a experimentos inmediatos: ¿funciona con diferente iluminación? ¿Con otros miembros de la familia?

Un juego de sprites controlado por voz

Usando la extensión de Reconocimiento de Voz, un sprite responde a palabras habladas (“salta”, “corre”, “para”). El niño diseña el juego; la IA maneja la detección de voz. Esto no requiere entrenamiento — usa un modelo pre-construido.

Un chatbot clasificador de “palabras amables / palabras hirientes”

Entrena un clasificador de texto con ejemplos de mensajes amables y mensajes hirientes. Construye un chatbot de Scratch que responde diferente según en qué categoría cae la entrada. Este proyecto lleva a conversaciones importantes sobre cómo los datos de entrenamiento definen lo que “amable” significa para el modelo.

Un identificador de naturaleza para caminatas al aire libre

Toma fotos al aire libre de diferentes plantas, insectos o pájaros. Entrena un clasificador con tres o cuatro especies locales. Construye un proyecto donde el niño acerca la cámara a algo afuera y el programa intenta identificarlo. Este proyecto casi siempre falla más de lo que acierta — lo cual es el punto, y la conversación que genera sobre las limitaciones del modelo es valiosa.

Qué observar en tres meses

En las primeras sesiones, el aprendizaje está sucediendo aunque el niño no parezca “estudiar” nada. Observa momentos en que empiezan a explicar por qué un modelo está equivocándose — eso es el concepto de limitaciones de datos de entrenamiento encajando.

Hacia las semanas cuatro a seis, un niño que ha construido dos o tres proyectos de IA con Scratch comenzará a hacer predicciones sobre nuevos modelos antes de probarlos. “Creo que no funcionará porque solo tomé fotos en mi cuarto.” Eso es intuición genuina de ML.

Hacia el mes tres, la pregunta más reveladora es: “Cuando entrenaste tu modelo, ¿qué decisiones tomaste?” Si pueden describir sus elecciones de datos de entrenamiento y conectar esas elecciones con el comportamiento del modelo, entienden algo que la mayoría de los adultos que usan productos de IA a diario no entienden.

Preguntas frecuentes

¿A qué edad es apropiado Scratch + IA?

Los bloques básicos de detección de video y texto a voz funcionan para niños tan pequeños como 6–7 años con apoyo de adultos. Los proyectos de entrenar tu propio modelo son mejores para niños de 9+ de forma independiente.

¿Mi hijo necesita saber Scratch antes de probar las extensiones de IA?

Para proyectos de ML4Kids y Teachable Machine, algo de experiencia con Scratch ayuda — idealmente uno o dos meses de proyectos básicos. Para las extensiones más simples (Detección de Video, Texto a Voz), un principiante puede seguir adelante.

¿Tiene algún costo?

Scratch es gratuito. ML4Kids es gratuito. Teachable Machine es gratuito. Solo se necesita una computadora con cámara (para proyectos de imágenes/poses) o micrófono (para proyectos de sonido) y un navegador.

¿Cómo se compara Scratch IA con que los niños solo jueguen con ChatGPT?

Son experiencias de aprendizaje diferentes. Scratch IA enseña cómo se construyen los modelos de machine learning — datos de entrenamiento, etiquetas, precisión. Jugar con ChatGPT (o ser usuario de IA) enseña prompting y evaluación de resultados pero no expone la mecánica subyacente. Ambas son valiosas; Scratch IA proporciona una ventana mucho más clara sobre cómo funcionan realmente los sistemas de IA.

¿Puede mi hijo pasar de Scratch IA a machine learning real más adelante?

Sí, y es un camino natural. Scratch IA introduce el vocabulario y las intuiciones. Python con scikit-learn o TensorFlow los aplica en un entorno de programación real. Muchos niños que empiezan con Scratch IA encuentran los cursos de ML en Python más fáciles porque los conceptos no son nuevos — solo las herramientas de implementación lo son.

---

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. 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

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

3. 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

4. Maloney, J., Resnick, M., Rusk, N., Silverman, B., & Eastmond, E. (2010). “The Scratch programming language and environment.” ACM Transactions on Computing Education, 10(4), 16. https://doi.org/10.1145/1868358.1868363

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

6. Lane, D. (2023). Machine Learning for Kids. IBM. https://machinelearningforkids.co.uk/

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

Lectura relacionada: por qué programar es la nueva alfabetización en 2026 y actividades de programación sin computadora para niños.