Adolescentes y IA: por qué las chicas empiezan con desventaja en las aulas

Introducción

A medida que la inteligencia artificial se consolida como una competencia clave en el mundo laboral y académico, cómo se enseña y aprende en las aulas se vuelve estratégico. Un estudio reciente, liderado por Zubair Ahmad y con más de 700 estudiantes de secundaria, detectó que la brecha de género se extiende también al aprendizaje de la IA: las adolescentes obtienen peores calificaciones y muestran menor confianza que sus pares varones.

Aunque la investigación se realizó en Qatar, la muestra incluyó alumnado de Asia, África, Oriente Medio y Europa, lo que sugiere que el problema no es exclusivo de un país, sino una percepción generalizada que tiene implicaciones para cualquier sistema educativo que busque formar talento diverso en tecnología.

Qué encontró el estudio

Los autores analizaron factores que influyen en el aprendizaje de herramientas y conceptos de inteligencia artificial. Entre las conclusiones principales están:

• Las estudiantes mujeres presentaron un rendimiento académico menor en asignaturas vinculadas a IA.
• La principal explicación no fue una diferencia en capacidad técnica, sino diferencias culturales y psicológicas, en particular una menor autoeficacia: las chicas confían menos en su capacidad para aprender y aplicar IA.
• La falta de modelos femeninos visibles en tecnología apareció como un factor determinante: sin referentes, muchas jóvenes no se perciben a sí mismas como parte de ese campo.
• En aulas donde se enseña informática, programación y robótica, es común que las estudiantes empiecen entusiasmadas pero que muchas abandonen progresivamente.

Zubair Ahmad resume la situación al señalar que el modelo a seguir femenino en tecnología es «mucho menor», lo que termina afectando la participación y la continuidad de las estudiantes.

Causas: confianza, referentes y contexto cultural

Especialistas en tecnologías educativas, como Estefanía Hita, enfatizan que la brecha no se trata de falta de habilidad sino de trayectoria. Las niñas y adolescentes suelen llegar a la enseñanza de la tecnología con menos experiencias previas, menos referentes y, por tanto, menos confianza.

La autoeficacia —la creencia en la propia capacidad para ejecutar una tarea— resulta determinante en áreas como la programación y la IA, donde el proceso de aprendizaje incluye prueba y error. Cuando la confianza es baja, el rendimiento cae y la probabilidad de abandonar cursos aumenta.

Además, existen factores sociales y de seguridad digital que también condicionan. Datos del informe Brecha digital de género 2025 de Red.es, que recoge cifras de 2023, muestran que sólo el 17,5% de la población ocupada en disciplinas STEM en España son mujeres, cifra apenas superior a la media europea. Otros informes previos, como el de Red.es 2024, indican que las mujeres confían menos en Internet y se sienten menos preparadas para riesgos de ciberseguridad: 40,7% de las mujeres aseguran confiar poco o nada en el entorno digital (frente al 37,7% de los hombres), y solo el 25,7% se siente bastante o totalmente preparada para afrontar problemas de seguridad en línea (vs. 38,7% de los hombres). El mismo informe señala además que el 67,8% de las víctimas de delitos sexuales cometidos en Internet son mujeres, un dato que subraya la dimensión de riesgo que muchas familias y jóvenes consideran al acercarse a espacios digitales.

Enseñar IA con enfoque experiencial e inclusivo

Para revertir estas dinámicas, Hita propone un enfoque educativo basado en la experiencia práctica: la confianza se construye haciendo. Cuando estudiantes crean una herramienta de IA, entienden su funcionamiento, reciben acompañamiento y tienen permiso para equivocarse y mejorar, el proceso favorece la autoeficacia.

Ahmad coincide en que es necesario replantear el modelo pedagógico: no basta con introducir contenidos técnicos; hay que atender factores psicológicos y sociales. Crear entornos de aprendizaje donde las alumnas puedan desarrollar confianza sin comparaciones ni barreras es clave para lograr inclusión real.

Algunas prácticas concretas que derivan de estas recomendaciones son:

• Proyectos prácticos y colaborativos donde las estudiantes lideren o tengan roles visibles en el diseño y evaluación de modelos de IA.
• Mentoring y exposición a referentes femeninos en tecnología, tanto locales como virtuales.
• Evaluaciones que reconozcan procesos y creatividad, no solo resultados técnicos inmediatos.
• Espacios de aprendizaje seguros respecto a acoso y riesgos digitales, con formación en ciberseguridad adaptada a estudiantes.

Riesgos y percepciones: equilibrio entre amenaza y oportunidad

El debate sobre IA en la educación también incluye temores legítimos: desde la reproducción de sesgos en modelos hasta usos maliciosos como la generación de imágenes sexualizadas de menores. Hita enfatiza que la respuesta no puede ser únicamente defensiva: la IA también puede mejorar la forma de aprender y trabajar si se enseña con criterio y salvaguardas.

Ignorar la brecha puede tener consecuencias a medio y largo plazo: si las jóvenes perciben que la IA «no es su terreno», es probable que eviten especializaciones y carreras técnicas, perpetuando la subrepresentación femenina en sectores que definirán buena parte del empleo futuro.

Implicaciones para América Latina y decisiones institucionales

Aunque los datos citados provienen de estudios y reportes realizados fuera de América Latina, las dinámicas descritas son pertinentes para la región. Sistemas educativos latinoamericanos enfrentan retos similares: escasez de referentes femeninos en STEM, limitaciones en acceso a experiencias prácticas y preocupaciones por seguridad digital en entornos escolares y familiares.

Para tomadores de decisión y líderes educativos en la región, las acciones prioritarias incluyen:

• Incorporar formación docente específica en IA y pedagogías inclusivas para identificar y corregir sesgos en el aula.
• Diseñar políticas que fomenten la participación de niñas desde la educación básica en proyectos STEAM con componentes prácticos de IA.
• Apoyar programas de mentoría que conecten estudiantes con mujeres profesionales en tecnología, desde el sector público, privado y la sociedad civil.
• Promover medidas de seguridad digital y campañas informativas para reducir el miedo y aumentar la preparación frente a riesgos en línea.

Estas medidas no requieren esperar grandes inversiones en infraestructura: muchas se implementan a través de capacitación, cambios curriculares y alianzas con empresas y universidades que puedan aportar referentes y casos prácticos.

Conclusión

La investigación sobre el aprendizaje de la IA en aulas secundarias subraya un punto clave: la brecha de género en tecnología tiene una fuerte componente cultural y pedagógica. No se trata de capacidades inferiores, sino de trayectorias marcadas por menor confianza, menos experiencias y escasez de modelos femeninos.

Corregir esto exige acciones educativas deliberadas: enseñar IA desde la práctica, proteger la seguridad digital de las estudiantes, aumentar la visibilidad de referentes femeninos y reconfigurar métodos de evaluación y acompañamiento. Para América Latina, estos cambios son una oportunidad para incubar talento diverso que participe activamente en la transformación digital, evitando que la IA se convierta en otro terreno donde las mujeres lleguen tarde o no lleguen en absoluto.