Más chicas en FP industrial no es un sueño, es una decisión. Así puede ayudar la IA a detectar talento STEM, orientar sin sesgos y llenar de mujeres la FP tecnológica.
La cifra es tozuda: en ciclos medios de FP de fabricación mecánica en España, solo un 3,7% del alumnado son mujeres. En instalación y mantenimiento, un 2,2%. Mientras tanto, la industria metalúrgica sigue ofreciendo algunos de los empleos más estables y mejor pagados del mercado laboral español.
Y, aun así, muchas chicas siguen sintiendo que “eso no es para ellas”. Aquí es donde se cruzan dos debates clave para la educación en España en 2025: la brecha de género en la FP industrial y el uso de IA para un aprendizaje realmente personalizado que ayude a romper esos techos de cristal desde la escuela.
En este artículo, parto de la historia de Denisse, una alumna que pasó de querer ser “esteticién” a ganar concursos de mecánica industrial, para aterrizar en algo muy concreto: cómo la IA en la educación española puede ayudar a que más chicas se vean, de verdad, en una FP tecnológica o industrial, con orientación personalizada, referentes cercanos y datos objetivos sobre oportunidades laborales.
1. Denisse y las otras: por qué las chicas casi no llegan a la FP industrial
El problema está claro: las chicas apenas se matriculan en FP STEM, especialmente en los ciclos más ligados a la industria.
Los datos del Ministerio de Educación muestran porcentajes de alumnas muy bajos en ciclos medios como:
- Instalación y mantenimiento: 2,2% de mujeres
- Fabricación mecánica: 3,7%
- Electricidad y electrónica: 3,4%
- Informática y comunicaciones: 7,2%
En cambio, en familias como Imagen Personal o Servicios Socioculturales a la Comunidad, la presencia femenina supera fácilmente el 80-90%. Y esas son, justo, las titulaciones con peores salarios y más precariedad.
La historia de Denisse resume bien el choque:
“Pensé en hacer Estética porque, siendo chica, me parecía lo normal. Luego miré las salidas laborales y vi que eran flojas. Me animé con Mecanizado y descubrí que me encantaba… y además se me daba bien”.
Lo interesante es que no cambió solo de ciclo, cambió de marco mental:
- Pasó de un itinerario muy feminizando a uno ultra masculinizado.
- Descubrió un talento que ni ella misma conocía.
- Compitió en un concurso de mecanizado con hombres más mayores y con experiencia… y ganó.
Esto no es una anécdota aislada. El proyecto “Somos las FP (Futuras Profesionales)”, desarrollado en centros de Gipuzkoa y Navarra, encuestó a 3.300 alumnas de FP y confirmó varios frenos muy claros.
2. Qué frena a las chicas: estereotipos, falta de referentes y autoexigencia
Si queremos usar bien la IA para apoyar la elección de estudios en Secundaria y FP, hay que entender primero qué está fallando en la toma de decisiones.
El proyecto “Somos las FP” detecta tres grandes razones de la brecha de género en FP STEM:
2.1. Estereotipos muy arraigados
Muchas chicas reciben, desde pequeñas, mensajes explícitos o implícitos de que:
- La mecánica, el metal o la electricidad “son cosas de hombres”.
- Lo “normal” para ellas es el cuidado, la estética, la atención a personas.
- Elegir algo técnico se percibe como raro en su entorno.
Estos mensajes vienen de todos lados: familia, profesorado, televisión, redes sociales y, cómo no, del propio patio del instituto. Cuando llegan a 4º de ESO, la inercia pesa más que el interés real.
2.2. Falta de referentes cercanos y reales
Cuando se habla de mujeres y tecnología, se suele sacar siempre a las “grandes científicas” de manual. El problema es que para una chica de 15 años, eso queda lejísimos.
Lo que funciona de verdad son referentes tipo:
- Una soldadora de su comarca que vive bien de su trabajo.
- Una técnica de mantenimiento industrial que se ha independizado a los 23.
- Una programadora de CNC que salió de su mismo instituto.
El estudio señala que las alumnas necesitan ver mujeres reales en estos entornos, y verlas pronto, idealmente antes de 2º de ESO.
2.3. Autoexigencia y baja confianza en ciencias
Otro dato que llama la atención: muchas chicas creen que no son lo bastante buenas en matemáticas o tecnología para entrar en FP STEM, aunque sus notas sean perfectamente válidas.
La autoexigencia juega en contra:
- Si no sacan sobresalientes, sienten que “no valen” para esas ramas.
- Mientras tanto, muchos chicos con notas medias sí se atreven.
Este desajuste entre talento real y autopercepción es justo uno de los puntos donde la IA educativa bien diseñada puede marcar una diferencia enorme.
3. Dónde entra la IA: orientación académica personalizada con perspectiva de género
La realidad es que un orientador u orientadora no puede dedicar horas individuales intensivas a cada alumno de 4º de ESO o FP Básica. No hay tiempo material. La IA, usada con cabeza, puede cubrir parte de ese hueco.
3.1. Plataformas adaptativas que detectan talento STEM oculto
Un buen sistema de aprendizaje personalizado con IA puede:
- Analizar el rendimiento del alumnado en matemáticas, tecnología, física, dibujo técnico, etc.
- Detectar patrones: precisión al resolver problemas, capacidad espacial, rapidez para entender procesos mecánicos.
- Presentar al alumnado, de forma clara, sus fortalezas en relación con distintos itinerarios de FP.
¿Resultado práctico para una chica como Denisse?
- No solo ve que aprueba las mates: la plataforma le muestra que está en el percentil 80 en razonamiento espacial o en resolución de problemas técnicos.
- El sistema le sugiere ciclos como Mecanizado, Mecatrónica o Mantenimiento industrial con datos objetivos, no con estereotipos.
3.2. Sistemas de recomendación con sesgo corregido
Muchos recomendadores “naïf” tienden a reproducir sesgos del pasado. Si su entrenamiento se basa solo en historiales donde las chicas iban a Estética y los chicos a Mecánica, el sistema recomendará lo mismo.
La clave está en diseñar modelos que:
- Incorporen explícitamente el objetivo de diversificar la presencia de género por familias profesionales.
- No utilicen el género como variable para limitar recomendaciones, sino para detectar y compensar sesgos.
- Presenten opciones donde el talento demostrado encaje, aunque históricamente pocas mujeres hayan entrado.
Aquí es donde los equipos de orientación, TIC y dirección tienen que exigir transparencia: la IA en educación no puede ser una caja negra que perpetúe desigualdades.
3.3. Simuladores de carreras y salidas laborales con datos reales
Otro punto crítico en el caso de Denisse fue comparar salidas laborales entre Estética y Mecanizado.
Una plataforma de orientación basada en IA puede mostrar, para cada ciclo de FP:
- Tasas de empleabilidad a 6, 12 y 24 meses de acabar.
- Salarios medios iniciales y a 5 años.
- Porcentaje de contratos indefinidos.
- Posibilidades reales de emprendimiento.
Presentado de forma visual e interactiva, esto tiene mucho más impacto que una charla genérica. Cuando una alumna ve que:
- Estética y Belleza tiene alta ocupación pero salarios bajos y alta rotación.
- Fabricación Mecánica ofrece salarios más altos, convenios fuertes y estabilidad.
…empieza a cuestionar qué es realmente “natural” para ella.
4. IA para mostrar referentes y derribar miedos en FP industrial
No basta con decirle a una chica que “vale para esto”. Tiene que verse en el entorno, imaginarse trabajando en un taller, una planta o una empresa de automatización sin sentir que va a estar sola o fuera de lugar.
4.1. Contenidos personalizados con mujeres de FP STEM
Aquí la IA puede ayudar a personalizar los referentes:
- Recomendando vídeos, testimonios y microdocumentales de mujeres técnicas que se parezcan a la alumna en contexto: misma comunidad autónoma, entorno rural/urbano, origen migrante o no…
- Mostrando recorridos vitales completos: de FP Básica a ciclo medio, luego ciclo superior y, si procede, universidad o especialización.
- Adaptando el contenido al momento: no es lo mismo una alumna de 1º de ESO que una de 2º de Bachillerato.
La diferencia entre enseñar un vídeo genérico de “mujeres en tecnología” y mostrarle a una chica de un pueblo de Navarra a una técnica de mantenimiento que estudió en el mismo centro es brutal.
4.2. Entornos de práctica virtual sin juicio
Muchas alumnas expresan miedo a “meter la pata” en talleres llenos de chicos. Las herramientas de simulación con IA y realidad virtual/aumentada pueden suavizar esa primera barrera:
- Simular un torno CNC, una línea de montaje o una instalación eléctrica sin presión social.
- Recibir feedback automático, preciso y neutro, centrado en la tarea, no en quién eres.
- Repetir procesos las veces que haga falta antes de enfrentarse al taller real.
Cuando llegan al ciclo de FP, llegan con más confianza técnica, y eso reduce el impacto de los posibles comentarios machistas de compañeros (que, aunque vayan a menos, aún existen).
5. Qué pueden hacer hoy centros, profesorado y administraciones
La buena noticia es que no hay que esperar diez años para empezar. Con lo que ya existe en 2025 en IA educativa, un centro de FP o un instituto puede dar pasos muy concretos.
5.1. Para los centros educativos
- Implantar plataformas de aprendizaje adaptativo en matemáticas y tecnología en ESO y FP Básica, con informes específicos para orientación.
- Usar sistemas de recomendación de itinerarios que permitan filtrar y revisar sesgos antes de mostrar sugerencias al alumnado.
- Crear, con apoyo de IA, bancos de testimonios de antiguas alumnas de FP industrial y tecnológica, organizados por perfiles.
5.2. Para orientadores y tutores
- Aprovechar los datos generados por la IA para conversaciones uno a uno con chicas que muestran talento STEM pero dudas de confianza.
- Trabajar en tutoría, desde 1º de ESO, la lectura crítica de estereotipos de género en profesiones.
- Incorporar actividades donde el alumnado responda a la pregunta: “Si solo miraras tus capacidades y las salidas laborales, ¿qué elegirías?” y contrastarla con lo que “se espera” de ellas.
5.3. Para administraciones y equipos directivos
- Exigir a proveedores de soluciones de IA educativa criterios claros de equidad de género.
- Financiar proyectos piloto, como “Somos las FP”, que combinen orientación, igualdad de género e IA en FP.
- Medir de forma transparente la evolución del porcentaje de alumnas en FP STEM y publicar buenos ejemplos de centros que mejoran.
6. Hacia una FP industrial donde las chicas no sean “la única”
La historia de Denisse no debería ser excepcional. Debería ser normal que una chica de 16 años en España vea mecatrónica, mecanizado, mantenimiento industrial o programación de robots como opciones tan naturales para ella como Estética o Atención Sociosanitaria.
La IA, bien usada, no va a resolver sola la brecha de género en la FP industrial, pero puede ser una aliada potente para:
- Detectar talento STEM femenino que hoy pasa desapercibido.
- Ofrecer orientación académica personalizada basada en datos, no en tópicos.
- Presentar referentes cercanos y realistas que cambien el “eso no es para mí” por un “¿y por qué no?”.
Si estás en un centro educativo, en una administración o en una empresa del sector industrial, la pregunta ya no es si la IA llegará a las aulas, sino cómo la vas a utilizar para que más chicas encuentren su sitio en la FP tecnológica e industrial.
El siguiente paso es claro: revisar qué herramientas tenéis, qué datos ya generáis y qué estrategias de igualdad estáis aplicando… y preguntaros si están ayudando, de verdad, a que la próxima Denisse de vuestro centro no sea “la única”, sino una más en un aula equilibrada.