PTENES
Ruta 1

🌱 Fundamentos de la IA

Construye una base sólida en inteligencia artificial. Comprende el panorama actual, domina la ingeniería de prompts y aprende sobre contexto y automatización para transformar tu carrera y tus proyectos.

5
Módulos
30
Temas
~6h
Duración
Básico
Nivel
1.1 ~30 min

🌊 El tsunami de la IA

Qué es: Los modelos de lenguaje de gran escala (LLM) son redes neuronales entrenadas con vastos conjuntos de texto para comprender, generar y manipular el lenguaje humano. Algunos ejemplos son GPT, Claude, LLaMA y Gemini.
Por qué aprender: Los LLM son la base de la revolución actual en IA generativa. Comprender cómo funcionan te permite usar estas herramientas con más eficiencia e identificar oportunidades reales de aplicación en tu trabajo.
Conceptos clave: Tokens y tokenización, ventana de contexto, preentrenamiento y fine-tuning, mecanismo de atención (Transformers), inferencia y temperatura.
Qué es: El crecimiento exponencial describe la velocidad con la que ha avanzado la IA: cada 6-12 meses aparecen modelos mucho más capaces, con costos en descenso y mayor accesibilidad.
Por qué aprender: Entender la naturaleza exponencial evita sorpresas. Quienes subestiman la velocidad del cambio se quedan atrás. Quienes la comprenden pueden posicionarse estratégicamente.
Conceptos clave: Ley de Moore aplicada a la IA, scaling laws, mejoras en benchmarks, comoditización de modelos, velocidad de adopción comparada con tecnologías anteriores.
Qué es: La historia de la IA comienza en los años 1950 con Alan Turing y el Test de Turing, pasa por inviernos y renacimientos, hasta llegar a la era de los Transformers (2017) y de la IA generativa actual.
Por qué aprender: Conocer la historia ayuda a entender por qué estamos en este punto y a no repetir errores del pasado. También aporta contexto para evaluar las promesas y los límites de la tecnología.
Conceptos clave: Prueba de Turing, inviernos de la IA, machine learning clásico, deep learning, Transformers, GPT y la era generativa, hitos históricos (AlphaGo, ChatGPT).
Qué es: La convergencia tecnológica se refiere a la combinación simultánea de avances en IA, computación en la nube, big data, IoT y conectividad, que juntos crean un escenario de transformación sin precedentes.
Por qué aprender: La IA no existe de forma aislada. Entender las fuerzas convergentes permite identificar oportunidades de innovación donde se cruzan las tecnologías.
Conceptos clave: Computación en la nube, macrodatos, APIs, 5G y conectividad, economía de plataformas, ecosistemas digitales, efectos de red.
Qué es: La IA está transformando prácticamente todos los sectores de la economía. Las finanzas usan IA para detectar fraudes, la salud para el diagnóstico por imágenes, la educación para personalizar la enseñanza, y así sucesivamente.
Por qué aprender: Independientemente de tu área de trabajo, la IA tendrá un impacto directo. Conocer los impactos sectoriales te permite anticipar cambios y prepararte profesionalmente.
Conceptos clave: FinTech e IA, HealthTech, EdTech, AgriTech, LegalTech, automatización industrial, logística inteligente, marketing predictivo.
Qué es: Estrategias prácticas para posicionarte de forma ventajosa ante la ola de IA: adoptar una mentalidad de aprendizaje continuo, experimentar con herramientas y crear proyectos reales.
Por qué aprender: Saber que el cambio se acerca no basta: hay que actuar. Este tema transforma el conocimiento en acciones concretas para tu carrera.
Conceptos clave: Mentalidad de crecimiento, aprendizaje continuo, portafolio de proyectos, networking en IA, primeros pasos prácticos, mentalidad de experimentación.
Ver completo
1.2 ~35 min

💼 Transformación digital y mercado laboral

Qué es: La Cuarta Revolución Industrial (Industria 4.0) es la fusión de tecnologías físicas, digitales y biológicas: IA, robótica, IoT, biotecnología y computación cuántica convergen para transformar todos los aspectos de la sociedad.
Por qué aprender: Estamos viviendo esta revolución ahora. A diferencia de las anteriores, avanza de forma exponencial y afecta a todas las profesiones simultáneamente.
Conceptos clave: Industria 4.0 (Klaus Schwab), convergencia físico-digital, sistemas ciberfísicos, disrupción tecnológica, velocidad vs. amplitud del impacto.
Qué es: Según el Foro Económico Mundial, para 2027 la automatización eliminará 9 millones de empleos y creará 11 millones de nuevos puestos, lo que dará como resultado un saldo positivo, pero exigirá una recapacitación masiva.
Por qué aprender: Saber qué empleos están en riesgo y cuáles están surgiendo te permite planificar tu carrera estratégicamente e invertir en las habilidades adecuadas.
Conceptos clave: Future of Jobs Report (WEF), reskilling y upskilling, empleos en riesgo, empleos emergentes, transición de carrera, brecha de habilidades.
Qué es: Las investigaciones indican que el 70% de las habilidades que exige el mercado laboral cambiará significativamente para 2030. Las habilidades técnicas tendrán una vida útil cada vez más corta, mientras que las habilidades humanas cobrarán importancia.
Por qué aprender: Invertir en las habilidades adecuadas es la mejor protección contra la obsolescencia profesional. Entender esta dinámica es esencial para cualquier plan de carrera.
Conceptos clave: Vida media de las habilidades, habilidades duras vs. habilidades blandas, pensamiento crítico, creatividad, inteligencia emocional, adaptabilidad, alfabetización digital.
Qué es: Algunos sectores están transformándose más rápidamente: finanzas (trading algorítmico, análisis de riesgos), manufactura (robótica y mantenimiento predictivo), salud (diagnóstico asistido por IA) y servicios (atención automatizada).
Por qué aprender: Si trabajas en alguno de estos sectores, la urgencia de adaptarte es aún mayor. Si no, entender estos casos te ayuda a anticipar lo que llegará a tu área.
Conceptos clave: Automatización financiera, Industria 4.0 en la manufactura, IA en el diagnóstico médico, chatbots y atención al cliente, transformación en el comercio minorista, impacto en el sector jurídico.
Qué es: El modelo T-Shaped describe a profesionales con profundidad en un área de especialización (la barra vertical de la T) y amplitud de conocimientos en áreas complementarias (la barra horizontal), incluida la IA.
Por qué aprender: En el mercado actual, ser solo especialista o solo generalista no basta. El modelo T-Shaped + IA es la fórmula para volverte indispensable.
Conceptos clave: Profesional en T, profesional en Pi, especialización frente a generalización, combinación única de habilidades, IA como multiplicador de competencias.
Qué es: La alfabetización en IA (AI Literacy) es la capacidad de entender, usar y evaluar críticamente herramientas de IA. No se trata de saber programar, sino de saber interactuar eficazmente con sistemas inteligentes.
Por qué aprender: Así como la alfabetización digital fue esencial en la década de 2000, la alfabetización en IA es la competencia que define esta década. Quienes no la desarrollen quedarán en una desventaja significativa.
Conceptos clave: AI Literacy, alfabetización digital avanzada, uso crítico de la IA, sesgos algorítmicos, ética de la IA, ciudadanía digital en la era de la IA.
Ver completo
1.3 ~40 min

💬 Ingeniería de prompts

Qué es: Técnica de creación de prompts que parte de instrucciones generales y las va refinando progresivamente hasta alcanzar el nivel de detalle necesario para obtener respuestas precisas de la IA.
Por qué aprender: La mayoría de los usuarios obtiene resultados mediocres porque hace preguntas vagas. Dominar la especificidad progresiva transforma drásticamente la calidad de las respuestas de la IA.
Conceptos clave: Contexto, persona, formato de salida, restricciones, ejemplos, tono y estilo, iteración de prompts, refinamiento progresivo.
Qué es: Técnica que asigna un papel o una persona a la IA —como «Eres un especialista en marketing digital con 20 años de experiencia»— para activar patrones de conocimiento más específicos y relevantes.
Por qué aprender: El role-playing es una de las técnicas más poderosas y sencillas de ingeniería de prompts. Mejora significativamente la calidad, profundidad y relevancia de las respuestas.
Conceptos clave: Prompts de sistema, personas, experiencia simulada, tono profesional, perspectivas múltiples, debate simulado entre expertos.
Qué es: Chain-of-Thought (CoT) es una técnica que le pide a la IA que "piense paso a paso" y explicite su razonamiento antes de llegar a una conclusión. Esto mejora significativamente la precisión en tareas complejas.
Por qué aprender: Para problemas que implican lógica, matemáticas, análisis o decisiones complejas, CoT puede marcar la diferencia entre una respuesta incorrecta y una correcta.
Conceptos clave: Razonamiento explícito, zero-shot CoT, few-shot CoT, Tree-of-Thought, verificación del razonamiento, descomposición lógica.
Qué es: Few-Shot Learning es la técnica de proporcionar ejemplos dentro del prompt para que la IA entienda exactamente el patrón de entrada y salida deseado, sin necesidad de entrenamiento adicional.
Por qué aprender: Cuando necesitas formatos específicos, estilos consistentes o patrones complejos de respuesta, few-shot es la técnica más confiable para obtener resultados consistentes.
Conceptos clave: Zero-shot, one-shot, few-shot, ejemplos positivos y negativos, formato mediante ejemplos, consistencia de salida, plantillas reutilizables.
Qué es: Técnica que divide problemas complejos en subtareas más pequeñas y manejables, cada una resuelta por separado por la IA, y combina los resultados al final.
Por qué aprender: Los LLM tienen limitaciones para tareas muy complejas en un solo prompt. Descomponer las tareas mejora la calidad y permite resolver problemas que parecían imposibles.
Conceptos clave: Divide and conquer, subprompts, pipeline de prompts, orquestación, secuenciación, validación intermedia.
Qué es: Panorama de las principales plataformas de IA generativa disponibles: ChatGPT (OpenAI), Claude (Anthropic), Gemini (Google), Copilot (Microsoft) y herramientas especializadas para imagen, video y audio.
Por qué aprender: Cada plataforma tiene fortalezas y debilidades diferentes. Saber elegir la herramienta adecuada para cada tarea multiplica tu productividad y la calidad de los resultados.
Conceptos clave: ChatGPT vs. Claude vs. Gemini, modelos de código abierto, APIs, playgrounds, costos y límites, herramientas multimodales (DALL-E, Midjourney, Suno).
Ver completo
1.4 ~35 min

🧩 Ingeniería de contexto

Qué es: La arquitectura contextual es la disciplina de estructurar y proporcionar información relevante a la IA de forma optimizada. Sus 4 pilares son: selección del contexto, compresión, ordenamiento y actualización dinámica.
Por qué aprender: La calidad de la respuesta de una IA depende directamente de la calidad del contexto que le proporcionas. La ingeniería de contexto es el siguiente nivel después de la ingeniería de prompts.
Conceptos clave: Ventana de contexto, relevancia contextual, compresión de información, gestión de context window, meta-prompting, instrucciones de sistema.
Qué es: RAG es una arquitectura que combina la búsqueda de información en bases de datos externas con la generación de texto por IA, lo que permite dar respuestas basadas en datos actualizados y específicos.
Por qué aprender: RAG resuelve dos de los mayores problemas de los LLM: las alucinaciones y el conocimiento desactualizado. Es la técnica más usada en aplicaciones empresariales de IA.
Conceptos clave: Retrieval, indexación, chunking, bases de conocimiento, bases de datos vectoriales, búsqueda semántica, fundamentación de respuestas, reducción de alucinaciones.
Qué es: Los embeddings son representaciones numéricas (vectores) de texto que capturan el significado semántico. Los textos con significados similares quedan cerca en el espacio vectorial, lo que permite buscar por similitud.
Por qué aprender: Los embeddings son la base de los sistemas RAG, los motores de recomendación y la búsqueda inteligente. Entender el concepto es fundamental para crear aplicaciones avanzadas de IA.
Conceptos clave: Vectores, espacio vectorial, similitud del coseno, modelos de embedding, Pinecone, Weaviate, FAISS, búsqueda semántica vs. léxica.
Qué es: Los grafos de conocimiento (Knowledge Graphs) organizan la información como redes de entidades y relaciones, lo que permite que la IA entienda conexiones complejas entre conceptos y haga inferencias más sofisticadas.
Por qué aprender: Para aplicaciones que requieren razonar sobre relaciones complejas (por ejemplo, cumplimiento normativo e investigación científica), los grafos de conocimiento complementan los embeddings y mejoran significativamente la calidad.
Conceptos clave: Nodos y aristas, tripletas (sujeto-predicado-objeto), Neo4j, GraphRAG, ontologías, inferencia relacional, Knowledge Graph + LLM.
Qué es: Function Calling permite que los LLM invoquen funciones externas —consultar APIs, acceder a bases de datos, realizar cálculos—, transformando la IA de un generador de texto en un agente que ejecuta acciones reales.
Por qué aprender: Function Calling es el puente entre la IA conversacional y la automatización real. Es la base de los agentes autónomos y asistentes que realmente hacen cosas por ti.
Conceptos clave: Tool use, definición de funciones, parámetros estructurados, APIs, webhooks, agentes autónomos, orquestación de herramientas.
Qué es: Los sistemas de memoria para IA replican conceptos de la memoria humana: corto plazo (contexto de la conversación), largo plazo (conocimiento persistente) y episódica (historial de interacciones pasadas).
Por qué aprender: La memoria es lo que transforma un chatbot simple en un asistente verdaderamente útil que te conoce, conoce tus preferencias y tu historial a lo largo del tiempo.
Conceptos clave: Memoria a corto plazo (buffer), memoria a largo plazo (vector store), memoria episódica, resumen de conversaciones, perfiles de usuario, personalización progresiva.
Ver completo
1.5 ~35 min

🤖 Automatización de procesos

Qué es: La automatización inteligente combina la automatización tradicional basada en reglas con la inteligencia artificial, lo que permite automatizar procesos que implican criterio, interpretación del lenguaje natural y toma de decisiones.
Por qué aprender: La automatización inteligente es el mayor multiplicador de productividad disponible hoy. Permite que una persona haga el trabajo de todo un equipo en ciertas tareas.
Conceptos clave: RPA vs. automatización inteligente, IPA (Intelligent Process Automation), toma de decisiones automatizada, procesamiento de documentos, clasificación inteligente.
Qué es: Metodología para documentar y analizar los procesos existentes, identificando qué etapas son repetitivas, requieren mucho tiempo o son propensas a errores y, por lo tanto, son candidatas ideales para la automatización.
Por qué aprender: Automatizar el proceso equivocado es desperdiciar recursos. El mapeo garantiza que automatices lo que realmente genera impacto y retorno.
Conceptos clave: Minería de procesos, diagramas de flujo, cuellos de botella, tiempo de ciclo, matriz de priorización, victorias rápidas, complejidad frente a impacto.
Qué es: Plataformas no-code/low-code que permiten crear automatizaciones visuales arrastrando y conectando bloques, sin necesidad de programar. Integran cientos de aplicaciones y servicios.
Por qué aprender: Las herramientas no-code democratizan la automatización. Cualquier profesional puede automatizar sus procesos sin depender de desarrolladores y ahorrar horas por semana.
Conceptos clave: Zapier (facilidad), Make.com (flexibilidad), n8n (open-source), triggers y acciones, webhooks, integración de APIs, plantillas de automatización.
Qué es: La combinación de RPA (Robotic Process Automation) con IA crea robots de software que no solo siguen scripts, sino que también entienden documentos, toman decisiones y aprenden con el tiempo.
Por qué aprender: RPA + IA es una de las áreas de mayor crecimiento en tecnología empresarial. Los profesionales que dominan esta combinación son muy valorados en el mercado.
Conceptos clave: UiPath, Automation Anywhere, comprensión de documentos, OCR inteligente, descubrimiento de procesos, bots attended vs unattended, hyperautomation.
Qué es: Framework para calcular el retorno de la inversión de proyectos de automatización, considerando los costos de implementación, el ahorro de tiempo, la reducción de errores y las ganancias de escalabilidad.
Por qué aprender: Para justificar inversiones en automatización (personales o empresariales), necesitas demostrar un retorno concreto. Saber medir el ROI convierte la automatización de un "pasatiempo" en una estrategia.
Conceptos clave: TCO (costo total de propiedad), período de recuperación, horas ahorradas, reducción de errores, satisfacción del cliente, métricas de productividad, caso de negocio.
Qué es: Metodología de implementación por fases: empieza con un proyecto piloto pequeño, valida los resultados, haz ajustes y amplía gradualmente, minimizando los riesgos y maximizando el aprendizaje.
Por qué aprender: La mayoría de los proyectos de automatización fracasa por intentar hacerlo todo de una vez. La implementación gradual es el enfoque con la mayor tasa de éxito comprobada.
Conceptos clave: MVP de automatización, proyecto piloto, métricas de validación, gestión del cambio, escalamiento, centro de excelencia (CoE), gobernanza de la automatización.
Ver completo