Explicar los tres niveles de mejora en IA y convertir una idea de mejora en una prueba verificable, con la versión registrada y una forma de volver atrás.

0% 0 de 0

Qué es

RSI es la sigla en inglés de mejora recursiva de sí misma: la idea de una IA que ayuda a mejorar la propia IA. La pregunta central del área es práctica: ¿cómo propone cambios un sistema, prueba los resultados y conserva lo que funciona? La página presenta el tema como un área de estudio y un acervo abierto, con referencias, ejemplos y criterios para evaluar las promesas. El punto de partida es una distinción: mejorar una respuesta, mejorar un agente y mejorar la capacidad de crear agentes nuevos son cosas diferentes. Aquí, un agente es un sistema de IA que recibe un objetivo y ejecuta pasos con instrucciones, memoria y herramientas.

Por qué aprender

Las promesas de IA que se mejora sola aparecen con frecuencia y suelen mezclar estos tres niveles. Si entiendes la diferencia, puedes preguntar qué mejoró exactamente y qué evidencia lo respalda.

Conceptos clave

mejora recursiva de sí misma; proponer, probar, conservar; tres niveles diferentes; acervo abierto; criterios para evaluar promesas

Qué es

El primer nivel es revisar la respuesta: el modelo critica y vuelve a generar una salida. Esto puede mejorar una tarea sin cambiar sus parámetros, los valores internos aprendidos durante el entrenamiento, ni su proceso de desarrollo. El segundo nivel es mejorar el sistema: cambian las instrucciones, la memoria, las herramientas o el código del agente, y hay que comparar las versiones con tareas reservadas, conservando la posibilidad de volver atrás. El tercer nivel es investigar la recursión: la mejora ayuda a producir mejoras futuras. Este mecanismo necesita evidencia, porque hacer más intentos o conseguir una calificación más alta no demuestra un crecimiento ilimitado.

Por qué aprender

Cada nivel requiere un tipo de control diferente. Revisar una respuesta cuesta poco y es reversible; cambiar el sistema exige registrar versiones y hacer pruebas; afirmar que hay recursión requiere evidencia sólida. Confundir los niveles lleva a aceptar garantías que nadie ha medido.

Conceptos clave

revisar la respuesta; mejorar el sistema; investigar la recursión; parámetros; tareas reservadas; posibilidad de volver atrás

Qué es

La página propone empezar con una tarea pequeña: responder con base en una política, crear preguntas a partir de un texto o extraer acciones de notas. Primero define la tarea, la referencia correcta y los límites de datos, gasto y acciones. Después registra la versión inicial y separa los casos de desarrollo de los casos reservados para la validación. Propón un cambio a la vez y compara con los mismos criterios, incluidos los errores, el costo y el esfuerzo de revisión. Por último, valida antes de adoptar: guarda los resultados y las versiones, define quién decide y conserva una forma de revertir el cambio.

Por qué aprender

Es posible manipular una evaluación conocida, y la página lo advierte. Mantener las pruebas independientes, revisar si hay datos inventados y observar resultados fuera de la muestra evita confundir una mejora local con autonomía general.

Conceptos clave

tarea pequeña; referencia correcta; casos reservados; un cambio a la vez; mismos criterios; validar antes de adoptar; reversión

Qué es

LOOP-R es el framework del proyecto para organizar mejoras: Ejecutar, Medir, Criticar, Proponer, Probar, Validar, Promover y Repetir. La página lo describe como listo para usar en Claude Code, con nueve asistentes de funciones separadas, registro de cada versión, un límite de costo y un comando para revertir cambios. La regla de seguridad es explícita: ninguna versión peor reemplaza a la actual por decisión del sistema. En el curso RSI, LOOP-R aparece como una propuesta conceptual del proyecto. También hay un curso LOOP-R con cinco rutas y 21 clases para personas propietarias de negocios y gerentes sin conocimientos técnicos.

Por qué aprender

Un ciclo de mejora sin límites puede reemplazar una buena versión por una peor sin que nadie se dé cuenta. Un límite de costo, el registro de versiones y la reversión hacen que el ciclo sea auditable y seguro de repetir.

Conceptos clave

Ejecutar; Medir; Criticar; Proponer; Probar; Validar; Promover; Repetir; nueve asistentes; límite de costo; revertir

Qué es

La sección «Empieza aquí» incluye dos materiales. El curso RSI v6.2 tiene 18 clases en seis módulos, con ejercicios, repasos y materiales para aplicar LOOP-R y registrar conocimiento aprobado, en portugués, inglés y español. La Guía RSI es un mapa del tema, con mecanismos, aplicaciones y límites, también en tres idiomas. La página incluye una aclaración importante: el proyecto reúne investigación y contenido educativo; no es un sistema RSI autónomo listo para funcionar. El código y los materiales están en el repositorio rsi en GitHub.

Por qué aprender

Empezar por la guía te da el vocabulario y te muestra los límites; el curso convierte eso en práctica con ejercicios. Saber que el proyecto es educativo evita que esperes de él una herramienta que se mejora sola.

Conceptos clave

RSI v6.2; 18 clases; seis módulos; Guía RSI; PT / EN / ES; contenido educativo, no un sistema autónomo

Qué es

Además de la guía y el curso, el acervo reúne tres materiales con aclaraciones claras. RSI Copiloto es un asistente local con IA, memoria, tareas y rutinas, que compara instrucciones, solicita revisión humana y permite revertir cambios; la demostración pública usa ejemplos programados, sin IA, y la IA real solo está en la versión local. Dream-RSI es una guía educativa independiente, no afiliada a Google, sobre cómo aprender de historiales de experimentos; el laboratorio y las ocho sesiones son planes futuros, no una implementación del artículo. Alerta IA 2028 es un curso en tres rutas sobre el ciclo de mejora, la evidencia y los límites de la evaluación. Presenta los escenarios de 2028 como hipótesis, sin fechas garantizadas. La página también incluye referencias como Self-Refine, Reflexion, Darwin Gödel Machine y AlphaEvolve, consultadas el 25 de septiembre de 2026, cuyos resultados no se reprodujeron en el proyecto.

Por qué aprender

Cada material indica qué está disponible y qué todavía es un plan. Leer esas aclaraciones es el ejercicio central del área: distinguir la evidencia de las promesas.

Conceptos clave

RSI Copiloto; demostración sin IA; Dream-RSI independiente; Alerta IA 2028; escenarios como hipótesis; referencias originales en inglés

Ver completo →

MÓDULO 3.2

JEV: decisiones de IA en la práctica

Explicar qué es una decisión estructurada con Jev, elegir entre Choice, Noul y Score, y distinguir lo que ya se observó de lo que aún falta medir.

0% 0 de 0

Qué es

Jev es el modelo de decisiones estructuradas de TypeSafe. Una decisión estructurada es una pregunta cerrada, con contexto y criterios, cuya respuesta es una elección, una probabilidad o un nivel, no un texto libre. Jev Decision Lab es el proyecto educativo de INEMA para formular preguntas, comparar respuestas y entender cuándo una decisión necesita revisión. El modelo recibe contexto y criterios; tu sistema sigue siendo responsable de las acciones. El laboratorio separa esa elección de la generación de texto y de la ejecución de herramientas.

Por qué aprender

Muchas tareas de IA en el trabajo no requieren un texto, sino una decisión: a qué fila va esta solicitud, si este fragmento respalda la afirmación. Separar la decisión, la generación y la ejecución deja claro quién responde por cada parte y facilita medir los aciertos.

Conceptos clave

modelo de decisiones estructuradas; TypeSafe; Jev Decision Lab; contexto y criterios; el sistema responde por las acciones

Qué es

La página presenta tres formas de preguntar. Choice elige entre alternativas explícitas, como una fila o un agente. Noul estima la probabilidad de una respuesta afirmativa, como la posibilidad de que un fragmento respalde una afirmación. Score evalúa una rúbrica con niveles ordenados, como bajo, medio y alto. El curso dedica un módulo a distinguir las tres según el tipo de respuesta necesaria, y otro a la confianza y el error: usar la incertidumbre sin convertirla en una autorización automática.

Por qué aprender

Elegir la forma equivocada produce respuestas difíciles de usar: una calificación cuando necesitabas una fila, o un sí cuando había varios niveles. La forma de la pregunta define cómo medirás y qué política aplicarás.

Conceptos clave

Choice: alternativas explícitas; Noul: probabilidad de sí; Score: niveles ordenados; la confianza no es autorización

Qué es

El laboratorio se abre en el navegador, no pide una clave ni consulta ninguna API: las respuestas son simuladas. Cada uno de los 20 casos incluye contexto, preguntas, criterios, una respuesta simulada, una explicación y el siguiente paso. Algunos ejemplos son la clasificación de solicitudes de atención, la lista de verificación de contratos, el enrutamiento de agentes y la revisión semántica de un diff. Puedes editar las preguntas, importar una solicitud, exportar el resultado o abrir un informe; al modificar un caso, se invalida su respuesta simulada anterior. Para ir más allá, puedes clonar el proyecto y ejecutar el servidor local con Python 3.10 o superior. El núcleo solo usa la biblioteca estándar.

Por qué aprender

El laboratorio te permite equivocarte sin costo ni riesgo: aprendes a formular el contexto, las opciones y la política antes de gastar créditos o intervenir en un sistema real.

Conceptos clave

laboratorio sin clave; respuestas simuladas; 20 casos; contexto, preguntas, criterios; servidor local en Python

Qué es

El curso "Jev na prática" tiene tres rutas, 12 módulos y 36 clases con teoría, ejemplos, ejercicios y respuestas. La ruta Entender abarca dónde encaja Jev, los tres tipos de pregunta, la confianza y el error, y el costo; Aplicar trata la atención, los documentos, los modelos y agentes, y el navegador; Construir y evaluar abarca la integración, la medición de calidad, la operación y el proyecto final. Los módulos 1 a 8 son conceptuales; los módulos 9 a 12 usan JSON, terminal y Python, y se estima que toman 18 horas. Hay 12 laboratorios con datos ficticios y respuestas, y el proyecto final pide concluir si hay evidencia para adoptar, recopilar más datos o no automatizar. El curso HTML v2 está en portugués e incluye seguimiento del progreso, preguntas y anotaciones.

Por qué aprender

El curso te lleva de "entender la idea" a "decidir la adopción" con una rúbrica. El proyecto final acepta la respuesta "no automatizar", lo que ejercita el criterio en lugar del entusiasmo.

Conceptos clave

Entender; Aplicar; Construir y evaluar; 12 módulos; 36 clases; 12 laboratorios; proyecto final; 18 horas

Qué es

Un paquete es un kit para un área que incluye contexto, criterios, solicitud, fixture (un ejemplo listo para probar) e instrucciones. El repositorio actual reúne 17, desde atención y ventas hasta comentarios de YouTube, reuniones, cortes y curaduría. Todos comparten el ejecutor y el núcleo de Python: sin la opción --live, el paquete usa la fixture simulada; con ella, hace una consulta real, que requiere una clave en el backend y puede consumir créditos. También hay ejecución por lotes con reanudación, la skill jev-decidir para Codex y Claude Code y jev-gw, un gateway con un límite de gasto diario, caché, registro de costos y manejo conservador de fallas que deriva el caso a revisión humana. Los paquetes están en el repositorio; todavía no hay distribución en PyPI, instalador universal ni conector listo para n8n.

Por qué aprender

El camino es gradual: empezar sin conexión, entender el resultado y solo después pagar por consultas reales. El gateway muestra cómo proteger a quien llama a Jev cuando algo falla.

Conceptos clave

paquete por área; fixture; --live; lotes y reanudación; skill jev-decidir; jev-gw; manejo conservador de fallas

Qué es

La página separa cuatro situaciones. Simulación para aprender: los 20 casos y la repetición son propios y simulados; no miden la calidad del modelo. Línea base de reglas: 20 aciertos en 24 tickets ficticios (83,33%), resultado de las reglas, no de Jev. Integración real probada: el 19/09/2026, los diez paquetes originales recibieron respuestas por OpenRouter con las clasificaciones esperadas en los ejemplos ficticios. Esto confirma la integración, no es un benchmark; los siete paquetes nuevos solo tienen pruebas controladas. Evaluación aún necesaria: la calidad en portugués, la calibración y el uso operativo requieren datos independientes y una referencia humana. Laya, una alternativa local en evaluación, aprobó 14 pruebas de la aplicación y acertó 13 de 16 ejemplos sintéticos, lo que no demuestra superioridad.

Por qué aprender

Esta separación es lo que hace confiable el área: cada número viene acompañado de lo que demuestra y lo que no. Repetir estas cifras fuera de contexto sería exagerar el resultado.

Conceptos clave

simulación; línea base de reglas; integración real; evaluación necesaria; Laya en evaluación; no es benchmark

Ver completo →

MÓDULO 3.3

WebMCP: tu sitio conversa con agentes

Explicar qué cambia cuando los agentes visitan sitios, qué es WebMCP y cuál es el primer paso concreto: diagnosticar tu propio sitio y corregir lo básico.

0% 0 de 0

Qué es

WebMCP es una forma de que la propia página describa lo que sabe hacer para los agentes de IA. Sin WebMCP, el agente tiene que localizar campos, hacer clic, escribir e interpretar la pantalla, y eso falla cuando cambia el diseño. Con WebMCP, la página expone herramientas con nombre, descripción, esquema de argumentos y respuesta, y el agente llama por su nombre a la herramienta adecuada. Hay dos caminos: la herramienta declarativa, en la que un formulario existente recibe un toolname y una descripción, y la imperativa, en la que JavaScript registra capacidades con JSON Schema y gestiona el estado, los errores, la cancelación y la alternativa. Es una tecnología experimental, actualmente disponible mediante Origin Trial en el navegador; es decir, se ofrece a modo de prueba.

Por qué aprender

Es la diferencia entre que el agente adivine y que el sitio le diga. El sitio empieza a decidir qué está permitido, qué requiere confirmación y qué se puede cancelar.

Conceptos clave

operar píxeles vs. conversar con capacidades; herramienta declarativa; herramienta imperativa; JSON Schema; Origin Trial

Qué es

La página enumera seis cambios. Del lado de quienes visitan: los agentes ya usan el navegador para completar formularios y tareas; buscar se convirtió en preguntar a un asistente, lo que plantea el desafío de GEO y AEO; y el estándar está naciendo ahora. Del lado de quienes publican: el sitio deja de ser solo una pantalla y suma un catálogo de capacidades sobre la experiencia humana; ser fácil de encontrar se vuelve un requisito, con robots.txt, sitemap.xml, llms.txt, JSON-LD, Open Graph y una identidad clara; y la seguridad queda a cargo del sitio, no del modelo. GEO y AEO son las prácticas para aparecer y ser citado en las respuestas de asistentes de IA, y no solo en buscadores.

Por qué aprender

Si eres dueño del sitio, los tres últimos cambios son tu lista de trabajo. Quienes entienden pronto las limitaciones pueden aprender a bajo costo.

Conceptos clave

agentes en el navegador; buscar se convirtió en preguntar; GEO y AEO; catálogo de capacidades; descubrimiento; seguridad en el sitio

Qué es

WebMCP Readiness, en webmcp.inema.pro, abre la URL en un navegador descartable, reúne señales observables y convierte el escaneo en un plan de corrección. Es un escáner pasivo: consulta robots.txt, sitemap.xml y llms.txt, y no ejecuta ninguna herramienta del sitio. Recibes una calificación general y cuatro calificaciones independientes —WebMCP, SEO, GEO y AEO—, con evidencias, alertas, bloqueadores, hasta 12 correcciones priorizadas y los cursos recomendados para cada brecha, en un informe JSON. El escaneo analiza en profundidad solo la URL indicada; inventaría el sitemap, pero no rastrea sus páginas. En el informe, los escáneres avanzados por fase aparecen como planeados, no como disponibles.

Por qué aprender

Empezar por el diagnóstico te muestra dónde está tu sitio antes de estudiar. La página también aclara el límite: el escáner no promete indexación, posicionamiento ni citas de IA.

Conceptos clave

escáner pasivo; navegador descartable; calificación general + cuatro calificaciones; hasta 12 correcciones; informe JSON; lo que requiere revisión humana

Qué es

La página organiza la arquitectura en ocho capas, en el orden en que las desarrolla la formación. Las primeras cuatro describen el sitio: descubrimiento (¿el agente encuentra el sitio?), herramientas (¿qué sabe hacer el sitio?), contrato (¿cómo se invoca y qué devuelve?) y estado y errores (¿qué pasa cuando algo falla?). Las últimas cuatro protegen el sitio: control (¿quién confirma?), permisos (¿quién puede invocar?), backend y MCP (¿dónde está la verdad?) y evaluaciones y observabilidad (¿realmente funciona?). La regla que atraviesa todas las capas es esta: el LLM elige la herramienta; el sitio decide si puede ejecutarse. El diagnóstico ya evalúa toda la capa 1 y las señales observables de las capas 2 y 5.

Por qué aprender

Las capas muestran que exponer una herramienta es solo el comienzo. Sin confirmación, permisos y autorización en el backend, un agente puede activar algo que no debería.

Conceptos clave

descubrimiento; herramientas; contrato; estado y errores; control; permisos; backend y MCP; evaluaciones

Qué es

Antes de cualquier fase de la formación, la página presenta seis correcciones que el dueño del sitio puede hacer, cada una vinculada a un elemento que verifica el escáner. Primero, ejecuta el escaneo y anota las puntuaciones como línea de base. Segundo, publica los tres archivos públicos: robots.txt, sitemap.xml actualizado y un llms.txt que presenta el sitio a los modelos de IA. Tercero, corrige lo básico de SEO que también lee el agente: title, description, canonical, headings en orden, alt en las imágenes, Open Graph y JSON-LD. Cuarto, escribe para quienes responden preguntas, con respuestas directas, definiciones, listas y tablas; quinto, muestra quién está detrás, con entidad, autoría, fecha de actualización y evidencias. Sexto, elige como primera herramienta un formulario que no cambie nada peligroso, como una búsqueda o una consulta de estado.

Por qué aprender

Son correcciones que no requieren programar herramientas y ya mejoran las puntuaciones. La página resume el método: corrige, vuelve a ejecutar el escaneo y mira cómo sube la puntuación.

Conceptos clave

línea de base; robots.txt, sitemap.xml, llms.txt; SEO básico; AEO: respuestas directas; GEO: autoría y evidencias; primera herramienta segura

Qué es

La Formación WebMCP ofrece una visión general y cuatro fases, todas abiertas y en portugués: Builder (construir), Integrator (integrar), Agent Developer (orquestar) y Expert (operar). Cada fase tiene cuatro módulos de seis temas y usa JavaScript; quienes no programan empiezan por la visión general y el diagnóstico, y llevan las fases al equipo. Las capas 1 y 2 se enseñan en Builder; la 3 y la 4, en Integrator; la 5 y la 6, en Agent Developer; y la 7 y la 8, en Expert. Junto a la formación, la página indica AIV 2026 para AEO y GEO, el curso de Computer Use con GPT-6 Astra y Super-Agentes, además de proyectos como el Kit do Arquiteto de Agentes, INEMACCBOT y os-agentes. La invitación final es directa: el mejor primer módulo es tu propio sitio.

Por qué aprender

Saber en qué fase se enseña cada capa te permite entrar a la formación por el punto que corresponde a tu función, en lugar de empezar todo desde cero.

Conceptos clave

visión general; Builder; Integrator; Agent Developer; Expert; cuatro módulos de seis temas; cursos relacionados

Ver completo →