-
Bienvenida
Bienvenida al Nivel 1 IA Generativa y Productividad Automatizada2 Temas -
Módulo 1: Fundamentos de Inteligencia ArtificialIntroducción al Módulo 1: Tu punto de partida en la IA2 Temas
-
1.1 Conocer y dominar los mejores chatbots del momento4 Temas
-
1.2 Generar contenido escrito y documentos de calidad4 Temas
-
1.3 Hacer investigación profunda en minutos2 Temas
-
1.4 Navegar como experto en cada plataforma1 Tema
-
1.5 Crear prompts efectivos que te den exactamente lo que necesitas2 Temas
-
1.6 Generar ideas y soluciones para cualquier desafío de tu negocio2 Temas
-
Cuestionario: Fundamentos de Inteligencia Artificial1 Cuestionario
-
Módulo 2: Creación de Contenido Audiovisual con IAIntroducción al Modulo 2: Crea contenido profesional sin agencia ni camarógrafo1 Tema
-
2.1 Crear imágenes profesionales para tu trabajo o negocio5 Temas
-
2.2 Generar videos promocionales sin cámara ni experiencia en edición3 Temas
-
2.3 Producir audio y locuciones en diferentes voces e idiomas3 Temas
-
2.4 Diseñar presentaciones impactantes que compitan con agencias creativas2 Temas
-
2.5 Crear contenido para redes sociales de forma consistente y atractiva
-
2.6 Transformar texto en material visual llamativo y profesional2 Temas
-
Cuestionario: Módulo 2 - Creación Audiovisual con IA1 Cuestionario
-
Módulo 3: Agentes de IA como UsuarioIntroducción al Modulo 3: De usuario a orquestador de agentes1 Tema
-
3.1 Qué es un agente de IA y cómo se diferencia de un chatbot tradicional: entiende el concepto antes de usarlos
-
3.2 GPTs de ChatGPT o Gems de Gemini: crea tu propio asistente especializado en minutos usando la interfaz de OpenA
-
3.3 Agentes para crear interfaces y aplicaciones: usa Lovable, v0 y Bolt para generar páginas web y apps con sólo describirlas
-
3.4 Navegadores con IA: delega búsquedas y tareas web a Operator de OpenAI y los agentes de Perplexity8 Temas
-
3.5 Asistentes de código para no programadores: usa Cursor y GitHub Copilot para modificar código aunque no sepas programar
-
3.6 Identificar qué tareas de tu trabajo puedes delegar hoy a agentes que ya existen en el mercado3 Temas
-
Cuestionario: Módulo 3 - Agentes de IA como Usuario1 Cuestionario
-
Módulo 4: Automatización BásicaIntroducción al Módulo 4: De ejecutor de tareas a arquitecto de sistemas1 Tema
-
4.1 Qué es la automatización y cómo identificar procesos en tu día a día que puedes automatizar sin conocimientos técnicos3 Temas
-
4.2 Introducción a plataformas no-code: conoce Make, Zapier y n8n, sus diferencias y cual elegir según tu caso1 Tema
-
4.3 Crear tu primer flujo automatizado: conecta dos aplicaciones paso a paso y ponlo a funcionar en minutos2 Temas
-
4.4 Automatizaciones simples para el día a día: respuestas automáticas de email, notificaciones, respaldos de archivos y sincronización de datos4 Temas
-
4.5 Templates y flujos prediseñados: aprovecha automatizaciones ya creadas y adáptalas a tu negocio sin empezar de cero4 Temas
-
Cuestionario: Módulo 4 - Automatización Básica1 Cuestionario
-
Módulo 5:· Vibe Coding Básico y Análisis de DatosIntroducción al Módulo 5: Cuando el lenguaje natural se convierte en software1 Tema
-
5.1 Qué es vibe coding: el nuevo paradigma de programar describiendo lo que quieres en lenguaje natural
-
5.2 Crear dashboards básicos con prompts: visualiza tus datos de ventas, clientes o métricas sin saber Excel avanzado ni programación
-
5.3 Generar aplicaciones simples con Lovable, v0 y Bolt: desde landing pages hasta herramientas internas básicas para tu negocio
-
5.4 Conectar fuentes de datos y visualizarlas: importa información de Google Sheets, bases de datos o APIs y convierte en gráficas útiles3 Temas
-
5.5 Análisis de datos conversacional: sube archivos a ChatGPT o Claude y hazles preguntas sobre tendencias, patrones y oportunidades
-
5.6 Límites del vibe coding: entiende que puedes lograr con estas herramientas y cuando necesitas desarrollo profesional o el Nivel 2
-
Cuestionario: Módulo 5 - Vibe Coding y Análisis de Datos1 Cuestionario
Los Tres Paradigmas de Aprendizaje
La IA no “aprende” de una sola manera. Según los datos disponibles y el tipo de retroalimentación que recibe, opera bajo tres paradigmas completamente distintos. Entenderlos te ayudará a saber qué herramienta está haciendo qué —y por qué— cada vez que la usas.
Aprendizaje Supervisado
La IA aprende con datos etiquetados: entrada + respuesta correcta ya conocida.
Analogía: Es como aprender con un maestro que te corrige ejercicio por ejercicio. Le muestras 10,000 fotos de gatos y perros, le dices cuál es cuál, y el sistema aprende a distinguirlos solo.
El modelo recibe pares de datos: entrada → salida correcta. Con cada ejemplo aprende a ajustar sus predicciones hasta minimizar el error. Al final puede predecir la salida correcta para datos que nunca ha visto.
Aplicaciones reales- Filtro de spam: aprende de miles de correos marcados como “spam” o “no spam”
- Diagnóstico médico: clasifica imágenes de tumores como maligno o benigno
- Reconocimiento facial: asocia rasgos físicos con identidades etiquetadas
- Detección de fraude: aprende patrones de transacciones fraudulentas confirmadas
de tumores
etiquetada
entrena
imagen nueva
emails
“no spam”
patrones
automático
💡 En tu vida diaria: Cada vez que marcas un email como spam en Gmail, estás etiquetando un dato que ayuda al modelo supervisado a mejorar para todos los usuarios.
Aprendizaje No Supervisado
La IA encuentra patrones ocultos en datos sin etiquetas, sin que nadie le diga qué buscar.
Analogía: Es como un investigador que recibe miles de documentos sin clasificar y los agrupa en carpetas por similitud —sin saber de antemano cuántas carpetas habrá ni qué contendrán.
No hay respuestas correctas pre-definidas. El modelo descubre la estructura oculta en los datos por sí solo: agrupa elementos similares (clustering), reduce dimensiones o detecta anomalías que se alejan del patrón general.
Aplicaciones reales- Segmentación de clientes: agrupa compradores por comportamiento sin decirle al sistema cuántos grupos hay
- Detección de fraude en tiempo real: identifica transacciones que no encajan en ningún patrón normal
- Análisis de tendencias: descubre temas emergentes en millones de textos sin categorías previas
- Recomendadores: Spotify agrupa canciones por características sin que nadie les enseñe qué es un “género”
clientes
etiquetas
agrupa
descubiertos
💡 En tu vida diaria: Cuando Netflix te recomienda una serie que “no tiene nada que ver” con lo que pediste, es clustering no supervisado detectando que personas con tu patrón de consumo también vieron esa serie.
Aprendizaje por Refuerzo (RL) y RLHF
La IA aprende por prueba y error: recibe recompensas cuando acierta y penalizaciones cuando falla.
Analogía: Es como entrenar a un perro: cuando hace algo bien recibe un premio, cuando falla no lo recibe. El sistema aprende a maximizar sus “premios” explorando miles de millones de pruebas.
El agente toma decisiones en un entorno, recibe una señal de recompensa y ajusta su estrategia. A diferencia del supervisado, no necesita datos etiquetados: aprende de su propia experiencia de ensayo y error.
Aplicaciones reales- AlphaGo: aprendió a jugar Go probando movidas y recibiendo recompensas por ganar
- Robótica: robots aprenden a caminar y manipular objetos por prueba y error virtual
- Videojuegos: la IA de personajes que mejoran con cada partida que juegas
- Autos autónomos: aprenden a conducir en simuladores antes de salir a la calle
del Go
partidas solo
ganar
nunca vista
¿Qué es RLHF? Reinforcement Learning from Human Feedback. Es la variante que hace que ChatGPT y Claude respondan de forma útil y segura. Humanos evalúan las respuestas del modelo (👍/👎), esas evaluaciones se convierten en señales de recompensa, y el modelo aprende a responder mejor.
💡 En tu vida diaria: Cada vez que haces clic en 👍 o 👎 en ChatGPT, estás entrenando al modelo mediante RLHF — dándole una señal de qué respuestas son mejores.
AlphaGo inventó movidas que ningún humano había pensado en 3,000 años
En 2016, AlphaGo (Google DeepMind) derrotó al campeón mundial Lee Sedol 4-1. La famosa “Jugada 37” del segundo partido dejó a los expertos en silencio: era una movida que ningún humano habría hecho —considerada un error por los comentaristas— y resultó ser genial. AlphaGo la descubrió porque no tenía los sesgos que acumula 3,000 años de historia del juego. Solo tenía refuerzo puro.
| Característica | 🏫 Supervisado | 🔍 No Supervisado | 🏆 Refuerzo / RLHF |
|---|---|---|---|
| ¿Necesita etiquetas? | Sí, siempre | No | No (solo recompensas) |
| ¿Cómo aprende? | Ejemplos corregidos | Patrones ocultos | Prueba y error |
| Datos requeridos | Etiquetados y limpios | Masivos sin etiquetar | Entorno interactivo |
| Ejemplo conocido | Filtro de spam Gmail | Recomendaciones Spotify | ChatGPT, AlphaGo |
| Tu rol como usuario | Marcar correos como spam | Usar la app (genera datos) | Dar 👍/👎 al modelo |