-
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
Alucinaciones: el Talón de Aquiles de los LLMs
Las alucinaciones ocurren cuando un LLM genera información que parece real, coherente y bien redactada, pero es factualmente incorrecta. No es que el modelo “mienta”: simplemente calcula la continuación más probable sin verificar la verdad.
Es el fenómeno más importante que debes entender como usuario profesional de IA. Quien no conoce las alucinaciones toma decisiones basadas en datos falsos presentados con total seguridad.
El modelo no sabe que no sabe.
Y eso lo hace más peligroso que si simplemente dijera “no sé”.
Un LLM que alucina no genera respuestas vacías o confusas. Genera respuestas completamente coherentes, bien escritas, con tono de autoridad — que son factualmente incorrectas. La confianza con la que responde es independiente de si la información es verdadera o falsa.
Los LLMs producen información incorrecta en hasta el 27% de las respuestas médicas detalladas
Un estudio de la Universidad de Stanford analizó miles de respuestas de modelos de lenguaje en contextos médicos. Encontró que en preguntas de alta especificidad —dosis de medicamentos, interacciones farmacológicas, protocolos clínicos— los modelos erraban hasta en 1 de cada 4 respuestas, siempre con el mismo tono de confianza.
Esto no significa que los LLMs sean inútiles en medicina. Significa que nunca deben ser la fuente final en decisiones críticas sin verificación con fuentes primarias.
Analogía: Imagina a alguien que ha leído toda la biblioteca del mundo pero tiene que responder en tiempo real sin poder consultar nada. Cuando no sabe algo, su cerebro “completa el patrón” con lo que suena más probable según todo lo que leyó. Eso es exactamente lo que hace un LLM: maximiza la coherencia, no la veracidad.
🎯 Optimización de coherencia, no verdad
El modelo fue entrenado para predecir el siguiente token más probable, no para verificar si lo que dice es verdad. La coherencia lingüística y la veracidad factual son objetivos distintos — y el LLM solo optimiza el primero.
📅 Datos de entrenamiento incompletos
El corpus de entrenamiento no es perfecto ni completo. Algunos temas están subrepresentados (nichos técnicos, culturas minoritarias, idiomas pequeños). En esos vacíos, el modelo “rellena” con patrones de áreas relacionadas que sí conoce bien.
🔗 Correlaciones falsas aprendidas
Si en los datos de entrenamiento A aparece frecuentemente cerca de B, el modelo aprende esa asociación aunque no exista causalidad real. Puede confundir correlación estadística con relación factual.
🪞 “Sycophancy” — Querer complacer
El RLHF entrenó al modelo para generar respuestas que los humanos califican como “buenas”. A veces, los humanos prefieren respuestas confiadas y completas sobre respuestas honestas pero inciertas. El modelo aprendió que decir “no sé” obtiene peor calificación que inventar algo plausible.
Tipo 1: Citas y referencias inventadas
El más peligroso en contextos académicos y profesionales
❌ Alucinación real
“Según el estudio de García et al. (2021) publicado en Nature Medicine, el 73% de los pacientes…”
— Este estudio no existe. La revista, los autores y el porcentaje son inventados.
✅ Cómo detectarlo
Busca la cita en Google Scholar o PubMed antes de usarla. Si el DOI no existe o los autores no aparecen: es una alucinación. Pídele siempre que te dé el DOI exacto y verifícalo.
Tipo 2: Fechas y datos históricos incorrectos
Mezcla eventos reales con fechas o detalles equivocados
❌ Alucinación real
“Apple fue fundada en 1977 por Steve Jobs y Bill Gates…”
— Apple fue fundada en 1976. Bill Gates co-fundó Microsoft, no Apple.
✅ Cómo detectarlo
Para datos históricos específicos —fechas exactas, fundadores, cifras— siempre verifica con Wikipedia o fuentes primarias. El modelo mezcla detalles de entidades similares.
Tipo 3: Personas reales con atributos falsos
Combina información real de una persona con detalles de otra
❌ Alucinación real
“Elon Musk publicó en 2019 un paper sobre física cuántica en colaboración con el MIT titulado…”
— Este paper no existe. El nombre y la persona son reales; el logro es inventado.
✅ Cómo detectarlo
Cualquier logro específico, publicación o declaración atribuida a una persona real necesita verificarse en fuentes directas. El modelo sabe quién es alguien pero puede inventar lo que hicieron.
Tipo 4: Leyes, normas y regulaciones incorrectas
Especialmente peligroso en contextos legales, fiscales y laborales
❌ Alucinación real
“Según el Artículo 47 de la Ley Federal del Trabajo de México, los trabajadores tienen derecho a…”
— El artículo existe pero el contenido citado puede ser incorrecto o desactualizado.
✅ Cómo detectarlo
Nunca uses información legal, fiscal o normativa de un LLM sin verificar en el texto oficial de la ley. Pide siempre el artículo exacto y consúltalo en la fuente oficial del gobierno.
Tipo 5: Estadísticas y porcentajes inventados
El modelo “redondea” o inventa cifras que suenan creíbles
❌ Alucinación real
“El 68% de las empresas mexicanas adoptaron IA en 2023, según el INEGI…”
— Cifra inventada. El INEGI no publica ese dato específico. El porcentaje suena creíble pero no existe.
✅ Cómo detectarlo
Cualquier estadística con porcentaje exacto y fuente nombrada debe verificarse en el sitio oficial de esa fuente. Pídele al modelo que confirme el URL exacto del reporte — si no puede, es una alucinación.
❌ Prompts que provocan alucinaciones
“Dame información sobre marketing”
“¿Cuál fue la tasa de conversión de mi competidor en Q3 2024?”
“Dame el nombre exacto del CEO de esa empresa que te mencioné antes”
“Dame 5 estudios científicos que prueben que X es verdad”
✅ Prompts que reducen alucinaciones
“Dame 3 estrategias de marketing digital para una pyme B2B en México con presupuesto menor a $5,000 MXN mensuales”
“¿Tienes información verificable sobre X o debo buscarlo en otra fuente?”
“Si no sabes la respuesta con certeza, dímelo claramente en lugar de estimarla”
“Solo dame estudios si puedes confirmar el DOI o URL exacto”
Datos muy específicos sin fuente
Porcentajes exactos, fechas precisas o estadísticas detalladas presentadas sin citar de dónde vienen. Cuanto más específico, más sospechoso.
Citas con formato perfecto
Un paper con autores, revista, año y volumen perfectamente formateado no garantiza que exista. El modelo aprendió el formato de las citas, no los contenidos reales.
Respuesta demasiado perfecta
Si la respuesta parece responder exactamente lo que querías con datos que encajan demasiado bien con tu hipótesis, desconfía. El modelo detecta lo que quieres escuchar.
Información muy local o reciente
Datos sobre mercados locales específicos, regulaciones de países pequeños o eventos recientes son áreas donde el entrenamiento es más escaso y las alucinaciones más frecuentes.
Inconsistencia entre preguntas
Pregunta lo mismo de dos maneras diferentes en la misma sesión. Si el modelo da datos contradictorios, ninguno de los dos puede ser confiable sin verificación externa.
Nunca dice “no sé”
Un modelo que siempre tiene respuesta para todo —sin nunca expresar incertidumbre— está alucinando en algún punto. La incertidumbre honesta es señal de confiabilidad.
Pide incertidumbre explícita desde el prompt
Incluye en tus instrucciones: “Si no estás seguro de algún dato, indícalo claramente con ‘[sin verificar]’ en lugar de presentarlo como hecho”. Esto activa un modo más honesto en el modelo.
Usa datos críticos solo como punto de partida
Trata toda información específica del LLM como una hipótesis a verificar, no como un hecho establecido. El modelo es excelente para darte la dirección correcta de búsqueda; la fuente primaria la confirmas tú.
Separa tareas creativas de tareas factuales
Para redacción, ideas, estructura, análisis de documentos que tú proporcionas: confía en el modelo. Para fechas, estadísticas, citas, leyes, nombres específicos: verifica siempre con fuente primaria.
Usa grounding para tareas críticas
Cuando los hechos importan: usa Perplexity (busca en internet en tiempo real), NotebookLM (solo responde con tus documentos) o ChatGPT con búsqueda activa. Estas herramientas anclan las respuestas a fuentes verificables.
Contrainterroga al modelo sobre sus propias respuestas
Después de una respuesta con datos específicos, pregunta: “¿Puedes confirmar la fuente exacta de cada estadística que mencionaste?” o “¿Qué tan seguro estás de estos datos?”. El modelo suele reconocer su incertidumbre cuando se le pregunta directamente.
✅ Puedes confiar sin verificar
- Redactar, editar y mejorar textos que tú revisarás
- Generar ideas, lluvia de conceptos, estructuras
- Analizar documentos que tú mismo le proporcionas
- Explicar conceptos generales de tu industria
- Escribir código (pero pruébalo antes de usar en producción)
- Resumir textos que tú ya conoces y puedes validar
- Crear plantillas, formatos y estructuras de documentos
- Practicar idiomas o preparar presentaciones
❌ Siempre verifica con fuente primaria
- Estadísticas, porcentajes y cifras específicas
- Citas bibliográficas, autores y años de publicación
- Artículos, papers o estudios científicos
- Fechas históricas exactas de eventos específicos
- Leyes, artículos, normas y regulaciones
- Datos médicos, dosis o protocolos clínicos
- Información financiera actualizada o cotizaciones
- Declaraciones o logros atribuidos a personas reales
Perplexity AI
Busca en internet antes de responder. Cada dato viene con su fuente citada y verificable. Ideal para información actual, noticias y estadísticas recientes.
Google NotebookLM
Solo responde con base en los documentos que tú subes. Si el dato no está en tus archivos, no lo inventa. Cita el párrafo exacto de la fuente.
ChatGPT + Búsqueda web
Con el plugin de búsqueda activo, ancla sus respuestas a resultados reales de internet. Reduce significativamente alucinaciones sobre hechos verificables.
Perplexity Modo Academic
Restringe las fuentes a publicaciones académicas revisadas por pares. Para investigación seria con citas verificables y DOI real.
Un abogado de Nueva York fue multado por presentar citas inventadas por ChatGPT ante un tribunal federal
En 2023, el abogado Steven Schwartz presentó un escrito legal citando seis casos judiciales que no existían. ChatGPT los había inventado con nombres de jueces, números de caso y extractos de sentencias perfectamente formateados. El juez lo descubrió al intentar buscar los casos.
El resultado: una multa de $5,000 dólares, vergüenza pública y un precedente legal sobre el uso de IA en contextos profesionales. Su defensa fue que no sabía que ChatGPT podía inventar cosas. Ahora tú sí lo sabes.
🎯 Lo que debes recordar de este tema
El modelo no miente
Predice lo más probable, no lo más verdadero. La coherencia y la veracidad son objetivos diferentes.
La confianza no es señal de verdad
El modelo responde con el mismo tono seguro cuando acierta y cuando se equivoca. La seguridad no es verificación.
GIGO — Calidad de entrada = calidad de salida
Prompts vagos o que piden datos que el modelo no puede tener producen más alucinaciones.
Grounding como solución
Perplexity y NotebookLM anclan las respuestas a fuentes reales. Úsalos cuando los hechos importan.
Creatividad sí, hechos no
Confía en el modelo para crear, estructurar y editar. Verifica siempre estadísticas, citas, leyes y fechas.
El protocolo te protege
Pide incertidumbre explícita, contrainterroga los datos y usa siempre fuentes primarias en decisiones críticas.
| ⚠️ DATO DE IMPACTO Un estudio de Stanford (2023) encontró que los LLMs producen información incorrecta en hasta el 27% de las respuestas médicas detalladas. Para tareas críticas: siempre verifica con fuentes primarias o usa herramientas ancladas como Perplexity o NotebookLM. |
| 🎬 RECURSO MULTIMEDIA — Para insertar en WordPress Video: «Breve explicación de los modelos extensos de lenguaje (LLM)» (3Blue1Brown) https://www.youtube.com/watch?v=LPZh9BOjkQs Video: «TODOS los TIPOS de Inteligencias Artificiales en 5 minutos» (TICnoticos) https://www.youtube.com/watch?v=sw8LN2UaNbI |