-
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
Ética, Sesgo y la Caja Negra de la IA
Los modelos de Deep Learning son «cajas negras»: producen resultados brillantes pero es muy difícil explicar por qué tomaron una decisión específica. Este problema no es solo técnico — tiene consecuencias reales sobre vidas humanas en contratación, crédito, justicia y medicina.
Entender el sesgo algorítmico no es un lujo filosófico: es una competencia profesional crítica para cualquier persona que use, implemente o recomiende sistemas de IA en su organización.
La IA puede tomar la decisión correcta
por las razones completamente equivocadas.
Un modelo puede predecir con 95% de precisión quién pagará un préstamo —y hacerlo basándose en el código postal del solicitante, que históricamente correlaciona con la raza. El resultado es correcto en términos estadísticos. La implicación ética es discriminación sistémica invisible y automatizada.
📥 Entrada
Datos del solicitante:
nombre, dirección, historial
⬛
??? miles de capas ???
??? millones de pesos ???
¿Por qué tomó esta decisión?
Nadie lo sabe exactamente.
📤 Decisión
Crédito rechazado.
Sin explicación.
Amazon descartó su sistema de IA para contratación porque penalizaba sistemáticamente a las mujeres
Amazon desarrolló durante años un sistema de IA para filtrar currículums y seleccionar a los mejores candidatos automáticamente. En 2018 lo descartaron al descubrir que el modelo penalizaba cualquier CV que contuviera la palabra “mujeres” (como “presidenta del club de mujeres”) y rebajaba la puntuación de egresadas de universidades femeninas.
El modelo no fue programado para discriminar. Aprendió el sesgo histórico: los ingenieros de Amazon durante la última década habían sido mayoritariamente hombres, y el modelo interpretó “hombre” como predictor de éxito en el puesto.
2014: Amazon comienza a desarrollar el sistema de IA para contratación con datos de 10 años de solicitudes.
2015: El equipo descubre que el modelo penaliza currículums de mujeres. Intentan corregirlo.
2017: A pesar de correcciones parciales, el modelo sigue encontrando otras formas de discriminar. No garantizan neutralidad.
2018: Amazon descarta completamente el proyecto. Lección: los sesgos históricos en datos producen sesgos algorítmicos en decisiones futuras.
Principio fundamental: Un modelo de IA no crea sesgos de la nada. Los amplifica y automatiza a escala. Un prejuicio humano que afecta a 100 personas por año, implementado en un algoritmo, puede afectar a millones en el mismo tiempo — de forma invisible y sistemática.
👤 Sesgo histórico
Los datos reflejan decisiones pasadas hechas por humanos con prejuicios. El modelo aprende esos patrones como si fueran la “verdad”.
📊 Sesgo de representación
Ciertos grupos están subrepresentados en los datos de entrenamiento. El modelo funciona peor para ellos porque aprendió menos sobre ellos.
📏 Sesgo de medición
La forma en que se recopilan los datos introduce distorsiones. Lo que se mide no es exactamente lo que se quiere medir.
🔄 Sesgo de retroalimentación
El modelo toma decisiones que influyen en los datos futuros, creando un ciclo que refuerza el sesgo original.
🌍 Sesgo de agregación
Usar un modelo único para grupos que son fundamentalmente diferentes produce resultados inequitativos para los grupos minoritarios.
🔮 Sesgo de automatización
Los humanos confían ciegamente en la decisión del algoritmo, incluso cuando sus propios instintos y evidencia sugieren lo contrario.
COMPAS — Algoritmo de reincidencia penal en EE.UU. (2016)
ProPublica destapó que el sistema recomendaba condenas y libertades condicionales con sesgo racial
🔴 Lo que ocurrió
COMPAS predecía la probabilidad de reincidencia de acusados. ProPublica analizó 7,000 casos y encontró que clasificaba incorrectamente a personas negras como “alto riesgo” el doble de veces que a personas blancas con historial similar.
💡 La lección
El algoritmo era “justo” por sus propias métricas matemáticas, pero producía outcomes inequitativos en términos de impacto real. Un algoritmo puede ser estadísticamente correcto y éticamente inaceptable al mismo tiempo.
Apple Card — Goldman Sachs discriminó por género en límites de crédito (2019)
Parejas casadas recibían límites de crédito hasta 20x más altos para el esposo que para la esposa
🔴 Lo que ocurrió
David Heinemeier Hansson (creador de Ruby on Rails) reportó en Twitter que su Apple Card le otorgó un límite 20 veces mayor que a su esposa, a pesar de que ella tenía mejor historial crediticio. Steve Wozniak reportó el mismo problema.
💡 La lección
Goldman Sachs fue investigado por el regulador de NY. La empresa no pudo explicar exactamente cómo el algoritmo llegó a esas decisiones. Nadie pudo. La caja negra protege al discriminador tanto como perjudica al discriminado.
Algoritmo de salud de Optum — menos cuidado para pacientes negros (2019)
Un sistema usado en hospitales de EE.UU. asignaba menos recursos médicos a pacientes negros que a blancos con la misma condición
🔴 Lo que ocurrió
El algoritmo usaba el “costo histórico de atención médica” como proxy de necesidad de salud. Pero históricamente se ha gastado menos en pacientes negros (por barreras de acceso), así que el modelo los identificaba como “menos enfermos” y les asignaba menos recursos.
💡 La lección
El costo del gasto histórico no es equivalente a la necesidad médica real. El sesgo de medición invisibilizó la desigualdad de acceso preexistente y la amplificó en las decisiones futuras de asignación de recursos.
Algoritmo de calificaciones en UK durante el COVID-19 (2020)
El gobierno británico usó IA para reemplazar exámenes cancelados — y penalizó sistemáticamente a escuelas de bajos recursos
🔴 Lo que ocurrió
Con los exámenes cancelados por la pandemia, el gobierno usó un algoritmo para asignar calificaciones. El modelo usó el historial de la escuela: estudiantes de escuelas con historial bajo recibieron notas menores, sin importar su desempeño individual.
💡 La lección
40% de las notas fueron reducidas respecto a las recomendadas por los profesores. El gobierno revirtió las calificaciones tras protestas masivas. Los algoritmos que predicen el futuro basados en el pasado institucional perpetúan la desigualdad estructural.
Rekognition de Amazon identificó a 28 congresistas de EE.UU. como sospechosos criminales
En 2018, la ACLU (Unión Americana de Libertades Civiles) probó el sistema de reconocimiento facial de Amazon contra una base de datos de 25,000 rostros de criminales. El sistema identificó incorrectamente a 28 congresistas actuales de EE.UU. como sospechosos criminales. La tasa de error fue significativamente más alta con personas de piel oscura, evidenciando el sesgo en los datos de entrenamiento.
Congresistas identificados incorrectamente como criminales
De los falsos positivos eran personas de color, siendo solo el 20% del Congreso
De confianza con la que el sistema reportó algunas de las identificaciones incorrectas
Amazon suspendió la venta de Rekognition a policías por un año. Vencido ese plazo, sin nueva política.
XAI: Inteligencia Artificial Explicable
El campo de la IA Explicable busca crear métodos para abrir la caja negra: técnicas que permiten entender por qué un modelo tomó una decisión específica. Es especialmente crítico en dominios donde las decisiones deben ser auditables, impugnables y justas.
¿Por qué la explicabilidad es no negociable en estos dominios?
Medicina
Un médico debe poder explicar su diagnóstico al paciente. “El algoritmo lo dijo” no es explicación médica válida.
Finanzas
En Europa, el GDPR da derecho a explicación cuando una decisión financiera se toma con IA.
Justicia
Un acusado tiene derecho constitucional a conocer las razones de su condena o libertad condicional.
RRHH
En muchos países, rechazar a un candidato por IA sin explicación es legalmente equiparable a discriminación.
Las principales técnicas de XAI
LIME
Local Interpretable Model-agnostic ExplanationsCrea un modelo simple y interpretable alrededor de una sola predicción para explicar esa decisión específica. Funciona con cualquier modelo de IA, sin importar su arquitectura interna.
SHAP
SHapley Additive exPlanationsBasado en teoría de juegos, asigna a cada variable de entrada un valor de contribución exacto a la predicción final. Permite decir: “la edad contribuyó +23% y el código postal −15% a esta decisión”.
Grad-CAM
Gradient-weighted Class Activation MappingPara modelos de visión computacional, resalta qué zonas de la imagen fueron más importantes para la decisión. El médico puede ver exactamente qué parte del scan activó el diagnóstico.
Attention Maps
Visualización de mecanismos de atenciónEn LLMs, muestra qué palabras del texto influyeron más en generar cada parte de la respuesta. Permite auditar si el modelo se basó en información relevante o en correlaciones espurias.
Encarcelamiento injusto
Algoritmos de policía predictiva sobrepatrullan comunidades minoritarias, generando más arrestos, más datos que “confirman” el riesgo, en un ciclo que se autorefuerza.
Diagnóstico inequitativo
Modelos entrenados con datos predominantemente caucásicos son menos precisos con pacientes de otras etnias, ampliando las desigualdades existentes en salud.
Exclusión laboral sistémica
Sistemas de filtrado de CVs perpetúan y automatizan prejuicios históricos de contratación, creando barreras invisibles para grupos ya subrepresentados.
Exclusión financiera
Algoritmos de crédito deniegan préstamos basándose en códigos postales que correlacionan con etnia, perpetuando la brecha de riqueza generacional.
Inequidad educativa
Sistemas de admisión universitaria o calificación automatizada penalizan a estudiantes de instituciones históricamente subfinanciadas.
Polarización informativa
Algoritmos de recomendación optimizados para engagement maximizan la indignación, amplificando desinformación y extremismo para retener atención.
Audita los datos antes de entrenar o usar un sistema
Pregunta siempre: ¿Quiénes están representados en los datos de entrenamiento? ¿Quiénes no? Un modelo de selección de personal entrenado solo con empleados exitosos de los últimos 10 años perpetuará los sesgos de esa época.
Exige explicabilidad en sistemas que afectan personas
Si implementas o recomiendas un sistema de IA que toma decisiones sobre personas —contratación, crédito, evaluación— exige que el proveedor explique cómo funciona y que el sistema pueda justificar cada decisión individual.
Mantén a humanos en el ciclo de decisión crítica
El concepto “Human in the Loop” (HITL) establece que en decisiones de alto impacto, la IA debe recomendar y el humano decidir — no al revés. Nunca delegues completamente decisiones que afectan vidas a un algoritmo sin supervisión.
Prueba el sistema con grupos subrepresentados
Antes de lanzar cualquier sistema de IA, prueba su rendimiento específicamente en los grupos menos representados en tus datos. Si el error es significativamente mayor para algún grupo, el sistema no está listo para producción.
Conoce la regulación vigente en tu industria
El GDPR europeo, la AI Act, la Ley de IA propuesta en México y las regulaciones sectoriales (CNBV, COFEPRIS) están estableciendo obligaciones concretas de transparencia y no discriminación algorítmica. Ignorarlas ya es un riesgo legal.
EU AI Act
La regulación más completa del mundo. Clasifica sistemas de IA por riesgo y prohíbe usos de alto riesgo sin auditoría. Prohíbe scoring social y reconocimiento facial masivo.
✓ Vigente 2024EE.UU. — Executive Order on AI
Orden ejecutiva de Biden (2023) sobre seguridad y transparencia en IA. Sin ley federal única aún; regulación sector por sector.
⏳ En desarrolloMéxico — Propuesta de Ley IA
Iniciativas en el Congreso para regular el uso de IA en servicios públicos y privados. La LFPDPPP ya aplica a sistemas automatizados.
📋 En revisiónChina — Regulación de Algoritmos
Desde 2022: obliga a las plataformas a informar a los usuarios cuando están siendo influenciados por algoritmos de recomendación.
✓ Vigente 2022UK — Marco Pro-Innovación
Enfoque regulatorio sectorial y flexible. Cada regulador (FCA, CMA, ICO) aplica principios de IA en su dominio.
⏳ En implementaciónISO/IEC 42001
Estándar internacional de gestión de IA. El equivalente del ISO 27001 para seguridad de información, pero para sistemas de IA.
✓ Publicado 2023🎯 Lo que debes recordar de este tema
La caja negra no es excusa
No poder explicar una decisión no la hace aceptable. La opacidad de un algoritmo no exime de responsabilidad ética ni legal.
El sesgo se amplifica, no se inventa
La IA no crea sesgos de la nada: automatiza y escala los sesgos humanos existentes en los datos históricos.
XAI como herramienta de justicia
LIME, SHAP y Grad-CAM son técnicas que permiten abrir la caja negra y hacer las decisiones auditables.
Human in the Loop es no negociable
En decisiones de alto impacto sobre personas, siempre debe haber supervisión humana. La IA recomienda; el humano decide.
La regulación ya es realidad
El EU AI Act está vigente. Si tu empresa opera en Europa o con datos de europeos, ya tienes obligaciones legales de IA ética.
Tu rol como profesional
Audita datos, exige explicabilidad, prueba con grupos subrepresentados y mantén humanos en el ciclo. La ética no es opcional.