Guía técnica para hablar de AI con no-técnicos Silvia Ariza

Contenido del curso

Escenario Expert

Escenario Tekiti

Ignites

Cursos Empresas Blog Live Conf Eventos Precios

0:0021:33

Guía técnica para hablar de AI con no-técnicos Silvia Ariza

Platzi Conf México 2025

Clase 13 de 23

Clase 13 / 23

Recursos

La inteligencia artificial y el análisis de datos son disciplinas que pueden transformar organizaciones enteras. Sin embargo, muchos profesionales altamente capacitados enfrentan dificultades para que sus análisis generen el impacto deseado. La clave está en alinear el trabajo técnico con los objetivos de negocio y desarrollar habilidades de comunicación efectiva con diferentes áreas de la organización.

¿Cuáles son los principales desafíos al implementar proyectos de inteligencia artificial?

Los dos obstáculos más comunes que enfrentan los científicos de datos son:

Barreras de comunicación entre equipos técnicos y de negocio, dificultando la comprensión mutua de ideas y requerimientos.
Falta de vinculación entre los análisis técnicos y los objetivos estratégicos de la organización.

¿Cómo explicar la inteligencia artificial al negocio?

Es fundamental ayudar a los equipos no técnicos a entender:

La distinción entre IA tradicional y generativa.
La importancia de recolectar y mantener datos de calidad.
Que un algoritmo es simplemente un conjunto de reglas.
Las 4 etapas básicas: recolección de datos, control de calidad, análisis descriptivo y predicción.

¿Qué hace exitoso a un proyecto de inteligencia artificial?

¿Cuáles son los objetivos que generan mayor impacto?

Los análisis más efectivos suelen enfocarse en tres categorías principales:

Incrementar ingresos: como algoritmos de recomendación tipo Netflix.
Reducir costos: como optimización de rutas de Amazon.
Mejorar reputación: como chatbots inteligentes de Airbnb.

¿Cómo definir objetivos Smart?

Un objetivo bien planteado debe ser:

Específico: claro y concreto.
Medible: cuantificable con métricas definidas.
Alcanzable: realista aunque retador.
Relevante: alineado con KPIs organizacionales.
Temporal: con plazos definidos.

¿Cómo generar mayor impacto con la inteligencia artificial?

¿Cuáles son las claves para el éxito?

Partir de un problema de negocio real.
Identificar los datos necesarios involucrando múltiples áreas.
Explicar los algoritmos desde el impacto, no desde la técnica.
Implementar sistemas de monitoreo y alerta.
Buscar generar valor más allá de la organización.

¿Qué tipos de algoritmos generan más valor?

Para incrementar beneficios:

Sistemas de recomendación
Optimización de tarifas
Publicidad dirigida

Para reducir costos:

Optimización logística
Detección de fraude
Gestión de inventarios

Para mejorar reputación:

Chatbots inteligentes
Análisis de opiniones
Traducción automática

Los datos y la inteligencia artificial tienen el potencial de transformar organizaciones y generar impacto social positivo. El éxito radica en combinar excelencia técnica con objetivos de negocio claros y una comunicación efectiva. ¿Qué otros ejemplos conoces de algoritmos que hayan generado gran impacto en las organizaciones? Comparte tu experiencia en los comentarios.

Mateo Montoya Henao

Hace un año

Silvia Ariza enfatiza que el reto no es solo explicar la AI, sino traducirla a un lenguaje que conecte con la experiencia, las emociones y las necesidades del público.

Aquí te dejo una guía práctica paso a paso que puedes usar en presentaciones, talleres o reuniones.

📘 Guía técnica para hablar de AI con no-técnicos

(Inspirada en el enfoque de Silvia Ariza)

1️⃣ Empieza con el “por qué”, no con el “cómo”

Error común: arrancar con definiciones técnicas (redes neuronales, algoritmos, etc.).
Enfoque recomendado:
- Explica qué problema resuelve la AI.
- Usa ejemplos cercanos:“La AI es como un asistente que aprende de la experiencia y te ayuda a tomar mejores decisiones más rápido.”

2️⃣ Usa metáforas y analogías

Por qué: Las analogías convierten lo abstracto en algo tangible.
Ejemplos:
- Entrenar un modelo de AI → “Es como enseñar a un niño a reconocer frutas mostrándole muchas fotos.”
- Machine Learning → “Es como un chef que mejora su receta cada vez que cocina.”

3️⃣ Muestra casos de uso reales y cercanos

Evita: ejemplos demasiado futuristas o lejanos.
Incluye:
- AI en el día a día: recomendaciones de Netflix, filtros de spam, asistentes de voz.
- AI en su sector específico: salud, educación, logística, marketing, etc.

4️⃣ Visualiza el proceso

Usa diagramas simples:
1. Datos → 2. Entrenamiento → 3. Predicción/Acción
Evita saturar con fórmulas o código.
Herramientas recomendadas: Canva, Miro, PowerPoint con íconos claros.

5️⃣ Habla de beneficios y límites

Beneficios: velocidad, personalización, escalabilidad.
Límites: sesgos, necesidad de datos de calidad, no reemplaza el juicio humano.
Silvia Ariza insiste en no vender la AI como magia, sino como una herramienta poderosa con responsabilidades.

6️⃣ Introduce conceptos técnicos de forma progresiva

Empieza con términos básicos: datos, patrones, predicciones.
Luego, si hay interés, introduce: modelos, entrenamiento, validación.
Siempre con ejemplos visuales y analogías.

7️⃣ Cierra con impacto y acción

Resume en una frase clara:“La AI es una herramienta que aprende de los datos para ayudarnos a resolver problemas de forma más rápida y precisa.”
Invita a explorar: demos, videos cortos, pruebas con herramientas accesibles (ChatGPT, DALL·E, Runway, etc.).

📌 Checklist rápida para tu presentación

✅ Lenguaje claro y sin jerga innecesaria

✅ Ejemplos cercanos y relevantes

✅ Visuales simples y atractivos

✅ Balance entre beneficios y riesgos

✅ Espacio para preguntas y curiosidad

Escenario Expert

Estado de Platzi

Cómo estar en el 10% de la humanidad - Freddy Vega

Cómo entrar a la industria de la robótica Felipe Chávez Cortés

La estructura social post AI Rodolfo Gonzalez + Freddy

De estudiante a fundador, emprendiendo con propósito - Marlene Garayzar

El camino del vibecoder Cvander

El negocio (y el imperio) de los podcastsNicole Chapaval + Paulina Se Regalan Dudas

Entrenamiento del primer modelo de IA fundacional de Latinoamérica

Transformación digital del Real Madrid con tecnología e IA

Cómo la tecnología salvó mi futuro (y puede salvar el tuyo) - Sebastián Filoramo

Escenario Tekiti

Detectando cancer con AI-Julian Rios

La hiper ambición que necesita la era de AI -Paola Santana

Guía técnica para hablar de AI con no-técnicos Silvia Ariza

Datos e IA en el sector primario: agricultura y ganadería - Mar Ariza

From Observation to Action - Rita Hill New Relic

Dos años de lecciones de hacer software con LLMs - Juan Pablo Rojas

Principios para construir agentes cognitivos de AI - Mario Campos Soberanis

Ignites

Cómo combinar tus pasiones- Fisico Gamer

La Ignorancia me cambió la Vida - Francisco Mujica

Cómo Sobreviví a 3 Layoffs en 3 Años- Kevin J. Zea Alvarado

Materiales e Inteligencia Artificial: Revelando un Mundo Oculto - Carlos Rondón

Infraestructura de IA en Latam, la nueva frontera para desarrolladores - Angel Cisneros, CEO de Saptiva

Personalización: personas y código - Diego Halffter

Guía técnica para hablar de AI con no-técnicos Silvia Ariza

Progreso del curso

Escenario Expert

Escenario Tekiti

Ignites

Recursos

Recursos