Guía de comunicación para Ejecutivos

Clase 18 de 19 • Programa Ejecutivo: Liderazgo en la Era de AI - EAFIT

Esta guía te ayudará a comunicar conceptos de Inteligencia Artificial en un lenguaje claro para tu equipo. Aprenderás a evitar la jerga técnica y hablar con claridad sobre AI, permitiendo que todo tu equipo colabore de manera más efectiva.

¿Por qué importa el lenguaje sencillo en Inteligencia Artificial?

El uso de palabras simples elimina barreras. Cuando una persona técnica usa términos complejos, tu equipo puede sentirse excluido. Usar lenguaje claro asegura que todos, independientemente de sus habilidades técnicas, puedan participar en la conversación sobre proyectos de Inteligencia Artificial.

Cuando las personas comprenden, se sienten más involucradas y responsables. Es más probable que compartan ideas y detecten problemas cuando entienden lo que está sucediendo.

Centrarse en acciones en lugar de herramientas sofisticadas ayuda a tu equipo a abordar desafíos reales. Al eliminar palabras confusas, es más fácil acordar objetivos y hacer buenos planes. El habla clara conduce a una mejor resolución de problemas porque todos pueden contribuir sin sentirse excluidos.

Reformulando la jerga técnica en lenguaje sencillo

Cuando una persona técnica dice...	Lo que realmente quiere decir...
"Estamos implementando un enfoque RAG"	"Estamos asegurando que la Inteligencia Artificial siempre tenga la información correcta para responder bien a las preguntas"
"Usaremos few-shot prompting y chain-of-thought reasoning"	"Daremos ejemplos y animaremos a la Inteligencia Artificial a pensar antes de responder"
"Nuestro modelo sufre de problemas de alucinación"	"A veces, la Inteligencia Artificial inventa cosas, por lo que debemos verificar sus respuestas"
"Ajustemos los hyperparametros para optimizar el rendimiento"	"Podemos ajustar la configuración para que la Inteligencia Artificial funcione mejor"
"Necesitamos prevenir ataques de prompt injection"	"Debemos asegurarnos de que los usuarios no puedan engañar a la Inteligencia Artificial para que ignore nuestras reglas"
"Implementar un modelo multimodal para mejores resultados"	"Usemos una Inteligencia Artificial que entienda tanto texto como imágenes"
"La Inteligencia Artificial está overfitting en nuestros datos de entrenamiento"	"La Inteligencia Artificial está demasiado enfocada en ejemplos antiguos y no funciona bien con nuevos"
"Considera utilizar técnicas de transfer learning"	"Podemos comenzar con un modelo de Inteligencia Artificial existente y adaptarlo a nuestras necesidades"
"Estamos experimentando alta latency en las respuestas"	"La Inteligencia Artificial está tardando demasiado en responder; necesitamos acelerarla"

Al usar lenguaje sencillo, todos pueden entender y participar. Las personas de todas las áreas de tu empresa pueden compartir ideas y trabajar juntas. Esto reduce la confusión y ayuda a que los proyectos avancen más rápido porque todos saben lo que está sucediendo.

Estrategias para promover el lenguaje sencillo en tu organización

Lidera con el ejemplo

Usa palabras simples cuando hables y escribas. Cuando haces que las ideas complejas sean fáciles de entender, muestras a otros cómo hacerlo. Tu equipo probablemente seguirá tu ejemplo cuando vean que valoras la comunicación clara.

Cuestiona la jerga cuando aparezca

Si alguien usa términos técnicos, pídele que explique en palabras simples. Esto ayuda a todos a entender y muestra que está bien hacer preguntas.

Por ejemplo: Si un miembro del equipo dice: "Nuestra Inteligencia Artificial necesita mejores guardrails", podrías preguntar: "¿Puedes contarme más sobre eso? ¿Cómo podemos asegurarnos de que la Inteligencia Artificial dé respuestas seguras y apropiadas?"

Fomenta la conversación abierta

Haz que sea normal para las personas hacer preguntas y decir cuando no entienden. Informa a tu equipo que es bueno buscar explicaciones claras. Esto crea un ambiente amigable donde las ideas pueden compartirse abiertamente.

Glosario de términos de Inteligencia Artificial

🧠 Conceptos fundamentales

Concepto	Definición	Por qué importa
LLM (Large Language Model)	Un gran modelo de AI que entiende y genera texto	Impulsa muchas herramientas de AI como chatbots y creadores de contenido
Transformer	Modelo de AI que usa atención para entender lenguaje	Base de muchos modelos actuales como los chatbots
Inference	Obtener una respuesta del modelo	Te ayuda a entender cómo funciona la AI y el tiempo o recursos que necesita
Tokenization	Dividir texto en piezas pequeñas que el modelo entiende	Te permite entender y controlar el costo de uso del modelo
Prompt	Entrada o pregunta que das a la AI	Una buena pregunta produce mejores respuestas
Prompt Engineering	Diseñar prompts para obtener mejores resultados	Mejora la calidad de las respuestas del modelo
Token Limits	Número máximo de palabras/piezas que el modelo maneja	Afecta cuánta info puedes introducir o recibir
Context Window	Texto máximo que el modelo puede usar a la vez	Clave para planear buenas interacciones con AI
Latency	Retraso en obtener una respuesta	Respuestas más rápidas mejoran la experiencia del usuario

🎓 Entrenamiento y ajuste de modelos

Concepto	Definición	Por qué importa
Pre-training	Fase inicial de aprendizaje con muchos datos	Da conocimientos generales al modelo
Fine-Tuning	Ajustar un modelo preentrenado con datos específicos	Personaliza la AI para tareas concretas
Transfer Learning	Usar conocimiento de una tarea para ayudar con otra	Ahorra tiempo y recursos
Distillation	Crear un modelo más pequeño y rápido a partir de uno grande	Reduce costos y mejora velocidad, pero con posible pérdida de precisión
Few-Shot Learning	Enseñar con solo unos pocos ejemplos	Permite personalización simple y rápida
Zero-Shot Learning	El modelo resuelve tareas sin ejemplos previos	Útil para tareas simples, pero limitado sin contexto
RLHF (Reinforcement Learning from Human Feedback)	Entrenar con retroalimentación humana	Mejora la calidad según preferencias humanas, aunque es complejo
Overfitting	Aprender demasiado los datos de entrenamiento	Reduce la capacidad de generalizar a nuevos datos
Hyperparameters	Configuraciones que afectan el rendimiento del modelo	Ajustarlas mejora resultados, aunque requiere pruebas y experiencia

🧩 Optimización de resultados y comportamiento

Concepto	Definición	Por qué importa
Chain of Thought	Incitar al modelo a pensar y planificar antes de responder	Mejora la calidad de las respuestas, aunque tarda más
Chunking	Dividir textos largos en partes más pequeñas	Mejora búsquedas y resultados dependiendo de cómo se divida el contenido
Frequency Penalties	Configuración para evitar que el modelo repita palabras	Genera respuestas más variadas e interesantes
Temperature	Controla qué tan creativas son las respuestas de AI	Permite elegir entre respuestas predecibles o más imaginativas
Top-p Sampling	Elige palabras entre las más probables hasta una suma de probabilidad	Balancea entre seguridad y creatividad en las respuestas
Reranking	Ordenar resultados para mostrar los más importantes	Mejora la relevancia del contexto utilizado por la AI
Guardrails	Reglas de seguridad para controlar las salidas del modelo	Reducen errores y respuestas dañinas, aunque no son infalibles

🔍 Búsqueda y comprensión de información

Concepto	Definición	Por qué importa
Embeddings	Convertir palabras en números que representan su significado	Permite búsquedas más inteligentes basadas en el sentido, no solo en palabras
Semantic Search	Buscar basado en significado, no solo en palabras exactas	Encuentra información incluso si se usan términos distintos
Hybrid Search	Combina búsqueda por palabras clave y significado	Mejora los resultados de búsqueda y recuperación de información
Latent Space	Representación interna abstracta del modelo sobre los datos	Ayuda a entender cómo la AI organiza y procesa la información
RAG (Retrieval Augmented Generation)	Proporcionar contexto relevante al modelo antes de generar texto	Reduce errores al darle la información que necesita previamente

⚙️ Interacción con aplicaciones y despliegue

Concepto	Definición	Por qué importa
Function Calling	Hacer que el modelo ejecute funciones o código	Permite a la AI interactuar con sistemas externos para obtener o procesar datos
Model Deployment	Hacer que el modelo esté disponible en línea	Es necesario para aplicar AI en casos reales y entornos productivos
Inference Endpoint	Punto de acceso para hacer consultas al modelo	Permite integrar AI en apps y servicios
Rate Limiting	Limitar cuántas solicitudes se pueden hacer en cierto tiempo	Protege el sistema y evita caídas o mal uso
Batch Processing	Ejecutar muchas tareas al mismo tiempo	Reduce costos y aumenta eficiencia si se puede esperar por los resultados
Vector Database	Base de datos especializada en embeddings para búsquedas por significado	Acelera búsquedas y mejora precisión en recomendaciones y recuperación de datos

🦾 Modelos avanzados y capacidades

Concepto	Definición	Por qué importa
Multimodal	Modelos que manejan texto, imágenes, audio u otros tipos de datos	Entienden el mundo como lo hacen los humanos: con múltiples tipos de información
Agents	Modelos de AI que pueden ejecutar tareas sin intervención humana	Automatizan procesos complejos, ahorrando tiempo y recursos
AGI (Artificial General Intelligence)	AI con capacidades similares a la inteligencia humana en cualquier tarea	Aún lejana, no es prioridad ahora: lo clave es resolver problemas actuales con AI

🛡️ Seguridad, riesgos y control

Concepto	Definición	Por qué importa
Prompt Injection	Riesgo de seguridad donde se insertan instrucciones maliciosas en los prompts	Puede hacer que la AI ignore reglas o actúe maliciosamente
Guardrails	Reglas que limitan y supervisan lo que el modelo puede responder	Ayudan a prevenir contenido dañino o fuera de contexto
Alucinaciones	Cuando la AI genera información falsa o inventada	Las respuestas pueden parecer ciertas pero ser erróneas, y es clave verificarlas