Contenido del curso
Contenido del curso
Carlos Fonseca
Carolina Ibarra
Gabriel Obregón
Santiago Pineda Botero
Mariana Maita
Johanna Reyes Rojas
CRISTO ANTONIO MENDOZA SIGUENZA
Fabio Emilio Buiza Lopez
Sara Zuleta Rúa
Ernesto Antonio Gallegos Vides
MARIA ROMELIA CHICA DE VASQUEZ
Roberto Carlos Moreira España
Carlos José Hernández Hernández
David Mauricio Arcila Suarez
Juan Marcelo Panasiti
Santiago Pineda Botero
Paulo Cesar Ramirez Rodriguez
Cristian Fernando Camacho Fonseca
JEIMMY ANDREA FLECHAS GONZALEZ
edward isaias chachagua
Lady Diana Mathieu Peralta
Tomas Sebastian Rivas
Dr Giovanni Josué Pérez Lemus
Creo que como expertos en sistemas, debemos de siempre poder dejar la opción de revisión y de contar con la IA como apoyo. Cuidado al crear sistemas integrados con IA sin aprobaciones por humano, para acciones que tienen consecuencias.
Asi no seamos expertos en sistemas, considero fundamental la revisión del resultado. Hasta para temas de estilo y redacción.
Es que es sólo una herramienta para optimizar algo, no para delegarle algo.
🧠 Cómo decidir cuándo usar inteligencia artificial
👉 Saber cómo funciona la IA no alcanza.
👉 Lo importante es tener criterio.
🔹 Decidir cuándo usarla.
🔹 Decidir cuándo revisar.
🔹 Decidir cuándo evitarla.
💡 Clave final:
👉 Usar bien la IA = pensar antes de usarla.
⚠️ ERRORES COMUNES
❌ 1. “Si la IA lo dijo, es correcto”
🔎 Problema:
👉 La IA habla con seguridad.
👉 Usa tono profesional.
👉 Puede equivocarse.
👉 Puede inventar información.
👉 No avisa cuando lo hace.
💬 Cita:
👉 “No hay señales de advertencia ni avisos que digan ‘esto me lo inventé’”.
🧠 Qué pasa:
👉 Confiamos más en cómo suena que en si es verdad.
✅ Idea clave:
👉 Usar la IA como borrador, no como resultado final.
❌ 2. “La IA piensa por mí”
🔎 Problema:
👉 Versión optimista: la IA reemplaza el pensamiento.
👉 Versión pesimista: ya no hace falta aprender.
📌 Realidad:
👉 La IA no piensa.
👉 Depende de la instrucción.
📍 Ejemplo:
🔹 Buena instrucción → resultado útil.
🔹 Instrucción confusa → resultado lindo pero inútil.
✅ Idea clave:
👉 La IA potencia el pensamiento, no lo reemplaza.
❌ 3. “Existe el prompt perfecto”
🔎 Problema:
👉 Se busca una fórmula mágica.
📌 Realidad:
👉 Falta claridad antes de escribir.
💬 Cita:
👉 “Si no tienen claro qué necesitan… ningún prompt mágico va a resolver eso”.
✅ Idea clave:
👉 Primero claridad mental.
👉 Después prompting.
🚦 MÉTODO DEL SEMÁFORO
❓ Pregunta clave:
👉 “Si la IA se equivoca en esta tarea, ¿qué pasa?”
🟢 VERDE
✔ Usar con confianza.
✔ Error sin impacto grave.
✔ Fácil de corregir.
📍 Ejemplo:
👉 Borrador de correo interno.
💡 Uso ideal:
👉 Ahorrar tiempo.
🟡 AMARILLO
⚠ Usar con revisión.
⚠ Puede generar problemas.
⚠ Requiere control humano.
📍 Ejemplo:
👉 Análisis financiero.
💡 Clave:
👉 Es la zona más importante.
👉 Requiere criterio humano.
🔴 ROJO
🚫 Evitar o usar con mucha cautela.
🚫 Error con consecuencias graves.
📍 Ejemplo:
👉 Consejo legal.
💡 Clave:
👉 Máxima responsabilidad.
🧩 FICHA DE CONTEXTO PERSONAL
🎯 Para qué sirve:
👉 Usar la IA de forma más enfocada.
👉 Mantener claridad en el uso.
🧱 Elementos
🔹 Rol y tareas.
🔹 Nivel con IA.
🔹 Objetivo específico.
📌 Ejemplo
👉 “Producir informes con apoyo de IA que pueda presentar con confianza a mi equipo”.
💡 Función:
👉 Actúa como ancla personal.
10. Evidencia y fuentes
13. 20 preguntas avanzadas
Pregunta: ¿Cómo se diferencia una alucinación de un error de razonamiento lógico en una salida de IA? Respuesta: Conceptual: La alucinación es una invención factual sin base en el entrenamiento; el error de razonamiento es una falla en la inferencia lógica. Práctica: Implementar un proceso de validación de hechos (fact-checking) separado de la validación lógica. Qué parte del curso pone a prueba: La distinción entre "IA que piensa" vs "IA que predice". Por qué importa: Determina la estrategia de auditoría necesaria. Qué revela sobre el rigor real del curso: El curso no ofrece herramientas para distinguir ambos fallos. Aporte para la comunidad: Guía de diagnóstico de errores en salidas de IA. Ejemplo de publicación aprovechable: Hilo: "3 pasos para detectar si tu IA está alucinando o simplemente no sabe razonar".
Pregunta: ¿Por qué la heurística del semáforo es insuficiente en entornos de alta incertidumbre? Respuesta: Conceptual: El riesgo en sistemas complejos no es estático ni binario. Práctica: Sustituir el semáforo por una matriz de impacto/probabilidad de fallo. Qué parte del curso pone a prueba: El modelo de semáforo. Por qué importa: Evita la falsa sensación de seguridad en tareas críticas. Qué revela sobre el rigor real del curso: El curso simplifica el riesgo a un nivel peligroso. Aporte para la comunidad: Debate sobre la ineficacia de modelos de decisión simplistas. Ejemplo de publicación aprovechable: Post: "Por qué el semáforo de riesgo de IA es una trampa para tu productividad".
Pregunta: ¿Cómo mitigar el sesgo de confirmación al usar IA como asistente de investigación? Respuesta: Conceptual: La IA tiende a alinear su respuesta con la premisa del prompt. Práctica: Diseñar prompts que obliguen al modelo a buscar evidencia contraria. Qué parte del curso pone a prueba: El uso de la IA para tareas de investigación. Por qué importa: Evita la validación de sesgos propios. Qué revela sobre el rigor real del curso: Omite la necesidad de contrapesos en el prompting. Aporte para la comunidad: Checklist de "prompting crítico". Ejemplo de publicación aprovechable: Checklist: "5 comandos para evitar que la IA te dé la razón".
Pregunta: ¿Qué es la "falsa sensación de dominio" en el contexto de este curso? Respuesta: Conceptual: El usuario confunde la facilidad de uso con la competencia técnica. Práctica: Realizar auditorías ciegas de los resultados obtenidos. Qué parte del curso pone a prueba: La promesa de "saber cuándo usar IA". Por qué importa: Define el límite entre usuario y experto. Qué revela sobre el rigor real del curso: El curso fomenta la confianza sin proporcionar la competencia necesaria. Aporte para la comunidad: Advertencia sobre los límites del aprendizaje superficial. Ejemplo de publicación aprovechable: Artículo: "El peligro de creer que dominas la IA tras un curso de 1 hora".
Pregunta: ¿Cómo integrar la IA en tareas críticas sin delegar la responsabilidad final? Respuesta: Conceptual: La responsabilidad es indelegable; la IA es solo una herramienta de apoyo. Práctica: Establecer un flujo de trabajo donde el humano valide cada punto crítico. Qué parte del curso pone a prueba: La delegación de tareas. Por qué importa: Protege al usuario de consecuencias legales o profesionales. Qué revela sobre el rigor real del curso: No aborda la responsabilidad ética o profesional. Aporte para la comunidad: Protocolo de "Humano en el bucle". Ejemplo de publicación aprovechable: Guía: "Cómo usar IA en tu trabajo sin perder el control".
Pregunta: ¿Qué define a una tarea como "roja" en un entorno profesional? Respuesta: Conceptual: Tareas donde el costo del error es irreversible o catastrófico. Práctica: Crear una lista de tareas prohibidas para la IA. Qué parte del curso pone a prueba: La clasificación de tareas. Por qué importa: Establece límites de seguridad. Qué revela sobre el rigor real del curso: El curso es vago en la definición de "riesgo". Aporte para la comunidad: Definición de "Zona Roja" en IA. Ejemplo de publicación aprovechable: Post: "3 tipos de tareas que nunca deberías delegar a una IA".
Pregunta: ¿Es el prompt el factor determinante del éxito en la delegación? Respuesta: Conceptual: El prompt es solo la interfaz; la calidad depende de la estructura del problema. Práctica: Enfocarse en la descomposición del problema antes de escribir el prompt. Qué parte del curso pone a prueba: La importancia del prompt. Por qué importa: Evita el "prompting mágico". Qué revela sobre el rigor real del curso: El curso sobrevalora la técnica de escritura. Aporte para la comunidad: Estrategia de descomposición de problemas. Ejemplo de publicación aprovechable: Hilo: "Deja de obsesionarte con tus prompts y empieza a estructurar tus problemas".
Pregunta: ¿Cómo auditar la calidad de una respuesta de IA sin ser experto en el tema? Respuesta: Conceptual: La auditoría se basa en la consistencia y la trazabilidad, no solo en el contenido. Práctica: Solicitar fuentes y verificar la lógica paso a paso. Qué parte del curso pone a prueba: La verificación de resultados. Por qué importa: Es el único mecanismo de defensa del usuario. Qué revela sobre el rigor real del curso: El curso omite la técnica de auditoría. Aporte para la comunidad: Método de verificación para no expertos. Ejemplo de publicación aprovechable: Guía: "Cómo auditar a una IA cuando no sabes del tema".
Pregunta: ¿Qué riesgos de seguridad implica el uso de IA en documentos confidenciales? Respuesta: Conceptual: Los datos ingresados pueden ser usados para reentrenar modelos. Práctica: Anonimizar datos antes de cualquier interacción. Qué parte del curso pone a prueba: El uso de IA con datos personales. Por qué importa: Evita fugas de información. Qué revela sobre el rigor real del curso: Omisión crítica de seguridad. Aporte para la comunidad: Protocolo de anonimización. Ejemplo de publicación aprovechable: Advertencia: "Lo que subes a la IA ya no es privado".
Pregunta: ¿Cómo mejorar la precisión en tareas de riesgo medio? Respuesta: Conceptual: Reducir la incertidumbre mediante el contexto y la restricción. Práctica: Usar técnicas de chain-of-thought (cadena de pensamiento). Qué parte del curso pone a prueba: Tareas de riesgo medio. Por qué importa: Aumenta la utilidad de la herramienta. Qué revela sobre el rigor real del curso: El curso no enseña técnicas de mejora. Aporte para la comunidad: Introducción a chain-of-thought. Ejemplo de publicación aprovechable: Tutorial: "Cómo hacer que tu IA razone mejor paso a paso".
Pregunta: ¿Por qué la IA no puede ser considerada una fuente de verdad? Respuesta: Conceptual: La IA no tiene acceso a la realidad, solo a representaciones estadísticas. Práctica: Tratar cada salida como una hipótesis a verificar. Qué parte del curso pone a prueba: La naturaleza de la IA. Por qué importa: Evita la dependencia de información falsa. Qué revela sobre el rigor real del curso: El curso lo menciona pero no lo desarrolla. Aporte para la comunidad: Cambio de paradigma: IA como hipótesis, no como fuente. Ejemplo de publicación aprovechable: Post: "La IA no sabe la verdad, solo sabe qué suena bien".
Pregunta: ¿Cómo afecta el tono de la IA a la percepción de veracidad? Respuesta: Conceptual: La fluidez lingüística activa sesgos cognitivos de autoridad. Práctica: Leer el texto sin formato para evaluar el contenido. Qué parte del curso pone a prueba: La falacia de autoridad. Por qué importa: Previene la manipulación psicológica del modelo. Qué revela sobre el rigor real del curso: Es uno de los puntos mejor tratados. Aporte para la comunidad: Técnica de "desenmascaramiento" de textos. Ejemplo de publicación aprovechable: Hilo: "Por qué confías en la IA: el sesgo de la fluidez".
Pregunta: ¿Qué es una "tarea de bajo riesgo" en la práctica? Respuesta: Conceptual: Tareas donde el costo de corrección es menor al costo de ejecución manual. Práctica: Medir el tiempo de corrección vs. creación. Qué parte del curso pone a prueba: La clasificación de tareas. Por qué importa: Define la eficiencia real. Qué revela sobre el rigor real del curso: El curso es intuitivo, no métrico. Aporte para la comunidad: Cálculo de ROI de delegación. Ejemplo de publicación aprovechable: Calculadora: "¿Vale la pena usar IA aquí?".
Pregunta: ¿Cómo escalar el uso de IA en una organización de forma segura? Respuesta: Conceptual: Requiere políticas de gobernanza y estandarización de procesos. Práctica: Crear un comité de ética y seguridad de IA. Qué parte del curso pone a prueba: La aplicación corporativa. Por qué importa: Evita riesgos sistémicos. Qué revela sobre el rigor real del curso: El curso es para uso individual, no corporativo. Aporte para la comunidad: Marco de gobernanza inicial. Ejemplo de publicación aprovechable: Guía: "Cómo empezar a usar IA en tu empresa sin riesgos".
Pregunta: ¿Qué papel juega el criterio humano en la era de la IA? Respuesta: Conceptual: El humano es el único que puede asignar valor y contexto. Práctica: Enfocarse en la toma de decisiones, no en la ejecución. Qué parte del curso pone a prueba: La delegación de tareas. Por qué importa: Define el valor del profesional. Qué revela sobre el rigor real del curso: El curso subestima el rol del criterio humano. Aporte para la comunidad: Revalorización del juicio humano. Ejemplo de publicación aprovechable: Reflexión: "El humano es el filtro, la IA es el motor".
Pregunta: ¿Cómo evitar la dependencia tecnológica en el aprendizaje? Respuesta: Conceptual: La IA puede atrofiar habilidades si se usa como sustituto del pensamiento. Práctica: Alternar tareas manuales y asistidas. Qué parte del curso pone a prueba: La delegación de tareas de aprendizaje. Por qué importa: Mantiene la agilidad mental. Qué revela sobre el rigor real del curso: El curso ignora el impacto cognitivo. Aporte para la comunidad: Estrategia de "aprendizaje híbrido". Ejemplo de publicación aprovechable: Hilo: "Cómo usar IA sin que tu cerebro se atrofie".
Pregunta: ¿Qué es la "calidad de los patrones" en el entrenamiento? Respuesta: Conceptual: La IA es un espejo de los datos de entrenamiento, incluyendo sus sesgos. Práctica: Ser consciente de los sesgos inherentes al modelo. Qué parte del curso pone a prueba: La naturaleza de la IA. Por qué importa: Ayuda a predecir fallos. Qué revela sobre el rigor real del curso: El curso es superficial en la técnica. Aporte para la comunidad: Introducción a la ética de datos. Ejemplo de publicación aprovechable: Post: "La IA no es neutral: el sesgo de los datos".
Pregunta: ¿Cómo evaluar la utilidad de una IA para un rol específico? Respuesta: Conceptual: La utilidad se mide por la reducción de carga cognitiva en tareas de bajo riesgo. Práctica: Registrar el ahorro de tiempo real. Qué parte del curso pone a prueba: La utilidad práctica. Por qué importa: Optimiza la inversión de tiempo. Qué revela sobre el rigor real del curso: Falta de métricas de éxito. Aporte para la comunidad: Plantilla de evaluación de utilidad. Ejemplo de publicación aprovechable: Checklist: "Mide si tu IA realmente te ayuda".
Pregunta: ¿Por qué el curso omite la mitigación de riesgos técnicos? Respuesta: Conceptual: Simplificación pedagógica para evitar saturar al alumno básico. Práctica: El alumno debe buscar formación técnica complementaria. Qué parte del curso pone a prueba: La estructura del curso. Por qué importa: Es una falla pedagógica grave. Qué revela sobre el rigor real del curso: El curso es introductorio y limitado. Aporte para la comunidad: Crítica a la formación superficial. Ejemplo de publicación aprovechable: Hilo: "Por qué los cursos básicos de IA te dejan a medias".
Pregunta: ¿Cómo transitar al siguiente nivel de competencia tras este curso? Respuesta: Conceptual: Pasar de la intuición a la ingeniería de sistemas y auditoría técnica. Práctica: Estudiar lógica, estadística y ética de datos. Qué parte del curso pone a prueba: El cierre del curso. Por qué importa: Define la ruta de crecimiento. Qué revela sobre el rigor real del curso: El curso no ofrece ruta de salida. Aporte para la comunidad: Hoja de ruta de aprendizaje. Ejemplo de publicación aprovechable: Guía: "Después de este curso: qué aprender para dominar la IA".
la IA tiene muchas falencias, todavía está en evolución, pero es bastante practica si se usa con conciencia.
No se deberían tomar decisiones de temas delicados (financieros, legales, tributarios, etc.), solo basados en lo que nos da la IA, especialmente cuando estos hacen referencia a temas que estan sujetos a normativas. Puede darnos un panorama de la criticidad del tema que estamos tratando, pero no debe ser la base para tomar decesiones importantes al respecto. Muchas veces hacemos consultas, cuando se trata de un tema que no hace parte de nuestra área de trabajo, porque es como un "Motor de búsqueda con poderes", pero siempre debemos tener claro que esto es solo una guia, no una verdad absoluta.
Excelente explicación
El pensamiento de utilizar un semaforo para definir las actividades a aplicar con la IA me parece los más provechoso de este contenido, donde poner mente realmente utilizando favorablemente la IA.
Se han encontrado diferentes puntos de vista respecto a las profesiones que serán reemplazadas por inteligencia artificial, considero que, definitivamente el criterio y la experiencia profesional, son partes fundamentales en los procesos y que en este caso, la IA representa un insumo o herramienta importante que complementan estos dos aspectos.
Todas las IA qur probe muestran que starlink fue creado por Elon M. Lo cual es FALSO, ni la marca ni la tecnologia fue creada por este señor, y como dicen .... para muestra un botón ... IA aún no es confiable
¿Es posible usar IA para decisiones financieras?
Sí, es posible, pero debe manejarse estrictamente como una tarea de zona amarilla o roja. La inteligencia artificial es excelente para procesar grandes volúmenes de datos financieros, identificar tendencias históricas o estructurar un análisis de presupuesto en cuestión de segundos.
No obstante, nunca debes delegarle la decisión final. Los modelos de lenguaje pueden alucinar cifras, omitir variables macroeconómicas recientes o malinterpretar el contexto específico de tu empresa. Utiliza la herramienta para que te prepare el terreno: pídele que organice los datos, que genere escenarios comparativos o que extraiga los puntos clave de un reporte extenso. Una vez tengas ese insumo, eres tú quien debe auditar los números y tomar la decisión estratégica basándote en tu experiencia y juicio profesional.
¿Es posible usar IA para decisiones financieras?
Sí, es posible, pero debe manejarse estrictamente como una tarea de zona amarilla o roja. La inteligencia artificial es excelente para procesar grandes volúmenes de datos financieros, identificar tendencias históricas o estructurar un análisis de presupuesto en cuestión de segundos.
No obstante, nunca debes delegarle la decisión final. Los modelos de lenguaje pueden alucinar cifras, omitir variables macroeconómicas recientes o malinterpretar el contexto específico de tu empresa. Utiliza la herramienta para que te prepare el terreno: pídele que organice los datos, que genere escenarios comparativos o que extraiga los puntos clave de un reporte extenso. Una vez tengas ese insumo, eres tú quien debe auditar los números y tomar la decisión estratégica basándote en tu experiencia y juicio profesional.
Con que aplicación han realizado este curso???
Probablemente muchas, se pueden articular para lograr mejores resultados, con n8n (creo que se puede con eso). Es la magia, saludos.
1. Ficha forense del curso
2. Qué enseña realmente y qué solo aparenta enseñar
3. Mapa de contenidos del curso
4. Auditoría por nivel
5. Diagnóstico técnico, pedagógico y epistemológico
6. Contradicciones, omisiones y puntos ciegos
7. Qué creerá haber aprendido el alumno vs. qué aprendió realmente
8. Temas clave auditados
9. Pruebas de estrés del curso
10. Evidencia y fuentes
11. Valor real para la comunidad
12. Conclusión honesta y dura
El curso cumple como introducción para legos, pero es pedagógicamente irresponsable al no incluir protocolos de mitigación. La principal debilidad es la ausencia de herramientas de verificación. Mejora indispensable: enseñar a "auditar" la salida de la IA antes de considerarla un insumo válido.
13. 20 preguntas avanzadas
14. Cierre accionable
Quiero aprovechar la IA para crearles musica a mis canciones utilizando mi voz, para luego reproducirlas en las diferentes redes.
El uso de la inteligencia artificial implica una responsabilidad compartida: debemos utilizarla con criterio crítico, validar la información y proteger los datos, ya que, aunque es una herramienta poderosa, siempre requiere supervisión humana para evitar errores y garantizar decisiones confiables.
;)
¿Cómo decido qué tareas delegar a IA?
Aplica la regla del impacto del error. Imagina que la inteligencia artificial se equivoca por completo en la tarea que le asignaste. Si el error es inofensivo y puedes corregirlo en un par de minutos, estás frente a una tarea ideal para delegar. Por ejemplo, estructurar la agenda de una reunión o redactar un correo de rutina.
Sin embargo, si un error puede costarte dinero, dañar tu reputación o afectar a un cliente, debes asumir el control. La clave no está en la capacidad técnica de la herramienta, sino en el nivel de riesgo que estás dispuesto a asumir en tu trabajo diario. Piensa en la IA como un pasante brillante pero inexperto: le darías a redactar un borrador, pero nunca le pedirías que firme un contrato millonario sin tu supervisión directa.
Voy a ver todas las clases por el contenido, pero el usar voz y videos generados por IA me complica un poco el proceso. Muy feo
Para todas las ciencias lo correcto es primero establecer las bases sobre las cuales necesitamos información, por ejemplo en leyes tener un archivo donde este los documentos segun la pirámide de Kelsen, pero para conseguir estos documentos primero se le solicitaran a la IA los localice, luego se tienen que subir a la IA y luego en base a estos documentos no en base a patrones estadísticos genéricos establecer cada tipo de prompt segun sea el caso y esto mismo es aplicable a cualquier rema de las ciencias