Módulo 1 — Fundamentos de la IA generativa y agéntica

---

Objetivos de aprendizaje

— Comprender la evolución y el panorama de la IA generativa.
— Familiarizarse con la terminología y las categorías de modelos de IA.
— Reconocer el valor estratégico de distintas funcionalidades (chatbots, razonamiento, multimedia).

Índice del módulo

1. Fundamentos de la IA generativa
2. Chatbots con IA: pasado, presente y futuro
3. Modelos optimizados en coste y compensaciones de desempeño
4. Exploración de modelos de interacción multimedia y de lenguaje
5. Aplicaciones avanzadas de herramientas de IA generativa

Tarea del módulo: Actividad "Evaluar el coste de los sistemas de IA".

Idea que enmarca el módulo

La transformación digital entra en una etapa nueva con la IA generativa de los años 2020 y la IA agéntica en fase de prueba. El salto no es de grado sino de naturaleza: de sistemas que responden a prompts a sistemas que encadenan tareas y deciden. El ejemplo que usa el curso: una IA que no solo redacta un correo de marketing, sino que prueba líneas de asunto, programa la campaña y ajusta ofertas en tiempo real según las respuestas; o un asistente financiero que no solo proyecta, sino que detecta anomalías, corre escenarios hipotéticos y redacta la presentación para el directorio.

---

1. Fundamentos de la IA generativa

En 2022 el lanzamiento de ChatGPT 3.5 puso capacidades avanzadas de IA al alcance de cualquiera con un navegador y lenguaje corriente; antes, usar un modelo exigía conocimiento especializado. El curso plantea que los modelos generativos son un paso intermedio hacia los sistemas semiagénticos con capacidad de acción.

Usos de la IA generativa

En atención al cliente, las empresas registran aumentos de productividad de entre 15 % y 30 % gracias a la IA.

La arquitectura subyacente

Fundamentos del aprendizaje automático

El aprendizaje automático entrena algoritmos con grandes conjuntos de datos para reconocer patrones y mejorar con el tiempo sin programación explícita. La distinción clave del curso: un modelo predictivo entrenado con imágenes de gatos aprende sus rasgos y luego reconoce gatos en imágenes nuevas; un modelo generativo produce imágenes nuevas de gatos y descripciones escritas bajo demanda.

Grandes modelos de lenguaje

Redes de aprendizaje profundo especializadas en predecir y generar lenguaje, construidas con transformadores que usan mecanismos de autoatención sobre secuencias completas en paralelo.

— Modelado del lenguaje: se entrenan para predecir la siguiente palabra en una secuencia, sea cual sea su longitud, idioma o formato — un poema, un fragmento de código o una fórmula matemática.
— Transformadores: la autoatención pondera la importancia de cada palabra frente a todas las demás de la entrada, lo que mantiene el contexto en pasajes largos. A diferencia de las redes neuronales tradicionales, son probabilísticos. GPT-3 fue el hito de esta arquitectura.

Entrenamiento en tres etapas:

1. Preentrenamiento — el modelo analiza libros, artículos y repositorios de código para aprender patrones estadísticos del lenguaje, ajustando sus pesos (valores numéricos que determinan la fuerza de las conexiones) y construyendo una amplia "intuición del lenguaje".
2. Ajuste fino — entrenamiento adicional con un conjunto especializado (por ejemplo, transcripciones de atención al cliente) para alinear los resultados con el vocabulario y tono del dominio, convirtiendo al generalista en un asistente diseñado para un fin.
3. Aprendizaje por refuerzo — evaluadores humanos califican los resultados por relevancia, precisión y estilo; esas puntuaciones se retroalimentan al ciclo de entrenamiento.

Cómo funciona un LLM, paso a paso

El ejemplo del curso, con un chatbot de atención al cliente que recibe "No he recibido mi pedido":

1. Cada palabra se convierte en un vector numérico que captura relaciones semánticas.
2. Los vectores atraviesan capas de red neuronal: las primeras detectan palabras clave y patrones simples; las profundas infieren intención.
3. El modelo une pistas —la negación "no he recibido" más la referencia al "pedido"— para una comprensión de alto nivel: el cliente pide ayuda para rastrear un envío.
4. Calcula probabilidades entre intenciones posibles (rastrear, cancelar, reembolsar) y elige la más probable.
5. Genera una respuesta coherente pidiendo el número de pedido.

Ingeniería de prompts

Consiste en construir entradas que guíen al modelo hacia el resultado deseado. La comparación del curso muestra la diferencia entre un prompt vago ("Escriba sobre por qué la sostenibilidad es importante para nuestra organización") y uno específico que fija formato, hecho concreto y propósito ("Redacte un resumen ejecutivo de un párrafo sobre cómo nuestro nuevo almacén alimentado con energía solar reduce el consumo de energía y contribuye a nuestros objetivos de sostenibilidad").

Breve historia de la IA

---

2. Chatbots con IA: pasado, presente y futuro

Tres generaciones

Modelos de razonamiento

Los modelos o3 y o4 de OpenAI son el hito más reciente: están entrenados para dedicar más tiempo a procesar la consulta y pensar el problema antes de responder, como haría un analista humano. Muestran mejoras significativas en ciencia, programación y matemáticas.

Funcionan como un chef que sigue una receta compleja: descomponen la consulta en tareas menores, y lo hacen de forma semiautónoma, sin que el usuario tenga que hacer prompting de cada paso. Ese enfoque se llama cadena de pensamiento.

Definición — prompts de cadena de pensamiento. Generan una serie de pasos intermedios de razonamiento en lenguaje natural que conducen a la respuesta final, simulando el proceso de pensamiento humano. Ejemplo: ante la pregunta de si expandirse al Mercado A o al B, el modelo analiza por separado tamaño de mercado, competencia y entorno regulatorio antes de concluir.

Desventajas a considerar: tiempos de procesamiento más largos, mayor inversión en recursos informáticos y el riesgo persistente de alucinación —resultados no respaldados por los datos de entrenamiento—. Un estudio de OpenAI encontró que, en dos métricas de alucinación, su modelo o4-mini alucinaba más que versiones anteriores de ChatGPT.

IA agéntica

A diferencia de los chatbots que solo responden a prompts, la IA agéntica actúa proactivamente, se adapta al contexto y ejecuta tareas en entornos complejos con mínima intervención humana.

Según el Dr. Abel Sanchez, un agente de IA es un flujo de trabajo con tareas que pueden involucrar a las personas.

Aplicaciones posibles: automatizar experiencias de cliente; crear y publicar contenido de campañas publicitarias; inteligencia de ventas proactiva con recomendación de próximos pasos; sistemas de seguridad que monitorean, informan y actúan por iniciativa propia; automatización de cadenas de suministro y planificación.

Aplicaciones estratégicas en experiencia de cliente

El escenario que plantea el curso: tras una compra, un agente analiza el historial de pedidos y comunicaciones, busca patrones de consumo e identifica oportunidades de venta adicional; más tarde ese mismo día envía un agradecimiento personalizado, pide retroalimentación y sugiere un producto complementario.

Autoevaluación. ¿Diferencia principal entre un chatbot básico y uno de IA generativa? → Los chatbots con IA generativa pueden entender el contexto y generar una respuesta natural como la de un humano.

---

3. Modelos optimizados en coste y compensaciones de desempeño

La analogía de la miniván

Llevar a sus hijos al colegio justifica comprar una miniván prémium: segura, rápida y espaciosa. Pero si la tarea es llevar a todos los niños de la ciudad, comprar cientos de minivanes de alta gama sería absurdo — demasiado caro y congestionaría calles y estacionamientos. Convendrían autobuses, caravanas de bicicletas o grupos a pie.

La moraleja: a gran escala, la "mejor" solución no siempre es la más avanzada tecnológicamente. Desplegar GPT-4.5 para cada chatbot o análisis consumiría presupuesto y tiempo de procesamiento sin generar valor proporcional.

Los tres impulsores del coste

1. El equipo (infraestructura de cómputo). Los modelos corren en servidores con GPU, chips especializados en cálculo paralelo. Alquilar en la nube (AWS, Azure) o construir internamente es caro; los modelos grandes exigen más memoria y procesamiento. Algunas empresas gastan millones solo en desplegar o ajustar un modelo grande. Aun teniendo el equipo, se paga cada uso de un modelo alojado por terceros.

2. El sistema (elección de modelo y tókenes). Es el mayor impulsor del coste por uso. Los modelos procesan lenguaje en tókenes (unidades de 3–4 caracteres, unas 0,75 palabras) y se paga tanto la entrada como la salida.

El cálculo del curso: un prompt de 500 tókenes con respuesta de 1.000 tókenes, a 0,03 USD por cada 1.000 de entrada y 0,06 por cada 1.000 de salida, cuesta unos 0,075 USD. Repetido 10.000 veces al día son 750 USD diarios o 22.500 USD al mes, para lo que pudo ser una tarea simple.

La diferencia entre modelos es enorme: GPT-4.5 cuesta 150 USD por millón de tókenes de salida; GPT-4o mini, 0,60 USD por millón — 250 veces más barato.

3. La energía (electricidad y coste ambiental). Los modelos consumen enormes cantidades de electricidad en agrupaciones de GPU dentro de centros de datos. Las principales compañías invierten en alternativas como la energía nuclear para reducir costes y mejorar sostenibilidad. Cada prompt tiene huella de carbono.

Las tres compensaciones

Preguntas para decidir

— ¿Cuál es el nivel mínimo de precisión que necesitamos?
— ¿Con qué frecuencia se usará el modelo? (La frecuencia lo cambia todo.)
— ¿Podemos usar caché o modelos más económicos para ciertas tareas?
— ¿Importa el rendimiento en tiempo real?
— ¿Necesita contexto largo o basta con prompts cortos?

Elegir el modelo adecuado no se trata solo de potencia: se trata de contexto, limitaciones y consecuencias.

Autoevaluación. ¿Por qué evitar usar un modelo tan potente como GPT-4.5 para todas las tareas? → Puede generar altos costes operativos sin ofrecer beneficios proporcionales en el rendimiento.

---

4. Modelos de interacción multimedia y de lenguaje

Definiciones de audio

Combinaciones por sector

Factores de coste del audio generativo

Tiempo real vs. por lotes. Los sistemas en tiempo real responden con latencia inferior a un segundo, indispensable para casos como el GPS de un automóvil que debe avisar un cambio de carril al instante. Los sistemas por lotes pueden tardar minutos u horas, lo que basta para transcribir y resumir una videoconferencia ya terminada. Los sistemas en tiempo real cuestan más por el cálculo continuo de baja latencia.

Soporte lingüístico. Los idiomas más hablados tienen modelos de mayor calidad con más acentos, voces y entonaciones; los menos comunes dan resultados inferiores y mejorarlos exige entrenamiento especializado costoso.

Personalización. Puede necesitarse una voz con idioma, acento, edad o tono emocional acordes a la marca. Del lado de la comprensión, los modelos entrenados en inglés estadounidense estándar tienen dificultades con variantes escocesa, india o nigeriana. También pesan factores culturales: cortesía, franqueza y estilos conversacionales varían por región. Advertencia: una voz totalmente acorde con la marca puede requerir miles de horas de entrenamiento.

Privacidad y cumplimiento. Las empresas navegan un mosaico normativo: RGPD (Unión Europea), CCPA (California), HIPAA (salud en EE. UU.) y la LGPD brasileña.

Generación de imágenes por sector

— Publicidad y marketing: creación de variantes de anuncios para pruebas A/B rápidas en Facebook e Instagram, con imágenes personalizadas por grupo demográfico, reduciendo la dependencia de sesiones fotográficas.
— Entretenimiento: arte conceptual, diseño de personajes y fondos; videojuegos y cine visualizan escenas y recursos para prototipar más rápido.
— Comercio minorista: maquetas de producto y pruebas virtuales; mostrar productos en distintos entornos o con distintos modelos sin sesiones costosas.
— Arquitectura y diseño: bocetos de modelos 3D y variaciones de diseño que aceleran la fase conceptual.
— Salud: mejora de la calidad de imágenes médicas y generación de imágenes sintéticas para entrenar modelos de diagnóstico.
— Educación: ilustraciones personalizadas y explicaciones visuales que ayudan a visualizar conceptos abstractos.

Las tres tecnologías subyacentes

GAN — redes generativas adversarias. Dos IA enfrentadas: el generador crea falsificaciones lo bastante buenas para engañar, el discriminador examina cada detalle para detectarlas. Con el ciclo, el generador aprende a producir resultados muy realistas. Impulsan deepfakes, edición y mejora de resolución, y herramientas artísticas.
Limitación — el colapso modal: el sistema no deja de funcionar, pero su variedad creativa se reduce. El generador encuentra un atajo —un conjunto reducido de resultados que siempre engañan al discriminador— en vez de explorar todo su rango creativo.

Modelos de difusión. Parten de puro ruido (una pantalla de estática) y lo refinan paso a paso hasta que el caos se resuelve en una imagen coherente guiada por el prompt.
La analogía del curso: una mancha de Rorschach es un patrón caótico, pero al mirarla el cerebro impone orden y ve "dos extraterrestres tomando té en un bosque de pinos" — una interpretación tan específica que quizá nunca habría surgido de un lienzo en blanco. La aleatoriedad actúa como catalizador creativo.
Estabilizan el entrenamiento y evitan el colapso modal, pero a veces producen resultados exagerados: un zorro con tres colas, una mano con siete dedos, una bicicleta fusionada con el cielo, cuando falta coherencia global o se malinterpreta el prompt.

Transformadores. Antes dominaban las RNN y las LSTM, que procesaban el lenguaje secuencialmente, palabra por palabra, con memoria superficial y poco confiable.
La analogía: un juego en círculo donde cada participante añade una frase a una historia compartida. Es entretenido, pero se desvía del tema porque nadie tiene visión global. Aceptable para un cuento infantil; inaceptable para resumir documentos legales o interpretar resultados médicos.
El avance llegó en 2017 con "Attention Is All You Need" de Google Brain. La autoatención permite examinar y ponderar la importancia de todas las partes de una oración o imagen a la vez, creando una "visión total" que mantiene tono, coherencia y estructura. Además habilita el procesamiento paralelo, y con ello el entrenamiento sobre conjuntos enormes que hace posibles los LLM actuales.

Enfoques híbridos

Las soluciones más eficaces combinan arquitecturas: GAN por velocidad y realismo, difusión por diversidad y estabilidad, transformadores por coherencia y control — a veces dentro de la misma aplicación.

— Imagen + lenguaje: DALL·E 3 o Midjourney usan un modelo transformador para interpretar el prompt y guiar un modelo de difusión que crea la imagen. El transformador entiende para qué se pide; la difusión resuelve cómo representarlo.
— Agentes conversacionales + herramientas visuales: GPT-4 con visión o Claude 3 procesan texto e imágenes mediante una arquitectura transformadora multimodal con incrustaciones visuales.
— GAN + transformador en videojuegos: estudios generan texturas o recursos con GAN y los procesan con transformadores para garantizar coherencia en toda la escena.

La idea de fondo: no pensar los modelos como herramientas mutuamente excluyentes sino como componentes modulares de un sistema mayor, igual que un cineasta elige distintas cámaras y lentes.

Niveles de despliegue en generación de imágenes

Autoevaluación. ¿Principal limitación conceptual de las GAN? → Pueden sufrir colapso modal, lo que reduce la diversidad de resultados.

---

5. Aplicaciones avanzadas de herramientas de IA generativa

Caja de herramientas por modalidad

Generación de imágenes

Usos: marketing (campañas, creatividades, redes), diseño de producto (maquetas, variaciones), arte conceptual (guion gráfico, previsualización), educación (ilustraciones, infografías).

Generación de audio

Usos: servicio al cliente (agentes de voz, IVR), accesibilidad (lectores de pantalla, audiodescripción), aprendizaje de idiomas, creación de contenido (audiolibros, pódcast).

Generación de texto

Usos: compromiso con el cliente (correos, guiones de chatbot, FAQ), herramientas internas (informes, resúmenes), marketing de contenidos, gestión del conocimiento (documentación, procedimientos).

Generación de vídeo

Usos: marketing (anuncios cortos, explicativos), educación (lecciones, resúmenes animados), entretenimiento (avances conceptuales, guiones gráficos).

Estudio de caso: Amarra

Distribuidor global de vestidos de ocasión especial con sede en Nueva Jersey, que integró IA generativa desde 2020. El curso subraya que la curva de aprendizaje fue intensa y los contratiempos numerosos.

Resultados:
— ChatGPT para automatizar descripciones de producto: −60 % en tiempo de creación de contenidos.
— Gestión de inventario con IA: −40 % de exceso de existencias, optimizando stock y reduciendo desperdicio.
— Chatbots que gestionan el 70 % de las consultas de clientes, liberando recursos humanos para tareas complejas.
— Formación de los empleados para descargar tareas repetitivas en sistemas de IA.

Dificultades reales, que es la parte más instructiva del caso: el bot de atención al cliente tenía inicialmente un tono demasiado robótico; al operar en muchos países hubo que considerar estilos de comunicación nacionales para evitar malentendidos u ofensas; y la integración con sistemas existentes y la gestión de sesgos en los modelos plantearon sus propios retos. Los ajustes continuos y la participación del personal los resolvieron.

La próxima ola

La creación de contenido es solo el principio. La frontera siguiente son sistemas que toman la iniciativa, deciden y coordinan herramientas: una IA que no solo redacta el correo de marketing sino que genera los gráficos, programa la campaña, responde a los datos de rendimiento y perfecciona su enfoque con el tiempo. El cambio es de herramientas pasivas a colaboradores activos.

---

Recursos multimedia del módulo

---

Glosario del Módulo 1

Tomado de Glosario_M1.pdf, material oficial descargable del módulo.

Conceptos de IA

Aprendizaje automático y arquitecturas

GAN

Entrenamiento y uso

Infraestructura y evaluación