Apuntes de estudio — Módulo 2

---

0. Presentación y enfoque del módulo

El módulo profundiza en el ecosistema de la IA agéntica, que evoluciona muy rápido. La secuencia lógica es:

1. Qué herramientas existen hoy — la última generación de plataformas agénticas, desde las que coordinan agentes individuales hasta las que asisten a programadores. Se estudia cómo funcionan por dentro, qué impacto han tenido y qué problemas plantean.
2. Cómo se democratiza la creación de software — el fenómeno del vibe coding: usuarios sin formación técnica describen un objetivo en lenguaje natural y el sistema devuelve código, imágenes o vídeo.
3. Cómo se diseñan los sistemas — arquitecturas de agente único frente a arquitecturas de múltiples agentes, y cómo combinarlos para obtener resultados más potentes y adaptativos.
4. Qué modelo de licenciamiento elegir — código abierto frente a código cerrado, con sus ventajas, desventajas e implicaciones para el desarrollo, la accesibilidad y la innovación.

Objetivos de aprendizaje

Al terminar el módulo, usted debería ser capaz de:

Índice de contenidos del módulo

1. Plataformas agénticas emergentes
- Las plataformas líderes
- Comparación entre las plataformas líderes

2. Vibe living
- La promesa del vibe coding
- Vibe coding: de los prompts en teclado a la magia en el mundo real
- Consideraciones para la adopción del vibe coding a nivel empresarial
- El futuro de la programación asistida por IA

3. Arquitecturas de agente único vs. arquitecturas de múltiples agentes
- El estado actual de las arquitecturas de agentes
- Tipos de agentes
- Sistemas de múltiples agentes
- Protocolos de agentes

4. Sistemas de IA de código abierto vs. sistemas de IA de código cerrado
- El crecimiento de la IA de código abierto
- Elegir el sistema de IA adecuado para su organización

Tarea del módulo

• Actividad: Vibe coding — un pequeño proyecto práctico de vibe coding que no exige conocimientos previos de programación. Los materiales están en el campus virtual.

---

1. Plataformas agénticas emergentes

Vídeo de apertura del capítulo: el Dr. Abel Sanchez explica la importancia de elegir bien el agente, atendiendo a las características del software y a las restricciones presupuestarias.

1.1 El punto de partida: un mercado sin consolidar

Tras haber diferenciado IA generativa de IA agéntica en el módulo 1, el foco pasa a las plataformas agénticas. El material describe el sector como un "lejano Oeste": decenas de actores compiten por la influencia y por ganarse al público, y las reglas todavía no están escritas.

Consecuencia práctica para un directivo: los líderes de hoy pueden no ser los de mañana. Por eso no conviene memorizar un ranking, sino entender las fortalezas nucleares y los rasgos diferenciadores de cada plataforma. Ese entendimiento permite (a) seguir la evolución del mercado y (b) decidir el momento adecuado para que su organización se mueva.

Se analizan cinco plataformas — LangChain, CrewAI, Ollama, Codex y n8n — siempre con la misma estructura:

• Orígenes: quién la creó y qué problema quería resolver.
• Funcionalidad: cómo opera a nivel técnico.
• Implementación, impacto y crítica: uso real y objeciones.

1.2 Recordatorio conceptual: código abierto vs. código cerrado

Este concepto reaparece en las cinco plataformas y se retoma a fondo en el capítulo 4.

1.3 LangChain

Orígenes. Cofundada a finales de 2022 por Harrison Chase, graduado de Harvard en estadística e informática. Antes había dirigido equipos de machine learning en Robust Intelligence (validación de modelos) y Kensho (vinculación de entidades). Creó LangChain para simplificar el desarrollo de aplicaciones basadas en grandes modelos de lenguaje (LLM) y resolver la fricción que sufrían los desarrolladores al integrar LLM en aplicaciones reales (Forbes, s. f.).

Funcionalidad. Marco de trabajo (framework) de código abierto con herramientas y abstracciones para construir aplicaciones complejas y conscientes del contexto. Componentes clave:

(Yasar y Hashemi-Pour, 2024)

Implementación, impacto y crítica. Se integra con múltiples proveedores de modelos y fuentes de datos, lo que la hace adaptable a casos de uso muy diversos: chatbots, asistentes virtuales, herramientas de análisis documental. Su arquitectura modular favorece el prototipado rápido.
Críticas: curva de aprendizaje pronunciada, complejidad derivada de tener demasiadas funciones, y actualizaciones tan frecuentes que generan dudas sobre la estabilidad y la calidad de la documentación (Guda, 2023). Aun así, sigue siendo una opción muy popular.

1.4 CrewAI

Orígenes. Fundada en 2023 por João Moura, exdirector de Ingeniería de IA en Clearbit. Frustrado por la complejidad de las plataformas agénticas existentes, buscó un marco más ágil y colaborativo para la orquestación de agentes. De ahí nació CrewAI, centrada en la colaboración multiagente y en la flexibilidad del código abierto (Wiggers, 2024).

Funcionalidad. Marco de código abierto en Python para crear y administrar sistemas de múltiples agentes. El desarrollador define, para cada agente, su función (rol), sus herramientas y sus metas. Los agentes se comunican entre sí y se delegan tareas, imitando el funcionamiento de un equipo humano. Se integra con herramientas y API externas y enfatiza modularidad y escalabilidad, lo que la hace útil desde el marketing de contenidos hasta el análisis de datos (IBM, s. f.).

Implementación, impacto y crítica. Adoptada por organizaciones que automatizan flujos de trabajo complejos; destaca en sectores intensivos en colaboración: logística, salud e investigación. Su carácter abierto ha hecho crecer una comunidad de desarrolladores que contribuye a su evolución (Pedrazzini, 2025).
Límites: no tiene generador visual ni editor sin código, lo que la aleja del usuario no técnico, y exige un cierto dominio de Python (Jundanian, 2025).

1.5 Ollama

Orígenes. Fundada por Michael Chiang y Jeffrey Morgan en Palo Alto, California, dentro de la cohorte de invierno de 2021 de Y Combinator — la incubadora tecnológica más prestigiosa, dirigida en su día por Sam Altman (OpenAI) (Y Combinator, s. f.). Nace para cubrir una necesidad creciente: ejecutar LLM en local y reducir la latencia.

Dos ventajas que se derivan de ejecutar el modelo en la propia máquina:

• Privacidad total. Datos sensibles (historiales médicos, información financiera, notas legales) nunca salen del equipo.
• Latencia casi nula. El modelo no tiene que "reportarse" a un servidor en la nube. Es determinante en robótica, dispositivos inteligentes y aplicaciones de cara al cliente, donde una respuesta lenta arruina la experiencia (GeeksforGeeks, 2024).

Funcionalidad. Plataforma de código abierto para ejecutar y gestionar LLM localmente. Admite varios modelos: Llama 2 (Meta), Mistral y Gemma (Hostinger, 2025).

• Se opera mediante interfaz de línea de comandos (CLI): se escriben comandos en lugar de usar una interfaz gráfica de usuario (GUI) (PyImageSearch, 2024). La GUI es más accesible para tareas simples; la CLI da control fino y flexibilidad para usos avanzados.
• Se integra con herramientas como LangChain.
• Cada modelo corre en un entorno aislado propio, de modo que las dependencias y configuraciones no chocan con el resto del sistema. Funciona en macOS, Linux y Windows (Hostinger, 2025).

Implementación, impacto y crítica. Muy atractiva para quien necesita confidencialidad de datos y baja latencia.
Crítica principal — seguridad: se detectó una vulnerabilidad crítica de ejecución remota de código, CVE-2024-37032, que habría permitido a un atacante ejecutar código arbitrario en los sistemas afectados. Se publicaron parches, pero el episodio subraya la necesidad de auditorías y actualizaciones continuas en plataformas de IA abiertas (GBHackers, 2024).

1.6 Codex (OpenAI)

Orígenes. Presentado en 2021 como descendiente de GPT-3, ajustado (fine-tuned) para tareas de programación. Alcanzó notoriedad como el modelo que había detrás de GitHub Copilot, traduciendo prompts en lenguaje natural a código. Ojo con la distinción del curso: esas funciones eran IA generativa, no IA agéntica (Wikipedia, s. f.).

En mayo de 2025, OpenAI lanzó una vista previa de investigación de un Codex renovado, integrado en ChatGPT, orientado a automatizar el desarrollo de software.

Funcionalidad (lo que lo vuelve agéntico). La nueva versión:

• Descompone autónomamente tareas complejas de programación en pasos manejables.
• Decide la secuencia de acciones a ejecutar.
• Opera dentro de un entorno seguro y aislado (sandbox).
• En concreto: lee y analiza bases de código, detecta y corrige errores, ejecuta pruebas, actualiza archivos y propone cambios — sin necesitar prompts humanos paso a paso.

Esa autonomía dirigida a objetivos es exactamente lo que lo separa de las herramientas generativas previas, que reaccionaban a un prompt cada vez (OpenAI, 2025; Bousquette y Lin, 2025).

Implementación, impacto y crítica. Accesible desde ChatGPT para suscriptores Pro, Team y Enterprise. Hasta la última actualización se le reconocía elevar la eficiencia de los desarrolladores al liberarlos de tareas rutinarias. El material advierte que aún no hay evidencia suficiente sobre la versión de mayo de 2025.
Críticas históricas: calidad y seguridad del código generado. Existen estudios que muestran que el código producido por IA puede contener vulnerabilidades, y que la dependencia excesiva genera una falsa sensación de seguridad en los desarrolladores (Claburn, 2021).

1.7 n8n

Orígenes y nombre. Siempre en minúsculas. Se pronuncia "N-eight-N" y es una abreviatura de "nodemation", el nombre originalmente previsto; alude a que la plataforma orquesta nodos (piezas de programa) entre distintos softwares (Maxx, 2025).
Creada en 2019 por Jan Oberhauser, ingeniero de software alemán, para dar a desarrolladores y empresas más control sobre sus flujos de automatización. Nace como alternativa de código abierto a Zapier, con énfasis en flexibilidad, extensibilidad y privacidad, permitiendo autoalojar la infraestructura de automatización (Lunden, 2021).

Funcionalidad — el "Lego" del software. Une programas distintos para construir el soporte exacto que la oficina necesita. Escenario ilustrativo del curso:

Flujo automatizado resultante:

1. Un cliente reporta un problema técnico por Intercom.
2. n8n recibe el mensaje y consulta HubSpot para saber si es un cliente de nivel superior.
3. Si lo es, n8n busca en la documentación interna de Notion un artículo relevante.
4. n8n envía el mensaje del cliente y el artículo de soporte a un gerente por Slack o correo, marcándolo como respuesta prioritaria.

La clave conceptual: n8n no está simplemente reenviando mensajes entre aplicaciones. Verifica el estado del cliente, recupera la información correcta y alerta a la persona indicada. Eso es lo que lo convierte en agéntico: un sistema que observa, razona y actúa en función de los objetivos definidos.

Implementación, impacto y crítica. Muy usado por empresas emergentes, equipos de datos y grandes compañías para ETL (extraer, transformar, cargar), integración de CRM y automatización con IA. Su licencia abierta permite inspeccionar, modificar y desplegar en local para ganar seguridad y personalización.
Críticas: curva de aprendizaje dura por la configuración basada en lógica, y flujos de trabajo complejos que se vuelven difíciles de mantener visualmente (Sidashin, 2024).

1.8 Comparación entre las plataformas líderes

Las cinco comparten componentes centrales, así que hay solapamiento significativo — pero similitud no es igualdad. La analogía del curso: TikTok, Instagram y Facebook están hechos con ingredientes parecidos, y aun así cada uno tiene personalidad, fortalezas y propósito propios.

Vídeo recomendado del capítulo: 5 Types of AI Agents: Autonomous Functions & Real-World Applications (IBM Technology, 2025). Repasa cada tipo de agente con ejemplos cotidianos y cierra apuntando a la posibilidad de combinar varios tipos de agente, tema que se desarrolla en el capítulo 3.

1.9 Autoevaluación — capítulo 1

Pregunta. ¿Por qué es importante para las organizaciones entender las fortalezas principales y las limitaciones de las plataformas de IA agéntica como LangChain, CrewAI, Ollama, Codex y n8n antes de seleccionarlas?

Respuesta correcta: b. Racional: las opciones (a), (c) y (d) son falsas — la mayoría de estas plataformas son abiertas, la integración es viable y ninguna es la única opción empresarial. El argumento real es el solapamiento funcional: si todas parecen hacer lo mismo, solo el conocimiento de sus diferencias permite una elección estratégica.

---

2. Vibe living

"Hay un nuevo tipo de programación que llamo vibe coding, donde te entregas por completo a las vibras, abrazas lo exponencial y olvidas que el código siquiera existe."
— Andrej Karpathy, miembro fundador de OpenAI

Vídeo del capítulo: el Dr. Abel Sanchez trata el vibe coding y el concepto más amplio que él denomina "vibe living".

2.1 La promesa del vibe coding

El término lo acuñó Andrej Karpathy en una publicación viral en X a inicios de 2025 (3 de febrero de 2025). Describe una frontera nueva: cualquiera — desde un fundador de empresa emergente hasta un analista financiero — puede decirle a una IA lo que quiere mediante prompts en lenguaje natural y recibir código funcional, sin pelearse con la sintaxis.

Diferencias con el desarrollo tradicional:

Ideas centrales:

• Es un término paraguas para programar software con herramientas asistidas por IA. La analogía del curso: es como tener un desarrollador junior personal que se encarga de las tareas rutinarias que antes hacían los ingenieros a mano.
• Aprovechando LLM e IA generativa, permite construir aplicaciones completas con pocas líneas de instrucciones.
• Abre la puerta a un nuevo perfil de ingeniero de software, centrado en el qué más que en el cómo (Koh, 2025).
• Al descargar los detalles de implementación de bajo nivel, los desarrolladores pueden concentrarse en lo creativo y de alto nivel: experiencia de usuario y arquitectura de sistema (Sapkota et al., 2025).

Cifra clave. Jared Friedman, socio gerente de Y Combinator, señaló que una cuarta parte de las compañías de la cohorte de invierno de 2025 tienen el 95 % de sus bases de código generadas por IA (Mehta, 2025).

Más allá del sector tecnológico. Equipos financieros han reportado limpiar y graficar hojas de cálculo de millones de filas con prompts de apenas diez líneas; y empresas de sectores diversos ya despliegan herramientas como GitHub Copilot a lo largo de todo el ciclo de vida de desarrollo (Kerner, 2025).

Vídeo recomendado: mesa redonda de socios de Y Combinator, Vibe Coding is the Future (2025), sobre cómo el vibe coding transformó el desarrollo de software en las empresas emergentes de la cohorte de invierno de 2025 y qué implica para el futuro de la ingeniería.

2.2 De los prompts en teclado a la magia en el mundo real

El vibe coding democratiza la creación de software dentro de la organización: las unidades de negocio pueden prototipar, automatizar e iterar sin depender excesivamente de TI (Salvador, 2025). Esa capacidad de respuesta en tiempo real se traduce en tres efectos:

2.3 Consideraciones para la adopción empresarial

Antes de adoptar herramientas de programación asistida por IA, los líderes técnicos necesitan un enfoque estratégico y escalable. Cinco pautas:

1. Evaluar los flujos de trabajo de principio a fin.
Hay que comprobar cómo la herramienta soporta todo el ciclo de vida del desarrollo. Algunos asistentes (por ejemplo, Watson de IBM) incorporan mecanismos de gobernanza que refuerzan el cumplimiento normativo y de seguridad. Las plataformas que no cubren el ciclo completo generan cortes cuando el código pasa del borrador generado por IA a los flujos tradicionales, con retrasos y errores como consecuencia (Kerner, 2025).

2. Considerar los requisitos específicos de la empresa desde el inicio.
Las implementaciones empresariales exigen cumplimiento estricto en privacidad de datos y gobernanza de propiedad intelectual (PI). Riesgo concreto: herramientas entrenadas con código abierto pueden emitir fragmentos con licencia sin querer, creando exposición legal. Además, deben integrarse de forma fluida, estructurada y personalizable en los sistemas existentes (Deshmukh, 2025). Una solución realmente lista para empresa permite entrenar agentes sobre bases de código propietarias y aplicar las políticas internas de ciberseguridad antes de que el código generado llegue a producción — en lugar de operar como asistentes aislados.

3. Equilibrar la democratización con la gobernanza.
Dar poder a los equipos no técnicos es valioso, pero el acceso sin restricciones produce proliferación de código sin revisar y vulnerabilidades. Regla práctica: las salidas generadas por IA deben pasar exactamente los mismos controles de calidad y cumplimiento que el código escrito por humanos.

4. Planear la evolución de habilidades, no el reemplazo.
Invertir en formación: enseñar a la plantilla existente a crear prompts eficaces y a revisar salidas de IA. Usando la IA como herramienta de aumentación, la organización preserva el conocimiento institucional y estimula la colaboración interdisciplinar (Patel, 2025).

5. Priorizar las capacidades de gestión del contexto.
A medida que el código generado se multiplica, se vuelven vitales: gestionar el contexto, rastrear historiales de prompts, anclar fragmentos concretos de código y revertir cambios. Sin ello aparece la fragmentación: equipos distintos divergen en estándares y estilos generados por IA, y la mantenibilidad se erosiona con el tiempo (Deshmukh, 2025).

2.4 Cómo empezar: herramientas comerciales

Las tres herramientas que presenta el curso están pensadas para personas con poca o ninguna experiencia en programación, usando prompts en lenguaje natural para generar, revisar y analizar código.

Enlaces recomendados del capítulo (incluye productos similares): Amazon Q Developer, Gemini Code Assist, GitHub Copilot, OpenAI Codex, Replit AI y Tabnine — URL completas en Modulo-2-referencias.md.

2.5 El futuro de la programación asistida por IA

• Las capacidades de estas herramientas mejoran de forma exponencial. OpenAI y Google ya lanzan herramientas todavía más avanzadas dirigidas a desarrolladores profesionales (Knight, 2025).
• A medida que novatos y veteranos se vuelven hábiles guiando la IA en lenguaje natural, sientan las bases para los sistemas de IA agéntica.
• Muy pronto los agentes serán participantes directos del ciclo de vida del producto, ayudando a "optimizar el desempeño de las aplicaciones, la seguridad y el mantenimiento, todo con una intervención humana mínima" (Koh, 2025).

2.6 Autoevaluación — capítulo 2

Pregunta. ¿Cuál de las siguientes opciones explica mejor el concepto de vibe coding introducido por Andrej Karpathy en 2025?

Respuesta correcta: c. Racional: las distractoras invierten el sentido del concepto — (a) y (b) lo sitúan en manos de expertos y sintaxis estructurada, y (d) le añade un requisito de formación previa que es justo lo que el vibe coding elimina.

---

3. Arquitecturas de agente único vs. arquitecturas de múltiples agentes

3.1 El estado actual de las arquitecturas de agentes

Vídeo recomendado de contexto: How Robots Are Running Entire Factories (Richard Aguilar, 2024). Muestra fábricas automatizadas y analiza los factores económicos, tecnológicos e históricos que las hicieron posibles, además de plantear cuestiones éticas relevantes — un tema que el curso retoma en módulos posteriores.

Lógica del capítulo: ya sabemos qué son los sistemas agénticos, cómo operan y cuándo se aplican. El paso siguiente para diseñar y desplegar los propios es entender la distinción entre arquitecturas de agente único y de múltiples agentes. Y para eso hay que empezar por clasificar los agentes según su comportamiento y su nivel de inteligencia: solo sabiendo qué puede hacer cada tipo por separado se puede combinarlos de forma que se equilibren, se mejoren o se amplifiquen sus capacidades.

3.2 Los cinco tipos de agente

Nota terminológica: el material se refiere al segundo tipo indistintamente como "agente basado en modelos" y "agente reflejo basado en modelos" (model-based reflex agent), que es el nombre técnico habitual.

3.3 Sistemas de múltiples agentes (MAS)

Definición. Colección de agentes autónomos que interactúan dentro de un entorno para lograr metas individuales o compartidas. Pueden ser programas de software, robots u otras entidades capaces de actuar por sí mismas.

Características clave (Gutowska, s. f.):

3.4 Protocolos de agentes

Idea rectora: cuando los humanos coordinamos tiempo, espacio o recursos, fijamos reglas — horarios de Airbnb, leyes de tránsito, presupuestos de oficina. En arquitecturas multiagente ocurre lo mismo: hacen falta protocolos para evitar conflictos y funcionar con eficacia.

a) Coordinación y comunicación

La coordinación efectiva implica:

• Asignar tareas a los agentes según sus capacidades y su carga de trabajo actual.
• Establecer reglas de intercambio de información que faciliten la cooperación.
• Implementar mecanismos de resolución de disputas cuando hay metas en conflicto o competencia por los mismos recursos.

Ejemplo — almacén automatizado. Varios robots transportan artículos sin colisionar. Cada uno opera de forma autónoma pero comparte con sus pares su ubicación, su carga y su ruta. Esa coordinación permite responder a rutas bloqueadas o cambios de prioridad de inventario. Al distribuir el control y ajustar en tiempo real, se minimiza el tiempo de inactividad y se maximiza el rendimiento. Ilustra por qué un MAS supera a un agente único cuando se necesita flexibilidad, procesamiento en paralelo y conciencia situacional constante (Milvus, s. f.).

b) Consideraciones de arquitectura: centralizada vs. descentralizada

Ejemplo — flotas de drones autónomos. En un sistema centralizado, una estación terrestre asigna tareas y dirige trayectorias: fácil de supervisar, pero vulnerable a retrasos de comunicación o pérdida de conexión. En uno descentralizado, cada dron opera casi independientemente, comparte datos con sus pares y ajusta su comportamiento con entradas locales; se ha usado en monitoreo ambiental y búsqueda y rescate, donde adaptabilidad y redundancia son críticas (VideoSDK, s. f.).

c) Agentes homogéneos vs. heterogéneos

Ejemplo — monitoreo de cultivos. Homogéneo: una flota de drones idénticos, con los mismos sensores y software, escanea campos buscando señales de sequía o plagas — fácil de gestionar. Heterogéneo: combina drones para imagen aérea, robots terrestres para muestreo de suelo y sensores fijos para seguimiento del clima; da un análisis más profundo, pero exige coordinación sofisticada para integrar datos dispares y gestionar el rol distinto de cada agente (Number Analytics, 2025).

d) Estrategias de resolución de conflictos

Los conflictos aparecen cuando los agentes tienen metas en competencia o necesitan los mismos recursos.

Ejemplo — gestión de tráfico. Vehículos autónomos usan algoritmos de subasta para decidir el derecho de paso en las intersecciones, equilibrando la urgencia individual con el flujo colectivo. Cada vehículo puja según prioridad de ruta, necesidades de pasajeros o eficiencia energética, y el sistema asigna el paso al resultado más ventajoso para el conjunto. Reduce congestión, minimiza esperas y sustituye a las señales rígidas por decisiones dinámicas adaptadas a condiciones en tiempo real (Milvus, s. f.).

3.5 Conclusión del capítulo

Los MAS explotan la inteligencia colectiva para resolver tareas complejas con más eficiencia y robustez que un sistema de agente único. Sobresalen donde hacen falta adaptabilidad, decisión descentralizada y respuesta en tiempo real. Conforme la automatización se expanda, serán centrales en sistemas que deban procesar datos distribuidos, equilibrar demandas en competencia y operar sin supervisión centralizada.

3.6 Autoevaluación — capítulo 3

Pregunta. ¿Cuál de las siguientes opciones explica mejor una ventaja clave de los sistemas de múltiples agentes en comparación con los sistemas de agente único?

Respuesta correcta: d. Racional: (a) y (c) describen precisamente lo contrario de un MAS — control centralizado y visión global —, y (b) confunde homogeneidad con ausencia de conflicto. La ventaja real es la descentralización + autonomía + coordinación.

---

4. Sistemas de IA de código abierto vs. sistemas de IA de código cerrado

4.1 El crecimiento de la IA de código abierto

Al ampliarse la variedad de herramientas que las organizaciones prueban, se ha abierto un debate de fondo: cada modelo de licenciamiento propone un enfoque fundamentalmente distinto del desarrollo, el control y la aplicación de la IA.

El interés por lo abierto ha crecido exponencialmente porque modelos como la familia Llama de Meta, Gemini de Google y DeepSeek R-1 han mostrado desempeño competitivo en pruebas de la industria y han reducido la brecha con los propietarios de código cerrado, como las familias ChatGPT y Claude (Bisht et al., 2025). A ello se suma que herramientas abiertas como CrewAI tendrán un papel cada vez mayor en el desarrollo de sistemas agénticos. Resultado: lo abierto ya es una alternativa viable, no un plan B.

⚠️ Nota crítica del lector: el material agrupa a Gemini entre los ejemplos de modelos abiertos. Gemini es propietario; el modelo abierto de Google es Gemma (el propio módulo lo cita correctamente al describir Ollama). Conviene tenerlo presente al repasar.

4.2 ¿Sabías que...? El caso DeepSeek-R1

• Qué es: modelo de razonamiento de código abierto lanzado a inicios de 2025 por el desarrollador chino DeepSeek.
• Por qué importó: en varias pruebas de resolución de problemas y razonamiento, habría igualado o superado a competidores, incluido el modelo o1 de OpenAI, que era entonces el más avanzado (Open Data Institute, 2025).
• La afirmación disruptiva: DeepSeek sostuvo haberlo desarrollado por una fracción del coste.
• El matiz: varias de esas afirmaciones fueron posteriormente disputadas. Aun así, el lanzamiento del chatbot y su cobertura mediática alimentaron el debate global sobre abierto vs. cerrado.

4.3 Elegir el sistema de IA adecuado: seis factores

Premisa. No se trata de cuál es universalmente "mejor", sino de cuál encaja con las circunstancias específicas de la organización y con sus metas estratégicas (Marr, 2024).

(Marr, 2024; Malec, 2025; Marshall, 2024)

Cifra clave: comparativa de coste por token

Es decir, del orden de ~17× más barato en entrada y ~43× más barato en salida según las cifras que maneja el módulo. Ojo: ese ahorro por uso debe contrastarse con el coste total de propiedad del factor 2.

4.4 Conclusión del capítulo

Decidir entre abierto y cerrado exige una ponderación equilibrada de: situación específica de la organización, capacidades técnicas, presupuesto, necesidades de seguridad y visión estratégica a largo plazo. La previsión del módulo es que muchas compañías adoptarán un enfoque multimodal, combinando tecnologías abiertas y propietarias en distintas capas de su estructura tecnológica de IA.

---

5. Glosario del módulo 2

(Definiciones parafraseadas a partir de Glosario_M2.pdf.)

---

6. Preguntas de reflexión

(Recogidas en MITPE_DT_M2_Reference_Guide.pdf; no aparecen en el contenido web.)

1. ¿De qué manera el vibe coding podría cambiar quiénes desarrollarán software en el futuro, y qué nuevos desafíos podría suponer esto para las organizaciones?
2. ¿De qué manera podría una arquitectura de múltiples agentes ofrecer ventajas sobre un sistema de agente único al resolver problemas complejos del mundo real?
3. Si tuviera que elegir entre IA de código abierto y de código cerrado para su organización, ¿qué inconvenientes consideraría más significativos y por qué?

Pistas de respuesta a partir del módulo:
- (1) Perfiles de negocio y analistas pasan a producir software (democratización), lo que traslada el cuello de botella desde escribir hacia gobernar: revisión del código generado, riesgo de PI por fragmentos con licencia, proliferación de código sin auditar, fragmentación de estándares entre equipos y necesidad de gestión de contexto (§2.3).
- (2) Descentralización (sin punto único de falla), vistas locales con adaptación en tiempo real, paralelismo y especialización heterogénea; ejemplos: almacenes robotizados, flotas de drones, gestión de tráfico por subastas (§3.3–3.4).
- (3) Abierto: coste total de propiedad oculto, exigencia de talento interno, soporte solo comunitario, superficie de seguridad (caso CVE-2024-37032 de Ollama). Cerrado: dependencia del proveedor, personalización limitada, coste de licencia, opacidad tipo "caja negra" y riesgo de fuga de datos (§4.3).

---

7. Tabla de vídeos y recursos audiovisuales del módulo

Padlets: este módulo no contiene ningún Padlet. Se revisaron las 11 páginas del reproductor y no hay enlaces a padlet.com.

Documento descargable del módulo: Glosario_M2.pdf (407,56 KB) — https://cdn.elucidat.com/5aaa306cbe9c3/projects/68c93db5e610d/resources/2672c90751d9960d0afe51595f121c30.pdf

---

8. Diferencias entre el contenido web y la guía de referencia (PDF)

---

Fin de los apuntes. Ver Modulo-2-referencias.md para la lista completa de referencias con URL reales.