Apuntes de estudio — Módulo 3

Nota de uso: estos apuntes son una reelaboración propia del material del curso, pensada para estudio. Las referencias bibliográficas sí se reproducen textualmente por ser datos factuales. Para citar o entregar trabajos, remítase siempre al material original del campus.

---

Índice

1. Enfoque y objetivos de aprendizaje
2. Índice oficial de contenidos
3. Capítulo 1 — Incorporar agentes en flujos de trabajo existentes
4. Capítulo 2 — Integrar IA generativa y agéntica con sistemas existentes
5. Capítulo 3 — Spotify MCP y otros casos extremos de integración
6. Capítulo 4 — Empatía y ajuste de la respuesta en agentes de cara al cliente
7. Tareas del módulo (Actividad 3)
8. Preguntas de reflexión
9. Autoevaluación
10. Glosario del módulo
11. Tabla de vídeos y recursos multimedia
12. Mapa rápido de citas → referencia

---

1. Enfoque y objetivos de aprendizaje

Enfoque del módulo

El hilo conductor es cómo una empresa incrusta IA generativa y agéntica dentro de la maquinaria digital que ya tiene funcionando, en lugar de tratarla como una herramienta aislada. Cuatro movimientos encadenados:

1. Personalizar el software estándar — partir del software empresarial ya instalado (mensajería, documentación, comunidades) y extenderlo con agentes en vez de sustituirlo.
2. Modernizar la infraestructura tecnológica — resolver el choque entre arquitecturas heredadas y las exigencias de latencia, datos y cómputo de los LLM.
3. Adelantarse al cambio tecnológico — entender el protocolo de contexto del modelo (MCP), que marca el paso de "la IA describe cómo se usa una aplicación" a "la IA opera la aplicación".
4. Aportar empatía a la comunicación con IA — pasar de bots eficientes a agentes emocionalmente competentes que refuercen marca y fidelidad.

La tesis central del módulo, repetida en varios capítulos: integrar IA en una empresa no es "enchufar y usar". Requiere conocer los sistemas existentes, gestionar el cambio y capacitar a las personas.

Objetivos de aprendizaje (4)

---

2. Índice oficial de contenidos

---

3. Capítulo 1 — Incorporar agentes en flujos de trabajo existentes

3.1 Generativa vs. agéntica: la distinción de partida

Ambas familias están emparentadas, pero no son intercambiables:

Definición operativa de agente: entidad de software capaz de ejecutar tareas de forma autónoma.

3.2 Qué aportan los agentes al negocio

Tres vectores de valor, cada uno con su caso ilustrativo:

3.3 "Herramientas de meta" (meta-herramientas)

Categoría de plataformas cuyo trabajo no es ejecutar tareas por sí mismas, sino conectar otras herramientas en flujos coordinados. Actúan como traductores y controladores de tráfico entre aplicaciones que nunca fueron diseñadas para hablar entre sí.

Ejemplo canónico: un chatbot de atención escala una incidencia → la meta-herramienta, en tiempo real y de forma automática, avisa por correo a un responsable, crea la tarea en Notion y registra el caso en una hoja de cálculo.

3.4 Plataformas clave del ecosistema

3.5 Aplicaciones de automatización y lenguajes esenciales

Cuatro niveles crecientes de control y complejidad:

Idea que ordena la sección: Zapier y n8n ofrecen bloques preconstruidos; LangChain añade razonamiento; Python permite convertir lógica de negocio única en acciones inteligentes y repetibles. La progresión va de arrastrar y soltar a programar el criterio.

3.6 Mejores prácticas: seguridad y presencia humana en el bucle

Principio: aunque los agentes operen de forma autónoma, la supervisión humana sigue siendo imprescindible para resultados éticos y correctos. El enfoque de "presencia humana en el bucle" (human in the loop) permite supervisar, intervenir y dar retroalimentación, especialmente en decisiones críticas.

Los cuatro ejemplos del capítulo son precisamente los que exigen un humano: pedir 1.000 blusas, emitir órdenes de evacuación, reconfigurar el cumplimiento financiero y rediseñar rutas logísticas.

Advertencia clave del módulo: cuando se omite el humano en el bucle, los errores no solo se cometen: se escalan. Los sistemas automatizados son un arma de doble filo porque amplifican con la misma eficacia los resultados buenos y los malos.

Catástrofes por ausencia de supervisión humana

Estrategias para un despliegue seguro

---

4. Capítulo 2 — Integrar IA generativa y agéntica con sistemas existentes: desafíos y soluciones

4.1 El problema de fondo

Muchas compañías siguen apoyadas en sistemas heredados construidos mucho antes de que la IA fuera una prioridad. Los obstáculos se agrupan en tres áreas:

1. Limitaciones de la arquitectura heredada
2. Problemas de compatibilidad de datos
3. Problemas de desempeño

4.2 Barrera 1 — Restricciones de la arquitectura heredada

Los sistemas antiguos suelen ser aplicaciones "todo en uno" (monolíticas): interfaz de usuario, reglas de negocio y almacenamiento de datos van fuertemente acoplados. Son fiables para lo básico, pero no se diseñaron para dialogar con plataformas modernas de IA ni para sostener los intercambios rápidos de datos que exigen los LLM.

(Zartis, 2025)

📌 Recuadro "¿Sabía que...?" — La evolución del software, del CD al ecosistema de API

Una de las piezas conceptuales más útiles del módulo (Sanchez, 2025). Tres etapas:

Continuidad clave: aunque los servidores hoy vivan en centros de datos masivos y distribuidos, el patrón cliente-servidor sigue intacto. Los agentes de IA reproducen el mismo patrón: el agente hace una solicitud a una API → el servicio procesa o "razona" → el agente recibe respuesta y actúa. El cambio aceleró el desarrollo de producto: en vez de construir cada componente, las organizaciones conectan API existentes.

4.3 Barrera 2 — Compatibilidad de datos

Los sistemas heredados guardan datos en formatos inusuales o propietarios. Los registros de clientes suelen estar repartidos en varias bases con convenciones de nombres inconsistentes (el ejemplo del curso: un sistema usa Cust_ID y otro CustomerNumber). Un LLM que espera entradas bien estructuradas tropieza con esto.

4.4 Barrera 3 — Desempeño

Los sistemas heredados no se diseñaron para las altas demandas computacionales de la IA generativa y agéntica. Integrar agentes puede obligar a inversiones significativas y costosas en hardware, o a migrar a la nube para asegurar capacidad de procesamiento y almacenamiento (Zartis, 2025).

Definición — Inferencia: proceso de hacer una solicitud a un modelo de IA ya entrenado y recibir su salida (texto, imágenes u otro contenido), como ocurre en un chatbot de IA generativa.

4.5 Consideraciones organizacionales: cuatro principios generales

Definición — Middleware: software que se sitúa entre las aplicaciones existentes de la organización y los servicios nuevos, permitiéndoles comunicarse, intercambiar datos y trabajar juntos. Funciona como traductor y gestor de tráfico: convierte formatos, aplica reglas de seguridad y enruta solicitudes, de modo que sistemas viejos y nuevos dialoguen sin reescribir todo desde cero (DigitalDefynd, 2025).

Integrar con éxito exige un enfoque holístico e interdepartamental:

4.6 Mejores prácticas concretas

4.7 Conclusión del capítulo

Integrar IA en sistemas heredados no es "enchufar y usar", pero con un plan claro —auditoría exhaustiva, capas de middleware o microservicios y canalizaciones de datos sólidas— es posible modernizar sin descartar los sistemas que aún sostienen funciones esenciales. Junto al trabajo técnico, el módulo insiste en tres condiciones no técnicas: colaboración entre departamentos, capacitación de empleados e implementaciones incrementales. La combinación de inferencia en el borde con recursos en la nube, la automatización de las verificaciones de calidad de datos y una seguridad de confianza cero producen conocimientos más rápidos, flujos más eficientes y ventaja competitiva dentro de las limitaciones de la infraestructura existente.

---

5. Capítulo 3 — Spotify MCP y otros casos extremos de integración de agentes

5.1 El objetivo: que sea el agente quien use el software

La meta que plantea el capítulo es explícita: que sean los agentes de IA, y no los humanos, quienes trabajen con programas como Microsoft Word, Photoshop o plataformas complejas como Salesforce. El protocolo de contexto del modelo (MCP) es el marco estandarizado que hace viable esa integración.

Definición — Caso extremo (edge case) en el contexto del MCP: escenario no estándar o poco frecuente en el que la integración de agentes plantea desafíos singulares: entornos con acceso limitado a internet, tipos de dispositivo no compatibles o solicitudes inusuales que exigen lógica adaptativa. Ponen a prueba la flexibilidad del MCP al llevar las interacciones más allá de los casos de uso para los que la aplicación fue diseñada. Resolverlos es condición para que la integración sea sólida y esté lista para empresa.

5.2 De la interfaz de usuario a la interacción basada en intención

El software tradicional obliga a navegar e introducir datos manualmente: descifrar paneles cada vez más recargados de un procesador de texto para paginar, alfabetizar o modificar una tabla.

Los agentes introducen las interacciones basadas en intención: el usuario delega la tarea con lenguaje natural. En el mismo ejemplo, toda la búsqueda de funciones se reduce a un enunciado como "pagina el documento, alfabetiza la lista de referencias y añade a la tabla una columna final titulada notas".

El MCP es el puente entre agentes y aplicaciones empresariales que hace posible esos flujos (Se, 2025).

5.3 Qué es el MCP

Estándar abierto que permite a los modelos de IA interactuar con herramientas y fuentes de datos externas de forma segura y eficiente. Aporta un método estructurado para que los agentes:

• accedan a datos y los manipulen,
• ejecuten funciones,
• mantengan contexto a través de distintas aplicaciones.

Al estandarizar estas interacciones, reduce la complejidad y el coste de integrar IA en los procesos de negocio (Red Hat / La Vigne, 2025).

5.4 El caso Spotify

Spotify implementó MCP para que los agentes gestionen la reproducción, creen listas y recuperen información de canciones a petición del usuario (Awan, 2025).

El "antes": las dos capacidades vivían aisladas. Por un lado, los datos y la interfaz de reproducción de Spotify; por otro, el razonamiento y la generación de un LLM. Se podía pedir al LLM "crea una lista con las canciones número uno de Billboard en mi cumpleaños de cada año de mi vida", obtener el listado… y luego recrearlo a mano en Spotify. Útil, pero laborioso.

El "después": el MCP permite que el LLM no solo genere la idea de la lista, sino que ejecute su creación directamente en Spotify. Se pide en lenguaje natural ("hazme una lista de cumpleaños de cada año desde 1985") y la lista aparece en la cuenta. Sin copiar, pegar ni recorrer interfaces.

Los seis pasos coordinados que ocurren detrás

Concepto que se extrae: el MCP no habilita solo transferencia de datos o ejecución de comandos, sino orquestación consciente del contexto entre plataformas. El LLM no genera texto: lleva a cabo un proceso completo multipaso que antes exigía intervención humana, navegación y atención al detalle.

Lectura empresarial: el caso es doméstico, pero las implicaciones son mayores en la empresa. Este tipo de capacidad optimiza flujos complejos, elimina cuellos de botella humanos y permite a los empleados operar sistemas empresariales solo con lenguaje natural. El cambio de paradigma que subraya el módulo: se pasa de que los usuarios gestionen el software a que el software comprenda y actúe según la intención del usuario. Los sistemas empresariales dejan de accederse mediante paneles y menús para hacerlo mediante conversación inteligente.

5.5 MCP en aplicaciones empresariales

5.6 Implicaciones estratégicas para la transformación digital

5.7 Consideraciones para la implementación

• Seguridad: acceso seguro a los datos y cumplimiento de las regulaciones de privacidad como requisito fundamental.
• Gobernanza: marcos claros para gestionar las interacciones de IA y mantener la integridad de los datos.
• Colaboración con proveedores: trabajar con los proveedores tecnológicos para asegurar compatibilidad y soporte de MCP.

---

6. Capítulo 4 — Empatía y ajuste de la respuesta para agentes que tratan con clientes

6.1 Por qué la empatía importa

Las expectativas del cliente ya no se agotan en velocidad y exactitud: ahora se exige inteligencia emocional, personalización y empatía. Para la alta dirección, integrar IA generativa y agéntica en el servicio al cliente es más que una táctica de ahorro de costes: es un imperativo estratégico para generar confianza, reforzar la lealtad de marca y diferenciarse de la competencia.

Anclando el comportamiento de la IA en datos que reflejan dinámicas emocionales humanas, se cierra la brecha entre automatización digital y conexión humana genuina (Streets, 2024). En la práctica significa pasar de chatbots transaccionales de preguntas y respuestas a agentes virtuales capaces de:

• "interpretar el estado de ánimo",
• ajustar el tono a distintos escenarios de cliente,
• escalar adecuadamente cuando hace falta intervención humana.

6.2 El problema técnico y la solución: ajuste fino

Los LLM entrenados con conjuntos amplios y de propósito general funcionan bien en la generación de lenguaje cotidiana, pero tropiezan con terminología sectorial, requisitos regulatorios o psicología del cliente (Ferrer, 2024).

Definición — Ajuste fino (fine-tuning): proceso de seguir entrenando un LLM ya preentrenado con datos específicos de la tarea o el dominio, inyectando así experiencia del mundo real en el modelo (International Business Magazine, 2025).

Analogía del curso: es como entrenar un grupo muscular concreto en lugar de hacer un entrenamiento de cuerpo completo — se trabajan los bíceps para ganar fuerza y definición ahí. Con ejemplos de alta calidad y específicos del dominio (cláusulas contractuales, pautas de voz de marca, tiques de soporte) se fortalecen justo las habilidades necesarias sin reentrenar toda la red.

6.3 Las cinco técnicas de ajuste fino relevantes para atención al cliente

Dos videocasts del Prof. John Williams desarrollan este bloque: Las ventajas del DPO frente al aprendizaje por refuerzo y Ajuste fino (enlaces en la sección 11).

6.4 Las cuatro dimensiones de un conjunto de datos empático

Para construir un agente realmente empático, los datos de ajuste fino deben cubrir (Roshanaei et al.; Streets, 2024):

Producir un conjunto así suele partir de registros de soporte reales enriquecidos con etiquetas curadas por humanos (Ferrer, 2024). Combinado con anotaciones de sentimiento (positivo / negativo / neutral) y de urgencia, el SFT sienta la base de la inteligencia emocional efectiva.

6.5 Caso práctico: exceso de datos en telecomunicaciones

Escenario ficticio: un cliente molesto contacta a un operador de telecomunicaciones por cargos inesperados por exceso de datos.

Resultado del recorrido: el agente pasa de una plantilla genérica del tipo "puedo ayudarte con tu cuenta" a un interlocutor matizado que genera confianza: reconoce la ira, valida el contexto emocional y ofrece un camino claro a la resolución sin refugiarse en tecnicismos de políticas (Streets, 2024).

6.6 Impacto empresarial — ventajas de la implementación

6.7 Desafíos y consideraciones

6.8 Perspectiva futura: de la empatía a la asociación genuina

La frontera se desplaza de la "empatía simulada" a la "inteligencia colaborativa", donde IA y agentes humanos co-crean valor. Cuatro avances previstos:

Implicación directiva: cultivar equipos multifuncionales que reúnan a científicos de datos, expertos en experiencia del cliente (CX), especialistas en ética y gestores del cambio. El objetivo es evitar que la empatía impulsada por IA degenere en "teatro de empatía" y se convierta en colaboración real entre humanos e IA.

6.9 Conclusión del capítulo

Ajustar LLM para empatía y sintonización de respuestas marca un cambio de estrategia: dejar de ver a los agentes como autómatas que procesan tiques y adoptar la IA empática como piedra angular de la promesa de marca y de la confianza del cliente. Con una selección cuidadosa de datos de entrenamiento se despliegan agentes que no solo generan respuestas predefinidas, sino que comprenden y tranquilizan. El camino exige colaboración interdisciplinaria, gobernanza sólida de datos y supervisión humana continua; la recompensa es la combinación de eficiencia digital y conexión humana que definirá la próxima era del servicio al cliente.

---

7. Tareas del módulo — Actividad 3

"Concebir y diseñar agentes" — obligatoria, individual, evaluada como parte de la calificación final. Formato de entrega: documento Word o PDF cargado en Canvas. Dos opciones alternativas:

Opción 1 (técnica)

Crear un bot de Discord sencillo siguiendo el tutorial en cuatro vídeos del Dr. Abel Sánchez, más el documento de instrucciones. Entregable: el bot funcionando, una explicación breve del proyecto (100–300 palabras) y un enlace al Discord. La explicación debe argumentar por qué un sistema así beneficiaría —o no— a la propia compañía.

Opción 2 (estratégica)

Redactar una propuesta breve en formato de correo electrónico dirigida a la dirección de la compañía, explicando cómo la organización podría implementar un agente. Estructurar la respuesta con las preguntas guía:

Observe que las preguntas guía recorren en orden los cuatro capítulos del módulo: plataformas y agentes (cap. 1), integración con sistemas heredados (cap. 2), MCP y API (cap. 3), empatía y tono (cap. 4). Es la mejor lista de verificación de estudio del módulo.

---

8. Preguntas de reflexión

Recogidas en la guía de referencia oficial (MITPE_DT_M3_Reference_Guide.pdf, p. 5):

1. ¿Cómo puede la integración de agentes de IA en sistemas heredados desafiar o transformar los flujos de trabajo y la infraestructura actuales de su organización?
2. ¿Qué papel juegan la empatía y la personalización en la creación de confianza al implementar IA en funciones de atención al cliente?
3. ¿Cómo podría el protocolo de contexto del modelo (MCP) cambiar la forma en que interactuamos con aplicaciones cotidianas como Spotify, Word o Salesforce?

---

9. Autoevaluación

El Módulo 3 no incluye cuestionario de autoevaluación. Se verificó tanto en el reproductor de contenido (las 11 páginas del módulo: portada, introducción, índice, objetivos, tareas, los 4 capítulos, referencias y cierre) como en la lista de elementos del Módulo 3 en Canvas, que contiene únicamente:

1. Módulo 3 – Contenido
2. Actividad 3 – Concebir y diseñar agentes
3. Módulo 3 – Encuesta de Retroalimentación

En lugar de un cuestionario, la comprobación de aprendizaje del módulo se realiza mediante la Actividad 3 (sección 7) y las preguntas de reflexión (sección 8).

Autopreguntas de repaso (elaboración propia)

Sin equivalente oficial, pero útiles para autoevaluarse:

---

10. Glosario del módulo

Fuente: Glosario_M3.pdf (11 términos). Definiciones reformuladas.

---

11. Tabla de vídeos y recursos multimedia

Vídeos del contenido del módulo (Vimeo)

Vídeos de la Actividad 3 — tutorial de bot de Discord

Otros recursos descargables

Padlets: el Módulo 3 no incluye ningún Padlet. Se verificó buscando enlaces a dominios padlet en todo el contenido del reproductor: cero resultados.

---

12. Mapa rápido de citas → referencia

Útil porque el texto del módulo cita con nombres que no siempre coinciden con la entrada bibliográfica.

---

Ver Modulo-3-referencias.md para la lista bibliográfica completa con URL verificadas y notas de errata.