Office Hours — Camila Mohr

Cohorte PCP. La única serie que mapea una sesión por módulo de forma explícita (Módulo <n> MIT.pptx, de 1 a 7), y la primera en cubrir el módulo 7 — lo hizo el 20 de agosto de 2026, días antes de que el módulo se publicara en el campus. Enlaces en Sesiones en directo › Office Hour con Camila Mohr — PCP.

Formato declarado: una hora, se graban todas las sesiones, micrófonos en silencio, y una dinámica de dos partes —repaso de contenido + casos prácticos—. El canal de la facilitadora es solo para dudas académicas; todo lo demás va a soporte.

---

Módulo 7 — Gobernanza, cumplimiento y prueba de agentes

20/08/2026. Se impartió antes de que el módulo abriera; el módulo ya está publicado y extraído en M7 Gobernanza, cumplimiento y pruebas de agentes, y esta sesión lo complementa con cifras sancionadoras, listas de verificación y dos casos propios. Objetivo declarado: equilibrar velocidad, innovación y responsabilidad en el despliegue de agentes, integrando marcos regulatorios, estrategias de prueba, gobernanza y documentación para escalar de forma segura.

1. Marcos regulatorios

Como ejemplo de escala, Meta reservó 3.000 millones de dólares para posibles multas de RGPD; en HIPAA, Anthem pagó 16 millones tras una filtración que afectó a casi 79 millones de personas, y Premera Blue Cross 6,85 millones por una que afectó a 10,4 millones.

La CPRA añade tres cosas al CCPA: protección de la información personal sensible (geolocalización precisa, raza, datos de salud), un derecho a la corrección, y evaluaciones de riesgo obligatorias con auditorías a contratistas para usos de datos de alto riesgo. Además, los consumidores pueden demandar directamente, reclamando entre 100 y 750 dólares por incidente o los daños reales, lo que sea mayor.

Cada regulación viene con su lista de verificación de cumplimiento —designar responsable, evaluaciones de riesgo periódicas, mapear flujos e inventario de datos, cifrado, control de acceso, plan de respuesta ante brechas, documentación, MFA—.

2. Estrategias de prueba y controles

Sandboxing. Un entorno protegido que simula el mundo real pero donde los errores no tienen consecuencias. Un buen sandbox permite tres cosas: usar datos sintéticos o enmascarados para que el agente crea que opera con información real sin exponer datos sensibles; observar la toma de decisiones, la estabilidad, la capacidad de recuperación y el comportamiento en escenarios extremos; y medir riesgos antes de enfrentarlos. Es el equivalente a un simulador de vuelo.

Pruebas A/B. Comparan una versión de control con otra modificada. Tres condiciones mínimas de validez: el tráfico debe dividirse aleatoriamente, el volumen debe bastar para que la diferencia sea estadísticamente relevante, y las métricas deben definirse antes de la prueba, no después —esto último evita «cazar resultados»—. Permite evaluar velocidad, precisión, tasa de errores o alucinaciones e impacto en la experiencia o la carga operativa. Sin pruebas A/B, las mejoras del agente no son más que intuiciones.

El ejemplo integrado: en un hospital, un agente detecta accesos anómalos, un LLM juez evalúa si el comportamiento rompe reglas de privacidad, escala automáticamente a un auditor humano si es crítico, y el sistema conserva registro completo para auditorías.

3. Factor humano y gestión del cambio

El despliegue de agentes no reemplaza personas, pero sí cambia su forma de trabajar. Y eso genera ansiedad. El éxito depende más de cultura y comunicación que de algoritmos.

Tres fuentes de resistencia: miedo al reemplazo o a la pérdida de control, desconfianza en las decisiones automatizadas y falta de claridad sobre cómo se medirá el impacto.

El modelo ADKAR aplicado a la adopción de IA:

Más transparencia y participación: explicar cómo funciona la IA, dejar que los empleados participen en su diseño e involucrar a embajadores internos para pilotar el cambio cultural. El ejemplo que usa es local: una aseguradora chilena lanzó un asistente interno solo con quince voluntarios; al demostrar mejoras de productividad, el entusiasmo se expandió orgánicamente.

4. Casos del módulo 7

---

Módulo 1 — Fundamentos

Contexto de apertura: el Nobel de Física de 2024 a Hopfield y Hinton por los descubrimientos que permiten el aprendizaje automático con redes neuronales, ambos trabajando en el tema desde los años ochenta; y el anuncio de una inversión de 500.000 millones de dólares en IA con Stargate.

Etimología útil: inteligencia viene de intellegere, compuesto de inter («entre») y legere («escoger») — un individuo es inteligente cuando sabe escoger la mejor opción entre las posibilidades a su alcance.

Cifras de contexto sobre Anthropic que cita: ingresos anualizados de 14.000 millones de dólares, multiplicados por más de diez en cada uno de los tres últimos años; clientes de más de 100.000 dólares multiplicados por siete y de más de un millón por cuarenta en un año; y un 4 % de los commits en GitHub procedentes de Claude Code. También que las empresas que aplican IA generativa reportan aumentos de productividad de entre el 15 % y el 30 %.

Sobre el estado de la técnica: la IA ha superado al humano en casi todas las tareas técnicas en los últimos diez años, con la excepción del razonamiento multimodal, la interpretación compleja de datos combinados.

Módulo 2 — El auge de la IA agéntica

Los cinco tipos de agente, presentados como escalones evolutivos:

Abierto frente a cerrado, con la analogía de cocinar en casa o comer en un restaurante —control total de los ingredientes pero exige tiempo y habilidad, frente a pagar por conveniencia y consistencia—:

Sobre arquitecturas multiagente: colecciones de agentes autónomos que colaboran en un entorno compartido, con tres características —autonomía (cada agente decide con información local), descentralización (sin un único punto de fallo) y coordinación y resolución de conflictos por negociación, reglas o mecanismos tipo subasta—.

Módulo 3 — Conexión a ecosistemas digitales

El planteamiento: el desafío ya no es incorporar IA, sino hacerlo sin perder el alma organizacional. El cambio de fondo es de arquitectura y de propósito: de «programar instrucciones» a «definir objetivos y dejar que el agente encuentre cómo cumplirlos».

Lo que hace el software actual, que sigue siendo reactivo y cerrado: un ERP actualiza inventarios cuando se ingresa una venta, un GPS entrega la mejor ruta pero no la reevalúa si cambia el tráfico, un CRM envía correos según reglas fijas. Ejecuta instrucciones programadas, pero no razona, no aprende del contexto y no colabora con otros sistemas.

MCP se presenta como un adaptador universal —«un puerto común para todas las herramientas y modelos»— que evita el código a medida y las integraciones caso a caso.

Los tres desafíos de integración, cada uno con su ejemplo y su solución:

Módulo 4 — Ciberseguridad

Tesis de la sesión: la IA no reemplaza los riesgos clásicos, los amplifica y acelera. El riesgo ahora es híbrido: humano + digital + autónomo. Y el recordatorio de fondo: el 80 % de los ataques siguen entrando por fallas básicas humanas y de proceso, analizadas con el marco de siete fases de la cadena de ataque.

Sobre alucinaciones y sesgo: la IA genera resultados con un alto nivel de fluidez y seguridad, lo que crea una ilusión de certeza, y eso es peligroso cuando la información es incorrecta, inventada o sesgada. Se atribuyen a tres causas: la naturaleza de los datos de entrenamiento, un diseño enfocado en generar contenido a partir de patrones, y limitaciones inherentes de la tecnología.

Módulo 5 — Agentes por función empresarial

Centralizados frente a embebidos, la distinción arquitectónica que aporta esta cohorte:

Y el criterio de elección por madurez: inicial → embebido (innovar rápido con bajo riesgo), intermedio → mixto (control central con autonomía local), avanzado → centralizado (gobernanza y coordinación global). Lo ideal no es elegir uno u otro, sino una arquitectura híbrida.

Los cinco riesgos de gobernanza, cada uno con caso real:

Módulo 6 — La última milla

Dos cifras de arranque: entre el 70 % y el 90 % de las iniciativas se pierden al pasar del piloto a la escala, y el estudio del MIT según el cual el 95 % de los pilotos de IA generativa no logran retornos financieros significativos. El problema no es la tecnología, sino la orquestación entre sistemas, datos y personas.

Por qué funcionan los pilotos: alcance limitado y datos limpios, entorno de pruebas sin presión de tiempo real ni fricción con sistemas heredados, métricas claras y protección institucional de un patrocinador.

Por qué fracasan los despliegues, en tres bloques: técnicos y operativos (integración con sistemas heredados, latencia —lo que en laboratorio responde en 1 segundo, en producción tarda 8—, dependencias invisibles, costes de escalado que se multiplican); desalineación estratégica (foco en lo avanzada que es la tecnología en vez de en el valor que genera, falta de retorno demostrable, expectativas poco realistas); y fallas organizativas (ausencia de dueños de negocio implicados, silos entre TI, operaciones y experiencia de cliente, falta de una estrategia de cambio gradual).

Los dos casos que mejor cierran el módulo

Y el fracaso de Amazon en reclutamiento (2014–2018), analizado en cuatro dimensiones: sesgo en los datos de entrenamiento —el modelo penalizaba palabras como women's—, falta de enfoque en el problema de negocio y la cultura, gobernanza y comunicación insuficientes, y escalar sin validar impacto real.

Cierra con las cinco dimensiones de desempeño —eficacia, eficiencia, experiencia de usuario, gobernanza y aprendizaje— que también recoge el módulo 6, más tres bucles de realimentación: del usuario (feedback directo para ajustar prompts o flujos), del sistema (detección automática de patrones de fallo) y operacional (los líderes ajustan políticas a partir de métricas globales).

---

Módulo 8 — Ética y proyecto final

27/08/2026 · 29 min · Módulo 8. La última sesión de la serie, breve y con la mitad del tiempo dedicado a una consulta real sobre cómo justificar el ROI de un proyecto de IA ante la dirección — que es probablemente lo más aprovechable.

La ética como lente estratégico

El encuadre: la ética no es un tema aparte sino un lente estratégico para transformar la empresa, y lo que hay que conectar es tecnología, gobernanza y factor humano, equilibrando velocidad, innovación y responsabilidad.

Por qué la IA exige ética desde el diseño: decide con datos históricos, aprende en tiempo real y opera a escala. «El sesgo no aparece al final: nace en los datos y en el objetivo que definimos.» Y la previsión ética es gestión estratégica de riesgo, no filantropía.

Los cuatro principios, usados como lista de verificación. Su recomendación es explícita: cuestionárselos al empezar el proyecto y volver a pasarlos como checklist al terminarlo. Y advierte del punto de fricción real — «la línea es muy delgada, y uno se pasa un poquito para acá para obtener más margen, pero está yendo en contra de ciertos principios».

Los siete requisitos previos, a modo de repaso del curso

La transformación ocurre antes de la implementación de la tecnología; la IA no transforma por sí sola, amplifica la forma en que la organización ya opera. No basta con «comprar licencias y que ocurra la magia». Sus siete condiciones:

1. Priorizar casos de uso de alto impacto.
2. Definir propiedad y gobernanza de los datos.
3. Rediseñar procesos integrando la IA de forma estratégica.
4. Establecer métricas claras de adopción y generación de valor.
5. Determinar los niveles adecuados de supervisión humana.
6. Implementar criterios de riesgo, gobernanza y trazabilidad.
7. Desarrollar la capacidad de los equipos para un uso responsable y efectivo.

El caso práctico — cómo justificar el ROI sin prometer despidos

Una participante plantea el problema real: propuso agentes para optimizar procesos internos, y la dirección le pidió el ROI y, de paso, si eso se puede vender. La respuesta, en tres movimientos:

1. Define un problema potente y cuantifícalo. Incluso si el beneficio es "experiencia", se puede poner número. La tarea que hoy se hace manualmente tiene un coste; ese coste es la base del caso.
2. No vendas el reemplazo de la tarea: vende para qué se libera el tiempo. «Yo voy a reemplazar la tarea, ¿pero para que esa persona haga qué?» Su ejemplo: alguien que hoy solo recibe y ejecuta tareas no está generando vínculos ni negociando bien. Si se demuestra el ahorro, hay que demostrar en qué se invierte ese tiempo — porque no se le va a bajar el sueldo y la lógica no es despedir a nadie.
3. Cuidado con convertirlo en producto. No está mal planteárselo —hay muchos spin-off de producto viables— pero no puede ser el foco: un producto para vender exige front, back, visualización y soporte, y no permite los atajos que sí puedes tomar en un desarrollo interno. «¿Eres tú el indicado para hacerlo? La tentación es gigante y te puede salir carísimo.»

La conclusión: «Si no logran ver ese valor, van a estar automatizando solo porque hoy hay una tecnología que te permite hacerlo, y sin ningún sentido. Y lo único que van a sentir todos es que quieres reemplazar gente: nadie va a querer trabajar en los proyectos.»

(Nota administrativa de la sesión: los certificados suelen aparecer alrededor de un mes después del cierre del programa.)

---

Casos de empresa citados

Los que no están en el material del curso, por sesión.

Enlaces

Sesiones en directo · Webinars de facultad · OH Sara Artigas · Curso IA Agéntica (MOC)