Office Hours — Daniel Garrote

La cohorte con más profundidad técnica en fundamentos —llega a explicar la retropropagación paso a paso— y, a la vez, la que trae los marcos de negocio más elaborados. Enlaces en Sesiones en directo › Office Hour con Daniel Garrote.

---

Sesión 1 — Fundamentos: cómo aprende una red neuronal

09/07/2026 · Módulo 1.

Empieza por los usos de la IA generativa —contenido escrito, audio, imagen y vídeo, programación, voz a texto y texto a voz— y la cifra de referencia: +15 a 30 % de aumento medio de productividad en atención al cliente.

Luego la arquitectura por capas, cada una apoyada en la anterior: aprendizaje automático → redes neuronales → aprendizaje profundo → LLM y transformadores, con las GAN (redes generativas adversarias: un generador crea datos falsos y un discriminador los evalúa; compiten y se perfeccionan mutuamente) como rama aparte.

El corazón de la sesión es una explicación desde cero de cómo aprende una red: la neurona como suma ponderada más sesgo (Y = W₁X₁ + W₂X₂ + W₃X₃ + b), presentada como una regresión lineal (y = mx + b), y después la retropropagación desarrollada en quince diapositivas sucesivas —marcar qué predicciones fueron correctas y cuál falló, repartir la responsabilidad del error hacia atrás por las capas y ajustar los pesos—. Cierra con los tipos de red (recurrentes, convolucionales y generativas antagónicas) y dos recursos prácticos: una lista de reproducción sobre redes neuronales y el TensorFlow Playground.

Sesión 2 — Cómo se construye un LLM y cuánto cuesta

14/07/2026 · Módulo 1.

Las tres etapas de entrenamiento: preentrenamiento (analiza corpus masivos y construye una amplia «intuición del lenguaje»), ajuste fino (con datos del dominio, para adoptar su vocabulario y tono) y aprendizaje por refuerzo (evaluadores humanos puntúan relevancia, precisión y estilo, y esas puntuaciones realimentan el ciclo).

La evolución de los chatbots en cinco tramos: reglas y palabras clave (1966–2000, sin PLN) → conversacionales con aprendizaje automático (2000, Watson, Siri, Alexa) → chatbots de IA generativa con LLM y transformadores (2010) → razonamiento y agentes (finales de los 2010) → agentes que resuelven problemas complejos de varios pasos (hoy).

Modelos de razonamiento y cadena de pensamiento. Dedican más tiempo a procesar antes de responder, como haría un analista, y descomponen la consulta en tareas más pequeñas de forma semiautónoma sin necesidad de promptear cada paso. Sus tres contrapartidas: tiempos más largos, mayor inversión de cómputo y —contraintuitivamente— más alucinaciones: OpenAI midió que o4-mini alucinaba más que versiones anteriores de ChatGPT.

El coste: el efecto escala

Tres factores generan coste —el equipo (servidores con GPU), el sistema (la elección de modelo, que es el mayor impulsor del coste por uso) y la energía—. Y tres cifras que conviene retener:

Las cinco preguntas antes de elegir modelo: ¿cuál es el nivel mínimo de precisión que necesitamos? ¿con qué frecuencia se usará —la frecuencia de uso 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?

Y tres compensaciones a decidir explícitamente: precisión frente a coste (un asistente de diagnóstico médico puede exigir el modelo caro; un bot de atención al cliente, no), velocidad frente a potencia, y longitud de contexto frente a eficiencia —con el matiz contraintuitivo de que más contexto no siempre implica mayor coste—.

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

Cierra con un mapa de plataformas generativas por modalidad —texto, imagen, audio y vídeo— con dieciséis herramientas y para qué destaca cada una.

Sesión 3 — Vibe coding y el nuevo perfil de ingeniero

25/07/2026 · Módulo 2.

El 95 % de sus bases de código generadas por IA: así opera ya una cuarta parte de las startups de la cohorte de invierno de 2025 de Y Combinator, según su socio gerente Jared Friedman.

La tesis: surge un nuevo tipo de ingeniero de software, enfocado en qué quiere lograr el producto y no en cómo programarlo. Al descargar los detalles de bajo nivel, la atención se concentra en diseño de producto, experiencia de usuario y arquitectura del sistema. Es «como tener un desarrollador junior personal que se encarga de las tareas rutinarias».

Cinco pautas de adopción empresarial

1. Evaluar los flujos de principio a fin. Las plataformas que no cubren el ciclo completo generan interrupciones y errores al pasar del borrador de IA al flujo tradicional.
2. Equilibrar democratización con gobernanza. El acceso sin restricciones produce código sin revisar y vulnerabilidades: las salidas de la IA deben pasar los mismos controles de calidad y cumplimiento que el código humano.
3. Requisitos de empresa desde el inicio. Las herramientas entrenadas en código abierto pueden mostrar fragmentos con licencia, lo que es un riesgo legal.
4. Planear la evolución de habilidades, no el reemplazo. Capacitar en crear prompts eficaces y revisar salidas; usar la IA como aumento conserva el conocimiento institucional.
5. Priorizar la gestión del contexto. Rastrear historiales de prompts, anclar fragmentos y revertir cambios: sin eso, los equipos divergen en estándares y la mantenibilidad se erosiona.

Compara tres herramientas de programación agéntica: GitHub Copilot (de autocompletado a plataforma agéntica; su coding agent toma una incidencia y devuelve una solicitud de fusión con código y pruebas), Google Antigravity (plataforma agent-first cuya vista Manager funciona como centro de misión, con varios agentes trabajando en paralelo sobre editor, terminal y navegador) y Claude Code (lee el repositorio completo, planifica, edita, ejecuta pruebas y crea commits, con modo plan para aprobar antes de ejecutar; extensible con MCP, subagentes y skills).

Sesión 4 — Conexión de agentes y el bot pirata

28/07/2026 · Módulo 3. Sesión mayoritariamente visual —los diagramas de la anatomía del agente y de MCP frente a API no dejan texto extraíble— más el ejercicio práctico del bot de Discord, con el repositorio avathuy/dbot: crear el servidor y el bot, pegar el token en .env, instalar requisitos, ejecutar discord_only.py para el saludo básico, y después añadir la clave de OpenAI y ejecutar mybot.py para que responda como un pirata al comando $question.

Sesión 5 — Ciberseguridad

04/08/2026 · Módulo 4.

Tres vectores, tres blancos distintos

Lo valioso de esta sesión es que distingue a quién ataca cada vector:

Sobre deepfakes: a partir de unos segundos de audio o unas pocas imágenes públicas se puede clonar una voz, animar un rostro o sostener una videollamada falsa en tiempo real. El riesgo de fondo es que nuestras verificaciones informales —reconocer la voz de un directivo, ver la cara de un compañero— dejan de ser prueba de autenticidad: una orden falsa llega por el canal habitual y con la apariencia habitual.

Sobre suplantación: el mensaje fraudulento ya no se delata por una redacción torpe; llega bien escrito, en el tono esperado, por el canal esperado y en el momento oportuno. De ahí la regla: la identidad se verifica por procedimiento —canal alternativo y doble aprobación—, nunca por la apariencia del mensaje.

Sobre inyección de prompt: el «malware» es texto, viaja dentro de los datos que el agente procesa y los filtros tradicionales no lo ven. Y cuantas más herramientas y accesos tiene el agente, más daño puede hacer una sola frase.

El NIST CSF con lente de IA

Recorre las cinco funciones del marco del NIST —identificar, proteger, detectar, responder, recuperar— añadiendo a cada categoría una nota de IA y preguntas concretas para llevar a la organización. Algunas de las más útiles:

• Gestión de activos: siga cada herramienta de IA como a un nuevo empleado: puede acceder sola a los datos internos. ¿Nuestra lista de herramientas digitales incluye algún agente de IA?
• Gobernanza: los sistemas de IA actúan de forma independiente, así que la gobernanza decide quién responde si algo sale mal.
• Control de acceso: MFA también para los servicios de IA. ¿Las herramientas de IA tienen los mismos límites de acceso que los usuarios humanos?
• Seguridad de los datos: definir qué puede introducirse en cada herramienta, porque algunos sistemas retienen las entradas.
• Concienciación: ¿detectaría su equipo un phishing generado por IA? Pruébelo en un almuerzo formativo.
• Detección: ¿qué alertas se activarían si una herramienta de IA accediera a archivos sensibles que nunca ha usado?
• Respuesta: tenga interruptores —pausar la herramienta, revocar permisos, aislar sistemas—, porque los agentes actúan rápido. ¿Quién controla eso?
• Análisis: muchas herramientas son opacas; asegure de antemano poder auditar acciones, accesos y cadenas de decisión.
• Recuperación: copias de seguridad de los modelos, las configuraciones y el contenido generado. Y si el proveedor externo cae, ¿cuál es la alternativa?

Las seis limitaciones que definen los riesgos

Empatía (detecta señales emocionales pero no las siente), contexto (las frases ambiguas y los supuestos implícitos la desorientan), sesgo, alucinaciones (envueltas en una apariencia de certeza que engaña incluso a expertos), memoria (vive de instantáneas a corto plazo) y razonamiento (imita la lógica, pero el sentido común riguroso se le escapa: puede dar explicaciones fluidas, elocuentes y fundamentalmente ilógicas).

Seis estrategias contra las alucinaciones, con la advertencia de que ninguna basta por sí sola: supervisión humana y verificación, traspaso fluido a personas, entrenamiento y actualización continuos, pedir al modelo que explique su razonamiento o puntúe su certeza, alfabetización mediática y perfeccionamiento iterativo.

Sesión 6 — Madurez, funciones y el navegador agéntico

11/08/2026 · Módulo 5.

La pregunta ya no es «¿puede la IA hacer esto?», sino «¿dónde se gana su lugar?». La capacidad ya no es la restricción — la colocación sí.

El ciclo de madurez de la IA

El marco de cinco etapas de Abel Sanchez, a partir del enfoque de OpenAI:

Se complementa con gatear, caminar y correr, que marca el ritmo mientras el ciclo de madurez marca el contenido de cada paso.

Agentes por función

El mismo patrón, siete trabajos: ventas (investigar, enriquecer, seguir), marketing (redactar, localizar, reusar), soporte (resolver, redactar, escalar), finanzas (conciliar, marcar, explicar — un humano aún aprueba cada asiento), RR. HH. (filtrar, agendar, responder), operaciones (vigilar, triar, enrutar) y legal (revisar, comparar, resumir — decide el abogado).

Y el criterio para elegir el primer despliegue:

Empiece por la función cuyo primer caso ya tiene datos, dueño y métrica — no por la más glamurosa. Gánese el derecho a las funciones difíciles teniendo éxito, visible y medible, primero en las fáciles.

El navegador se convierte en agente

Para la mayoría de los trabajadores del conocimiento el navegador es el hogar de la jornada, con seis a diez pestañas abiertas a la vez. Una nueva generación lo convierte de catálogo estático en plataforma de agencia: Copilot en Edge responde, resume y ejecuta sin salir de la pestaña; Arc ofrece «pellizcar para resumir»; Brave apuesta por la privacidad con Leo; Chrome DevTools incorpora Gemini para «comprender este error».

Sus tres riesgos, cada uno con su caso: fuga de datos (Samsung prohibió temporalmente ChatGPT en 2023 tras subidas de código; Apple restringió herramientas externas y JPMorgan lo bloqueó mientras revisaba políticas — se mitiga tratando el navegador con IA como un canal de datos saliente, con DLP y herramientas aprobadas); desinformación (los resúmenes pueden sonar correctos y ser falsos); y dependencia excesiva (el abogado del caso Avianca citó jurisprudencia inventada por ChatGPT).

La IA en la sombra, con datos

Encuesta de la National Cybersecurity Alliance y CybSafe (2024) a 7.000 empleados de siete países, sobre si han compartido datos confidenciales del trabajo con una IA sin permiso:

Y el dato que explica el resto: el 52 % no ha recibido ninguna formación sobre uso seguro de la IA.

Prohibir no funciona. Funciona el acceso fácil a herramientas aprobadas, políticas claras de uso, formación continua y control técnico: DLP, accesos por rol y auditorías periódicas.

GEO — optimización para motores generativos

El tema que no está en ningún módulo. GEO es la disciplina de estructurar el contenido y la presencia de una marca para que ChatGPT, Perplexity, Copilot, Gemini o los AI Overviews la citen al generar sus respuestas. Nace del estudio de Princeton, Georgia Tech e IIT Delhi (Aggarwal et al., KDD 2024).

La nueva posición número uno no es un enlace: es ser la fuente que el motor cita. GEO no sustituye al SEO, se apoya en él — la base técnica y la autoridad sirven a ambos; lo que cambia es dónde se gana la visibilidad.

Centralizado o embebido

La misma distinción que desarrolla Camila Mohr —y la cita explícitamente—, con una analogía propia: la línea de productos central más las tiendas locales. La conclusión es idéntica: la mayoría acaba en un híbrido, con un generalista como puerta de entrada que deriva lo complejo a especialistas embebidos, y la elección por madurez, no por ideología (embebido en fase inicial, mixto en expansión, centralizado en escalado).

Sesión 7 — La última milla y los KPI

18/08/2026 · Módulo 6. La sesión más valiosa de la cohorte, en cuatro bloques.

Implementar no es la línea de meta. Es el punto de partida.

1. Agentes de voz

Un agente de voz son capacidades generativas más una superestructura agéntica que coordina el comportamiento — muy lejos del contestador de teclas y mensajes pregrabados. La cadena: habla del usuario → reconocimiento de voz → motor de decisión (LLM) → texto a voz. La superestructura mantiene el estado de la conversación, consulta agenda, historial y CRM, ejecuta acciones y decide cuándo derivar la llamada a un humano: es lo que separa a un agente de voz de un contestador con IA.

Dos arquitecturas y un reloj:

2. El purgatorio del piloto, en cifras

Por qué funcionan los pilotos: alcance limitado y controlado, condiciones de laboratorio (separados intencionalmente de los flujos en vivo: sin cargas de integración, revisiones de cumplimiento ni requisitos de infraestructura), métricas definidas desde el inicio, y objetivos ligeros con plazos de 6 a 12 semanas que optimizan la entrega técnica rápida más que la durabilidad. Son ruedas de entrenamiento.

Por qué se detienen los despliegues —casi nunca es el modelo—: integración con sistemas heredados (si el agente genera trabajo adicional en vez de integrarse, en pocos meses queda etiquetado como «piloto fallido»), poner la tecnología antes que el negocio (la pregunta que falta: ¿qué métrica de negocio mueve esto, y cuánto?), ausencia de incorporación gradual («no esperarías que un empleado nuevo domine todo su primer día») y costes de cómputo subestimados — IBM estima un aumento del 89 % en el coste medio de cómputo para IA entre 2023 y 2025, y ya hay ejecutivos cancelando iniciativas por gastos de infraestructura justo al pasar de piloto a despliegue.

El purgatorio no es mala suerte: es la factura de lo que el piloto no ensayó.

Seis estrategias para cruzarlo: casos de uso claros y enfocados, datos preparados y gobernados, planificación sólida de integración (middleware moderno y API para cerrar brechas con los sistemas heredados), gestión del cambio y capacitación, conversaciones centradas en el usuario (anticipar variaciones, acentos y malentendidos; recuperación fluida de errores y escalada fácil a humanos) y confianza del cliente.

3. La resistencia es humana, no técnica

Es un desafío arraigado en mecanismos neurológicos de supervivencia: el cerebro percibe la IA como amenaza a las rutinas y a la seguridad laboral, y esa disrupción activa mecanismos defensivos naturales.

Tres niveles, y cada uno exige respuestas distintas: empleado (miedo al reemplazo, miedo a lo desconocido —no comprenden cómo funciona, qué datos usa ni cómo decide—, brecha de habilidades percibida); organización (inercia del liderazgo, cultura resistente, presupuestos y prioridades en conflicto); y técnico y de gobernanza (integración difícil, calidad y conectividad de datos, políticas poco claras).

Una estrategia de adopción que solo hable al nivel técnico dejará intactos los otros dos — y son los otros dos los que hunden el 70 % de los programas.

Cuatro palancas: comunicación y visión (foros abiertos, explicar cómo la IA complementará el trabajo humano, respuestas directas a los temores), participación (comités multifuncionales, codiseño con los usuarios finales, embajadores creíbles entre sus compañeros), educación (talleres con las interfaces reales, certificación en alfabetización, mentoría, desmitificar con historias de éxito de otros equipos) e implantación gradual (pruebas internas con personal seleccionado, lanzamientos beta con grupos limitados, ampliación según lo aprendido, servicio de asistencia dedicado).

4. Monitorización y KPI

Trate al agente como a un nuevo empleado. Si no se mide su desempeño, no se está gestionando: se está adivinando.

Las cinco dimensiones, que no pueden capturarse con una sola métrica y se ponderan según función, entorno y nivel de riesgo:

KPI por categoría — adaptados a la función del agente, no lo que el panel del proveedor rastrea por defecto:

Sin medición, los agentes se desvían. Con medición, maduran.

Sesión 8 — Ética y proyecto final

25/08/2026 · 70 min · Módulo 8. Cuatro diapositivas y una sesión mayoritariamente conversacional. Su aporte no es teórico sino de encuadre y de logística — y una respuesta a una pregunta que el enunciado del proyecto deja abierta.

Por qué la ética es distinta en la IA

Y la escala amplifica: «una fórmula defectuosa en una hoja de cálculo puede afectar a un equipo; un modelo defectuoso de IA puede afectar a miles o millones». La formulación propia del facilitador, en las diapositivas: «el que llega tarde a esta conclusión suele llegar en forma de titular».

En la conversación lo aterriza con un ejemplo del sector seguros de un participante: si un agente da instrucciones equivocadas a un cliente sobre cómo actuar ante un siniestro y este pierde una prestación, la responsabilidad es de la empresa. «Nunca nos vamos a escapar diciendo que, como tenemos un sistema autónomo, no es culpa nuestra» — igual que no se escaparía un centro de llamadas con personas.

El proyecto final, resumido en una diapositiva

El facilitador mapea cada uno de los ocho apartados con los módulos que lo alimentan, que es exactamente lo que hace falta para reutilizar el trabajo previo:

Tres consejos para un proyecto sólido:

1. Concreto antes que ambicioso. «Una función o un proceso, no la empresa entera.» El alcance acotado fue la lección de Cencora en el módulo 6: mejor un plan ejecutable que un manifiesto.
2. Reutiliza tus actividades. Costes (M1), vibe coding (M2), diseño de agentes (M3), plan de seguridad (M4), proceso de diseño (M5), KPI (M6) y plan de gobernanza (M7): siete piezas ya trabajadas — el proyecto las ensambla.
3. Es un ejercicio teórico. Se pueden incluir pruebas de vibe coding o diseños de producto hechos con IA, pero lo que se evalúa es el plan.

Sobre extensión: 2 a 5 páginas es un orden de magnitud, no una regla — «si es una y media, y si son siete, no va a pasar nada».

---

Enlaces

Sesiones en directo · Webinars de facultad · OH Sara Artigas · OH Camila Mohr · KPI · Purgatorio del piloto · IA en la sombra