Office Hours — Sara Artigas

⭐ Cohorte propia (sección Sara Artigas (OE)). Siete sesiones celebradas de ocho; la última cae el 1 de septiembre de 2026, el mismo día que vence el proyecto final. Enlaces a grabaciones, diapositivas y transcripciones en Sesiones en directo › Office Hour con Sara Artigas.

La plantilla de sesión

Índice de sesiones

---

Sesión 1 — ¿Qué es la IA? De lo básico a lo actual

14/07/2026 · Módulo 1

IA en el radar

Dos cronologías propias, cotejadas contra documentación oficial de los proveedores en julio de 2026.

GenAI, 2010–2026, en cinco tramos: interfaz conversacional (2010–2016, la voz como interfaz cotidiana: Siri, Alexa, Assistant, Cortana); modelos fundacionales (2018–2020: BERT, T5, la serie GPT, Megatron-LM); GenAI accesible (2021–2022, el usuario masivo entra: Codex, DALL·E, InstructGPT, GPT-3.5, LaMDA, PaLM, Stable Diffusion, Midjourney); adopción empresarial (2023–2024: GPT-4 y 4o, Claude 1 a 3.5, Bard y Gemini, Llama, Copilot, watsonx); y razonamiento y operación (2025–2026: familia GPT-5, Claude 4, Gemini 2.5, Llama 4, Grok 3-4, Granite 4.0, Qwen 3, DeepSeek-R1).

Agentes de IA, 2021–2026, también en cinco tramos: LLM más herramientas (Codex, LangChain, Zapier y n8n, RPA con chatbots); agentes experimentales (2023, con planificación, memoria y uso real de herramientas: function calling, Assistants, Bedrock Agents, Copilot Studio, AutoGPT y BabyAGI); copilotos con acción (2024: Artifacts y uso del computador, Vertex AI Agent Builder, agentes autónomos de Microsoft, lanzamiento de Agentforce); plataformas agénticas (2025: Responses API y Agents SDK, ADK y Agentspace, MCP y flujos de agente, AgentCore, watsonx Orchestrate); y operación y gobernanza (2026: AgentOps, Agent 365 y observabilidad, capa de producción de AgentCore).

Se cita a Daron Acemoglu, economista del MIT y premio Nobel de 2024: hoy los agentes se promocionan como sustitutos de personas cuando deberían optimizarse para ampliar capacidades humanas, y no hacerlo es una estrategia perdedora (MIT Technology Review, 29/06/2026).

Mito 1 — «Implementar IA es tan simple como activar una herramienta»

La realidad exige diseño, medición y control sobre seis frentes: caso de uso, datos, flujo de trabajo, seguridad, métricas y gobierno. La secuencia recomendada tiene tres tiempos: empezar acotado (tareas repetitivas, de bajo riesgo y alto volumen), medir resultados (tiempo, calidad, adopción, errores, satisfacción) y escalar con control (datos, permisos, flujos, trazabilidad y supervisión). El error de fondo es confundir acceso con adopción.

Tema central — Qué es la IA

Por qué explotó ahora, y no antes: convergen tres capacidades, no un solo avance. Datos (volumen, variedad y velocidad), algoritmos (modelos que transforman datos en predicción, lenguaje, visión o decisión asistida) y computación (GPU, nube y costes operativos asumibles para experimentar y escalar). La implicación que subraya: la IA es una capacidad organizacional, no solo software.

La ruta conceptual de la sesión, que ordena términos que el curso usa a veces indistintamente:

IA → Machine learning → Redes neuronales → Deep learning → Transformadores → Modelos fundacionales → LLM / IA generativa

Las ramas de la IA, como mapa de verbos: razonar (sistemas expertos), aprender (ML), percibir (Visión artificial), comunicar (NLP y reconocimiento de voz), optimizar (computación evolutiva e inteligencia de enjambres) y actuar (robótica). Una solución real combina varias: un agente de voz es reconocimiento de voz + NLP/LLM + reglas + ML + APIs.

De generativa a agéntica, en cinco escalones: genera (contenido) → responde (chatbots) → asiste (copilotos) → planifica y ejecuta (agentes) → coordina (sistemas multiagente). Y la distinción corta: el chatbot responde en una conversación, el copiloto ayuda dentro de una tarea, el agente persigue un objetivo y ejecuta pasos.

Tipos por alcance: IA estrecha (ANI, la que existe hoy), IA general (AGI, teórica) y superinteligencia (ASI, hipotética). El apunte que importa: la IA empresarial sigue siendo estrecha aunque sea generativa o agéntica.

Microcaso — Air Canada

Los fallos de implementación: respuesta contradictoria con la política oficial, ausencia de validación para información sensible, escalamiento débil ante excepciones y —el de fondo— tratar una responsabilidad organizacional como un problema técnico. Qué habría cambiado: limitar las respuestas sobre políticas a fuentes verificadas, una ruta clara hacia una persona en casos excepcionales, registrar prompts, respuestas y decisiones para auditoría, y medir exactitud, reclamaciones y retrabajo, no solo tiempo de respuesta.

La pregunta de análisis está bien planteada: ¿el problema fue usar un chatbot, o desplegarlo sin asegurar exactitud, supervisión y responsabilidad?

Dilema ejecutivo

Presupuesto para un único piloto de 90 días: ¿dónde empezar? (A) redacción y documentación, (B) búsqueda de información interna, (C) análisis y apoyo a decisiones, (D) automatización de agentes.

Capstone — semana 1

Definir el contexto y elegir por dónde empezar: sector y tipo de negocio, departamento o proceso, fricción actual (tiempo excesivo, errores, información dispersa, trabajo manual, baja trazabilidad) y primer caso candidato —acotado, frecuente, observable y medible—. Y clasificar la capacidad necesaria: GenAI si es redactar, resumir, analizar, buscar o generar contenido; IA agéntica solo si hay que ejecutar pasos, usar herramientas o coordinar un flujo.

---

Sesión 2 — Del prompt al agente: cómo construir con IA

21/07/2026 · Módulo 2

IA en el radar

Dos noticias sobre empleo. La primera, de The Batch: la IA transformará el trabajo pero no provocará un apocalipsis laboral, y la dificultad principal será gestionar la transición, no el volumen de destrucción. La segunda, del economista del MIT Frank Nagle: sustituir puestos junior por IA debilita la futura base de talento. Los perfiles junior están adoptando muy rápido las nuevas formas de trabajo y pueden ser una capacidad estratégica en producción, prototipado y automatización; la IA acelera prototipos y mejora código, pero las personas sostienen arquitectura, comprensión del usuario, revisión y validación.

La pregunta que abre: ¿la organización usa la IA para reducir puestos o para rediseñar cómo trabajan y aprenden las personas?

Tema central — Cuatro niveles de trabajo con IA

La escalera que da título a la sesión, y probablemente el marco más reutilizable de toda la serie:

A mayor autonomía, mayor necesidad de validación, permisos y supervisión.

Mapa de plataformas

Cinco categorías con su función y su precaución explícita:

El ecosistema ampliado se ordena en cuatro familias, de mayor control técnico a mayor gobierno empresarial: frameworks y runtimes (LangGraph, LlamaIndex, OpenAI Agents SDK, Google ADK, Microsoft Agent Framework, Kiro); desarrollo asistido (GitHub Copilot, Cursor, Claude Code, Codex, Gemini CLI, Replit Agent); automatización low-code (Power Automate, UiPath, Workato, Pipedream, Make, Zapier); y plataformas empresariales (Copilot Studio, Vertex AI Agent Builder, Bedrock AgentCore, Agentforce). Con su aviso correspondiente: la facilidad de uso del low-code puede generar IA en la sombra si no hay gobernanza ni documentación.

Vibe coding, SDD y harness engineering

El Vibe coding se descompone en seis pasos —idea, prompt, código, prueba, ajuste, versión— y se le reconoce lo que aporta: reduce el tiempo entre una idea y un resultado observable, y funciona bien para maquetas, pruebas de concepto, páginas de aterrizaje y validación inicial. Y su límite: un prototipo que parece funcional no demuestra que sea seguro, correcto ni mantenible. La sesión propone un semáforo: a mayor impacto y riesgo, menos improvisación y más controles.

El desarrollo dirigido por especificación convierte una intención en una especificación verificable antes de generar código. Define el problema y el usuario, el alcance y las exclusiones, los requisitos funcionales, los datos e integraciones, y los criterios de aceptación y pruebas. Su ciclo tiene seis pasos —intención, especificación, plan y tareas, implementación, pruebas, revisión— y es iterativo: la especificación evoluciona cuando aparece nueva evidencia. Aporta alineación (negocio, tecnología y agentes comparten una definición explícita del resultado esperado), trazabilidad (cada requisito se conecta con tareas, decisiones, código y pruebas) y control (la solución se acepta cuando existe evidencia de que cumple los criterios definidos).

Ocho prácticas de control, repartidas en cuatro momentos: antes de construir (criterios de aceptación, BDD), durante la implementación (TDD, human-in-the-loop), antes de integrar (revisión de código, control de versiones) y en producción (SSDLC/DevSecOps, evaluación continua).

Microcaso — Hitachi + GitHub Copilot

Por qué funcionó: la IA recibió contexto técnico y funcional, trabajó sobre una base de código existente y el resultado se midió. El aprendizaje aplicable —especificar antes de generar, integrar la IA en el flujo existente, mantener pruebas y revisión humana— es el mismo argumento del webinar de facultad sobre desarrollo dirigido por especificación.

Capstone — semana 2

Elegir la tecnología según el caso, no según la moda: una matriz con dos o tres alternativas, criterios y decisión documentada. Los ejes de comparación son código cerrado (rapidez, soporte, capacidades frontera), open-weight o local (privacidad, control, personalización) y no-code/low-code frente a desarrollo propio. Criterios: complejidad y autonomía requerida, datos, privacidad, integración, seguridad, coste, latencia, escalabilidad y dependencia.

---

Sesión 3 — Arquitectura de agentes, cómo conectar IA

28/07/2026 · Módulo 3

IA en el radar — «Dale una computadora a tu IA»

Sobre la guía de Ethan Mollick del 23/07/2026. El salto actual no está en conversar mejor, sino en sistemas agénticos que combinan modelo, herramientas y entorno de ejecución para hacer trabajo real. Tres consecuencias:

1. Cambia la unidad de trabajo. Ya no se intercambian prompts: se delega una tarea completa y el agente planifica, investiga y devuelve un resultado revisable.
2. El valor está en el sistema completo. La calidad depende del modelo, pero también de las herramientas, aplicaciones, archivos, datos y conectores disponibles.
3. Los permisos definen el riesgo. Un agente conectado puede leer, escribir, enviar, modificar o ejecutar; cada permiso amplía la capacidad y también la exposición.

La escala de permisos, de menor a mayor riesgo: leer (consulta) → crear (borradores) → modificar (con aprobación) → ejecutar (autónomo).

Mollick distingue además dos categorías de producto: los que funcionan como un trabajador de proyectos con IA (ChatGPT Work, Claude Cowork), donde describes el resultado y el sistema se ocupa de los pasos y oculta la maquinaria; y los que son una IA con acceso al computador de un desarrollador (Codex, Claude Code), que abren un proyecto completo, editan muchos archivos, ejecutan programas, prueban su trabajo y muestran exactamente qué cambió.

Tema central — La arquitectura, por capas

Cada pieza tiene un papel y no es intercambiable:

Una arquitectura de agentes bien diseñada comienza por el flujo de negocio, no por la herramienta. La tecnología es el resultado de esas decisiones, no el punto de partida.

Mito 3 — «Conectar un agente con una API significa que está integrado»

No: integrar exige definir flujo, datos, permisos, APIs, MCP, supervisión y métricas. No es plug and play.

Microcaso — Reuters + servidor MCP

El aprendizaje: exponer las fuentes críticas mediante interfaces seguras y estandarizadas, priorizar datos confiables antes de aumentar la autonomía del agente, y diseñar el flujo completo, no solo la conexión técnica.

Capstone — semana 3

Costes de integración y operación, no solo precio del modelo. Un mini presupuesto con tres escenarios —conservador, base y alto— separando tres bloques: modelo (tokens de entrada y salida, latencia y razonamiento requerido), integración (conectores, MCP, middleware, preparación de datos, pruebas y QA) y operación (infraestructura, registros, monitorización, soporte). Con coste por tarea, usuario o proceso, y riesgos de dependencia, escalado y uso no controlado.

---

Sesión 4 — Riesgos en acción, controles y defensas

04/08/2026 · Módulo 4

La sesión más densa de la serie, y la que más se aleja del material del módulo.

IA en el radar — El incidente OpenAI / Hugging Face

Las tres decisiones que cambian el riesgo: contener de verdad (aislar redes, limitar la salida, separar el entorno de evaluación de los datos y sistemas reales), privilegios mínimos (credenciales efímeras y acotadas, evitar cuentas compartidas y accesos amplios por defecto) y observar la trayectoria (detectar acciones inusuales, limitar la duración, disponer de una detención inmediata).

El riesgo depende de los caminos que puede descubrir un agente cuando combina objetivo, herramientas, credenciales y tiempo de ejecución. Por eso la seguridad debe diseñarse para contener trayectorias imprevistas, no solo para validar una respuesta final.

Los seis riesgos en acción

Cada uno desglosado en cuatro pasos, distinguiendo qué aporta la IA generativa y qué añade la agéntica:

1. Suplantación con deepfakes. Perfil de la víctima → identidad sintética → urgencia y confianza → acción inducida. Una llamada con voz clonada del director financiero pide reprogramar un pago antes del cierre.
2. Phishing y fraude hiperpersonalizado. Huella disponible → mensaje adaptado → conversación persuasiva → acceso o fraude. Una factura de un proveedor real y una fecha de pago conocida vuelven creíble un correo que redirige la transferencia.
3. IA para acelerar ataques técnicos. Reconocimiento → diseño → prueba y ajuste → intrusión. El matiz honesto: no es un atacante autónomo perfecto, es más velocidad, cobertura e iteración en cada fase; no reemplaza la pericia del atacante.
4. Inyección de prompt indirecta. Contenido externo → instrucción maliciosa → interpretación desviada → dato o acción. Una factura incluye texto oculto que pide ignorar la tarea y adjuntar una lista de clientes.
5. Objetivo secuestrado y abuso de herramientas. Objetivo legítimo → subtarea inducida → plan reorientado → herramienta fuera de alcance. Un asistente de compras pasa de resumir una factura a consultar y enviar datos del CRM.
6. Abuso de identidad y privilegios. Identidad del agente → permisos acumulados → solicitud desviada → sistema real afectado. El impacto no lo define la respuesta del modelo, sino el alcance de las credenciales con las que puede operar.

Los seis controles

La gradación de la autorización de herramientas resume bien el criterio:

Y un ejemplo de trayectoria que activa un corte: tarea solicitada (responder estado de pedido) → consulta prevista (CRM, pedido 1042) → señal de anomalía (intenta exportación masiva) → interrupción (cancela sesión y revoca token).

Validación adversarial

La sesión insiste en que un control solo sirve cuando demuestra que bloquea, limita o escala un escenario concreto, y propone probarlo como lo haría un adversario antes de producción: simular una solicitud de pago por voz, incluir una instrucción oculta en un PDF, introducir el ataque por un canal externo de audio o vídeo, solicitar acceso fuera de la tarea, intentar salida a Internet o forzar reintentos.

Microcaso — Instrucciones ocultas en la web

La idea de cierre de la sesión es la que mejor resume el módulo 4 desde la práctica: un agente debe gestionarse como una identidad digital con capacidad de operar, bajo controles de confianza cero.

Capstone — semana 4

Plan de seguridad: matriz de riesgos prioritarios, controles preventivos, detección y respuesta, responsable y protocolo de escalamiento.

---

Sesión 5 — ¿Dónde desplegar agentes y hasta dónde darles autonomía?

11/08/2026 · Módulo 5

IA en el radar — Dos recursos del MIT

MIT AI Risk Initiative — infraestructura académica abierta con un repositorio vivo de riesgos, incidentes reales, prioridades de expertos y marcos de gobernanza, más el AI Risk Navigator organizado en siete dominios. Sirve para fundamentar el registro inicial de riesgos de un agente con evidencia externa: buscar incidentes reales similares al caso de uso y cruzar riesgo, actor responsable, daño potencial y marco regulatorio.

MIT CISR — centro de investigación sobre valor empresarial de la tecnología, modelo operativo y transformación digital. Sirve para pasar del caso tecnológico al diseño de capacidades, gobierno, valor y cambio organizacional: construir el argumento de negocio, analizar qué capacidades digitales deben madurar y diseñar la transición del proceso actual al proceso con agentes.

Tema central — Tres lentes, no una receta

La fórmula metodológica que propone, y que convierte un modelo abstracto en un diagnóstico utilizable:

capacidad → pregunta → evidencia → brecha → decisión de despliegue

La clave está en el tercer paso: la pregunta debe formularse sobre un hecho observable, no sobre una percepción, y buscar artefactos concretos —políticas, APIs, responsables, flujos, métricas, registros—.

El modelo de madurez de Microsoft

Cinco pilares: estrategia y experiencia de IA, estrategia de negocio y procesos, gobernanza y seguridad, tecnología y datos, y organización y cultura. El Agent Readiness Assessment puntúa cada respuesta de 1 a 5 y agrupa el resultado en Strategy Readiness y Execution Readiness.

Los cinco estados: Exploring (<3, conciencia inicial), Planning (3–3,5, dirección emergente), Implementing (3,5–4, acción en marcha), Scaling (4–4,5, adopción consistente) y Realizing (4,5+, impacto y momento).

Microcaso — One New Zealand y Danone

One New Zealand ya usa agentes para asistir a clientes y empleados, ejecutar solicitudes y apoyar decisiones operativas, y plantea agentes de mayor autonomía —en marketing, capaces de crear y adaptar campañas dentro de objetivos y guardarraíles definidos por personas—. La progresión que ilustra: asistencia → ejecución → recomendación → mayor autonomía bajo guardarraíles. Se cita también el caso de Danone con agentes autónomos de Microsoft.

Capstone — semana 5

Gestión del cambio y capacitación: mapa de interesados, qué tarea cambia, desaparece o se redistribuye, qué queda en manos humanas, qué nueva responsabilidad aparece, plan de formación (uso básico, cómo revisar respuestas y detectar errores, protocolos de escalamiento) y comunicación sin promesas exageradas ni miedo innecesario, con canal de realimentación desde el piloto.

---

Sesión 6 — De pilotos prometedores a agentes preparados para escalar

18/08/2026 · Módulo 6

IA en el radar — Los riesgos según 272 expertos

Un estudio del MIT en el que 272 expertos internacionales evaluaron 24 riesgos de IA por probabilidad, severidad, vulnerabilidad y responsabilidad, con horizonte 2025–2030. Los cinco más severos: capacidades peligrosas, dinámicas competitivas, ciberataques y daños masivos, centralización del poder y distribución desigual de beneficios, e información falsa o engañosa.

Lo que importa para la práctica es el segundo hallazgo: la competencia empuja a desplegar antes de estar preparado, por tres vías —urgencia sobre evidencia (la velocidad se impone a las pruebas de preparación), autonomía sobre capacidad real (las expectativas crecen más rápido que la fiabilidad) y escala sobre adopción (la presión por mostrar resultados deja atrás a procesos y personas)—.

¿Qué representa hoy un riesgo mayor: avanzar demasiado lento, o escalar un agente que todavía no está preparado?

Mito 6 — «Cuanta más autonomía tenga el agente, mayor será el valor»

Un piloto exitoso demuestra viabilidad técnica. La autonomía sostenible depende además del impacto, la reversibilidad, la observabilidad y la capacidad de intervención.

Tema central — Path to Scale 2.0 (Deloitte)

Seis capacidades interdependientes: si una queda rezagada, el piloto puede funcionar y aun así no sostenerse en producción.

En estrategia y valor, el criterio concreto es priorizar entre tres y cinco apuestas empresariales, vincularlas a ingresos, costes, calidad o tiempo de ciclo, rediseñar procesos de extremo a extremo y probar el retorno antes de ampliar.

Los tres niveles del modelo operativo: personas con herramientas (la persona controla la tarea y usa IA como apoyo) → equipos humano-agente (el agente asume responsabilidades definidas y colabora) → flujos agénticos (los agentes ejecutan procesos completos con supervisión mínima y límites explícitos). La pregunta que hay que saber responder en cada nivel: quién supervisa al agente, quién ajusta sus límites y quién responde por el resultado.

KPI por fundamento

Un catálogo de indicadores por fundamento:

Un agente puede mostrar buena precisión y seguir sin estar preparado para escalar si carece de valor, adopción, integración o responsabilidades definidas.

Monitorización continua — NIST AI 800-4

La producción no es el final de la evaluación. Seis preguntas en ciclo: rendimiento y funcionalidad (¿sigue haciendo bien la tarea?), infraestructura y operación (¿mantiene disponibilidad, latencia y estabilidad?), supervisión humana (¿es comprensible, útil y supervisable?), seguridad (¿resiste ataques y abuso?), cumplimiento y trazabilidad, e impactos a escala (¿genera consecuencias imprevistas?).

Microcaso — Agente clínico de eventos adversos

Los cinco trabajos que hacen viable el agente: preparar el entorno (datos dinámicos y bien definidos, canalizaciones estables, validar tanto el resultado como las acciones y herramientas usadas), demostrar y observar (estimar un rango de costes para flujos variables, monitorización adaptativa, registros que permitan reconstruir cada paso) y gobernar la acción (políticas y límites, responsables ante errores e incidentes, revisión humana en decisiones relevantes).

Capstone — semana 6

Estrategia de escalado gatear–caminar–correr con puertas de decisión explícitas:

Para cada etapa hay que definir el alcance, la evidencia mínima, quién autoriza el paso y la condición que obliga a pausar o volver atrás.

---

Sesión 7 — Integrar la IA con éxito: nuevas reglas para una nueva tecnología

25/08/2026 · 89 min · Módulo 7

La sesión más densa de la serie, y la facilitadora lo advierte al empezar: «va a ser un poco tensa en el sentido de que hay mucha normativa». Su aporte principal no es explicar el módulo 7 —que ya cubre GDPR, CCPA e HIPAA— sino darle a esas normas un lugar dentro de un sistema, con una matriz propia de 40 filas construida esa misma semana con las normas y leyes más recientes.

Objetivos declarados: diferenciar gobernanza, compliance, gestión de riesgos y seguridad; interpretar y relacionar los marcos aplicables (ISO/IEC, NIST, OECD, OWASP, MITRE ATLAS, EU AI Act); aplicar una matriz integrada de referencias cruzadas para identificar brechas; evaluar riesgos específicos de la IA agéntica y definir controles proporcionales; y diseñar un enfoque operativo de gobernanza de agentes.

IA en el radar — Las cinco provocaciones del MIT CISR

Informe del MIT Center for Information Systems Research publicado el 1 de agosto de 2026 (Creating Value with AI: Five Provocative Propositions, Woerner). Cinco proposiciones sobre cómo crear valor empresarial con IA:

La pregunta que deja abierta: antes de desplegar un agente autónomo, ¿qué debería demostrar primero la organización — desempeño, cumplimiento, o que sus decisiones son trazables, supervisables y reversibles? Su respuesta: un poco de cada, y con un peso que depende del sector y de la fase. La reversibilidad reaparece como criterio de decisión: si lo que el agente puede provocar es irreversible, hay que pensárselo; si es revertible, quizá convenga seguir adelante.

Mito 7 — «Gobernanza de IA es lo mismo que compliance»

Falso, y la distinción es el eje de la sesión.

Cumplir la ley no implica tener gobernanza. Hay relación, pero no equivalencia.

Tema central — Gobernanza de IA en cuatro dominios y seis grupos de referencias

El esquema propio de la sesión organiza el control del uso responsable de la IA en grupos de referencias, cada uno con su función, sus normas clave y su aplicación práctica:

Frases-ancla de cada grupo, que son la síntesis más citable de la sesión:

1. Primero se define qué significa "IA responsable" para la organización y qué decisiones no se delegan sin control.
2. La gobernanza funciona cuando hay un sistema de gestión, no solo documentos o comités aislados.
3. Un agente no puede ser confiable si sus datos, privacidad, calidad y robustez no están gobernados.
4. Assurance significa poder demostrar, con evidencia, que el sistema opera dentro de límites aceptables.
5. El riesgo agéntico crece con la autonomía, los permisos, las herramientas conectadas y la memoria persistente.
6. Compliance no sustituye a la gobernanza, pero convierte obligaciones en controles y evidencia demostrable.

El proceso integrado, en siete pasos

Principios → Regulación → Sistema de gestión → Riesgo → Controles → Assurance → Operación

La tesis: no se elige un único marco, se construye un sistema integrado. Un mismo control puede servir a cumplimiento, gestión de riesgos, seguridad, auditoría y mejora continua. El resultado esperado es siempre el mismo objeto: inventario + clasificación + owner + controles + evidencia + seguimiento.

La matriz integrada de 40 filas

El entregable propio de la sesión: una matriz de referencias cruzadas —elaboración propia, actualizada a 2026— donde cada fila es un área temática con la pregunta que debe responder, sus referencias principales y complementarias, y la aplicación práctica en la organización. Las 40 áreas:

Microcaso — OpenClaw: cuando un agente se convierte en superficie de ataque

MITRE ATLAS investigó incidentes ocurridos entre enero y febrero de 2026 con OpenClaw, un agente que opera de forma autónoma —decide, usa herramientas y actúa en los sistemas del usuario sin supervisión continua— y los tradujo en tácticas, técnicas y mitigaciones.

La ecuación de la sesión:

Autonomía ↑ + privilegios ↑ + integraciones ↑ = superficie de ataque ↑
La respuesta debe ser controles ↑ + evidencia ↑ + supervisión ↑

De MITRE ATLAS a gobernanza operativa, en tres bloques:

El circuito que propone: riesgo → referencia ATLAS → control → evidencia → revisión.

Dilema ejecutivo — cuánta autonomía autorizar

Tras analizar incidentes como OpenClaw, la organización concluye que sus próximos agentes accederán a datos, usarán herramientas y ejecutarán acciones de distinto impacto. La dirección necesita una política corporativa antes de escalar. ¿Qué modelo de gobernanza aprobaría?

La posición de la sesión, sin declararla respuesta única, es la B: la autonomía se gana con evidencia.

Capstone — semana 7 (Gobernanza y cumplimiento)

Objetivo del avance: formalizar cómo se tomará responsabilidad sobre el sistema de IA antes de escalarlo.
Pregunta clave: ¿qué debe quedar definido y evidenciado para confiar, auditar y escalar el agente?
Entregable: un checklist de gobernanza y cumplimiento con roles, controles, documentación y supervisión.

Recomendación literal: documentar, para cada agente, el marco aplicable, el owner, los controles mínimos, la evidencia requerida, el criterio de revisión y el responsable de aprobar cambios.

Idea de cierre

Gobernar agentes significa integrar regulación, riesgo, seguridad y evidencia para ampliar la autonomía de forma progresiva, verificable y responsable.

Y los tres cierres operativos: la autonomía se gana con evidencia · la matriz convierte referencias en decisiones, responsables y acciones · producir exige observabilidad — límites, logs, monitoreo, supervisión y capacidad real de intervenir cuando el riesgo se materializa.

---

Sesión 8 — pendiente

01/09/2026 · 14:00 UTC · Módulo 8 — la última de la serie, el mismo día que vence la entrega del proyecto final (16:29 UTC). Aún no publicada en el campus: enlace de Zoom.

---

Sesión de orientación — 07/07/2026

Contenido administrativo: presentación de MIT Professional Education, el profesorado, la facilitadora, el programa, las sesiones en línea, la plataforma, el certificado de finalización y turno de preguntas. Se abre con una idea sobre aprendizaje permanente que vale la pena retener: aprender implica desaprender, y conviene enfocar el programa «como si bebieras de la boca de incendios del MIT».

---

Recursos citados que no están en la bibliografía de los módulos

Selección de lo más aprovechable, por sesión.

Enlaces

Sesiones en directo · Webinars de facultad · Curso IA Agéntica (MOC) · M7 Gobernanza, cumplimiento y pruebas de agentes · M8 Ética y proyecto final