Webinars de facultad

Las dos sesiones en directo impartidas por John R. Williams y Abel Sanchez, autores del contenido del curso, y las únicas comunes a las diez cohortes. Enlaces y archivos en Sesiones en directo › 3. Faculty webinars.

Quién imparte

---

Welcome Webinar — 23 de julio de 2026

Tres bloques con tres presentaciones distintas.

Bloque 1 — Presentación del programa

Recorrido por los seis módulos y turno de preguntas. Las siete preguntas que la facultad seleccionó para responder en directo están en las diapositivas en cuatro idiomas, y funcionan como un buen resumen de las preocupaciones reales de una cohorte de directivos:

1. Cómo evaluar el caso de negocio a largo plazo de una inversión en IA sabiendo que el coste de los modelos va a caer de forma significativa.
2. Si dos modelos rinden parecido, qué factores más allá del coste deben pesar al elegir uno para desplegar a escala empresarial.
3. Qué técnicas reducen mejor las alucinaciones, y cómo equilibrar Ingeniería de prompts, recuperación y supervisión humana.
4. Cómo mantener a las personas responsables de las decisiones críticas sin renunciar a la productividad de la automatización → Human-in-the-loop.
5. Cómo meter seguridad, privacidad, cumplimiento y ciberriesgo en el análisis coste-beneficio, cuando el impacto de una filtración puede superar al coste de infraestructura → M4 Ciberseguridad.
6. Qué estrategias prácticas de Gobernanza aceleran la adopción por parte de los empleados sin comprometer seguridad ni cumplimiento.
7. Qué casos de uso agénticos dan mayor retorno en RR. HH., finanzas y operaciones, y qué han aprendido los primeros adoptantes → M5 Agentes de IA por función empresarial.

Bloque 2 — La charla de Abel Sanchez

Un argumento histórico: cada gran salto informático fue una revolución simultánea de coste, tiempo y acceso, y la IA generativa es el quinto de la serie.

El punto de partida es una limitación cognitiva: la memoria de trabajo humana maneja siete elementos, más o menos dos. Antes recogíamos los datos a mano; Herman Hollerith y su tabuladora de 1894 fundaron la primera empresa de datos; en los años veinte la integración entre sistemas eran capas de personas.

Dos cifras que fija la charla:

• Antes hacían falta siete años para poner en producción un modelo predictivo, contando el ciclo completo de captura, limpieza, preparación, entrenamiento, evaluación, integración y mantenimiento.
• De 350.000 dólares a 200. Un antiguo directivo de una consultora de software, y estimador profesional de costes, relata en The New York Times que un trabajo de transformación de datos que en 2021 habría facturado 350.000 dólares —jefe de producto, diseñador, dos ingenieros, entre cuatro y seis meses— hoy lo hace por diversión un fin de semana, por el precio de una suscripción de 200 dólares al mes.

El giro de 2025: el uso de los LLM pasó del chat al razonamiento y a los flujos agénticos. Los modelos optimizados para razonamiento multipaso superaron el 50 % de todos los tokens procesados, y la programación pasó de categoría minoritaria a más del 50 % del volumen total de tokens a finales de 2025.

El experimento de las invitaciones de LinkedIn. Sanchez usa una tarea trivial —decidir automáticamente qué invitaciones de LinkedIn aceptar— para comparar tres formas de resolverla:

La conclusión incómoda es que el vibe coding no elimina el coste de mantener, actualizar y dar soporte, ni los contratos, ni la dependencia del departamento de TI. Solo el tercer enfoque —que la IA opere el computador directamente— los quita, y a cambio resulta «tan incómodo» que choca con cómo está montada la organización.

Casos que ilustran la democratización de la producción:

• Marketing agéntico de piscinas. Una cadena de agentes que rastrea imágenes de satélite buscando casas de gama media sin piscina, las filtra por tamaño de parcela y exposición solar, identifica al propietario en registros públicos —no en bases de datos de contactos compartidas—, renderiza una piscina de lujo sobre su jardín real, calcula el coste de obra y la revalorización de la vivienda para ese código postal concreto, genera un vídeo de la parcela con la piscina, imprime una postal personalizada con el antes y el después y un código QR, la envía por correo y lanza retargeting. Todo el recorrido, de la prospección al contacto, automatizado.
• «Hell Grind». Película presentada en Cannes que costó 500.000 dólares, de los cuales 400.000 fueron cómputo de IA, frente a los 200 millones de una producción media de Hollywood.
• Higgsfield AI. Valoración de 1.300 millones de dólares e ingresos anuales recurrentes de 400 millones, sin desarrollar modelos propios: se apoya en modelos existentes como Veo 3 de Google.
• Coral Hart. Novelista publicada por Harlequin y Mills & Boon que en 2025 creó 21 seudónimos y autopublicó más de 200 novelas, con un año laboral de 250 días. Su frase en The New York Times: si ella genera un libro al día y otro autor tarda seis meses, quién gana la carrera.
• Fortune. Un solo editor asistido por IA, Nick Lichtenberg, produjo más de 600 artículos que generaron cerca del 20 % del tráfico web de la revista.
• Tilly Norwood, actriz sintética de Particle 6, y la alianza Google + A24.

Se cita también que una canción generada con IA, Walk My Walk, llegó al número uno de la lista de country de Billboard, y se abre el bloque con Orwell (1946) describiendo escribir un libro como una lucha agotadora, «como una larga enfermedad dolorosa».

Bloque 3 — Agentic Spec-Driven Development

La presentación técnica, subida en agosto. Se estructura en tres partes.

3.1 — Cómo funciona de verdad un agente

Un modelo mental deliberadamente simple: el agente tiene un mago (el LLM) y un guardián del contexto.

• El LLM no recuerda nada. Entra contexto, sale respuesta, y olvida la interacción.
• La ventana de contexto es todo lo que el LLM ve. Contiene el historial de la conversación: en el turno 3, la ventana lleva apilados Prompt_3, Resp_2, Prompt_2, Resp_1, Prompt_1.
• Un chat nuevo es una ventana limpia... casi. Siempre arrastra los mensajes de supersistema: prompt de sistema, prompt de usuario, los SKILL.md, los datos de RAG.

Un servidor de agentes típico se sitúa entre el navegador y los modelos: recibe la petición, construye la ventana de contexto con prompts, datos y herramientas a partir de su memoria, sus herramientas y su base de datos, la envía al modelo y devuelve la respuesta.

La ecuación que propone:

Agente = herramientas + habilidades + contexto + datos

Cada agente tiene su propia ventana de contexto y su propio LLM. Pueden correr en paralelo —cada uno con su pizarra y su mago— y pasarse datos entre ellos o recibirlos del mago. La advertencia es explícita: la complejidad crece muy deprisa. Y hay dos avisos de riesgo que conectan con M4 Ciberseguridad:

¿Quién manda, el mago o el agente? Puede decidirlo cualquiera de los dos: el mago puede pedir al agente que ejecute una herramienta —buscar en la web, por ejemplo—, o el agente puede decidirlo por su cuenta.

3.2 — Habilidades de agente (SKILL.md)

La tesis en una línea: las herramientas dan manos a los agentes; las habilidades les enseñan un oficio.

La capacidad de un agente se construye por capas, y las habilidades ocupan el hueco intermedio que faltaba:

Una habilidad no es un prompt: es un paquete de capacidad, un directorio con estructura fija.

El SKILL.md separa el descubrimiento de la ejecución: el name y la description del encabezado deciden si la habilidad se selecciona; el cuerpo controla el flujo una vez activada. De ahí una regla que conviene retener:

Qué cambia al encapsular el saber tácito en una habilidad:

Divulgación progresiva. El modelo no carga todos los procedimientos en cada interacción: primero ve solo los metadatos (nombre, descripción, ruta), luego el SKILL.md completo cuando la tarea encaja con la descripción, y por último solo los recursos que necesita. Descubrimiento compacto → instrucción completa → recursos selectivos.

Activación explícita frente a implícita. La explícita ($contract-review) la nombra una persona o un orquestador, y conviene cuando el flujo es obligatorio, hay habilidades solapadas o se necesita auditabilidad y previsibilidad. La implícita deja que el modelo empareje la tarea con la descripción, y sirve para descubrimiento natural, ensamblaje dinámico, trabajo de bajo riesgo y reversión fácil.

Y una tabla que ordena vocabulario que se confunde a menudo:

En un sistema multiagente, los agentes reparten la responsabilidad y las habilidades estandarizan la ejecución: un agente de revisión con la habilidad contract-review, uno de cumplimiento con policy-check, uno financiero con exposure-analysis, cada uno con su autoridad, herramientas, contexto y condiciones de traspaso.

3.3 — Del vibe coding al desarrollo dirigido por especificación

Qué logró el Vibe coding. La formulación de Karpathy en 2025 —«déjate llevar por las vibras»— capturó un modelo de interacción nuevo: describir la intención en lenguaje natural, dejar que el modelo genere y corregir por sensación. El ciclo es prompt → generar → probar → volver a promptear. Sus virtudes son reales: exploración rápida, barrera de entrada baja, realimentación inmediata, flujo creativo. Su límite también: es excelente para descubrir, pero no es automáticamente un sistema de control de ingeniería.

Por qué no escala solo. A medida que sube la autonomía, la ambigüedad se convierte en el cuello de botella:

Cuanto más capaz es el agente, mayor es la palanca —y mayor el coste de una intención mal entendida.

La especificación como activo ejecutable. No es un documento de requisitos estático: es una fuente de verdad viva y versionada de la que se generan planes, código, pruebas y evidencia de revisión. La cadena es intención → especificación → plan → código → evidencia, y su efecto es que el agente deja de inferir el trabajo entero de un solo prompt: artefactos aprobados por humanos van acotando progresivamente qué significa "terminado".

La pila de especificación, de propósito a prueba:

Es un bucle, no un traspaso: especificar → clarificar → planificar → dividir en tareas → implementar → validar, y de vuelta. Implementar genera aprendizaje, y ese aprendizaje puede cambiar el plan o la propia especificación.

Reparto del trabajo cognitivo — la especificación es la superficie de coordinación entre las dos inteligencias:

Los dos optimizan cosas distintas:

La síntesis: explorar con programación conversacional para descubrir el problema, especificar convirtiendo lo aprendido en resultados, restricciones y criterios de aceptación, delegar tareas acotadas con herramientas y condiciones de finalización explícitas, y verificar contra la especificación actualizando los artefactos cuando la realidad enseñe algo.

El vibe coding sube el suelo. La ingeniería agéntica sube el techo. El desarrollo dirigido por especificación es el mecanismo de coordinación entre ambos: velocidad + intención compartida + evidencia.

3.4 — Diseño e ingeniería de sistemas

Cierre con el hilo clásico de ingeniería de sistemas, aplicado a proyectos de IA. El diseño se define como la transformación intencionada de una necesidad, meta u oportunidad en un sistema realizable, en tres tiempos: la necesidad y la meta, la transformación (definir arquitectura, descomponer, explorar compromisos, modelar variantes) y el sistema realizable (arquitectura verificada y validada, lista para sobrevivir a la realidad).

El hilo completo: necesidades → requisitos → funciones → arquitectura → componentes → interfaces → sistema realizado.

Y una secuencia de 17 pasos para lanzar un proyecto de IA: propósito o necesidad; interesados y contexto; requisitos; restricciones; descomposición; patrones arquitectónicos; gestión de interfaces; exploración de compromisos; modelado y representación; análisis; síntesis; iteración; verificación y validación; razonamiento sobre riesgo, fallo y seguridad; pensamiento de ciclo de vida; documentación y trazabilidad; y realimentación desde la realidad con datos reales.

La última diapositiva es una pregunta: ¿dónde hace falta la persona?

---

Wrap-up Webinar — 24 de agosto de 2026

96 min · lunes 24/08/2026, 14:00 UTC. Dos bloques —Abel Sanchez y John R. Williams— y un Q&A largo y sin diapositivas que es, probablemente, la mejor parte. Tres archivos: las diapositivas de Abel (Closing Webinar, 84 páginas), el informe MIT NANDA — The GenAI Divide: State of AI in Business 2025 (26 pp.) que las sustenta, y la transcripción.

Bloque 1 — Abel Sanchez: el CAPGAP

La tesis: hemos construido inteligencia más rápido que la capacidad de usarla. El descubrimiento no es el cuello de botella; escalarlo sí.

El CAPGAP —capability gap— es la distancia entre lo que la tecnología puede hacer y lo que las organizaciones consiguen hacer con ella. Siete componentes:

La consecuencia de gestión: el CAPGAP es humano/conductual (profundidad, agencia, modo chat), organizativo (herramientas avanzadas) y sistémico (nación). No es técnico.

Adopción por departamento. El uso es ancho y superficialísimo: la generación de texto se usa en toda la organización —«escribir mejores correos»—, pero cae en picado en "factual y cómo se hace", se concentra en TI e ingeniería para programación, y en tutoría, análisis de datos e ideación creativa está prácticamente en cero. Sobre plataformas: ChatGPT supera los 1.000 M de usuarios, Gemini es segundo con más de 600 M, y Claude tiene un mercado mucho más nicho —desarrolladores— pero de alto valor.

La revolución cognitiva — el argumento central

Dos tipos de trabajo, dos curvas paralelas:

Y la advertencia sobre el ritmo: la revolución cognitiva será mucho mayor y mucho más rápida que la industrial. Con una observación cultural que atraviesa las dos: seguimos costándonos reconocer el trabajo de pensar como trabajo — y aún más el trabajo de la IA.

Precios de referencia que cita para la inteligencia bajo demanda: Deep Research 200 USD/mes · trabajador del conocimiento de altos ingresos 2.000 USD/mes · desarrollador de software 10.000 USD/mes · investigador de nivel doctoral 20.000 USD/mes.

El marco de oportunidad, en cuatro peldaños: amplificar (aumentar la productividad del proceso) → automatizar (transformar procesos) → innovar (modelo de negocio o producto) → totalmente automatizado con IA.

Y la cultura, por estigmergia. Cierra con el CEO de Coca-Cola (2008–2017): el CEO siempre está comunicando. Cada conversación y cada acto es una oportunidad; la cultura de IA no se decreta, se señaliza con actos.

Bloque 2 — John R. Williams: el enterprise AI runbook

Abre con una demostración en vivo: lleva tres semanas «hablando con su agente», desarrollando con Codex un sistema llamado Shipmates que recorre el ciclo completo —entender el problema, escribir, probar, desplegar—. En pantalla: 200.721 pruebas ejecutadas automáticamente en un ciclo, y 471 pruebas escritas por el agente que, admite, no ha mirado. Después pide en directo una página con diez pelotas rebotando y la obtiene en ~10 minutos.

El diagnóstico: casi todos usamos IA a nivel individual; lo que no hemos dominado es desplegarla a escala empresarial.

Infraestructura y la carrera de plataformas:

• La mayoría de los centros de datos actuales son de CPU; lo que hace falta para agentes y modelos es GPU. Meta perdió miles de millones porque sabía operar centros CPU y no GPU: no tenía la experiencia interna. La pregunta para una empresa es si tiene experiencia para estas cargas y dónde las va a ejecutar — nube, modelos frontera, o local (menciona Gemma de Google como opción local muy competente).
• 1.800 propuestas de centros de datos solo en Texas, cuyo gobernador ha condicionado las aprobaciones a una auditoría. Para comparar: el Reino Unido tiene ~400–500 y EE. UU. unos 5.000 en total.
• Su propio consumo: pasó de ~10.000 tókenes por semana a superar mil millones de tókenes; paga 200 USD/mes. «Tu empresa va a gastar mucho en tókenes.»
• La guerra de plataformas: Microsoft, Google y Meta compiten por poseer la pila completa —software, modelo, infraestructura—. Y SpaceX empujando centros de datos en órbita: ya pone 45 toneladas de carga útil en órbita, tiene 12.000 satélites Starlink y planea 100.000.

Lo que hay que gestionar en producción:

El runbook de proyecto —su propuesta central, y lo que pide llevarse a la empresa—: definir el propósito o misión → identificar a las partes interesadas → fijar requisitos → fijar restricciones (presupuesto, y firmas humanas obligatorias en ciertas etapas) → descomponer el problema → explorar patrones arquitectónicos → gestionar las interfaces entre agentes → construir y demostrar que la canalización funciona → aprender e iterar.

Su ejemplo real: acelerar la contratación en el MIT, que hoy tarda unos 6 meses cuando alguien quiere darles dinero. «No está nada claro, al definir el proyecto, qué vas a hacer exactamente.»

Organización: por unidad de negocio —cada una necesita IA distinta— con liderazgo y control centralizados, que es donde se inician y controlan las reglas de gobernanza. «Hoy estás desplegando sobre una estructura que no está optimizada para IA, y aun así vas a tener que desplegar ahí.»

El reparto de trabajo humano/máquina con el que cierra: humanos en la planificación · la IA implementa y valida · la validación final vuelve a ser humana. La última diapositiva del Welcome Webinar preguntaba dónde hace falta la persona; esta la responde.

Bloque 3 — Preguntas y respuestas

Sin diapositivas, y donde ambos hablan con menos filtro.

«¿Cómo sigo aprendiendo? ¿Qué libros?»
Abel: «construye, construye, construye», y aprende sobre todo de quien no tiene formación técnica, porque están emergiendo flujos y prácticas nuevas que aún no están establecidas. John: no hay libros actualizados — las habilidades no existían hace un año, ahora están por todas partes; usa el propio LLM como profesor y pídele que te hable al nivel que estás («háblame como si fuera un estudiante de grado»).

«¿Por dónde empiezo? ¿Necesito la suscripción de 200 USD?»
Se puede empezar con la de 20. Los dos proyectos con los que Abel empezó no eran de código: analizar con capturas de pantalla cómo responde la gente a sus publicaciones de LinkedIn (~20 capturas, un rato de trabajo, recomendaciones acertadas) y automatizar su facturación interna, que le ahorra media jornada a la semana.

Sobre canalizaciones multiagente. El agente que escribe el código no debe escribir las pruebas: si ha entendido mal tu intención, escribirá pruebas que validan su propio malentendido. Hace falta otro agente, o al menos otra ventana de contexto. Lo difícil son los bucles: cuando algo falla y hay que volver atrás, monitorizar el estado de la canalización es muy difícil, porque el agente orquestador no lo ve todo —parte del trabajo se va a aplicaciones o herramientas externas y se vuelve invisible—.

Sobre el límite real: la cognición humana. Abel lo cifra: adquirir soltura con un flujo de trabajo nuevo le lleva dos o tres semanas, «realmente lento». Un LLM puede razonar la estrategia en horas, pero eso no te la instala a ti: «es como ir a la librería y comprar el libro, pero no haberlo leído». Y a escala de empresa es peor: no se le puede decir a contabilidad, legal y operaciones que actúen de forma completamente distinta de un día para otro.

Sobre IA en la sombra, contada desde dentro del MIT. El MIT tiene un sistema propio, Parley, y quiere que todos lo usen para controlar la exfiltración de datos en los prompts. «Abel y yo simplemente compramos el nuestro, porque sus sistemas son demasiado restrictivos: van al menos un año por detrás.» Es el mejor ejemplo posible de IA en la sombra: la gente rodeará las reglas si la alternativa oficial va por detrás.

Sobre educación. John: «vamos a impartir un curso con el mismo título que el año pasado y el contenido será totalmente distinto». Abel: antes había un proceso por el que pasaban los alumnos y se sabía qué salía al otro lado; ahora las dificultades son opcionales, se pueden esquivar, y hay que rediseñar la experiencia. Y el contrapunto optimista: ya existe el unicornio de una sola persona —que al quedarse sin recursos contrató a su hermano, así que son dos—, valorado en más de mil millones.

El cierre de John, y la mejor idea para llevarse: los humanos tenemos el sistema 1 y el sistema 2 de Kahneman, y hemos infravalorado el cerebro intuitivo. Su ejemplo es Srinivasa Ramanujan, que enunciaba resultados verdaderos sin poder explicar cómo los sabía, y a los que años después se les encontró demostración. En la universidad —y en el instituto— insistimos en «muestra tu desarrollo», y con el cerebro intuitivo eso no se puede hacer: es como el tenista profesional que no piensa dónde colocar el golpe.

«Mi impresión es que vamos a tener que enseñar a ser intuitivos. Y no es fácil, porque lo hemos devaluado. Creo que nuestro cerebro intuitivo supera a los LLM. Así que a los humanos nos queda un rato.» — John R. Williams

Y la despedida, literal: «Si duele, estás aprendiendo.»

Recursos citados en el Wrap-up

Enlaces

Sesiones en directo · Curso IA Agéntica (MOC) · Vibe coding · Purgatorio del piloto · Human-in-the-loop · RAG · LLM · Ventana de contexto · IA en la sombra · Tokenmaxxing · Habilidad de agente (SKILL.md) · Klarna · M8 Ética y proyecto final