IA Literacy Intermedio

Curso de nivel intermedio dirigido a profesionales que ya cuentan con los fundamentos de uso de herramientas de IA y necesitan operar con mayor autonomía y criterio en entornos profesionales reales. El punto de partida es el dominio básico del prompting, la identificación de alucinaciones y la aplicación de criterios elementales de privacidad; el objetivo es dar el salto hacia el diseño: diseñar estrategias de prompting estructuradas para tareas complejas, comparar y seleccionar herramientas con criterios explícitos, integrar la IA en flujos de trabajo reales identificando dónde aporta valor y dónde no, construir procesos de verificación sistemática de outputs, evaluar el riesgo de sesgo en sistemas ya desplegados, diseñar una política de uso de IA para el equipo, y evaluar el impacto de la adopción de IA sobre roles y procesos con argumentos concretos. Al finalizar, el participante será capaz de tomar decisiones informadas e independientes sobre cómo, cuándo y bajo qué condiciones integrar herramientas de IA en su entorno profesional, y de aplicar principios de uso responsable para evaluar implementaciones existentes.

Al finalizar el curso, el participante será capaz de:

• Diseñar estrategias de prompting estructuradas para tareas profesionales complejas, aplicando técnicas como few-shot, chain-of-thought o role prompting y justificando la elección según el tipo de tarea
• Comparar al menos tres herramientas de IA para una misma tarea profesional usando criterios explícitos (capacidades, limitaciones, coste, privacidad, integración) y justificar la elección con argumentos concretos
• Integrar herramientas de IA en un flujo de trabajo profesional existente, identificando qué pasos se automatizan, qué pasos requieren supervisión humana y dónde aparecen puntos de fricción o riesgo
• Diseñar un proceso de verificación sistemático de outputs de IA para un caso de uso profesional concreto, especificando qué comprobar, en qué orden, con qué fuentes y bajo qué condición se rechaza el output
• Evaluar el riesgo de sesgo en un sistema de IA ya desplegado, identificando el tipo de sesgo, su origen probable y proponiendo al menos dos medidas de mitigación concretas y viables
• Diseñar una política de uso de herramientas de IA generativa para un equipo, clasificando los tipos de información según su sensibilidad y estableciendo qué se puede compartir, qué no y bajo qué condiciones
• Comparar el impacto de tres estrategias de adopción de IA (automatización completa, augmentación, no adopción) sobre los roles, las habilidades requeridas y los procesos de un departamento concreto, argumentando cuál recomienda y por qué
• Evaluar una implementación de IA en una organización aplicando al menos cuatro principios de uso responsable (transparencia, explicabilidad, equidad, supervisión humana), señalando incumplimientos y proponiendo mejoras concretas

1. Prompting avanzado Técnicas estructuradas de prompting para tareas complejas: few-shot prompting, chain-of-thought, role prompting y combinaciones; cuándo usar cada técnica y por qué; diferencia entre prompt largo y prompt estructurado; diseño de prompts para tareas de análisis, redacción y clasificación; evaluación comparativa de outputs con y sin técnica aplicada

2. Selección y comparación de herramientas de IA Criterios de evaluación de herramientas: capacidades técnicas, limitaciones, coste, privacidad de datos, integración con sistemas existentes; diferencia entre herramientas de propósito general y especializadas; construcción de tablas comparativas con criterios explícitos; casos de uso donde una herramienta especializada supera a un LLM genérico y viceversa; método para documentar y justificar la recomendación final

3. Integración de IA en flujos de trabajo Identificación de tareas automatizables frente a tareas que requieren supervisión humana; diseño de flujos de trabajo antes y después de la integración de IA; puntos de fricción frecuentes en la integración: criterio de escalado, gestión de excepciones, calidad inconsistente; definición de umbrales de intervención humana; casos prácticos de integración en procesos reales de distintas áreas funcionales

4. Verificación sistemática de outputs Diferencia entre verificación ad hoc y proceso sistemático; elementos a verificar en outputs de IA: hechos, fuentes, coherencia interna, tono, adecuación al contexto; fuentes de contraste para cada tipo de elemento; definición de condiciones de rechazo frente a condiciones de edición; diseño de checklists reutilizables para casos de uso específicos; práctica sobre casos reales de outputs con errores detectables

5. Sesgo en sistemas de IA y política de uso Variables proxy y sesgo indirecto; tipos de sesgo en sistemas desplegados: sesgo histórico, sesgo de representación, sesgo de medición; métodos básicos de detección: comparación de tasas de decisión por grupos; medidas de mitigación técnicas y organizativas; clasificación de información según sensibilidad para uso con IA externa; diseño de política de uso de IA para equipos: niveles de clasificación, reglas por nivel, aprobaciones excepcionales; marcos regulatorios de referencia (GDPR, AI Act)

6. Impacto organizativo y uso responsable Estrategias de adopción de IA en departamentos: automatización completa, augmentación e impacto de la no adopción; consecuencias sobre roles, habilidades y procesos en cada estrategia; principios de uso responsable de IA: transparencia, explicabilidad, equidad y supervisión humana; aplicación de los principios para evaluar implementaciones reales; detección de incumplimientos y diseño de mejoras concretas; entregable integrador: análisis de un proceso real con propuesta de integración, política de uso y evaluación de impacto

• Dispositivo con acceso a internet (ordenador o portátil)
• Acceso a un asistente de IA conversacional para los ejercicios prácticos (ChatGPT, Claude, Microsoft Copilot u otro indicado por el docente — cuenta gratuita suficiente)
• Herramienta de edición de documentos para los entregables (Google Docs, Word o equivalente)
• Herramienta de toma de notas y diseño de tablas para los ejercicios de comparación y política de uso (hoja de cálculo o equivalente)

→ IAL01 — Fundamentos de IA Literacy (Iniciación, 8h)

• Distinguir qué es inteligencia artificial y qué no lo es en ejemplos cotidianos, desmontando al menos tres afirmaciones falsas frecuentes con justificación
• Identificar para qué tipo de tarea es adecuada una herramienta de IA concreta y en qué casos no lo es, señalando fortalezas y limitaciones para cada herramienta analizada
• Describir cómo aprenden los sistemas de IA a partir de datos, explicando con un ejemplo propio por qué la calidad y representatividad de los datos afecta al comportamiento del sistema resultante
• Formular prompts claros y específicos para obtener respuestas útiles de un asistente de IA conversacional, aplicando al menos tres criterios de mejora sobre un prompt inicial deficiente y justificando cada cambio
• Identificar señales de alucinación, sesgo o imprecisión en un output de IA, clasificar el tipo de problema detectado y describir el paso de verificación que aplicaría antes de usar ese resultado en un contexto profesional
• Aplicar criterios básicos de privacidad y seguridad para decidir qué información es apropiado compartir con una herramienta de IA externa, justificando la decisión en cada caso con referencia al riesgo concreto
• Describir cómo la IA transforma al menos cinco tareas del entorno profesional propio, clasificando cada una como automatización o augmentación con justificación
• Identificar al menos tres implicaciones éticas del uso de IA en decisiones que afectan a personas, con un ejemplo concreto y una salvaguarda básica para cada una