Durante el primer año Aulafy funcionará como programa abierto, gratuito y versionado. Cada actualización debe mejorar lecciones, prácticas, fuentes, rúbricas o proyectos. El objetivo es construir una base educativa cada vez más fiable: menos contenido disperso, más rutas claras, más ejercicios reproducibles y más evidencia de que el alumno sabe hacer algo real.
Programa modular de Inteligencia Artificial Aplicada
Un currículo abierto de 7 módulos para aprender IA desde cero hasta construir, evaluar y operar sistemas reales. La meta es que Aulafy sea una ruta clara, viva y práctica para hispanohablantes que necesitan actualizarse sin perderse entre cientos de herramientas.
La regla del programa
No se avanza por leer una página. Se avanza cuando puedes explicar la decisión, reproducir la práctica, romperla de forma controlada, depurarla, verificarla y guardar evidencia. Cada módulo termina con un proyecto que otra persona puede revisar.
Método Aulafy
- 1Diagnóstico rápido: el alumno elige qué quiere conseguir hoy y recibe una sola recomendación, no un catálogo.
- 2Misión corta: cada bloque debe acabar en una práctica de 20 a 90 minutos con resultado visible.
- 3Comprobación: se guarda prompt, decisión, salida, errores y una explicación de qué se entendió frente a qué se copió.
- 4Puente natural: al terminar una misión, el alumno sabe si debe ir a pymes, programación, webs, RAG, agentes o modelos locales.
La IA cambia demasiado rápido para publicar un temario estático. El programa distingue fundamentos estables de herramientas volátiles y reserva una revisión semanal para modelos, APIs, precios, seguridad, regulación, benchmarks, casos reales y nuevas prácticas útiles.
- X: dudas reales de estudiantes, pymes, programadores y trabajadores que necesitan reciclarse.
- Reddit: problemas prácticos, errores frecuentes, experiencias de usuarios y debates técnicos.
- OpenAI, Anthropic, Google, Meta, xAI y Mistral: documentación oficial, modelos, APIs, pricing, seguridad y cambios de producto.
- Hugging Face: modelos abiertos, datasets, leaderboards, licencias, cuantización y tendencias de IA local.
- GitHub: repos educativos, frameworks de agentes, RAG, evaluación, MCP, observabilidad y ejemplos reproducibles.
- BOE, UE y fuentes oficiales: privacidad, IA Act, facturación, educación y cumplimiento para pymes.
curriculum
7 módulos formativos
Orientación y primera utilidad
Cero absoluto / urgencia laboral
Ayudar al alumno a dejar de sentirse perdido, elegir una situación concreta y conseguir una primera victoria útil con IA en menos de 45 minutos, sin empezar por teoría excesiva ni por diez herramientas a la vez.
Resolver un problema real del día —email, resumen, decisión, estudio o planificación— y documentar qué hizo la IA, qué revisaste tú y si realmente ahorró tiempo.
Puerta de salida. Puedes elegir una herramienta inicial, pedir una tarea concreta, revisar el resultado y explicar qué datos no deberías introducir todavía.
Temas del módulo
- 1.1Qué es IA útil y qué no conviene delegar
Resultado: Distinguir ayuda, automatización y decisión humana.
- Elige una tarea cotidiana y marca qué puede preparar la IA y qué debe revisar una persona.
- Ficha de tarea con riesgo, revisión humana y límite de datos.
- 1.2Modelos, chats, contexto y herramientas
Resultado: Entender la diferencia entre modelo, interfaz y datos aportados.
- Compara dos respuestas de una misma herramienta con distinto contexto.
- Captura o nota con la diferencia observada y explicación propia.
- 1.3Primer prompt orientado a resultado
Resultado: Pedir una salida concreta sin depender de trucos virales.
- Convierte una petición vaga en objetivo, contexto, formato y límites.
- Prompt inicial, versión mejorada y resultado revisado.
- 1.4Alucinaciones y verificación mínima
Resultado: Detectar respuestas plausibles pero no comprobadas.
- Pide una respuesta sobre un tema conocido y obliga a separar hechos, dudas y fuentes.
- Lista de afirmaciones verificadas, dudosas y descartadas.
- 1.5Primera misión personal
Resultado: Resolver una tarea real pequeña y reversible.
- Usa IA para preparar un email, resumen, plan de estudio o decisión simple.
- Antes/después, tiempo estimado ahorrado y revisión humana.
Cursos base
Evidencia
- Diagnóstico de situación personal
- Primera tarea útil resuelta
- Prompt y resultado guardados
- Checklist de entendí frente a solo copié
IA para pymes y automatización real
Autónomos, equipos pequeños y operaciones
Detectar tareas repetitivas, medir tiempo perdido y construir una primera automatización con control humano, costes visibles y reglas claras para que la IA prepare trabajo sin decidir por la empresa.
Automatizar una tarea de oficina —email, reseñas, formulario, resumen o entrada de datos— con n8n o una alternativa sencilla, dejando una aprobación humana antes de cualquier acción sensible.
Puerta de salida. Puedes explicar qué automatiza la IA, dónde interviene la persona, qué datos pasan por cada herramienta y cuándo conviene llevar el flujo a self-hosted.
Temas del módulo
- 2.1Mapa de procesos de una pyme pequeña
Resultado: Encontrar tareas repetitivas sin empezar por herramientas.
- Lista 10 tareas semanales y puntúa frecuencia, riesgo y tiempo perdido.
- Tabla de priorización con una tarea candidata.
- 2.2Diagnóstico de datos, permisos y coste
Resultado: Saber qué datos se pueden usar y qué coste podría aparecer.
- Dibuja qué datos entran, qué proveedor los procesa y quién revisa.
- Mapa de datos con avisos de privacidad y coste.
- 2.3Borradores antes que acciones
Resultado: Diseñar IA que prepare trabajo sin ejecutar decisiones sensibles.
- Crea un flujo donde la IA redacta y una persona aprueba.
- Captura o pseudoflujo con punto de aprobación humana.
- 2.4Automatización mínima con n8n o equivalente
Resultado: Montar una automatización pequeña, trazable y reversible.
- Recibe un formulario o email de prueba y genera un resumen clasificado.
- Entrada, salida, log y explicación de qué pasaría si falla.
- 2.5Piloto semanal y decisión de continuidad
Resultado: Medir si la automatización merece mantenerse.
- Define métrica de tiempo, errores, coste y satisfacción del usuario interno.
- Informe de piloto: mantener, mejorar o descartar.
Cursos base
Evidencia
- Mapa de tareas repetitivas
- Primer flujo con humano en el loop
- Estimación de ahorro de tiempo
- Aviso de costes, datos y límites
Programar con IA
Técnico inicial / programador / maker
Pasar de pedir código en un chat a dirigir agentes de desarrollo con contexto permanente, AGENTS.md o CLAUDE.md, revisión de diffs, trazas, tests y control de seguridad.
Entregar una mejora real en un repositorio usando IA: contexto del proyecto, rama, cambio, validación, explicación del diff y revisión de deuda cognitiva.
Puerta de salida. Puedes dirigir un agente de código, revisar lo que cambia, detectar cuándo inventa arquitectura y explicar por qué el cambio es mantenible.
Temas del módulo
- 3.1Preparar un repositorio enseñable
Resultado: Crear contexto para que un agente no adivine la arquitectura.
- Añade README, comandos de validación y reglas iniciales de proyecto.
- Repositorio con instrucciones mínimas y comandos probados.
- 3.2Pedir cambios pequeños y verificables
Resultado: Separar objetivo, alcance, límites y definición de terminado.
- Pide una mejora de bajo riesgo y exige diff antes de aceptar.
- Prompt, diff, explicación y criterio de aceptación.
- 3.3Tests, lint y build como contrato
Resultado: Usar validación automática para no confiar solo en el chat.
- Ejecuta el comando de test/build antes y después de una edición.
- Salida de comandos y nota sobre qué quedó sin cubrir.
- 3.4Seguridad de agentes de código
Resultado: Controlar permisos, secretos, red y comandos peligrosos.
- Haz una revisión de riesgos antes de dejar editar o ejecutar.
- Checklist de permisos y secretos revisado.
- 3.5Entrega profesional con Git
Resultado: Cerrar un cambio con rama, commit, PR y revisión propia.
- Crea una rama, sube un cambio pequeño y escribe resumen verificable.
- PR o diff con validación y explicación de deuda pendiente.
Cursos base
Evidencia
- Repositorio con README y AGENTS.md
- Cambio pequeño con diff revisado
- Skill o instrucción reutilizable
- Revisión de seguridad de comandos y secretos
Crear webs profesionales con IA
No técnico avanzado / maker / profesional
Construir y publicar una web útil con IA, evitando el resultado genérico de plantilla, cuidando responsive, SEO, velocidad, llamadas a la acción, dominio, mantenimiento y costes.
Publicar una web para un negocio, estudiante o profesional que tenga una propuesta clara, una CTA visible, revisión móvil, SEO básico y plan de mejora posterior.
Puerta de salida. Puedes publicar una web real y explicar por qué no es solo una demo bonita: qué problema resuelve, cómo convierte, cómo se mantiene y qué riesgos tiene.
Temas del módulo
- 4.1Problema, público y promesa de la web
Resultado: Evitar empezar por diseño antes de saber qué debe conseguir la página.
- Define usuario, problema, objeción principal y acción deseada.
- Brief de una página con propuesta y CTA.
- 4.2Arquitectura mínima de una web seria
Resultado: Elegir landing, blog, catálogo, SaaS o portal según el caso.
- Dibuja sitemap de máximo 6 páginas y prioriza la primera versión.
- Mapa de secciones y qué queda fuera del MVP.
- 4.3Diseño responsive y accesible
Resultado: Comprobar móvil, lectura, contraste, formularios y navegación.
- Prueba 320, 390, 768 y escritorio; corrige un desbordamiento.
- Checklist responsive con antes/después.
- 4.4SEO práctico y contenido útil
Resultado: Crear páginas que respondan búsquedas reales sin relleno.
- Escribe título, descripción, H1, FAQ y enlaces internos de una página.
- Ficha SEO y URL o preview publicada.
- 4.5Publicación, dominio, costes y mantenimiento
Resultado: Desplegar sin perder control de variables, seguridad y futuras mejoras.
- Publica en Vercel u otra plataforma y documenta costes posibles.
- URL, variables necesarias, riesgos y plan de actualización.
Cursos base
Evidencia
- Web o demo publicada
- Checklist anti-AI-slop
- Revisión responsive y SEO
- Variables, dominio, analítica y costes documentados
RAG avanzado y seguro
Técnico intermedio / empresa
Construir sistemas que recuperan información correcta y solo autorizada, combinando chunking, metadatos, BM25, embeddings, re-ranking, evaluación y abstención para evitar respuestas elegantes pero falsas.
Construir un asistente documental pequeño que responda con citas, mida si recupera el fragmento correcto y bloquee información que el modelo no está autorizado a ver.
Puerta de salida. Puedes explicar por qué un RAG falla, medir la recuperación, proteger documentos y decidir cuándo SQLite/FTS5 basta y cuándo necesitas embeddings o vectorial.
Temas del módulo
- 5.1Cuándo necesitas RAG y cuándo no
Resultado: No usar vector DB para problemas que se resuelven con búsqueda simple.
- Clasifica tres casos: chat general, búsqueda, RAG o base de datos.
- Matriz de decisión con motivo, descarte y siguiente prueba.
- 5.2Ingesta, limpieza y chunking
Resultado: Preparar documentos para recuperar fragmentos útiles.
- Trocea un documento y compara chunks demasiado grandes, pequeños y razonables.
- Ejemplo de chunks y decisión justificada.
- 5.3BM25, embeddings e híbrido
Resultado: Entender qué recupera cada método y por qué falla.
- Prueba una pregunta en búsqueda textual y vectorial con el mismo corpus.
- Tabla de resultados, aciertos y errores.
- 5.4Citas, abstención y permisos
Resultado: Responder solo cuando hay evidencia y acceso autorizado.
- Diseña una respuesta que cite fuente y otra que se abstenga.
- Casos respondible, dudoso y prohibido.
- 5.5Evaluación mínima de un RAG
Resultado: Medir recuperación y respuesta con un set pequeño de preguntas.
- Crea 10 preguntas con fuente esperada y ejecuta una evaluación manual.
- Tabla de evals con recall, errores y mejoras.
Cursos base
Evidencia
- Corpus de documentos de prueba
- Pipeline de ingesta y recuperación
- Comparativa BM25/vectorial/híbrida
- Evaluación de casos correctos, dudosos y prohibidos
Agentes controlados
Técnico avanzado
Crear agentes que tengan herramientas, contexto, memoria, harness, loop, trazas, criterios de parada, permisos mínimos y revisión humana para que la autonomía no se convierta en un bug caro.
Crear un agente o pequeño equipo de agentes que resuelva una tarea real, registre cada paso, falle de forma controlada y pida aprobación en acciones sensibles.
Puerta de salida. Puedes operar un agente con presupuesto, sandbox, trazas, parada segura, humano en el loop y criterios claros antes de darle más permisos.
Temas del módulo
- 6.1Qué convierte un flujo en agente
Resultado: Distinguir chat, automatización, workflow y agente real.
- Clasifica casos y explica qué herramienta/permiso necesita cada uno.
- Mapa de autonomía con límite de acción.
- 6.2Herramientas, permisos y sandbox
Resultado: Dar al agente solo las capacidades necesarias.
- Diseña una lista blanca de tools para una tarea concreta.
- Matriz tool → permiso → riesgo → mitigación.
- 6.3Estado, memoria y recuperación
Resultado: Guardar lo necesario para continuar sin guardar ruido peligroso.
- Define estado mínimo de un agente que revisa tareas o tickets.
- Esquema de estado y caso de recuperación tras fallo.
- 6.4Observabilidad y evals de agentes
Resultado: Reconstruir qué hizo el agente y por qué.
- Registra pasos, tool calls, resultado y criterio de parada.
- Traza de ejecución y evaluación de un fallo.
- 6.5Humano en el loop y operación segura
Resultado: Saber cuándo pedir aprobación, parar o degradar el servicio.
- Añade una regla de aprobación antes de publicar, borrar, comprar o enviar.
- Política de aprobación y modo degradado.
Cursos base
Evidencia
- Agente con tools limitadas
- Matriz de permisos y lista blanca
- Trazas y evals mínimas
- Plan de fallo, recuperación y coste
Modelos locales y self-hosted
Técnico avanzado / especialización
Aprender cuándo usar nube y cuándo local, con una visión honesta de privacidad, coste, VRAM, cuantización, Ollama, Open WebUI, RAG local, n8n self-hosted y modelos abiertos.
Montar un sistema self-hosted básico —chat local, RAG o automatización con Ollama— y justificar qué tareas harías en local, cuáles en cloud y por qué.
Puerta de salida. Puedes elegir entre local, cloud o híbrido por evidencia, privacidad, coste y calidad, sin prometer milagros con hardware insuficiente.
Temas del módulo
- 7.1Cloud, local o híbrido sin fanatismos
Resultado: Elegir arquitectura por privacidad, coste, calidad y mantenimiento.
- Compara tres tareas: una para cloud, una local y una híbrida.
- Tabla de decisión con riesgos y costes.
- 7.2Hardware, VRAM y cuantización
Resultado: Saber qué modelo cabe y qué rendimiento esperar.
- Calcula si tu equipo puede ejecutar un modelo pequeño, medio o grande.
- Ficha de hardware y expectativas realistas.
- 7.3Ollama, Open WebUI y stack local
Resultado: Montar una demo local útil sin confundirla con producción.
- Ejecuta un modelo local y prueba una tarea de resumen o clasificación.
- Comando, modelo usado, latencia percibida y limitaciones.
- 7.4Fine-tuning, LoRA y cuándo no entrenar
Resultado: Distinguir prompting, RAG, fine-tuning y post-training.
- Decide si un caso necesita prompt, RAG o ajuste del modelo.
- Ficha de decisión con datos requeridos y riesgos.
- 7.5Sistema self-hosted mantenible
Resultado: Operar servicios locales con backup, logs y plan de actualización.
- Diseña un docker-compose o arquitectura mínima con datos persistentes.
- Diagrama, volúmenes, backup y plan de actualización.
Cursos base
Evidencia
- Tabla realista de hardware
- Prueba local documentada
- Comparativa local/cloud
- Sistema con datos sensibles que no salen de la máquina
Rutas por perfil
Perfil no técnico
Empieza por orientación y pymes. La parte técnica aparece solo cuando tu objetivo la necesita.
Usar IA con criterio, automatizar una primera tarea y publicar una solución útil sin perder privacidad ni revisión humana.
Programador
Empieza por programación asistida, pero revisa fundamentos para no construir sobre humo.
Entregar cambios, apps, RAG y agentes con tests, seguridad, documentación y despliegue.
Ingeniería / MLOps
Empieza por datos, RAG, agentes y operación, manteniendo evaluación y costes desde el primer prototipo.
Operar sistemas de IA con observabilidad, evaluación, rutas de modelo, seguridad y presupuesto.