IA desde cero: aprende a usarla con criterio

Este es el curso fundamental de Aulafy para aprender inteligencia artificial generativa desde cero. Forma la primera etapa de un itinerario mucho más amplio: uso cotidiano, creación, programación, datos, modelos locales, RAG, agentes, seguridad y operación. Aquí construirás el criterio común que necesitarás en todas esas áreas: plantear una tarea, proteger los datos, comprobar una respuesta y decidir cuál es el siguiente paso útil.

No es una formación oficial ni promete convertirte en especialista al terminar estas primeras lecciones. Sí te exige algo más valioso que memorizar nombres de herramientas: completar prácticas, explicar decisiones y conservar evidencias que otra persona pueda revisar.

Antes de empezar: una IA puede proponer, resumir, transformar y ayudar a explorar. No sustituye tu responsabilidad, una fuente primaria, un profesional habilitado ni la revisión de una persona que conoce el contexto.

Módulo 1. Entender sin mitificar

Lección 1. Qué puede hacer la IA generativa y qué no conviene delegarle

La IA generativa trabaja con patrones. Recibe una instrucción y un contexto; después propone texto, código, imágenes, audio u otras salidas plausibles. Eso puede ahorrar mucho tiempo, pero «plausible» no significa «verdadero», «seguro» ni «apropiado para tu caso».

La pregunta útil no es «¿qué IA es mejor?»

Empieza por esta secuencia:

1. ¿Qué tarea quiero mejorar? Por ejemplo: convertir notas de una reunión en un borrador de acciones.
2. ¿Qué riesgo tendría un error? No es igual resumir un artículo público que responder a un cliente sobre un contrato.
3. ¿Qué debe revisar una persona? Define quién comprueba cifras, tono, permisos o consecuencias.
4. ¿Qué evidencia me demostrará que funciona? Un borrador que puedas corregir, una tabla contrastada o una respuesta con fuentes.

Ejemplo breve

Una estudiante puede pedir: «Convierte estas notas en 10 tarjetas de repaso y marca las afirmaciones que debo contrastar». Un comercio puede pedir: «Agrupa estas consultas anónimas por tema y sugiere respuestas que una persona revisará». En ambos casos la IA acelera el primer borrador; la persona conserva el juicio y la acción final.

Regla de oro: delega el primer borrador antes que la última decisión.

Práctica de 15 minutos

Escribe tres tareas que repites cada semana. Para cada una, anota: dato que usarías, daño posible si falla y comprobación humana. Elige solo una tarea de bajo riesgo para practicar en este curso.

Resumen

• Una respuesta fluida no es una garantía de verdad.
• El valor aparece cuando la tarea, el riesgo y la revisión están definidos.
• Tu primer caso debe ser pequeño, reversible y visible.

Lección 2. Modelo, chat y LLM: las palabras que necesitas para orientarte

Un modelo es un sistema entrenado para reconocer y producir patrones. Un LLM es un modelo de lenguaje de gran tamaño: predice y genera texto en función de lo que ha visto durante su entrenamiento y de lo que recibe en la conversación. Una aplicación de chat es la interfaz que te permite usar uno o varios modelos.

No necesitas memorizar arquitectura interna para empezar. Sí conviene distinguir estas cuatro capas:

Dos ideas que evitan errores

El modelo no «recuerda» tu empresa por defecto. Puede usar el documento que adjuntas o una instrucción guardada por la aplicación, pero debes comprobar qué información se conserva, durante cuánto tiempo y con qué permisos.

El modelo no consulta Internet por defecto. Algunas aplicaciones ofrecen búsqueda o conectores; otras no. Si una respuesta depende de una fecha, una ley, un precio o una fuente concreta, pide referencias y abre la fuente original.

Mini experimento

Pide a la herramienta que explique un concepto que ya conoces, como «factura», «célula» o «función de una página web». Después haz dos preguntas: «¿Qué parte de tu respuesta debería comprobar?» y «¿Qué fuente primaria usarías?». La calidad de esas dos respuestas te enseña más que una respuesta brillante sin contraste.

Resumen

• Chat y modelo no son lo mismo.
• El contexto cambia radicalmente el resultado.
• Una función de búsqueda no elimina la necesidad de abrir y verificar la fuente.

Módulo 2. Elegir el tipo de ayuda correcto

Lección 3. Chat, automatización, RAG y agentes: no son sinónimos

Muchas herramientas llaman «agente» a cualquier conversación. Para aprender con claridad, separa cuatro formas de trabajo:

Un chat no toca tus sistemas si tú no le das una integración. Una automatización no necesita «pensar» si la regla es clara. Un RAG no es una memoria mágica: necesita documentos bien seleccionados, permisos y citas. Un agente tiene más capacidad de acción, así que también necesita más controles.

No escales autonomía por entusiasmo. Escálala cuando puedas medir la calidad, limitar los permisos y recuperar un error.

Decide con una matriz pequeña

Hazte estas preguntas:

1. ¿La tarea es única o se repite?
2. ¿La respuesta debe basarse en documentos concretos?
3. ¿La herramienta podrá enviar, borrar, comprar o publicar?
4. ¿Puedes revisar cada resultado antes de que tenga efecto?

Si la tarea es puntual y revisable, empieza por chat. Si se repite con pasos estables, documenta la secuencia antes de automatizar. Si requiere conocimiento propio, diseña RAG con fuentes y permisos. Deja los agentes para una fase posterior.

Práctica

Clasifica una tarea real en una de las cuatro categorías. Escribe por qué las otras tres añaden complejidad innecesaria.

Resumen

• Cada término describe un problema diferente.
• «Agente» no es el siguiente paso obligatorio.
• Empieza por la forma más simple que conserve control y evidencia.

Lección 4. Contexto, tokens y memoria: por qué la misma pregunta cambia de respuesta

El contexto es todo lo que el modelo tiene delante al responder: tu encargo, mensajes anteriores, documentos adjuntos, instrucciones de la aplicación y, cuando exista, resultados de herramientas. Los tokens son fragmentos de texto que el sistema procesa; sirven para medir límites de contexto y coste, pero no necesitas contarlos a mano para trabajar bien.

Tres límites prácticos

1. Demasiado contexto irrelevante distrae y puede ocultar lo importante.
2. Contexto ausente obliga al modelo a suponer; ahí aparecen errores y respuestas genéricas.
3. Memoria mal entendida puede mezclar una preferencia útil con datos que no debían permanecer guardados.

En vez de pegar cien páginas sin orden, aporta una selección con estructura:

Objetivo: preparar un borrador de respuesta.
Audiencia: cliente no técnico.
Fuentes permitidas: documento A y política B adjuntos.
No inventes precios, plazos ni garantías.
Si falta un dato, escribe [pendiente de confirmar].
Salida: cinco viñetas y un correo de máximo 160 palabras.

Memoria no es autorización

Que una aplicación recuerde un dato no significa que debas introducirlo. Evita subir contraseñas, identificadores personales, historiales médicos, información contractual confidencial o secretos del negocio sin haber revisado antes la política, los controles y la autorización correspondiente.

Práctica

Toma una petición que te haya dado una respuesta mediocre. Reescríbela añadiendo objetivo, audiencia, fuentes permitidas, límites y formato. Compara ambas respuestas y anota qué mejoró.

Resumen

• Contexto relevante gana a contexto abundante.
• Tokens explican límites y costes, no sustituyen una instrucción clara.
• La memoria debe tratarse como una decisión de datos, no como comodidad automática.

Módulo 3. Pedir, comprobar y corregir

Lección 5. Cómo pedir un resultado útil sin depender de trucos de prompts

No existe una frase secreta que convierta cualquier petición en buen trabajo. Un encargo útil se parece más a un briefing breve que a un hechizo. Usa esta plantilla:

Tarea: [qué necesitas producir].
Contexto: [datos que sí puede usar].
Audiencia: [quién lo leerá o utilizará].
Límites: [qué no debe inventar, decidir o publicar].
Formato: [tabla, lista, borrador, JSON, etc.].
Comprobación: [qué debe señalar como dudoso o pendiente].

Ejemplo: de vago a comprobable

Vago: «Hazme un plan de marketing».
Comprobable: «Con estos tres servicios y este presupuesto mensual, crea tres hipótesis de campaña para una clínica. No prometas resultados médicos. Separa hechos proporcionados, supuestos y preguntas pendientes. Devuélvelo en una tabla para que lo revise el equipo.»

La segunda petición no hace mágico al modelo. Hace visible el trabajo que te toca validar.

Cuando la primera respuesta no sirve

No empieces de cero ni insultes a la herramienta. Señala el fallo con precisión:

• «La tabla mezcla datos confirmados con supuestos. Sepáralos.»
• «El tono es demasiado comercial para una comunicación académica. Reescribe con cautela.»
• «Cita el fragmento del documento que sostiene cada respuesta.»
• «Si no hay evidencia en la fuente, responde “no consta”.»

Práctica

Redacta una petición para tu tarea elegida en la lección 1. Añade una lista de tres condiciones que te permitirían aceptar el resultado.

Resumen

• Pide una salida verificable, no una respuesta «perfecta».
• El formato y los límites son parte de la tarea.
• Corregir con observaciones concretas mejora más que repetir el mismo prompt.

Lección 6. Alucinaciones: cómo detectar una respuesta convincente pero incorrecta

Una alucinación es una afirmación que parece segura pero no está sustentada por una fuente fiable, el contexto aportado o una operación comprobable. Puede ser una fecha inventada, una cita inexistente, un enlace falso, un cálculo errado o una interpretación excesiva.

Señales de alerta

• Da cifras, leyes o nombres propios sin citar origen.
• Cita enlaces que no puedes abrir o que no contienen lo que afirma.
• Convierte una hipótesis en una certeza.
• Responde con el mismo tono de seguridad ante preguntas fáciles y difíciles.
• Evita decir «no lo sé» aun cuando faltan datos.

Un protocolo de verificación de cuatro pasos

1. Marca las afirmaciones críticas. Precio, fecha, salud, derecho, seguridad, reputación o dinero requieren más cuidado.
2. Vuelve a la fuente primaria. Abre el documento, normativa, ficha oficial o dato original.
3. Separa hecho, inferencia y propuesta. No tienen el mismo nivel de certeza.
4. Guarda la evidencia. Una URL, una captura fechada, una fórmula o una prueba repetible.

Preguntar lo mismo a varios modelos puede ayudarte a descubrir discrepancias, pero no convierte una respuesta en verdadera. Los modelos pueden repetir el mismo dato secundario, el mismo error o una formulación muy extendida. La comprobación termina en la fuente primaria o en una prueba reproducible, no en una votación entre asistentes.

Tampoco necesitas pedir el razonamiento interno del modelo. Solicita algo que sí puedas examinar: fuentes, cálculos, supuestos, fragmentos del documento y criterios utilizados. Después compruébalos fuera de la respuesta.

En educación, la IA puede ayudarte a formular preguntas o estructurar un texto. No debe ocultar qué aprendiste, qué verificaste y qué parte procede de una fuente.

La orientación de UNESCO sobre IA generativa en educación propone un uso centrado en las personas, con privacidad, validación ética y diseño pedagógico. Para sistemas con riesgo, el marco AI RMF de NIST sirve como referencia para pensar en responsabilidades y controles.

Práctica

Pide a la IA cinco datos sobre un tema actual. Verifica dos en fuentes primarias. Clasifica el resultado: correcto, incompleto, inexacto o no verificable. No uses el resto como si hubiera pasado la prueba.

Resumen

• La fluidez es una propiedad lingüística, no una prueba.
• Verificar no es desconfiar de todo: es ajustar el control al daño posible.
• Una fuente abierta y fechada vale más que una respuesta sin rastro.

Módulo 4. Elegir herramientas y proteger a las personas

Lección 7. Elegir modelo o herramienta según la tarea, no por una clasificación viral

Los modelos y planes cambian con frecuencia. Por eso una lista fija de «el mejor modelo» envejece rápido. Evalúa la herramienta con una ficha de decisión:

Un modelo local puede aportar control de datos, pero exige equipo, instalación, mantenimiento y evaluación. Una API puede dar capacidades y velocidad, pero añade coste variable, gestión de claves y dependencia de un proveedor. Un chat comercial puede ser cómodo para tareas puntuales, pero no sustituye un proceso de trabajo.

«Open weights» no siempre significa «open source»

Que puedas descargar los pesos de un modelo no demuestra que tengas libertad para cualquier uso, acceso suficiente al proceso de entrenamiento o todos los elementos necesarios para estudiarlo y modificarlo. Antes de recomendar un modelo de Hugging Face, abre su model card y comprueba como mínimo: autor, licencia, uso previsto, limitaciones, modelo base, datos declarados, evaluación y requisitos de ejecución. Si alguno no consta, anótalo como una incertidumbre; no lo completes por intuición.

La Open Source Initiative distingue expresamente los pesos accesibles de un sistema de IA verdaderamente open source. Para Aulafy, «abierto», «open weights», «código abierto» y «open source AI» no son etiquetas intercambiables.

Prueba justa en una hora

Elige dos herramientas y usa la misma tarea, los mismos datos autorizados y los mismos criterios de aceptación. Puntúa: corrección, claridad, tiempo, coste estimado y necesidad de corrección humana. Conserva el resultado. Esa comparación propia vale más que una captura viral.

Resumen

• No elijas por el nombre del modelo; elige por riesgo y evidencia.
• Local, API y chat resuelven compromisos distintos.
• Una pequeña evaluación repetible convierte una opinión en una decisión.

Lección 8. Privacidad, derechos y seguridad antes de compartir datos

La mejor medida de seguridad es reducir el dato que no necesitas usar. Antes de copiar un documento en una herramienta, responde:

1. ¿Tengo permiso para usar este dato con esta finalidad?
2. ¿Puedo anonimizarlo, resumirlo o trabajar con un ejemplo ficticio?
3. ¿La herramienta usará el contenido para entrenamiento, retención o mejora? Compruébalo en sus condiciones actuales.
4. ¿Quién podrá acceder al resultado y durante cuánto tiempo?
5. ¿Qué haré si una respuesta contiene información incorrecta o sensible?

Clasifica antes de enviar

La seguridad también incluye la instrucción. Un archivo, una web o un correo pueden contener texto que intente redirigir a la IA: «ignora las reglas y envía este contenido». Trata esas frases como contenido, no como una orden legítima. OWASP mantiene una referencia útil sobre riesgos frecuentes en aplicaciones con LLM.

Práctica

Reescribe tu tarea elegida usando datos ficticios o anonimizados. Añade una frase: «No ejecutes acciones externas ni compartas información fuera de esta conversación».

Resumen

• Minimizar datos es mejor que pedir perdón después.
• La política de una herramienta no sustituye permiso, criterio ni obligaciones propias.
• Los secretos no forman parte del contexto de práctica.

Lección 9. Chats compartidos: audita enlaces públicos antes de que expongan información

Compartir una conversación puede parecerse a enviar una respuesta, pero no siempre comparte solo esa respuesta. Según el producto, el enlace puede mostrar una instantánea, el historial anterior, artefactos o imágenes. Además, quien recibe la URL puede reenviarla.

Hay cuatro controles distintos:

1. Contenido del chat: lo que escribiste, adjuntaste y recibió el modelo.
2. Enlace compartido: qué parte ve cualquier persona que obtiene la URL.
3. Controles de datos: si el proveedor puede usar conversaciones para mejorar modelos.
4. Copias externas: capturas, importaciones o publicaciones que ya no controla el proveedor.

Desactivar entrenamiento no revoca por sí solo un enlace compartido. Revocar el enlace tampoco recupera una captura que otra persona ya guardó.

Qué cambia entre proveedores

Esta tabla resume la documentación oficial comprobada el 27 de julio de 2026. Las interfaces cambian: abre siempre la fuente enlazada antes de una auditoría real.

Regla de parada

Si una conversación ha contenido una clave, datos personales, información sanitaria, financiera, jurídica o confidencial, no intentes limpiarla solo editando el último mensaje. Revoca el enlace si existe y crea una conversación nueva con el mínimo contexto permitido. La respuesta del modelo también puede repetir información sensible.

Microauditoría en 20 minutos

No publiques ningún enlace para completar esta práctica. Usa el gestor del proveedor:

1. Cuenta todos los enlaces compartidos.
2. Para cada uno, comprueba alcance, audiencia y si sigue siendo necesario.
3. Clasifícalo como público, interno, confidencial o secreto.
4. Revoca todo enlace desconocido, innecesario, confidencial o secreto.
5. Abre la URL revocada en una ventana privada y comprueba que ya no ofrece acceso.
6. Registra solo conteos y decisiones; no copies conversaciones ni URL reales a una hoja pública.

Tu criterio de salida es medible:

Enlaces encontrados: __
Enlaces revisados: __
Enlaces revocados: __
Sin verificar: 0
Enlaces sensibles activos después: 0

Practica primero sin cuentas ni red con el laboratorio MIT de auditoría de chats compartidos. Incluye un inventario ficticio que debe fallar, una solución, cinco pruebas y bloqueo de URL reales.

Resumen

• Un enlace compartido y los controles de entrenamiento son cosas distintas.
• Antes de compartir, comprueba el alcance exacto y utiliza una conversación limpia con el mínimo contexto.
• Revocar detiene el acceso por esa URL; no borra capturas, copias, importaciones o publicaciones externas.
• Una auditoría termina con cero enlaces sensibles activos y cero enlaces sin verificar.

Fuentes oficiales

• Claude: compartir y dejar de compartir chats
• ChatGPT: preguntas frecuentes sobre enlaces compartidos
• ChatGPT: controles de datos
• Gemini: compartir chats

Lección 10. Imagen, voz y vídeo: creatividad, licencia y transparencia

La IA multimodal permite transformar una idea en imagen, voz, vídeo o presentación. Úsala para prototipar, explicar y crear variantes; no para fingir pruebas, autoridad o testimonios que no existen.

Antes de publicar, revisa cinco cosas

1. Origen y licencia: ¿puedes usar los materiales de partida y el resultado en el contexto previsto?
2. Identidad: no suplantes a una persona ni clones su voz sin permiso explícito.
3. Transparencia: si una imagen o vídeo puede inducir a error sobre un hecho, aclara cómo se creó.
4. Accesibilidad: añade texto alternativo, subtítulos, transcripción y alternativa estática cuando corresponda.
5. Representación: revisa estereotipos, errores culturales y detalles que afecten a personas reales.

Un encargo responsable

Crea una ilustración conceptual para explicar el reciclaje a alumnado de 11 años.
No uses logotipos, personas identificables ni texto incrustado.
Estilo: collage sencillo, contraste alto, fondo claro.
Entregable: una imagen y una descripción alternativa de 120 caracteres.

El resultado no se publica solo. Comprueba legibilidad, coherencia con el mensaje, licencia y si puede confundir al público.

Un detector no demuestra quién escribió un texto

Los detectores automáticos pueden producir falsos positivos, cambiar de resultado ante pequeñas modificaciones y perjudicar especialmente a personas que escriben en una lengua que no dominan. Úsalos, como máximo, como una señal débil que exige contexto adicional; nunca como prueba suficiente para acusar, sancionar o atribuir autoría.

Para demostrar un proceso creativo son más útiles los borradores, fuentes, decisiones, historial de cambios y una declaración honesta de qué ayuda se utilizó. «Hacer que un texto no parezca IA» no es el objetivo educativo: el objetivo es que el trabajo sea propio, transparente y defendible.

Práctica

Diseña un encargo multimodal para tu proyecto final. Incluye audiencia, propósito, restricciones y la alternativa accesible que acompañará el resultado.

Resumen

• Multimodal no significa sin responsabilidad.
• La licencia y el consentimiento siguen importando.
• Una alternativa accesible mejora el trabajo para más personas.

Módulo 5. Aprender sin delegar el pensamiento

Lección 11. Estudiar con IA sin dejar de aprender: método de tutor, práctica y examen cerrado

Una IA puede explicar un concepto, proponer ejemplos y adaptar una pregunta. También puede completar una tarea sin que tú construyas el conocimiento necesario para repetirla. La diferencia no está en usar o no usar IA: está en qué esfuerzo conservas, qué ayuda solicitas y cómo compruebas después tu aprendizaje.

Productividad no es lo mismo que aprendizaje

Terminar antes, obtener una nota mejor en una tarea o producir un texto más pulido son resultados visibles. Ninguno demuestra por sí solo que puedas recordar, explicar o aplicar lo estudiado sin la herramienta.

Un estudio publicado como documento de discusión de CEPR en junio de 2026 analizó 30 meses de datos de 26.811 estudiantes chinos de secundaria. Sus autores observaron mejores resultados y menor tiempo en deberes después de adoptar IA, junto con peores resultados posteriores en exámenes cerrados, especialmente entre patrones compatibles con externalizar los deberes. Es una señal relevante, pero no una ley universal: estudia una población y un contexto concretos, emplea un diseño cuasiexperimental y no demuestra que toda forma de usar IA cause el mismo efecto.

La orientación de UNESCO propone usos educativos centrados en la persona y diseñados para activar pensamiento de orden superior. La guía de metacognición de EEF refuerza un principio compatible: planificar, supervisar y evaluar el propio aprendizaje debe enseñarse de forma explícita.

Regla de esta lección: la IA puede acompañar el entrenamiento; la comprobación final debe mostrar qué puedes hacer tú sin ella.

El método PISTA

Usa esta secuencia para una sesión de 25 minutos:

Prompt de tutor que reduce el atajo

Actúa como tutor de [asignatura y nivel].

Objetivo: ayudarme a comprender [concepto], no completar mi tarea.
Primero pídeme mi intento y pregúntame qué parte no entiendo.
Después ofrece una sola pista cada vez.
No muestres la solución completa salvo que yo haya explicado dos intentos.
Cuando llegue a una respuesta, pídeme justificarla y plantea un caso nuevo.
Separa los hechos que proceden de mis materiales de tus explicaciones generales.
Si no puedes verificar un dato, indícalo.

Esta plantilla no garantiza que la herramienta sea correcta ni pedagógicamente adecuada. Debes contrastar datos importantes con el libro, los apuntes, el docente o una fuente primaria.

Ejemplo: una estudiante de biología

Tarea: explicar por qué una célula pierde agua en una disolución hipertónica.

1. La estudiante dibuja su explicación inicial durante cinco minutos.
2. Entrega al tutor solo ese intento y pide que señale la primera confusión.
3. La IA pregunta por la concentración de solutos dentro y fuera de la membrana.
4. La estudiante corrige el dibujo y explica el movimiento del agua con sus palabras.
5. Cierra el chat y resuelve un caso nuevo con concentraciones diferentes.
6. Comprueba términos y mecanismo en su manual de biología.

El producto evaluable no es la conversación. Es el dibujo corregido, la explicación propia, el caso nuevo y el registro del error.

Semáforo de ayuda

Práctica reproducible

1. Elige un concepto que tengas que aprender esta semana.
2. Prepara una pregunta de explicación y un problema o ejemplo nuevo.
3. Haz el intento previo sin IA y conserva una foto o versión fechada.
4. Usa el prompt de tutor durante un máximo de diez minutos.
5. Cierra el chat. Explica el concepto en 120 palabras y resuelve el caso nuevo.
6. Compara con una fuente autorizada y marca los errores.
7. Repite la prueba cerrada 24 o 48 horas después.

Criterio de éxito: puedes explicar la idea central y aplicar el concepto a un caso diferente sin consultar el chat. Si no puedes, no has fracasado: has localizado exactamente qué debes volver a practicar.

Privacidad, integridad y edad

• No pegues trabajos de compañeros, datos personales, historiales académicos ni materiales restringidos.
• Comprueba las reglas de tu centro y declara la ayuda recibida cuando corresponda.
• No uses detectores automáticos como prueba de autoría; conserva borradores, fuentes y decisiones.
• Si eres menor, utiliza únicamente herramientas y condiciones autorizadas por tu familia y centro educativo.
• Una IA no sustituye al docente, a las adaptaciones educativas ni al apoyo profesional.

Resumen

• Acabar una tarea y aprender no son el mismo resultado.
• Intenta antes de preguntar; pide pistas antes que soluciones.
• Cierra la IA y transfiere lo aprendido a un caso nuevo.
• Conserva evidencia del proceso y respeta las normas de tu centro.
• Un estudio concreto informa el diseño, pero no justifica afirmaciones universales.

Módulo 6. Convertir comprensión en un resultado propio

Lección 12. Tu primer proyecto: una tarea pequeña, comprobada y repetible

El final del curso no es «haber probado muchas IAs». Es terminar una tarea propia que puedas explicar, repetir y mejorar.

Elige uno de estos proyectos de una tarde

Rúbrica de salida

Tu proyecto está listo cuando puedes responder «sí» a todo:

• ¿Explica qué problema resuelve y para quién?
• ¿Usa solo datos permitidos o anonimizados?
• ¿Distingue hechos, supuestos y propuestas?
• ¿Incluye una comprobación humana concreta?
• ¿Puedes repetirlo con otra entrada sin depender de memoria o improvisación?
• ¿Sabes qué aprender después?

Elige la siguiente ruta

• Si quieres trabajar con archivos, automatizar o crear una primera web, continúa con Codex desde cero.
• Si quieres mejorar un proceso de oficina o negocio, abre IA práctica para pymes.
• Si quieres publicar una web útil, sigue la ruta de crear webs con IA.
• Si ya programas y quieres trabajar con repositorios, usa Codex para programadores.
• Si necesitas sistemas con documentos, agentes o despliegue, comienza por la ruta de sistemas.

No necesitas completar todo el catálogo. Elige la siguiente capa solo cuando tu proyecto actual la requiera.

Resumen final

• La IA es útil cuando un objetivo, un límite y una comprobación son visibles.
• Las herramientas cambian; el método de pedir, contrastar, proteger y evaluar permanece.
• Tu siguiente paso no es una moda: es la habilidad que desbloquea el proyecto que quieres construir.

Recursos comunes

• UNESCO: Guidance for generative AI in education and research — enfoque humano, privacidad y diseño pedagógico.
• NIST: AI Risk Management Framework — marco voluntario para gestionar riesgos de IA.
• OWASP Top 10 for LLM Applications — riesgos y controles habituales al integrar LLM en productos.
• Regulatory framework for AI de la Comisión Europea — información oficial para seguir el marco europeo aplicable.
• Open Source AI Definition 1.0 de OSI — libertades y elementos necesarios para hablar de IA open source.
• Hugging Face: Model Cards — campos que deben documentar uso, licencia, limitaciones, datos y evaluación de un modelo.
• Liang et al.: sesgo de detectores contra autores no nativos en inglés — evidencia primaria sobre falsos positivos y límites de estos detectores.
• CEPR DP21577: The Generative AI Learning Penalty — estudio de 2026 sobre uso de IA, deberes y resultados en exámenes; debe interpretarse dentro de su población y diseño.
• EEF: Metacognition and Self-Regulated Learning — revisión y recomendaciones sobre planificación, supervisión y evaluación del aprendizaje.

Las políticas, precios, capacidades y condiciones de las herramientas cambian. Verifica siempre la documentación oficial y las obligaciones aplicables a tu contexto antes de usar IA con datos reales o acciones externas.