Skip to main content

01 - Esquema global del curso "Aprende a usar la IA para gobernar la complejidad del trabajo real"

Estructura formativa

Duración total: 120 horas.

La formación está diseñada como un itinerario progresivo.

Cada módulo proporciona conocimientos y competencias necesarias para abordar el siguiente, por lo que existe una relación propedéutica entre ellos.

Por este motivo:

  • Es posible impartir módulos iniciales de forma independiente (por ejemplo, Módulo A o Módulos A+B).
  • No se recomienda impartir módulos avanzados sin haber completado los anteriores.
  • Los módulos C, D, E, F y G asumen conocimientos adquiridos en los módulos precedentes.

La estructura completa está concebida como un recorrido único que avanza desde el uso básico de herramientas de IA hasta la aplicación profesional, la automatización, la soberanía tecnológica, la ampliación del conocimiento mediante RAG, la conexión con herramientas externas y el desarrollo de proyectos reales.

Módulo A0 - Introducción a la Inteligencia Artificial

Duración: 4 horas

Objetivo

Proporcionar una visión clara, realista y práctica de la Inteligencia Artificial actual, permitiendo al alumnado comprender sus posibilidades, limitaciones y aplicaciones cotidianas antes de iniciar una formación más extensa.

Contenidos

1. ¿Qué es realmente la Inteligencia Artificial?

  • Conceptos básicos.
  • Qué entendemos hoy por IA.
  • Diferencias entre automatización, algoritmos e inteligencia artificial.

2. Qué puede hacer y qué no puede hacer

  • Capacidades actuales de la IA.
  • Limitaciones técnicas y prácticas.
  • Mitos y falsas expectativas.

3. Principales herramientas disponibles

  • ChatGPT.
  • Claude.
  • Gemini.
  • Otros asistentes y herramientas relevantes.

4. Demostraciones prácticas en directo

  • Generación de texto.
  • Análisis de información.
  • Creación de contenidos.
  • Resolución de problemas cotidianos.
  • Casos de uso reales para ciudadanos, autónomos y pequeñas empresas.

5. Riesgos, limitaciones y uso responsable

  • Privacidad y protección de datos.
  • Alucinaciones y errores de la IA.
  • Verificación de resultados.
  • Buenas prácticas de utilización.

Resultado esperado

Al finalizar el módulo, el alumnado dispondrá de los conocimientos necesarios para comprender qué es la Inteligencia Artificial, evaluar de forma crítica sus resultados y decidir si desea profundizar mediante los módulos posteriores del itinerario formativo.

Módulo A - IA para la vida diaria (10 h)

Objetivos

  • Comprender qué es la Inteligencia Artificial generativa.
  • Familiarizarse con las principales herramientas disponibles.
  • Aprender a utilizarlas de forma segura y eficaz.

Contenidos

Introducción a la IA Generativa

  • Qué es un LLM.
  • Cómo funciona un modelo de lenguaje.
  • Capacidades y limitaciones.

Herramientas principales

  • ChatGPT.
  • Claude.
  • Gemini.
  • Otras alternativas.

Prompting básico

  • Cómo formular instrucciones eficaces.
  • Contexto.
  • Roles.
  • Ejemplos prácticos.

Riesgos y limitaciones

  • Alucinaciones.
  • Privacidad.
  • Sesgos.
  • Verificación de información.

Módulo B - Productividad Profesional (20 h)

Objetivos

Utilizar IA para reducir tiempo en tareas administrativas y de oficina.

Contenidos

Documentación

  • Redacción asistida.
  • Corrección y mejora de textos.
  • Generación de documentos.

Resúmenes

  • Artículos.
  • Informes.
  • Reuniones.
  • Vídeos.

Investigación

  • Búsqueda guiada.
  • Comparación de fuentes.
  • Síntesis de información.

Correo electrónico

  • Redacción.
  • Respuestas.
  • Seguimiento.

Presentaciones

  • Estructura.
  • Generación de contenidos.
  • Apoyo visual.

Módulo C - IA para Autónomos y PYMEs (20 h)

Objetivos

Aplicar IA a la gestión y crecimiento de pequeños negocios.

Contenidos

Marketing

  • Generación de contenidos.
  • Redes sociales.
  • Campañas.

Branding

  • Identidad de marca.
  • Posicionamiento.
  • Mensajes clave.

Atención al cliente

  • Respuestas frecuentes.
  • Chatbots.
  • Asistentes virtuales.

Presupuestos y propuestas

  • Elaboración de ofertas.
  • Personalización.
  • Seguimiento comercial.

Automatización básica

  • Tareas repetitivas.
  • Integración entre herramientas.
  • Casos prácticos.

Módulo D - Automatización (20 h)

Objetivos

Comprender cómo conectar herramientas y automatizar procesos.

Contenidos

Conceptos fundamentales

  • Qué es una automatización.
  • Eventos y acciones.
  • Flujos de trabajo.

Casos reales

  • Captación de clientes.
  • Gestión documental.
  • Atención al cliente.

Diseño de flujos

  • Diagramación.
  • Identificación de procesos.

Integraciones

  • Formularios.
  • Correo electrónico.
  • CRM.
  • Bases de datos.
  • Servicios externos.

Módulo E - IA Local y Soberanía Digital (15 h)

Objetivos

Comprender las ventajas e implicaciones de ejecutar IA en infraestructura propia.

Contenidos

Modelos locales

  • Concepto.
  • Ventajas.
  • Limitaciones.

Ollama

  • Instalación.
  • Gestión de modelos.
  • Uso práctico.

Privacidad

  • Protección de datos.
  • Cumplimiento normativo.
  • Riesgos de servicios externos.

Infraestructura

  • Requisitos de hardware.
  • Servidores.
  • Almacenamiento.
  • Redes.

Casos de uso

  • Empresas.
  • Profesionales.
  • Organizaciones.

Módulo F - RAG, conocimiento aumentado y conexión con herramientas

Duración: 16 horas
Distribución: 4 clases de 4 horas

Objetivo

Comprender cómo ampliar las capacidades de los modelos de lenguaje mediante fuentes de conocimiento externas y herramientas, aprendiendo a construir sistemas RAG, trabajar con almacenamiento vectorial y entender el papel de MCP en la conexión entre la IA y otros sistemas.

Clase 1 - Fundamentos de RAG y conocimiento externo

Objetivos

  • Comprender qué problema resuelve RAG.
  • Diferenciar entre conocimiento interno del modelo, contexto y fuentes externas.
  • Entender cómo se recupera información relevante antes de generar una respuesta.

Contenidos

Qué es RAG

  • Concepto de Retrieval-Augmented Generation.
  • Diferencia entre conocimiento del modelo y conocimiento proporcionado externamente.
  • Contexto frente a entrenamiento.
  • Diferencia entre RAG y fine-tuning.

Flujo básico de un sistema RAG

  • Ingesta de documentos.
  • Fragmentación de contenido.
  • Generación de embeddings.
  • Almacenamiento.
  • Recuperación de información relevante.
  • Inserción en contexto.
  • Generación de respuesta.

Chunking

  • Qué es un chunk.
  • Tamaño de fragmentos.
  • Solapamiento.
  • Efectos de una fragmentación incorrecta.
  • Preservación del contexto.

Embeddings

  • Qué representa un embedding.
  • Similitud semántica.
  • Búsqueda por proximidad.
  • Diferencia entre búsqueda por palabras y búsqueda semántica.

Limitaciones de RAG

  • Recuperación irrelevante.
  • Falta de contexto.
  • Exceso de información.
  • Documentación desactualizada.
  • Respuestas incorrectas pese a una recuperación correcta.

Clase 2 - PostgreSQL y pgvector

Objetivos

  • Comprender cómo se almacenan embeddings dentro de una base de datos.
  • Introducir el uso de PostgreSQL con pgvector.
  • Aprender a combinar información estructurada con búsqueda semántica.

Contenidos

Bases de datos y búsqueda vectorial

  • Datos estructurados y no estructurados.
  • Vectores como representación del contenido.
  • Búsqueda tradicional frente a búsqueda vectorial.

PostgreSQL como base para RAG

  • Tablas.
  • Registros.
  • Metadatos.
  • Relación entre contenido y embeddings.

pgvector

  • Qué es pgvector.
  • Tipos de datos vectoriales.
  • Almacenamiento de embeddings.
  • Comparación entre vectores.
  • Búsqueda por similitud.

Consultas híbridas

  • Filtros SQL.
  • Búsqueda semántica.
  • Combinación de metadatos y similitud.
  • Ejemplos prácticos.

Buenas prácticas

  • Organización de documentos.
  • Identificadores.
  • Metadatos útiles.
  • Actualización y eliminación de contenido.
  • Trazabilidad de las fuentes.

Clase 3 - AnythingLLM y construcción práctica de un sistema RAG

Objetivos

  • Comprender cómo una herramienta como AnythingLLM implementa un sistema RAG.
  • Configurar una fuente de conocimiento propia.
  • Analizar el flujo completo desde el documento hasta la respuesta.

Contenidos

Arquitectura general de AnythingLLM

  • Workspaces.
  • Documentos.
  • Embeddings.
  • Vector store.
  • Modelo de lenguaje.
  • Proveedor de IA.

Ingesta de documentos

  • Incorporación de fuentes.
  • Procesamiento.
  • Fragmentación.
  • Generación de embeddings.
  • Indexación.

Modelos locales y remotos

  • Uso de proveedores externos.
  • Uso de modelos locales.
  • Integración con Ollama.
  • Ventajas y limitaciones.

Consulta del conocimiento

  • Recuperación de contexto.
  • Construcción de la respuesta.
  • Referencias a las fuentes.
  • Evaluación de la calidad de la recuperación.

Diagnóstico de problemas

  • Respuestas incorrectas.
  • Documentos mal indexados.
  • Fragmentos poco relevantes.
  • Embeddings inadecuados.
  • Contexto insuficiente.
  • Contexto excesivo.

Caso práctico

  • Construcción de un espacio de conocimiento.
  • Incorporación de documentación.
  • Realización de consultas.
  • Revisión de los resultados.

Clase 4 - MCP, herramientas y conexión con sistemas externos

Objetivos

  • Comprender cómo una IA puede interactuar con herramientas y sistemas externos.
  • Diferenciar entre APIs, tool use y MCP.
  • Entender la arquitectura básica de MCP y su relación con RAG y automatización.

Contenidos

Del conocimiento a la acción

  • Diferencia entre consultar información y ejecutar acciones.
  • Tool use.
  • Function calling.
  • APIs.
  • Integraciones directas.

Qué es MCP

  • Concepto de Model Context Protocol.
  • Objetivo de MCP.
  • Estandarización de la conexión entre modelos y herramientas.

Arquitectura básica

  • Cliente MCP.
  • Servidor MCP.
  • Recursos.
  • Herramientas.
  • Prompts.
  • Descubrimiento de capacidades.

Seguridad y control

  • Permisos.
  • Acceso a datos.
  • Limitación de acciones.
  • Supervisión humana.
  • Riesgos de exponer herramientas a un modelo.

RAG y MCP

  • RAG como mecanismo para ampliar el conocimiento disponible.
  • MCP como mecanismo para ampliar la capacidad de interacción.
  • Diferencias entre ambos enfoques.
  • Uso combinado.

Caso práctico conceptual

  • Modelo de lenguaje.
  • Fuente de conocimiento.
  • Base vectorial.
  • Servidor MCP.
  • Herramientas externas.
  • Flujo completo de consulta y acción.

Resultado esperado

Al finalizar el módulo, el alumnado será capaz de:

  • Comprender cómo funciona un sistema RAG.
  • Diferenciar entre contexto, entrenamiento y conocimiento externo.
  • Entender el papel de los embeddings y la búsqueda vectorial.
  • Conocer el uso de PostgreSQL y pgvector como soporte para sistemas RAG.
  • Construir y evaluar un sistema RAG básico con AnythingLLM.
  • Comprender el funcionamiento de MCP.
  • Diferenciar entre RAG, APIs, tool use y MCP.
  • Diseñar conceptualmente sistemas de IA capaces de acceder a conocimiento externo y utilizar herramientas.

Módulo G - Casos Reales y Proyecto Final (15 h)

Objetivos

Aplicar los conocimientos adquiridos a un caso práctico completo.

Contenidos

Casos reales

  • Análisis de proyectos existentes.
  • Problemas habituales.
  • Soluciones implementadas.

Diseño de un proyecto

  • Identificación de necesidades.
  • Selección de herramientas.
  • Plan de implementación.

Proyecto final

Cada participante desarrollará una propuesta práctica adaptada a su actividad profesional.

Presentación y evaluación

  • Exposición del proyecto.
  • Discusión de resultados.
  • Recomendaciones de mejora.

Competencias adquiridas

Al finalizar el curso el alumno será capaz de:

  • Utilizar herramientas de IA generativa con criterio.
  • Mejorar su productividad profesional.
  • Aplicar IA en procesos de negocio.
  • Diseñar automatizaciones básicas.
  • Comprender los fundamentos de la IA local.
  • Evaluar riesgos de privacidad y seguridad.
  • Comprender y diseñar sistemas RAG.
  • Comprender el uso de embeddings y búsqueda vectorial.
  • Comprender la función de MCP en la conexión entre modelos y herramientas.
  • Desarrollar proyectos reales apoyados por IA.