¿Cómo funciona la inteligencia artificial? De los símbolos y el perceptrón a los transformers, ChatGPT y Claude
Curso conceptual avanzado que explica de dónde surgió la IA moderna, cómo funcionan el aprendizaje automático, las redes neuronales y los transformers, y cómo evaluar de forma realista las capacidades y limitaciones de herramientas como ChatGPT y Claude.
Este curso ha sido diseñado para personas que quieren entender la IA más a fondo que a nivel de eslóganes de marketing. El participante recorrerá la historia de la IA y del aprendizaje automático, la mecánica de las redes neuronales y del aprendizaje profundo, hasta llegar al punto de inflexión de la arquitectura transformer y a las consecuencias que trajo «Attention Is All You Need» para sistemas como ChatGPT o Claude. El curso no enseña a programar modelos, pero ofrece una comprensión operativa: qué problemas resolvieron los distintos enfoques, por qué los métodos anteriores no escalaban lo suficiente, de dónde surgen las alucinaciones, por qué los modelos a veces resultan convincentes pese a sus errores y cómo distinguir las capacidades reales de las falsas expectativas. A lo largo del curso, el participante trabajará con artefactos útiles en la práctica: una línea de tiempo de hitos, una matriz comparativa de tipos de IA, una ficha para evaluar si una tarea encaja con la IA, un esquema del flujo de datos en el entrenamiento de un modelo, listas de verificación para evaluar respuestas del modelo, mini casos de implementación y diagramas sencillos del proceso. El curso utiliza ejemplos actuales, descritos públicamente, sobre el desarrollo de los modelos y los riesgos asociados a su uso, incluida la creciente escala de adopción empresarial, el problema persistente de las alucinaciones y el énfasis de la industria en el governance y el containment de los modelos.
Que aprenderas
- Explica las principales etapas de la historia de la IA e identifica qué promesas, limitaciones y avances realmente cambiaron la dirección de desarrollo de esta disciplina.
- Distingue los tipos básicos de IA y sabe cuándo hablamos de sistemas basados en reglas, aprendizaje automático clásico, redes neuronales, aprendizaje profundo y modelos generativos.
- Describe la historia del aprendizaje automático como respuesta a las limitaciones de las reglas escritas a mano y puede señalar el coste de ese cambio: la dependencia de los datos, del objetivo de optimización y de las métricas.
- Explica el funcionamiento de una neurona, una capa, la propagación de la señal y el aprendizaje en una red neuronal a nivel conceptual, sin caer en formalismos innecesarios.
- Explica qué cambió el aprendizaje profundo y por qué la escala de datos, la potencia de cálculo y la arquitectura empezaron a tener una importancia clave.
- Comprende qué problema resolvió el transformer en comparación con las arquitecturas secuenciales anteriores y por qué el mecanismo de attention se convirtió en un punto de inflexión.
- Puede explicar la importancia de la publicación «Attention Is All You Need» y vincularla con el camino hacia modelos modernos como ChatGPT y Claude.
- Comprende cómo se entrena un gran modelo de lenguaje: datos, tokenización, predicción del siguiente token, ajuste fino, instrucciones y evaluación de calidad.
- Ve la diferencia entre que un modelo genere texto estadísticamente probable y que «entienda el mundo» en el sentido humano.
- Reconoce las fuentes típicas de error de los modelos, incluidas las alucinaciones, la confianza excesiva, la dependencia del prompt, la falta de actualidad y los problemas para evaluar la incertidumbre.
- Utiliza artefactos sencillos de decisión para evaluar si una tarea concreta es adecuada para el apoyo de la IA y qué salvaguardas son necesarias.
- Puede mantener una conversación más realista sobre IA en una organización: sin tecnomisticismo, sin pánico y sin confundir una demostración de producto con la capacidad real del sistema.
Requisitos
No se requieren conocimientos de programación. Es útil tener una orientación general sobre productos digitales, trabajo del conocimiento o análisis de negocio. El participante debe estar dispuesto a leer esquemas, comparaciones y descripciones simplificadas de mecanismos técnicos.
Programa del curso
- Del test de Turing a los inviernos de la IA: qué promesas fueron prematuras y cuáles sentaron las bases de los modelos actuales
- IA simbólica frente al aprendizaje a partir de datos: dos formas distintas de construir “inteligencia” y sus costes operativos
- Historia del aprendizaje automático como escape de las reglas escritas a mano: perceptrón, regresión, árboles y modelos estadísticos
- Por qué las olas anteriores de IA no escalaron hacia el lenguaje complejo y el conocimiento general
- Mini-caso: cómo un gerente en 2012, 2017 y 2026 podría evaluar erróneamente el «avance de la IA»
- Quiz: reconoce la época, el paradigma y la razón real del éxito o fracaso de un enfoque dado
- La palabra «IA» en una sola presentación significa cinco cosas distintas: cómo no dejarse engañar por la etiqueta
- Sistema basado en reglas, modelo clásico de ML, red neuronal, modelo generativo, agente: comparación en una sola matriz de decisión
- IA estrecha frente a AGI: dónde termina la descripción precisa y empieza la especulación
- Predicción, clasificación, ranking, recomendación, generación: cinco tareas diferentes, cinco criterios de calidad diferentes
- Qué significa que un modelo sea multimodal y por qué eso no significa automáticamente que «entienda el mundo»
- Quiz: elige el tipo adecuado de IA para el problema, el propietario del proceso y el riesgo aceptable
- Neurona artificial sin misticismo: entradas, pesos, activación y la decisión que el modelo toma numéricamente
- Lo que realmente ocurre durante el aprendizaje: pérdida, información de error y actualización de parámetros
- Para qué sirven las capas ocultas: cómo la red construye representaciones de características cada vez más complejas
- Historia de las redes neuronales en la práctica: del perceptrón al backpropagation y al renacimiento después de 2012
- Aprendizaje profundo como cambio de escala: datos, GPU, arquitecturas y economía del entrenamiento
- Failure modes: overfitting, datos débiles, objetivo de optimización incorrecto y métrica de éxito engañosa
- Quiz: indica si el problema se debe a la arquitectura, los datos, el objetivo de aprendizaje o la forma de evaluación
- Con qué perdían las RNN y las LSTM: dependencias largas, cuello de botella de la secuencialidad y coste de entrenamiento
- Atención como mecanismo de selección de contexto: cómo decide el modelo a qué prestar atención en una frase
- Transformer paso a paso sin ecuaciones: tokens, embeddings, posición, attention, capas y salida
- „Attention Is All You Need”: qué fue exactamente lo revolucionario y por qué la industria lo adoptó tan rápido
- Qué aportaron la paralelización y la escala: por qué después del transformer se pudieron entrenar modelos mucho más grandes
- Comparación trabajada: la misma tarea antes y después del transformer — dónde aparece la mejora real de calidad
- Quiz: identifica qué elemento del transformador es responsable de una ventaja o limitación determinada
- LLM como máquina de predecir tokens: por qué de un objetivo de entrenamiento simple surge un comportamiento lingüístico complejo
- De dónde “sabe” el modelo qué escribir: datos de entrenamiento, tokenización y aprendizaje de patrones sin una base de hechos en la cabeza
- Del modelo base al asistente útil: instruction tuning, feedback y políticas de respuesta
- Qué hace el producto más allá del modelo: memoria de conversación, herramientas, búsqueda, integraciones y capa de seguridad
- Por qué los modelos alucinan a pesar de la impresionante fluidez de sus respuestas y por qué el tono de seguridad engaña al usuario
- ChatGPT, Claude y sistemas similares en 2025–2026: cómo el mercado se desplaza del chat a los agentes y a flujos de trabajo más profundos
- Mini-caso: el departamento de RR. HH., el equipo de ventas y el analista de operaciones usan el mismo modelo, pero necesitan distintas protecciones
- Quiz: distingue las capacidades del modelo, las capacidades del producto y las expectativas del usuario
- El modelo no “entiende” como un humano: qué se puede inferir del comportamiento y qué no se debe añadir
- Cómo evaluar en la práctica una respuesta de IA: corrección, completitud, trazabilidad, incertidumbre y coste del error
- Cuándo la IA ayuda y cuándo solo acelera la producción de errores: ficha de cualificación de una tarea para el uso de un modelo
- Gobernanza para equipos normales: quién aprueba el uso, qué datos se pueden proporcionar y cuándo una persona debe permanecer en el circuito
- Revisión de caso: cómo desactivar la frase «la IA hará esto por nosotros» durante una reunión de compras o estratégica
- Síntesis final: cómo explicar en 5 minutos de dónde salió la IA moderna y cómo funciona realmente
- Cuestionario final: diagnóstico de mitos, limitaciones y usos adecuados de la IA contemporánea
Preguntas frecuentes
Para directivos, analistas, especialistas de producto, profesionales de marketing, educadores y todas las personas que quieran entender la inteligencia artificial más allá del nivel de los eslóganes de moda. Si utilizas herramientas como ChatGPT o Claude y quieres saber de dónde provienen su funcionamiento, sus limitaciones y sus ventajas, este curso es para ti.
No. El curso no enseña la implementación de modelos ni a escribir código. Ha sido diseñado para darte una comprensión operativa y estratégica de la IA: desde la lógica de los hitos sucesivos, pasando por la mecánica de las redes neuronales, hasta el significado de la arquitectura transformer.
Comprenderás qué problemas resolvieron los distintos enfoques de la IA, por qué los métodos anteriores tenían limitaciones, en qué se diferencia realmente el aprendizaje automático del aprendizaje profundo y por qué los transformers se convirtieron en la base de los modelos de lenguaje modernos. Gracias a ello, te resultará más fácil evaluar las capacidades, los riesgos y el sentido empresarial del uso de la IA.
Porque la IA dejó de ser una curiosidad y pasó a formar parte de la transformación real del trabajo. McKinsey señala que las organizaciones están pasando de los experimentos a implementaciones a mayor escala, y las brechas de competencias y formación se encuentran hoy entre las principales barreras. Al mismo tiempo, crece la demanda de AI fluency, es decir, una comprensión práctica de la tecnología, no solo el manejo de herramientas. Este curso ayuda a construir precisamente esa base.
Sí. Las mostramos como el resultado de una evolución más larga de ideas: desde la IA simbólica y el perceptrón, pasando por el desarrollo de las redes neuronales, hasta el punto de inflexión de los transformers iniciado por el trabajo «Attention Is All You Need». Así no solo conoces los nombres de las herramientas, sino que entiendes por qué funcionan como funcionan.
Sí: ese es uno de sus principales valores. El curso organiza la historia, los conceptos y los mecanismos de funcionamiento de la IA, de modo que te resulte más fácil distinguir el marketing llamativo de las capacidades reales de los modelos, formular mejores preguntas a los proveedores de tecnología y tomar decisiones educativas o empresariales más sensatas.
- 8 horas
- Avanzado
- Certificado al terminar
- Acceso inmediato tras la compra