Introducción a la Inteligencia Artificial para hispanohablantes

<a id="inicio"></a> # Introducción a la Inteligencia Artificial para hispanohablantes **Autora:** Sandra Acevedo · [GitHub](https://github.com/SandraAcevedoA) **Escuela:** Multiverse School <a id="nav"></a> ## Mapa de navegación [Historia](#historia) · [Prompting](#prompting) · [Mapa LLM](#mapa) · [Práctica](#practica) · [Malentendidos](#mitos) · [Política](#politica) · [Profundización](#profundizar) · [Genealogía](#genealogia)  --- <a id="historia"></a> ## Sección I — ¿Cómo llegamos aquí? *Historia para recuperar margen de acción* ### Objetivos · Historia - Entender el arco histórico que va desde el aprendizaje automático especializado hasta los modelos de lenguaje modernos, y por qué los LLMs pueden sentirse “generales” aunque sigan teniendo límites estructurales. - Saber qué es un token y por qué las ventanas de contexto moldean fallas reales en el uso cotidiano. - Distinguir el modelo base de la capa de producto: las herramientas, interfaces y *harnesses* con los que las personas interactúan en la práctica. ### Puntos clave · Historia - La IA no comenzó con ChatGPT: sistemas especializados → aprendizaje profundo → transformers, y por qué los LLMs se sienten “generales” aunque estructuralmente no lo sean. - Los tokens y la ventana de contexto funcionan como límites duros que explican muchas fallas reales. - Modelo base versus capa de producto: las personas no están interactuando con un modelo “crudo”, sino con un *harness* construido sobre él. <a id="grafo"></a> ### Grafo histórico  <iframe src="https://aelius23.github.io/intro-ia-hispanohablantes/grafo-interactivo.html" width="100%" height="600" frameborder="0" style="border:1px solid #30363d; border-radius:12px;"></iframe> > **Si el grafo no carga arriba**, ábrelo directamente: [Grafo interactivo · Genealogía de la IA](https://aelius23.github.io/intro-ia-hispanohablantes/grafo-interactivo.html) ### Claves de lectura · Grafo histórico - “Inteligencia artificial” y “ChatGPT” no son lo mismo, aunque en el uso cotidiano y mediático muchas veces se usen como si fueran equivalentes. - Ese atajo terminológico puede servir para comunicar rápido, pero también produce confusión conceptual y reduce nuestra agencia como usuarios. - Para usar estas herramientas con más criterio, necesitamos distinguir entre campo, modelo, producto e interfaz. - Mirar la historia de la IA ayuda a salir del hype y del miedo, porque muestra que esta tecnología no tiene un origen único, limpio o monolítico. - La historia de la IA no avanza en línea recta ni desde un tronco único: se forma como una red de convergencias entre distintas disciplinas, tecnologías e instituciones. - El grafo histórico no busca contarlo todo, sino mostrar las capas mínimas necesarias para entender qué estamos usando y cómo podemos dirigir mejor la interacción. _[Volver al mapa](#nav)_ --- <a id="prompting"></a> ## Sección II — Cómo usar IA *Prompting como especificación* ### Objetivos · Prompting - Entender qué es un prompt y por qué importa. - Aprender un marco repetible para escribir prompts como especificación de trabajo, no como receta universal. - Practicar un movimiento de iteración: redirigir, expandir o restringir, manteniendo la verificación explícita. ### Puntos clave · Prompting - El prompting no es una plantilla universal ni una habilidad esotérica. Es especificación de trabajo para un sistema que opera con lenguaje y patrones. - Marco: tarea / contexto / formato / verificación. “Verificación” aquí es un hábito, no un sistema de puntuación: verificar antes de actuar cuando el costo de equivocarse es alto. - Nota situada en español: los ejercicios hacen explícitas condiciones lingüísticas y culturales —lengua o combinación de lenguas, variedad regional, registro, género textual, audiencia, terminología especializada, préstamos, traducción y falsos amigos— para aumentar el control sobre el resultado y ayudar a diagnosticar dónde se produce un desenfoque. - Una especificación clara puede ayudar a distinguir entre información insuficiente, límites del modelo o la plataforma, pérdida de contexto, fallas de herramientas o criterios de evaluación inadecuados. No permite separar esas causas de forma automática ni convierte toda falla en responsabilidad del usuario. _[Volver al mapa](#nav)_ --- <a id="mapa"></a> ## Mapa de Compatibilidad LLM ### Grafo interactivo  <iframe src="https://aelius23.github.io/intro-ia-hispanohablantes/mapa-compatibilidad-llm.html" width="100%" height="600" frameborder="0" style="border:1px solid #30363d; border-radius:12px;"></iframe> > **Si el grafo no carga arriba**, ábrelo directamente: [Mapa de Compatibilidad LLM · Grafo interactivo](https://aelius23.github.io/intro-ia-hispanohablantes/mapa-compatibilidad-llm.html) ### Claves de lectura · Mapa de compatibilidad - El mapa no parte de la idea de que exista un modelo universalmente mejor. Propone mirar el encaje entre tarea, dinámica de interacción, estilo de prompting y patrón de usuario. - El punto de entrada es la tarea: qué se quiere hacer con IA, qué debe sostener el modelo y qué puede salir mal si la tarea falla. - Los perfiles de usuario aparecen después, como lectura acumulativa de patrones de uso, no como puerta principal del grafo. - El grafo conecta 35 nodos organizados en 6 categorías: marco, familias de tarea, estilos de prompting, dinámicas de interacción, conceptos pedagógicos y perfiles de usuario. _[Volver al mapa](#nav)_ --- <a id="practica"></a> ## Sección III — Aplicando un marco de uso situado a la IA *Trabajo asistido + demo rápida* ### Objetivos · Práctica - Entender cómo la IA puede usarse como asistente de trabajo, independiente del nivel de experiencia. - Aplicar un marco de uso situado que distinga entre el encuadre del sistema, la situación de la tarea, el diseño de la interacción y el diagnóstico del resultado. - Reconocer distintos niveles de trabajo asistido por IA: desde exploración guiada en lenguaje natural hasta desarrollo técnico más avanzado. - Ver una construcción real en vivo, de principio a fin. ### Puntos clave · Práctica - El marco de uso situado no define una identidad fija del usuario. Organiza una relación concreta entre persona, tarea, audiencia, condiciones lingüísticas y culturales, plataforma, contexto, riesgo y criterios de aceptación. - El prompting no es una insignia de experticia, sino una práctica que se puede aprender y ajustar. - Cada usuario puede construir circuitos de trabajo propios: especificar, producir, observar, verificar, redirigir y decidir. - La iteración no proviene de una plantilla fija, sino de la práctica sostenida del usuario. - Una especificación situada puede aumentar el control y mejorar el diagnóstico, pero no garantiza una buena respuesta ni compensa necesariamente los vacíos de representación o las limitaciones del modelo y la plataforma. <a id="marco"></a> ### Marco de uso situado Antes de formular el prompt, conviene distinguir cuatro escalas de trabajo: 1. **Encuadre del sistema:** qué modelo, producto, plataforma e infraestructura median la tarea; qué condiciones de privacidad, acceso, costo o poder importan. No todas estas decisiones se resuelven dentro del prompt: a veces conducen a cambiar de plataforma, retirar datos sensibles o no usar IA para esa parte del trabajo. 2. **Situación de la tarea:** qué se quiere producir, para quién, en qué lengua o combinación de lenguas, variedad, registro, género textual y contexto cultural; qué riesgo tiene equivocarse y qué resultado se considerará aceptable. 3. **Diseño de la interacción:** qué información entra al contexto, qué debe producir el modelo, qué herramientas intervienen, qué se verifica, qué se itera y qué decisiones conserva la persona. 4. **Diagnóstico del resultado:** si la especificación fue suficiente, si el modelo y la plataforma pudieron cumplirla, si hubo pérdida de contexto o fallas de herramientas y si el criterio de evaluación corresponde realmente a la audiencia. El marco no garantiza una buena respuesta. Hace explícitas las condiciones de uso, mejora la dirección del proceso y permite diagnosticar con mayor precisión dónde se produjo una falla. <a id="niveles"></a> ### Aprender haciendo *Tres niveles de trabajo asistido por IA* La misma tarea puede abordarse con distintos niveles de profundidad técnica: - **Vibe Coding:** usar lenguaje natural para pedir una herramienta, página o prototipo simple, sin necesidad de escribir el código manualmente. - **Desarrollo asistido:** trabajar con la IA como apoyo para generar, revisar, depurar o modificar código, manteniendo criterio sobre lo que se está construyendo. - **Ingeniería aumentada por IA:** integrar modelos en flujos profesionales de diseño, arquitectura, pruebas, documentación o automatización. <a id="general"></a> #### Prompting práctico para trabajo general - Usar vocabulario cotidiano para pedir ayuda o tareas específicas con resultados terminados. - Entregar detalles que aporten precisión, muchas veces en respuesta a preguntas del modelo. - Verificar el resultado: listar errores o desenfoques, acotar, refinar, depurar y agregar precisión. > **Este paso puede:** > > - Reducir la genericidad del trabajo. > - Acercar el resultado al contexto personal o profesional de la tarea. > - Reducir el riesgo de producir *AI slop*. Una especificación más precisa no garantiza por sí sola un buen resultado. El modelo todavía puede normalizar la voz, perder matices culturales, ignorar restricciones, inventar información o producir errores técnicos. - Iterar o profundizar cuando la primera respuesta todavía no responde bien a la tarea. <a id="tecnico"></a> #### Prompting práctico para tareas técnicas - Ser específico sobre el lenguaje, framework y entorno. - Incluir los mensajes de error de forma literal al depurar. - Pedirle a la IA que explique su código. - Pedir alternativas: “Muéstrame dos formas distintas de resolver esto”. #### Tabla comparativa | Nivel de especificación | Tarea técnica | Trabajo general | |---|---|---| | Lenguaje general | “Hazme una página web simple para mi proyecto.” | “Ayúdame a escribir un texto sobre mi proyecto.” | | Lenguaje situado / especializado | “Crea una página estática en HTML/CSS/JS en un solo archivo, con secciones de inicio, proyectos y contacto. No uses frameworks. Incluye comentarios breves en el código y revisa posibles errores antes de entregar.” | “Redacta una presentación breve para una audiencia no técnica. Usa tono claro, cercano y profesional. Incluye propósito, público objetivo, beneficios y una versión final de máximo 150 palabras. No uses jerga corporativa.” | <a id="demo"></a> ### Demo rápida Hacer una demo en vivo como cierre de la sección. **Prompt inicial:** > “Crea una página web simple para presentar un proyecto personal. Usa HTML, CSS y JavaScript en un solo archivo. La página debe incluir título, descripción breve, una sección de objetivos, una sección de contacto y un botón interactivo. Haz que se vea limpia, visualmente clara y fácil de leer.” **Circuito de iteración:** - Revisar la primera respuesta. - Copiar el código en un archivo y abrirlo en el navegador. - Pedir una modificación visual o estructural. - Pedir revisión de errores antes de usar el resultado. - Observar cómo cambia el resultado cuando la instrucción se vuelve más específica. - Diagnosticar si los cambios resolvieron la tarea o si la falla requiere modificar el contexto, la herramienta, la plataforma o el criterio de evaluación. **Preguntas de diagnóstico:** - ¿La especificación entregó suficiente información? - ¿El modelo y la plataforma pudieron seguir las restricciones? - ¿Se perdió contexto o falló alguna herramienta? - ¿El criterio de evaluación representa realmente a la audiencia? - ¿El problema se corrige con otra iteración o exige cambiar de herramienta o de método? **Ejemplos de redirección:** - “Hazla menos corporativa y más cercana a una comunidad cultural.” - “Cambia el diseño a modo oscuro.” - “Separa el contenido en tres secciones más claras.” - “Revisa si el código tiene errores antes de entregarlo.” _[Volver al mapa](#nav)_ --- <a id="mitos"></a> ## Sección IV — Malentendidos comunes *Cerrar el circuito* **“La herramienta puede fallar de formas estructurales, no sólo por culpa del usuario.”** *Evaluación doméstica de sesgo.* ### Objetivos · Malentendidos - Identificar y corregir los malentendidos más comunes sobre la IA. - Entender que la verificación es un hábito práctico, especialmente cuando se trata de afirmaciones factuales, legales, médicas o financieras. - Pensar críticamente sobre quién construye la IA y qué alternativas existen, sin caer en el hype ni en el pánico. ### Puntos clave · Malentendidos - “Si lo dijo, debe ser cierto.” La fluidez no es verdad; los errores plausibles son una característica estructural de la generación probabilística. - “La IA es neutral.” Los datos de entrenamiento, las decisiones de filtrado y las estructuras de incentivos moldean los resultados; la neutralidad es una narrativa, no un hecho del proceso técnico. - “Todo esto es sólo Big Tech.” Muchas personas hablan de IA como si sólo significara OpenAI, Google y Anthropic, pero existe un ecosistema creciente de modelos locales y abiertos que amplía el espectro de opciones. - Incluso con buenos prompts, un modelo puede sobrerrepresentar ciertas tradiciones e invisibilizar otras. Por eso comparar, verificar y mirar omisiones es parte del uso situado. _[Volver al mapa](#nav)_ --- <a id="politica"></a> ## Sección V — IA y lo político *Recuperar agencia* **Entonces la agencia no es usar o no usar IA; es saber desde dónde, para qué, con qué límites, con qué verificación y sin entregar la voz.** ### Objetivos · Política - Conectar la práctica individual —cómo las personas aprenden, adoptan y verifican— con la conversación pública sobre despliegue, gobernanza y acceso. - Entender por qué el lenguaje, la representación, la soberanía de datos y la infraestructura no son temas secundarios para usuarios que trabajan primero en español. - Salir con una noción más clara de agencia: cómo participar en la conversación en vez de ser empujados hacia el hype, el miedo o la resignación. ### Puntos clave · Política - Cómo la mistificación y la demonización desplazan la atención lejos de las decisiones que realmente importan: lenguaje, representación, soberanía de datos, infraestructura y quiénes llegan a beneficiarse. - El espectro de opciones, sin evangelizar: plataformas frontier vs. proveedores no estadounidenses vs. modelos abiertos/locales; con tradeoffs entre privacidad, costo, capacidad y fricción. - Referencia breve a iniciativas regionales y locales de IA en América Latina y el Sur Global: importa quién diseña, entrena y se beneficia de estas tecnologías. - Marco de cierre: entender la IA no es sólo algo técnico; también es cívico y práctico. El punto es actuar con criterio, no externalizarlo. _[Volver al mapa](#nav)_ --- <a id="profundizar"></a> ## Líneas de profundización posibles Este workshop funciona como una introducción. Algunos temas quedan abiertos para futuras sesiones: - Historia crítica de la IA y genealogías no lineales. - Prompting como especificación situada para usuarios bilingües. - Español, modelos multilingües y preservación de voz. - Modelos, plataformas y compatibilidad usuario/tarea. - Sesgos, omisiones y verificación doméstica en LLMs. - IA, infraestructura, soberanía de datos y agencia política. _[Volver al mapa](#nav)_ --- <a id="genealogia"></a> ## Genealogía de la IA · Referencia del grafo ### Línea de tiempo · Puntos de inflexión | Año | Punto de inflexión | |---|---| | 1913 | Markov aplica probabilidad al texto de Pushkin | | 1943 | McCulloch y Pitts proponen la neurona lógica | | 1948 | Wiener publica *Cybernetics* | | 1948 | Shannon publica la teoría matemática de la información | | 1956 | Dartmouth: se acuña el término *artificial intelligence* | | 1968 | Ivakhnenko y Lapa: GMDH y modelamiento inductivo | | 1986 | Backpropagation se establece como método de entrenamiento | | 2012 | AlexNet, ImageNet y la entrada de las GPU | | 2014 | seq2seq y los primeros mecanismos de atención | | 2017 | *Attention Is All You Need* y la arquitectura transformer | | 2018 | BERT y los transformers bidireccionales | | 2018 | GPT-1 y el pretraining generativo | | 2020 | GPT-3 y el few-shot learning a escala | | 2022 | Anthropic publica Constitutional AI | | 2022 | ChatGPT y la consolidación de la capa de producto | ### Conceptos (28) AI winter · AI safety y alignment · Aprendizaje automático · Aprendizaje de representaciones · Modelo base vs capa de producto · Cibernética · Claude como capa de producto · Control automático · Deep learning · GPU computing · ImageNet · Modelamiento inductivo · Modelos estadísticos de lenguaje · N-gramas · Neural machine translation · Probabilidad condicional · Procesamiento de lenguaje natural · Prompting como especificación · Reconocimiento de habla · Redes neuronales convolucionales · Redes neuronales tempranas · Retroalimentación · RLHF · Ruido, redundancia y codificación · Simbólico vs conexionista · Sistemas adaptativos · Teoría de autómatas · Verificación como práctica ### Personas (13) Andrey Markov · Bahdanau, Cho y Bengio · Claude Shannon · Frank Rosenblatt · Ivakhnenko y Lapa · John McCarthy · Krizhevsky, Sutskever y Hinton · Marvin Minsky · McCulloch y Pitts · Nathaniel Rochester · Norbert Wiener · Vaswani et al. · Viktor Glushkov ### Escenarios (8) Bell Labs · Dartmouth · Era del deep learning con GPUs · Escuela cibernética · Google Research · Instituto de Cibernética de Kiev · Lenguaje, probabilidad y estadística · OpenAI y la capa de producto GPT _[Volver al mapa](#nav)_ --- *Contenido © Sandra Acevedo. Grafo interactivo: Multiverse School.*