Apunte conceptual · Clases 1 a 9

De máquinas que calculan
a sistemas que
aprenden, razonan y colaboran

Toda la materia hasta el primer parcial cuelga de una sola tensión: la ambición de formalizar el razonamiento y la potencia de la computación para ejecutarlo a escala. Cada clase es un capítulo de esa tensión.

formalizar el razonamiento (lógica) + ejecutarlo a escala (computación)

Inteligencia Artificial

Esta notación —premisas arriba, barra, conclusión abajo— es la de la lógica formal donde nace la materia. La vas a encontrar en toda la página marcando las afirmaciones que más se evalúan. Cuando la barra es roja y aparece ⊬, la conclusión no se sigue: son los errores típicos.

6Clases

3Unidades

1950Turing

1956Dartmouth

2Inviernos

Panorama

El hilo que conecta las seis clases

Antes de estudiar cada clase por separado, fijate el recorrido completo. La materia no es una lista de temas sueltos: es una sola pregunta que se va transformando.

Leé el mapa de arriba hacia abajo. La pregunta original es filosófica; Turing la vuelve evaluable; de ahí salen tres programas de trabajo (construir, criticar, interpretar) que convergen en la misma conclusión.

Cómo usar esta página

El buscador de la izquierda lista los bloques que coinciden (fichas, glosario, preguntas, desplegables) y salta al que elijas; Enter va al primero.
Cada clase abre con su idea fuerza en notación de regla.
Los bloques rojos marcan el error típico: son los que se preguntan.
El glosario y las confusiones típicas cruzan todas las clases.

Qué se evalúa en el primer parcial

Unidades 1, 2 y 3 (clases 1 a 6).
Definiciones precisas y distinciones entre conceptos parecidos.
Saber fechar y atribuir: Turing 1950, Dartmouth 1956, Searle 1980.
Poder argumentar a favor y en contra, no sólo repetir.

Clase 01 · Unidad 1 · 5 de agosto

Definiciones y antecedentes históricos

De la lógica formal a los sistemas expertos. La pregunta que ordena la clase: ¿cuándo una máquina pasa de calcular a actuar inteligentemente?

ambición de formalizar el razonamiento humano + máquinas capaces de ejecutarlo a escala

la IA nace de una tensión productiva

1.1 · Qué es la IA (y por qué no hay una sola definición)

Inteligencia Artificial

Campo que busca construir sistemas capaces de realizar tareas que normalmente requieren inteligencia humana: aprender de datos, razonar y decidir, percibir el entorno, comprender lenguaje y adaptarse con la experiencia.

También se la define como: «conjunto de técnicas, algoritmos y herramientas para resolver problemas que exigen cierto grado de inteligencia» (definición pragmática, la que usa la cátedra).
Estructura mínima: Datos → Modelos → Acción.
Ejemplo: Un filtro de spam no “entiende” el correo: aprende regularidades de miles de ejemplos y decide.

Error típico Dar “la” definición de IA como si fuera única. La cátedra es explícita: no existe una única definición operativa. Lo correcto es dar una definición y aclarar desde qué enfoque se la formula.

Las cinco capacidades cognitivas

La IA no es una sola técnica: es una familia de enfoques para emular capacidades humanas. Cada una se describe como una transformación.

Aprendizaje: datos → patrones
Razonamiento: premisas → conclusiones
Percepción: señales → significado
Lenguaje: texto o voz → intención
Creatividad: ideas → soluciones

Error típico Confundir “percepción” con “lenguaje”. Percepción va de señal a significado (una cámara que detecta un peatón); lenguaje va de texto o voz a intención (entender que “está helado acá” es un pedido).

Enfoque multidisciplinario

La IA se apoya en lógica, matemática, computación, estadística, lingüística, neurociencia y filosofía. Por eso las preguntas de la materia son a la vez técnicas y conceptuales.

Dominios de aplicación: Robótica, visión por computadora, procesamiento del lenguaje natural, salud, finanzas, transporte y educación.
Capacidades centrales: Lenguaje natural, razonamiento, aprendizaje, representación del conocimiento, visión artificial y robótica.

1.2 · Los antecedentes: de la lógica formal a la IA

La línea histórica de la cátedra no empieza en las computadoras: empieza en el intento de escribir el razonamiento con símbolos. Cada eslabón aporta una pieza que la IA después hereda.

Fechas tal como las presenta la cátedra. Los dos hitos en ocre (1950 y 1956) son los que se preguntan con fecha exacta.

1.3 · Dos momentos fundacionales

Prueba de Turing — 1950

Una máquina “pasa” si sus respuestas son indistinguibles de las humanas en una conversación. El aporte decisivo es el cambio de pregunta:

«¿piensa?»

«¿se comporta inteligentemente?»

Se desarrolla en profundidad en la clase 3.

Conferencia de Dartmouth — 1956

Nacimiento oficial de la IA como campo de estudio autónomo.

Impulsores de la agenda inicial:
John McCarthy · Marvin Minsky · Nathaniel Rochester · Claude Shannon

Memorizá los cuatro nombres: es una pregunta de identificación directa.

El ejemplo del café: cómo se ve una Prueba de Turing

Juez: «¿Te gusta el café?»

Humano: «Sí, pero solo a la mañana. Si tomo después de las 5 no duermo.»

Máquina: «Sí, me gusta bastante, aunque suelo preferirlo con leche cuando hace frío.»

Si la máquina responde de manera natural, contextual y convincente durante toda la conversación, el juez podría no distinguirla. Si después de conversar el juez no puede identificar consistentemente quién es la máquina, se dice que pasó la prueba.

No mide si la máquina piensa de verdad en sentido filosófico: mide si puede simular comportamiento inteligente humano en una conversación. Por eso sigue siendo un hito histórico, pero hoy se considera una medida incompleta.

1.4 · El primer paradigma: IA simbólica

Antes de aprender de datos, la IA razonaba con símbolos y reglas escritas a mano.

Representación hechos, símbolos, ontologías

Búsqueda explorar el espacio de soluciones

Reglas SI condición → ENTONCES acción

Inferencia deducir conclusiones

Fortaleza

Explicabilidad y control lógico: se puede reconstruir por qué el sistema llegó a esa conclusión.

Límite

Fragilidad ante la ambigüedad del mundo real. Todo caso no previsto por una regla queda fuera.

1.5 · Sistemas expertos: IA simbólica aplicada

“Capturan” experiencia humana como reglas para resolver casos específicos. Son la aplicación comercial del paradigma simbólico, y su fracaso al escalar provoca el segundo invierno de la IA.

Un sistema experto separa el conocimiento (las reglas) del mecanismo que las aplica. Esa separación es lo que permite explicar la salida.

1.6 · Hitos que ampliaron la imaginación de la IA

Cada hito mostró una forma distinta de inteligencia. Si te preguntan por uno, respondé también qué capacidad demostró.

Hitos y qué demostró cada uno
Hito	Dominio	Qué forma de “inteligencia” mostró
Deep Blue	Ajedrez	Estrategia mediante búsqueda en el espacio de jugadas
DARPA Grand Challenge	Vehículos autónomos	Percepción y acción en un entorno físico real
Watson	Lenguaje natural	Comprensión aparente y recuperación de lenguaje
Google Brain	Aprendizaje profundo	Aprendizaje a escala a partir de grandes volúmenes de datos

Cierre de la clase 1

La IA nace de una tensión productiva: formalizar el razonamiento humano y construir máquinas que lo ejecuten a escala. Las tres preguntas abiertas que deja: ¿qué significa “inteligente” en un sistema artificial?, ¿cuándo conviene usar reglas y cuándo datos?, ¿cómo diseñamos IA útil, justa y explicable?

1.7 · Dartmouth 1956, en detalle

La cátedra le dedica una lámina entera. Si te piden desarrollar el hito, esto es lo que hay que poder decir.

¿En qué consistió?

Un taller de investigación en Dartmouth College para estudiar «máquinas inteligentes». Reunió a científicos de matemática, computación e información durante el verano de 1956.

Antes: La propuesta formal es de 1955; el taller, de 1956.

Integrantes clave

Organizadores: John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon.

Participantes influyentes: Oliver Selfridge, Ray Solomonoff y otros pioneros.

Error típico Nombrar a Turing entre los de Dartmouth. Turing es 1950 y no participó: murió en 1954.

Ideas y acuerdos

La tesis fundacional: la inteligencia podía describirse con símbolos, reglas y procedimientos computables.

La agenda inicial: Lenguaje, abstracción, problemas, aprendizaje y mejora automática.

Ejes técnicos debatidos

Lenguaje y manipulación de símbolos; redes neuronales para formar conceptos; complejidad de cálculo, búsqueda eficiente y creatividad computacional.

Dato que sorprende Las redes neuronales ya se discutían en 1956. La oposición simbólico / conexionista nace con el campo, no después.

1955 propuesta formal

1956 taller en Dartmouth

1956 la IA como campo

60s–80s IA simbólica y sistemas expertos

Hoy ML, LLMs y agentes

1.8 · La IA simbólica en detalle (GOFAI)

También se la llama GOFAI —Good Old-Fashioned AI— o simplemente «IA basada en reglas». La cátedra la desarrolla con nombres, fechas y un proceso concreto.

¿Qué es?

Representa conocimiento con símbolos legibles: hechos, conceptos, relaciones y reglas.
Razonar = manipular símbolos con lógica, búsqueda e inferencia.

¿Quiénes la impulsaron?

Newell, Simon y Shaw — Logic Theorist y resolución de problemas.
McCarthy y Minsky — lenguaje LISP, representación y razonamiento.

Herramientas típicas

Reglas IF-THEN, lógica de predicados, búsqueda heurística y planificación.
Redes semánticas, frames, Prolog, ontologías y sistemas expertos.

Cómo se desarrolló a través de los años

1956 Logic Theorist

1958 LISP

60s búsqueda + representación

70s Prolog y DENDRAL

80s sistemas expertos

90s–00s ontologías y web semántica

Hoy neuro-simbólica

El proceso para responder una consulta

Consulta«¿Qué acción conviene tomar?»
SimbolizarTraducir el caso a hechos y entidades.
Consultar la base de conocimientoBuscar reglas, casos y relaciones aplicables.
InferirEncadenar reglas y comprobar la lógica.
ResponderConclusión + explicación trazable.

Fortaleza

Explicable, auditable y útil cuando hay reglas claras.

Límite

Frágil ante ambigüedad, datos incompletos o dominios enormes.

Impacto actual

Se combina con ML y LLMs para aportar lógica, memoria y trazabilidad.

1.9 · Los cuatro hitos, en detalle

La cátedra dedica una infografía completa a cada uno. Desplegá el que necesites: lo esencial es poder decir qué capacidad demostró y en qué año.

Deep Blue — ajedrez y búsqueda (1997)

Idea central: Deep Blue no «pensaba» como una persona: combinó hardware especializado, búsqueda masivamente paralela y conocimiento ajedrecístico codificado para explorar millones de opciones más rápido que cualquier humano.

1985 ChipTest nace en Carnegie Mellon (Feng-hsiung Hsu)

1988–89 Deep Thought vence a un gran maestro; el equipo pasa a IBM

1996 gana una partida a Kasparov, pierde el match 4–2

1997 gana el match 3,5 a 2,5

Cómo funcionaba

Hardware: IBM RS/6000 SP, 2 torres, 480 chips VLSI.
Software: programa de ajedrez + evaluación + bases de datos.
Estrategia: búsqueda alfa-beta + fuerza bruta paralela.
200 millones de posiciones por segundo, análisis hasta ~30 movimientos adelante.

Logro clave: 1997 fue el primer match ganado a un campeón mundial vigente. Fue retirado después de esa victoria; una de sus torres está en el Smithsonian.

DARPA Grand Challenge — vehículos autónomos (2004–2007)

Idea central: transformó el vehículo autónomo de experimento de laboratorio a demostración pública; integró sensores, IA, software confiable y vehículos drive-by-wire en una carrera que creó comunidad, talento e industria.

2003 DARPA lanza el Grand Challenge

2004 15 finalistas, premio de US$1 M, ningún vehículo completa la ruta

2005 Stanford gana con Stanley: 132 millas en 6 h 53 min

2007 Urban Challenge: gana Boss (CMU / Tartan Racing) en entorno urbano

Cómo funcionaba

Sensores: LiDAR, radar, cámaras, GPS/IMU y odometría.
Software: percepción, localización, planificación y control.
Vehículo: drive-by-wire — volante y freno por señal eléctrica.

Nombres: Sebastian Thrun (Stanford Racing), Mike Montemerlo (software de Stanley), William «Red» Whittaker (Tartan Racing / CMU).

Por qué importa: validó IA, aprendizaje automático y razonamiento probabilístico en terreno real, no en simulación.

IBM Watson — lenguaje natural (2011)

Idea central: combinó NLP, búsqueda de evidencia, aprendizaje automático y cómputo paralelo para convertir texto no estructurado en respuestas, entidades, sentimiento y relaciones.

2006 David Ferrucci propone Jeopardy!

2007–10 IBM Research construye DeepQA

2011 vence a Ken Jennings y Brad Rutter, y gana US$1 millón

2013–18 se convierte en API y soluciones para salud, banca y atención

Cómo funcionaba

Entrada pregunta en lenguaje natural

DeepQA hipótesis + evidencia + ranking

Salida respuesta con nivel de confianza

Escala: 2.880 núcleos POWER7, 90 servidores IBM Power 750, Linux, paralelo masivo.

Dato que se pregunta: respondía desde una base local, sin conexión a internet.

Google Brain — aprendizaje profundo a escala (2011–2023)

Idea central: convirtió la intuición de «más datos + más cómputo + redes profundas» en infraestructura real: software abierto, chips especializados y modelos que hoy sostienen gran parte del ecosistema de IA.

2011 Jeff Dean, Greg Corrado y Andrew Ng lo inician dentro de Google X

2012 experimento «cat neuron»: 16.000 CPU cores aprenden conceptos desde YouTube sin etiquetas

2013 Google incorpora a Geoffrey Hinton (adquiere DNNResearch)

2015 se libera TensorFlow

2016–17 las TPU aceleran modelos y se publica el Transformer

2023 se fusiona con DeepMind → Google DeepMind

Por qué el «cat neuron» importa: validó aprendizaje no supervisado a gran escala con datos no etiquetados. Red de más de 1.000 millones de conexiones.

Legado: el Transformer de 2016-17 es la base de la IA generativa moderna y de casi todos los modelos de lenguaje actuales.

1.10 · LLM: modelos de lenguaje

Un LLM (Large Language Model) es una red neuronal entrenada con grandes volúmenes de texto y otros datos para predecir y generar tokens. Puede resumir, razonar, traducir, programar y conversar usando contexto, instrucciones y ejemplos.

Prompt lo que se le pide

Tokens la unidad que procesa

Salida lo que genera

Los cinco criterios para comparar un LLM

Cómo se evalúa un modelo, según la cátedra
Criterio	Qué mide
Calidad	Razonamiento, exactitud y seguridad
Costo	USD por millón de tokens de entrada y de salida
Contexto	Cantidad de texto que puede leer de una vez
Idiomas	Idiomas documentados (los modismos no son una métrica estándar)
Ecosistema	API, nube, modelos abiertos y herramientas

Nota importante de la propia lámina

«Cantidad de lenguajes con modismos» no es una métrica uniforme del mercado: algunos proveedores publican idiomas de la app, otros idiomas evaluados, y otros no publican conteo. La infografía usa cifras documentadas o la etiqueta «no publica» para evitar inventar precisión. Es el mismo criterio de rigor que evalúan las preguntas sobre las olas.

Modelos que compara la lámina: GPT (OpenAI), Claude (Anthropic), Gemini (Google DeepMind), Llama (Meta, abierto para self-hosting), Mistral (proveedor europeo) y DeepSeek (muy bajo costo). Las tarifas cambian seguido: lo que se evalúa son los criterios, no los precios.

1.11 · Tokens, ROI y HITL

Token

Unidad mínima que un modelo de lenguaje lee o genera. Puede ser una palabra, parte de una palabra, un carácter o un signo de puntuación. El texto se convierte en IDs numéricos para que el modelo lo procese.

Ejemplo: «costos de atención» puede dividirse en varios tokens; cada modelo tokeniza distinto.
Por qué importa: Costo (las APIs cobran por token), contexto (la ventana limita cuánto entra), latencia y diseño del prompt.

La fórmula Costo IA ≈ (tokens IN × tarifa IN) + (tokens OUT × tarifa OUT)

HITL — Human in the Loop

La IA se detiene o escala en puntos definidos para que una persona valide, corrija, apruebe o bloquee una acción.

Cuándo se aplica: Confianza baja · quejas · pagos o datos sensibles · cumplimiento · sentimiento negativo · impacto alto.

Conecta con Es el mismo human-in-the-loop de las aproximaciones contemporáneas de la clase 4, ahora como decisión de diseño operativo.

ROI de un proyecto con agentes

No conviene asumir 100 % de sustitución humana. Un caso financiero sólido modela contención, escalación, HITL, costos de IA, licencias, integración, operación y riesgos.

Escenario recomendado: Crear tres casos —conservador, esperado, agresivo— y mantener una cola HITL para excepciones.

Advertencia de la cátedra Si el objetivo es «sustituir todos los agentes», hay que validar primero riesgo legal y experiencia de cliente. Es un caso de libro de hype.

El modelo operativo con HITL

Cliente consulta

Agente IA resuelve

Regla de riesgo confianza / monto

HITL aprueba o corrige

Aprendizaje mejora prompts y base de conocimiento

Clase 02 · Unidad 1 · 12 de agosto

Agente, entorno y racionalidad

Diferencias entre IA simbólica y conexionista, e impacto social y cultural inicial. Es la clase que te da el vocabulario técnico con el que se habla del resto de la materia.

parecer inteligente

ser un buen agente

No basta parecer inteligente: importa actuar bien en un contexto. Ese desplazamiento —de la apariencia al desempeño— es la idea fuerza de la clase.

2.1 · Qué estudia la IA: cuatro verbos

Percibir interpretar texto, voz, imágenes y sensores

Razonar inferir desde hechos, reglas, hipótesis o incertidumbre

Aprender generalizar desde ejemplos para adaptarse a datos nuevos

Actuar elegir operaciones que cambian el entorno

2.2 · La tríada central

Agente

Sistema que recibe percepciones del entorno y ejecuta acciones sobre él.

También se lo llama: sistema autónomo, entidad que percibe y actúa
Ejemplos: Un termostato, un vehículo autónomo, un asistente conversacional, un robot aspirador.

Error típico Pensar que un agente tiene que ser físico o tener cuerpo. Un agente puede ser puramente digital: lo que lo define es el par percepción / acción.

Entorno

Mundo físico o digital donde las acciones del agente producen efectos.

También se lo llama: ambiente, contexto de operación, “campo de juego” del agente
Por qué importa: El rendimiento de un agente depende de cómo está estructurado el mundo donde opera. El mismo agente puede ser excelente en un entorno y desastroso en otro.

Racionalidad

Elegir la acción más conveniente según la información disponible, los objetivos, la incertidumbre y el tiempo disponible.

También se la llama: enfoque racional, “actuar racionalmente”
Los cuatro condicionantes: información (completa o incompleta) · objetivos · incertidumbre · tiempo

Error típico Confundir racional con óptimo o omnisciente. Un agente racional hace lo mejor con lo que sabe y en el tiempo que tiene. Puede equivocarse y seguir siendo racional.

2.3 · El ciclo del agente

El “aprender” es lo que cierra el ciclo: sin retroalimentación hay un sistema reactivo, no un agente que mejora.

2.4 · Propiedades del entorno: cuatro pares opuestos

Cada par es una pregunta sobre el mundo donde opera el agente. Se preguntan como pares, así que aprendelos en pares.

Las cuatro dimensiones del entorno
Dimensión	Un extremo	El otro extremo	La pregunta que responde
Observabilidad	Observable	Parcialmente observable	¿El agente ve todo el estado del mundo?
Predictibilidad	Determinista	Estocástico	¿La misma acción produce siempre el mismo efecto?
Temporalidad	Estático	Dinámico	¿El mundo cambia mientras el agente delibera?
Población	Individual	Multiagente	¿Hay otros agentes cuyas decisiones te afectan?

Ejemplo integrador que usa la cátedra

Un vehículo autónomo combina las cuatro dimensiones en su versión difícil: es parcialmente observable (hay oclusiones y puntos ciegos), estocástico (el asfalto mojado, un peatón imprevisible), dinámico (el mundo no espera a que decida) y multiagente (otros autos, ciclistas, peatones). Por eso es el ejemplo canónico: no hay dimensión fácil.

2.5 · IA simbólica vs. IA conexionista

Dos maneras de representar conocimiento y producir comportamiento inteligente. Esta tabla es prácticamente una pregunta segura de parcial.

El contraste central de la unidad 1
Criterio	Simbólica	Conexionista
Base	Reglas, lógica y símbolos	Redes neuronales y datos
Origen del conocimiento	Codificado por humanos expertos	Aprendido de ejemplos
Transparencia	Explicaciones más transparentes	Menos interpretable por diseño
Fuerte en	Razonamiento formal	Percepción y predicción
Debilidad	Frágil ante lo no previsto	Depende de la cantidad y el sesgo de los datos
Ejemplos	Sistemas expertos, lógica difusa	Visión por computadora, modelos de lenguaje

La postura de la cátedra

No compiten solamente: se combinan en sistemas híbridos. Si en el parcial te piden comparar los dos paradigmas, cerrá siempre con esta idea —es la que la cátedra llama “visión universitaria”—. En la clase 4 reaparece con nombre propio: IA neuro-simbólica.

2.6 · Impacto social y cultural inicial

La IA nació con gran imaginación pública, promesas científicas y debates éticos, todo al mismo tiempo.

Imaginario cultural

Ciencia ficción, “máquinas pensantes” y expectativas sobre el futuro. Se desarrolla en la clase 5.

Aplicaciones visibles

Buscadores, reconocimiento de voz, cámaras, filtros de spam, juegos y transporte.

Debate social

Empleo, seguridad, privacidad, responsabilidad y acceso equitativo.

Los cinco hitos del recorrido inicial

1943 primera neurona artificial (McCulloch y Pitts)

1950 Test de Turing

1956 Dartmouth: la IA como campo

1980s sistemas expertos y redes

1990s IA en la vida cotidiana

Cierre de la clase 2

IA responsable = técnica + contexto. Las dos preguntas que la cátedra pide tener siempre a mano: «¿qué acción debería tomar el agente y por qué?» y, al explicar cualquier sistema, nombrar sus datos, supuestos, riesgos y métricas.

2.7 · Simbólica vs. conexionista: la versión completa

La cátedra dedica una segunda lámina al contraste, con orígenes, fechas y costos. Es la que permite responder cualquier variante de la pregunta.

Comparación extendida
Criterio	IA simbólica	IA conexionista
Qué es	Representa conocimiento con símbolos, reglas IF-THEN, lógica y motores de inferencia.	Aprende patrones desde datos mediante conexiones y pesos en redes neuronales.
Origen y fechas	1956 Logic Theorist. Auge: sistemas expertos durante los 70 y 80.	1943 neurona formal · 1958 Perceptron · 1980s backpropagation · 2010s deep learning.
Cuándo conviene	Reglas claras, dominio estable, pocos datos, y decisiones que deben auditarse o explicarse.	Muchos datos; lenguaje, visión, voz, predicción, clasificación y generación.
Costos típicos	Bajo costo computacional. Alto costo humano: expertos, modelado de reglas y mantenimiento.	Alto costo de datos, GPUs/TPUs, energía, entrenamiento, inferencia y MLOps.
Ventajas	Explicable, determinista, trazable y útil en dominios acotados.	Aprende de ejemplos, captura patrones complejos y se adapta con nuevos datos.
Desventajas	Frágil ante excepciones, difícil de escalar y limitada para percepción o ambigüedad.	Menos interpretable, requiere datos, y puede tener sesgos, sobreajuste o alucinaciones.

Regla práctica para decidir

Simbólica cuando importa explicar y auditar reglas.
Conexionista cuando hay datos y patrones complejos.
Híbrida cuando se necesita aprendizaje + control.

Memorizá estas tres líneas: responden las preguntas 6, 32 y 36 del Kahoot.

2.8 · Evolución del lenguaje y la visión

Cómo nacieron los LLM, qué recursos los hicieron posibles y hacia dónde evolucionan. Ruta actual según la cátedra: IA multimodal + agentes.

1950s–2011 lenguaje y visión clásicos: NLP con reglas y gramáticas; visión con filtros y features manuales

2012–2016 el deep learning escala: CNNs mejoran visión; embeddings y redes recurrentes para texto

2017 Transformer: la self-attention reemplaza a la recurrencia y permite entrenar en paralelo

2018–2020 primeros LLM modernos: GPT y BERT; GPT-3 con 175B de parámetros y few-shot

2021–2025 visión + lenguaje: ViT, CLIP y modelos que combinan texto, imagen, audio y video

2026–2030 próxima evolución: modelos nativos multimodales, agentes con herramientas, memoria y RAG

Qué hizo posible el avance de los LLM — los cinco habilitadores

Datos masivos — web, libros, Wikipedia, código y pares imagen-texto.
Compute — GPUs/TPUs, clusters, nube y centros de datos.
Arquitectura — transformers, atención, tokenización y escalado.
Entrenamiento — pretraining, fine-tuning, RLHF e instrucciones.
Ecosistema — open source, APIs, MLOps, evaluación y seguridad.

Los dos primeros son los que menciona la pregunta 40: «datos masivos y aprendizaje».

Clase 02 · Unidad 1 · Marco de evolución

Las cinco olas y la IA agéntica

La clase 2 abre con un marco que ordena toda la materia hacia adelante: la IA avanza por olas, y hoy estamos en la tercera. Es el material del que salen tres preguntas del Kahoot (20, 39 y 40), y el que define qué es una IA agéntica.

A · Las 5 olas de avance de la IA

Las cinco olas tal como las presenta la cátedra. El asterisco de la ola 5 resume un rango: «2030s» es la expectativa de mercado y «2052» la mediana de encuestas a investigadores.

Las cinco olas en detalle
Ola	Período	Qué la define	Rasgos
1 · IA predictiva y analítica	1950s–2016	Automatiza análisis y predicciones con datos históricos para apoyar decisiones humanas.	Reglas, estadística y machine learning. Predice, clasifica y optimiza patrones. Ej.: scoring, recomendadores, fraude.
2 · IA generativa	2017–2023	Convierte grandes volúmenes de datos en contenido nuevo y asistencia bajo demanda.	Modelos fundacionales y transformers. Crea texto, imágenes, audio y código. Copilots para creatividad y conocimiento.
3 · IA agéntica (actual)	2024–2028	Pasa de responder a actuar: planifica, usa herramientas y completa tareas multi-paso.	Agentes con APIs, memoria y contexto. Ejecución supervisada y trazable. Orquestación de flujos de trabajo.
4 · IA física / embebida	2026–2030+	Integra IA con sensores, robots y gemelos digitales para operar en entornos reales.	Percepción más acción en tiempo real. Robots, vehículos, fábricas y dispositivos. Seguridad, control y datos espaciales.
5 · IA general autónoma	2030s? / 2052*	Busca capacidades generales para aprender, razonar y resolver problemas nuevos.	Aprendizaje transversal y razonamiento general. Investigación y mejora autónoma. Fecha incierta: escenarios divergentes.

Lo que se evalúa (preguntas 20, 39 y 40)

No la lista, sino su estatuto. La propia diapositiva lo dice: «Proyección a la última ola: sin consenso. Escenarios de mercado sitúan AGI entre fines de 2020s y 2030s; encuestas a investigadores son más conservadoras». Y las olas 3 y 4 se solapan (2024–2028 y 2026–2030), lo que confirma que no son un calendario cerrado. Es un marco prospectivo, no una cronología con fechas consensuadas. Contrastá con Turing (1950) o Dartmouth (1956): ésas sí son fechas verificables.

Conexión con la clase 6

Hablar de la ola 4 o la ola 5 es hablar de expectativas sobre algo que todavía no ocurrió: el territorio natural del hype. La regla docente vale igual — cuanto más amplia la promesa, más estricta la evidencia exigida. Que el marco venga de Gartner y otras consultoras no lo exime: la propia clase 6 enseña a usar esos marcos para diagnosticar expectativas, no como ley.

B · Agente virtual vs. agente agéntico

La clase distingue dos cosas que se confunden todo el tiempo. La regla práctica que da la cátedra es de una línea.

Chatbot

Software conversacional que guía al usuario con reglas, palabras clave, botones o flujos predefinidos.

informa y clasifica

Agente virtual con IA

Interpreta intención, conserva contexto y puede ejecutar acciones en CRM, ERP, ticketing o pagos.

entiende, decide y ejecuta

En la práctica

En un contact center moderno conviven: bot para lo simple, agente virtual para journeys transaccionales.

Diferencias clave
Criterio	Chatbot	Agente virtual con IA
Comprensión	Keywords, botones o intents simples	NLU/LLM, contexto y diálogo libre
Acción	Responde o deriva	Consulta y modifica sistemas
Memoria	Limitada al flujo	Contexto histórico y operacional
Canales	Webchat, WhatsApp, SMS	Voz, chat, IVR, apps y back-office
Métrica	Deflexión y clicks	Resolución, FCR, CSAT y contención
Gobierno	Bajo riesgo, bajo alcance	Requiere guardrails, auditoría e integración

El ejemplo que da la cátedra

Un agente virtual responde «¿cuál es mi horario?». Un agente agéntico revisa calendario, cupos y reglas académicas, y propone una inscripción válida. La diferencia no es cuánto sabe: es que el segundo actúa sobre el mundo.

Agente virtual

Actúa cuando la persona pregunta.
Responde con información o pasos guiados.
Puede usar NLU, RAG, reglas y flujos.
Caso típico: soporte 24/7 o atención al estudiante.

Agente agéntico

Recibe un objetivo y decide los pasos.
Llama APIs, bases de datos y apps externas.
Trabaja con memoria, guardrails y trazabilidad.
Caso típico: resolver un ticket de punta a punta.

Lo que comparten

IA + lenguaje natural.
Interacción con personas.
Gobierno y seguridad.
Datos de negocio.

Cuándo conviene cada uno

Elegir chatbot

FAQ estables y repetitivas.
Presupuesto bajo o MVP rápido.
Bajo riesgo transaccional.
Necesidad de clasificar y rutear.

Elegir agente virtual IA

Procesos multi-paso: pagos, cambios, reclamos.
Necesita actuar en CRM/ERP/ticketing.
Voz + digital con handoff contextual.
Altos volúmenes y objetivo de FCR.

Tip de la cátedra

Si la automatización debe «cerrar el trámite», no alcanza con un bot de FAQ: se necesita IA + integración + gobierno.

C · La anatomía de un agente

La clase cierra con una metáfora automotriz para desarmar un agente en cinco piezas. Sirve para responder «¿de qué está hecho?» sin recitar tecnología suelta.

Motor = LLMLa inteligencia que impulsa todo.
Ruedas = Contexto y SkillsLa tracción: qué sabe y recuerda de tu negocio.
Caja de cambios = ToolsConecta la potencia al mundo real: APIs, CRM, sistemas.
Personalización = Voz e idiomaTTS · STT + lógica de negocio: cómo se comporta.
Marca = System promptLa personalidad del agente: tu tono, tus reglas.

Lo que «agéntico» no implica

No implica comprensión —sigue valiendo todo lo de Searle— ni autonomía total. La propia diapositiva lo marca: ejecución supervisada y trazable, con guardrails y human-in-the-loop. Y no es un paradigma nuevo: un agente combina modelos conexionistas con reglas simbólicas, que es justo lo que afirma la pregunta 36.

Clase 03 · Unidad 2 · 19 de agosto

De Turing a los detectores de IA

La propuesta de Turing (1950) y sus variaciones modernas: CAPTCHA, chatbots y detección de voz y video sintéticos. El recorrido va de un experimento mental a una arquitectura de confianza en producción.

una pregunta filosófica no comprobable

un protocolo experimental evaluable

El mérito de Turing no es responder si las máquinas piensan: es reemplazar la pregunta por una que sí se puede someter a prueba.

3.1 · El juego de imitación (1950)

Turing publica Computing Machinery and Intelligence en Mind, 1950. Propone descartar «¿pueden pensar las máquinas?» y sustituirla por una situación de imitación evaluada mediante conversación escrita.

Los tres roles

Interrogador (o juez), humano y máquina, aislados entre sí para que la decisión dependa únicamente del intercambio lingüístico.

Por qué el aislamiento: Elimina toda pista que no sea intelectual.

El canal textual

Turing elige deliberadamente la escritura para evitar pistas físicas o de voz. Lo que se evalúa es la conducta comunicativa, no la apariencia.

Error típico Decir que el test evalúa si el sistema “parece humano”. Evalúa si sostiene una interacción indistinguible. La apariencia está excluida por diseño.

El criterio operativo

Si el juez no distingue de modo consistente quién es la máquina, la máquina “gana” el juego.

Qué prueba: Desempeño observable.
Qué NO prueba: Conciencia, comprensión, intención ni verdad factual.

Error típico Olvidar la palabra «consistentemente». Un acierto aislado del juez no invalida nada; lo que cuenta es si puede identificarla de manera sostenida.

la máquina pasa el Test de Turing

la máquina comprende / piensa

Ésta es la inferencia inválida que organiza toda la unidad 2. Searle y Penrose, en la clase 4, son dos maneras distintas de explicar por qué no se sigue.

3.2 · Imitación y conversación

Imitación

La máquina intenta producir respuestas que el evaluador no pueda separar de las humanas en un contexto limitado.

Conversación

El diálogo permite medir comprensión aparente, adaptación al contexto y manejo de la ambigüedad.

Límite académico

Un sistema puede convencer sin entender como una persona. El test mide conducta, no vida mental.

Lectura de la cátedra para estudiantes de IA: observá cómo un problema filosófico se convierte en un protocolo experimental. Y notá el estado actual: los modelos de lenguaje superan conversaciones cortas, pero siguen fallando en robustez, trazabilidad y verdad factual.

3.3 · Turing al revés: CAPTCHA

La inversión del juicio es el concepto clave de la clase. Fijate en la tercera columna: hoy la conversación ya no es sólo prueba, es interfaz, tutor, agente de soporte y superficie de fraude.

CAPTCHA

Prueba automática que busca distinguir personas de bots. Es pública: generada y calificada por una computadora.

La sigla, completa: Completely Automated Public Turing test to tell Computers and Humans Apart
Origen: von Ahn, Blum y Langford (2004), Communications of the ACM.
Diferencia esencial con Turing: En Turing el juez es humano; en CAPTCHA el juez es una máquina. Se invierte quién evalúa a quién.

Error típico Decir que el CAPTCHA “es un Test de Turing”. Es un test de Turing invertido y automatizado. La sigla misma lo dice: Public Turing test, no Turing test.

Chatbots

La conversación ya no es sólo una prueba de laboratorio: es interfaz, tutor, agente de soporte y simulador de tareas.

Consecuencia: El problema deja de ser académico y pasa a ser operativo: hay que verificar identidad y humanidad en sistemas reales.

3.4 · Detectar llamadas hechas por IA (voz)

La pregunta cambia de «¿quién habla?» a «¿este audio es humano, sintético o manipulado?».

Señales acústicas

Espectrograma, prosodia, ritmo, formantes, compresión, artefactos de síntesis y consistencia temporal.

Biometría de voz

Compara la voz en vivo contra una voz registrada. Útil para autenticación; por sí sola no resuelve todo deepfake.

Fraude y spoofing

Watchlists, scoring de riesgo, liveness y análisis multifactor ante voces clonadas o ataques de replay.

Decisión operativa

No basta un score: hay que definir umbral, acción, auditoría y escalamiento humano.

El pipeline didáctico

Captura del audio

Features extracción de rasgos

Modelo clasificación

Score probabilidad

Política qué se hace con ese número

Los dos riesgos simétricos

Falsos positivos: bloquean clientes legítimos. Impactan en inclusión y confianza.
Falsos negativos: dejan pasar fraude real.

Buenas prácticas de la cátedra: consentimiento, privacidad, minimización de datos y revisión humana en decisiones de alto impacto.

3.5 · Detectar videollamadas con personas falsas

Deepfakes en vivo: el problema combina identidad, liveness y coherencia multimodal.

Las cuatro familias de señales en video
Familia	Qué se observa
Visual	Parpadeo, gradientes de piel, bordes faciales, iluminación, landmarks, artefactos de compresión
Temporal	Consistencia entre frames, micro-movimientos, sincronía labial y patrones de latencia
Audio-video	Coherencia entre voz, labios, emoción, ruido ambiente y condiciones de red
Contexto	Señales de identidad, dispositivo, sesión, ubicación permitida y autenticación previa

Principio que hay que poder citar

Ningún detector ve “la verdad”: estima una probabilidad de manipulación con datos incompletos. Y el adversario también aprende, así que las defensas deben actualizarse, monitorearse y complementarse con controles organizacionales.

3.6 · Qué ofrecen hoy las plataformas de contact center

Genesys, Five9 y Amazon Connect
Plataforma	Qué aporta de fábrica	Cómo se resuelve la detección
Genesys Cloud	Speech/Text Analytics: transcribe interacciones, analiza sentimiento, empatía y temas. WebRTC para voz y video desde el navegador.	Deepfake de voz vía integraciones de AppFoundry: ValidSoft, Spitch, Auraya.
Five9	Agent Assist y Genius AI: transcripción, resúmenes, guía y knowledge. Five9 Video para soporte en tiempo real.	Autenticación y fraude de voz vía Inference Studio + Auraya, Pindrop u otros partners.
Amazon Connect	Voice ID: autenticación y detección de fraude en tiempo real, con watchlist y spoofing. In-app, web y video calling con Amazon Chime SDK.	AWS anunció fin de soporte de Voice ID el 20/05/2026; la detección debe diseñarse como capa complementaria.

Reality check para arquitectos de IA

«Detector de llamada realizada por IA» no es una funcionalidad única y universal. En producción se combinan biometría, detección de spoofing y síntesis, señales de red, metadata, comportamiento, políticas y revisión humana. El producto de contact center resuelve el canal y el flujo; la verificación de humanidad exige una arquitectura de confianza por encima.

Cierre de la clase 3

Turing enseñó a transformar una pregunta abstracta en una prueba de comportamiento. La IA generativa convierte esa prueba en una carrera de confianza: autenticación, trazabilidad y gobernanza. Las cuatro preguntas de discusión: ¿evaluamos humanidad, inteligencia, intención o capacidad de engaño? ¿cómo medimos generalización ante prompts, acentos, cámaras y redes distintas? ¿qué impacto tienen los falsos positivos sobre inclusión, privacidad y confianza? ¿cuál es el rol del humano en el circuito?

3.7 · De IA simbólica a IA que imita conducta humana

La clase cierra el arco histórico mostrando que cada salto agrega una capacidad humana observable: conversar, aprender de datos, generar contenido, unir audio y video, y actuar con contexto.

1950–1966 conversar y simular diálogo — Turing propone el juego de imitación; Dartmouth nombra la IA; ELIZA demuestra que texto + patrones puede parecer conversación

1986–2012 aprender de datos reales — backprop entrena redes profundas; Deep Blue domina el ajedrez; AlexNet muestra visión por computadora a escala

2014–2020 generar contenido humanoide — las GANs crean imágenes realistas; el Transformer mejora el lenguaje; GPT-3 escala texto que parece escrito por personas

2022–2026 IA generativa multimodal — ChatGPT populariza el diálogo; voz, rostro, video y agentes se combinan en experiencias casi humanas

¿Qué hace que parezca «humana»? Los seis factores

Lenguaje contextual — comprende intención aparente.
Voz y prosodia — tono, pausas, ritmo y emoción sintética.
Rostro y lip-sync — movimientos faciales sincronizados.
Memoria y personalización — adapta respuestas al historial y al perfil.
Multimodalidad — une texto, imagen, audio y video.
Agentes — planifica pasos y usa herramientas.

Notá que ninguno es «comprensión». Son todos rasgos observables: es exactamente lo que la pregunta 33 llama evaluar conducta y no comprensión interna directa.

Lectura crítica para uso responsable

Riesgo: la misma tecnología que crea contenido legítimo permite suplantar.
Control: exigir consentimiento, marca de agua y registros.
Defensa: combinar liveness, biometría y detección multimodal.

3.8 · Fraude por suplantación humana con IA

La clase le pone cifras al problema. Sirve para responder cualquier pregunta sobre por qué la verificación de humanidad dejó de ser un tema académico.

US$16 B+Ciberdelito reportado · FBI IC3 2024

US$12,5 BFraude a consumidores · FTC 2024

US$40 BFraude con GenAI en banca proyectado a 2027 · Deloitte

US$44,5 BExposición estimada en contact centers · Pindrop

Los ocho delitos principales cometidos con herramientas de IA

Phishing generativo — mensajes para robar claves.
Vishing con voz clonada — suplantación telefónica.
Deepfake ejecutivo / BEC — pagos aprobados con engaño.
Robo de identidad — datos filtrados + IA.

Fraude de inversión y cripto — perfiles falsos de confianza.
Documentos sintéticos — IDs y comprobantes falsos.
Extorsión y reputación — contenido sintético para presionar.
Soporte falso automatizado — bots que engañan a escala.

Qué debe cambiar en la defensa

MFA adaptativaNo depender sólo de voz, rostro o preguntas de seguridad.
Liveness + señalesCruzar audio, video, dispositivo y conducta.
Revisión humanaEscalar transferencias y casos críticos.

Nota de la propia lámina: son cifras reportadas y estimadas, y no todo fraude reportado es causado exclusivamente por IA. Ese cuidado al citar números es el mismo rigor que la materia pide en la clase 6.

Clase 04 · Unidad 2 · 26 de agosto

¿Puede “pensar” una máquina?

Críticas filosóficas de Searle y Penrose, la distinción entre pensar, procesar información y razonar, y el valor empresarial de la IA. La clase más densa conceptualmente de la unidad.

el sistema produce respuestas correctas + su comportamiento es indistinguible del humano

el sistema comprende

Toda la clase es una investigación sobre por qué esta barra es roja. La respuesta de Searle y la de Penrose son distintas, y la cátedra pide distinguirlas.

4.1 · Tres enfoques sobre la misma pregunta

Una máquina puede producir una respuesta correcta sin que sepamos si comprende. Según desde dónde mires, la pregunta cambia.

Enfoque conductual

Si el desempeño es indistinguible del humano, atribuimos inteligencia operacional.

Ejemplo canónico: La Prueba de Turing.

Enfoque interno

Pregunta por comprensión, significado, intención y conciencia; no sólo por la salida observable.

Quiénes lo defienden: Searle y, desde otro ángulo, Penrose.

Enfoque ingenieril

Define capacidades medibles y deja la pregunta metafísica de lado.

Qué mide: Precisión, generalización, robustez, planificación y seguridad.

Idea clave

«Inteligencia» puede ser una atribución funcional sin que eso resuelva si existe comprensión subjetiva.

4.2 · Searle: el argumento del Cuarto Chino (1980)

John Searle, «Minds, Brains, and Programs», Behavioral and Brain Sciences, 3(3), 1980. Un experimento mental en tres pasos.

Fijate en la barra roja de abajo: es la misma notación de regla inválida. Searle sostiene que de la sintaxis no se deduce la semántica.

Las cuatro respuestas al Cuarto Chino

El argumento es influyente, pero no concluyente: depende de dónde ubiquemos la comprensión.

Respuesta del sistema

No comprende la persona aislada; podría comprender el sistema completo: persona + reglas + memoria + interacción.

Qué desplaza: El nivel donde se busca la comprensión.

Respuesta del robot

Sensores y acción pueden anclar los símbolos en el mundo, conectando lenguaje con percepción y consecuencias.

También se lo llama: grounding, anclaje simbólico

Simulación cerebral

Si se reprodujera la organización causal del cerebro, negar comprensión podría resultar arbitrario.

Crítica funcionalista

Los estados mentales se definen por su función y relaciones, no necesariamente por el material biológico.

El límite que persiste Ninguna de las cuatro respuestas cierra el tema: conducta competente y explicación mecanística todavía no demuestran experiencia consciente.

Idea clave

La discusión se desplaza de «manipular símbolos» a arquitectura, causalidad, cuerpo y relación con el mundo.

4.3 · Penrose: ¿hay comprensión no algorítmica?

Roger Penrose, The Emperor's New Mind (1989) y Shadows of the Mind (1994). Su crítica combina límites formales, intuición matemática y una hipótesis física discutida.

Punto de partida: GödelLos resultados de Gödel muestran límites de los sistemas formales suficientemente potentes: existen afirmaciones verdaderas que no son demostrables dentro del sistema.
El salto filosóficoPenrose sostiene que el matemático humano puede «ver» ciertas verdades que un algoritmo fijo no capturaría completamente.
La propuestaSugiere que habría procesos físicos no computables en la mente.
La objeciónSus críticos cuestionan que los humanos sean infalibles, y que Gödel demuestre no-computabilidad mental. El salto de Gödel a la mente es discutido.

4.4 · Searle y Penrose: dos críticas, dos objetivos

Ambos rechazan identificar sin más la mente con un programa, pero por razones diferentes. Esta tabla es la que más se pregunta de la clase.

El contraste que hay que poder reproducir
	Searle	Penrose
Pregunta central	¿La manipulación formal produce significado?	¿Todo insight humano puede ser algorítmico?
Herramienta	Experimento mental: el Cuarto Chino	Gödel, matemática y física de la mente
Blanco	La «IA fuerte»: programa = mente	El computacionalismo de la cognición
Aporte	Separa sintaxis, semántica e intencionalidad	Subraya límites de formalización y creatividad
Debilidad	Puede atribuir comprensión al nivel equivocado	El salto de Gödel a la mente es discutido

Idea clave

Ninguna crítica impide construir IA útil; ambas limitan lo que podemos inferir de su desempeño.

4.5 · Pensar, procesar información y razonar

Tres conceptos relacionados pero no equivalentes. Ordenados de menor a mayor alcance.

Procesar información

Transformar entradas en salidas mediante operaciones. Puede ser simple, automático y sin metas explícitas.

Ejemplos: Filtrar spam, comprimir una imagen.

Razonar

Relacionar premisas, conocimiento y objetivos para obtener conclusiones o seleccionar acciones.

Tipos: deductivo · inductivo · abductivo · probabilístico

Pensar

Concepto más amplio: razonamiento, memoria, imaginación, atención, comprensión, metacognición y experiencia situada.

En humanos: Incluye además una dimensión subjetiva.

Error típico Usar los tres términos como sinónimos. Procesar ⊂ razonar ⊂ pensar, y cada contención agrega algo: metas primero, experiencia subjetiva después.

¿Pensar equivale a procesar información?

La respuesta depende de la teoría de la mente que adoptes. La cátedra presenta tres posiciones, no una.

Sí, en sentido computacional

Los estados mentales pueden modelarse como representaciones y transformaciones.
Permite hipótesis precisas y simulables.
Explica capacidades mediante algoritmos, memoria y control.

Riesgo: reducir significado y experiencia a una descripción funcional.

No, es insuficiente

La información requiere interpretación y contexto.
El pensar humano está corporizado, social e históricamente situado.
Comprensión y conciencia podrían depender de causalidad biológica o física.

Riesgo: volver “misteriosa” la mente y dificultar toda prueba.

Posición pragmática

Tratar la IA como un sistema capaz de ciertas funciones cognitivas.
Evaluar evidencia por tarea: generalización, coherencia, causalidad y control.
Evitar los dos extremos: antropomorfizar y negar capacidades observables.

Conclusión: procesar información es necesario para muchos tipos de pensamiento; que sea suficiente sigue abierto.

Cómo se operacionalizan las tres nociones en ingeniería
Dimensión	Procesamiento	Razonamiento de IA	Pensamiento humano
Unidad	datos / señales	premisas, estados, objetivos	significados y vivencias
Mecanismo	transformación	inferencia, búsqueda, planificación	integración cognitiva y corporal
Criterio	exactitud / velocidad	validez, utilidad, consistencia	comprensión, adaptación, sentido
Falla típica	ruido o pérdida	conclusión no fundamentada	sesgo, olvido, autoengaño
Evidencia	traza computacional	pasos verificables y resultados	conducta + reportes + neurociencia

Idea clave

La IA no «concibe» filosóficamente: son los equipos humanos los que definen constructos, pruebas y umbrales.

4.6 · Aproximaciones contemporáneas

La investigación actual combina mecanismos, datos, interacción y evaluación, sin consenso sobre la conciencia.

Conexionismo

Representaciones distribuidas aprendidas desde datos; el significado es operacional y contextual.

IA neuro-simbólica

Combina aprendizaje estadístico con reglas, conocimiento explícito y verificación.

Conecta con: Los «sistemas híbridos» de la clase 2.

Cognición situada

El cuerpo, los sensores y la acción conectan símbolos con regularidades del entorno.

Conecta con: La «respuesta del robot» al Cuarto Chino.

Agentes y herramientas

Planificación, memoria externa, búsqueda y ejecución permiten resolver tareas multietapa.

Human-in-the-loop

Las personas definen objetivos, revisan decisiones, aportan contexto y asumen responsabilidad. La inteligencia práctica emerge del sistema sociotécnico.

4.7 · Del debate filosófico al valor empresarial

La segunda mitad de la clase baja todo esto a decisiones de ingeniería y negocio.

Procesos industriales

Sensar IoT, visión, audio, telemetría

Predecir fallas, calidad, demanda, tiempos

Decidir parámetros, secuencias, mantenimiento

Actuar robot, operador, control

Aprender retroalimentación y nuevos datos

Casos de uso

Mantenimiento predictivo
Inspección visual de calidad
Optimización energética
Planificación de producción

Valor esperado

Menos paradas no planificadas
Menos merma y retrabajo
Mayor OEE y trazabilidad
Decisiones más rápidas

Condiciones

Datos confiables y contextualizados
Integración OT/IT segura
Supervisión humana
Métricas antes/después

Procesos comerciales

Descubrir segmentación y señales de intención

Priorizar scoring de oportunidades y riesgo

Ofertar precio, contenido y recomendación

Convertir asistencia al vendedor

Retener predicción de abandono

El beneficio no es «vender a cualquier costo»: es asignar mejor la atención, reducir fricción y aumentar relevancia con límites de privacidad, equidad y explicabilidad.

Experiencia de cliente

Antes

Búsqueda semántica
Recomendaciones
Contenido adaptado

Durante

Asistente conversacional
Resumen del caso
Mejor siguiente acción

Después

Seguimiento proactivo
Detección de insatisfacción
Aprendizaje del feedback

Diseño responsable de la experiencia

Transparencia: informar cuándo interviene la IA.
Control: ofrecer salida y canal humano.
Memoria mínima: usar sólo el contexto necesario.
Calidad: medir resolución, satisfacción y reincidencia.

De la prueba de concepto al valor sostenible

Una solución de IA es un sistema sociotécnico: modelo + datos + proceso + personas + gobierno.

ProblemaDefinir la decisión, el usuario y el costo del error.
BaseCalidad de datos, privacidad y seguridad.
EvaluaciónLínea base, métricas técnicas y métricas de negocio.
IntegraciónFlujo, roles, excepciones y escalamiento.
OperaciónMonitoreo, auditoría, feedback y mejora.

Las cinco preguntas de control (útiles para justificar cualquier respuesta de parcial)

¿Qué evidencia respalda la salida?
¿Quién responde por la decisión?
¿Qué ocurre ante un caso fuera de distribución?
¿Cómo detectamos deriva, sesgo o degradación?
¿Cuál es el mecanismo de reversión?

Cierre de la clase 4

Capacidad no equivale automáticamente a comprensión. Searle: el comportamiento lingüístico no prueba por sí solo semántica. Penrose: la formalización puede tener límites, aunque no está demostrado que la mente sea no computable. Hoy: la IA combina aprendizaje, símbolos, herramientas, cuerpo y participación humana. En la empresa: el valor aparece al rediseñar decisiones y procesos, con métricas y gobierno.

4.8 · Searle y Penrose: las fichas de los autores

La cátedra dedica una lámina a compararlos como personas, no sólo como argumentos. Pregunta que ordena la lámina: ¿computar equivale a comprender o pensar?

John R. Searle — filosofía de la mente

Historia y origen: 1932–2025. Oxford y UC Berkeley. Cuarto Chino (1980): crítica a la IA fuerte. Su posición se llama naturalismo biológico.
Argumentos: Manipula símbolos mediante reglas · sintaxis no implica comprensión · imitar inteligencia no prueba conciencia · rechaza la tesis de la «IA fuerte».
Su postura sobre la IA: IA como herramienta; los humanos son los responsables.

Roger Penrose — matemática y conciencia

Historia y origen: Nació en 1931. Cambridge, Londres y Oxford. Crítica publicada en libros de 1989 y 1994. Nobel de Física 2020.
Argumentos: Gödel limita los sistemas formales · la comprensión no sería sólo algorítmica · calcular más no garantiza conciencia · podrían existir procesos no computables.
Estado de la tesis: Cálculo e imitación no equivalen a conciencia. Tesis debatidas, sin respaldo institucional formal.

El dato que desarma la pregunta 37

Ninguno de los dos fundó un movimiento formal ni tiene «universidades adheridas»: la lámina lo dice explícitamente de ambos. Son argumentos en discusión, no teoremas demostrados ni escuelas con membresía. Por eso «prueba empíricamente» es falso.

Clase 05 · Unidad 3 · 2 de septiembre

Imaginarios, realidad y creación cultural

Representaciones de la IA en cine, literatura y medios; expectativas sociales frente a realidades tecnológicas. Pregunta guía de la cátedra: ¿la IA reemplazará a la creatividad o redefinirá cómo se produce?

modelo + datos + trabajo humano + reglas

la IA creativa es un sistema sociotécnico

La competencia central no es «usar una herramienta», sino decidir bien: qué datos, qué permisos, qué crédito, qué se revisa.

5.1 · La ficción como laboratorio social

La ficción funciona como un laboratorio de futuros posibles. No predice la técnica: expresa conflictos humanos y, después, condiciona cómo interpretamos tecnologías reales.

Arquetipos

Sirviente eficiente · mente superior · rebelión · compañero afectivo · espejo de lo humano.

Función narrativa

Concentrar preguntas sobre control, identidad, responsabilidad y poder.

Efecto social

Estas historias modelan lenguaje, miedos y promesas; luego condicionan cómo leemos la tecnología real.

Genealogía de imaginarios

Son casos de discusión, no predicciones técnicas. El ejercicio que pide la cátedra: para cada obra, identificar qué capacidad se exagera y qué conflicto humano se desplaza a la máquina.

Seis obras y su conflicto
Obra	Año	Qué pone en juego
Frankenstein	1818	Creación, responsabilidad y consecuencias no previstas
R.U.R.	1920	Automatización, trabajo y origen del término «robot»
2001: Odisea del espacio	1968	Confiabilidad, objetivos incompatibles y control
Blade Runner	1982	Identidad, memoria, explotación y persona artificial
Her	2013	Lenguaje, antropomorfismo e intimidad mediada
Ex Machina	2014	Engaño, evaluación y asimetría de poder

5.2 · Expectativas sociales vs. realidades tecnológicas

El salto entre una interfaz fluida y un sistema confiable puede ser enorme. Esta tabla es una pregunta muy probable.

Cinco pares expectativa / realidad
Se espera que…	En realidad…
Comprende el mundo	Predice patrones
Es objetiva	Hereda sesgos
Recuerda todo	Tiene contexto limitado
Crea desde cero	Recombina aprendizajes
Actúa de forma autónoma	Requiere controles

5.3 · Cómo genera contenido un modelo

1 · Datos ejemplos y metadatos que representan una distribución

2 · Entrenamiento ajuste de parámetros para reducir el error de predicción

3 · Prompt condición textual, visual o sonora que guía la salida

el modelo produce una imagen o canción nueva

el modelo buscó y pegó fragmentos

Generar no es «buscar y pegar»: el modelo muestrea una salida. Pero —y la cátedra lo marca— los datos de entrenamiento, las licencias y la posible similitud con obras existentes siguen siendo centrales. Que no sea copia literal no resuelve el problema legal.

5.4 · Herramientas por modalidad

Generación de imágenes

Adobe Firefly — generación y edición integrada al flujo de diseño; foco comercial y credenciales de contenido.
Midjourney — exploración estética y dirección de arte mediante prompts e iteración.
Stable Diffusion — ecosistema abierto y adaptable; control técnico, modelos y flujos locales.
OpenAI Image — generación y edición conversacional, composición y seguimiento de instrucciones.
Flux / Recraft — ilustración, diseño y producción visual con distintos niveles de control.

Generación y edición de video

Runway — texto o imagen a video, edición y efectos generativos.
Google Veo — generación de escenas con audio integrado según disponibilidad.
OpenAI Sora — generación y transformación de video guiadas por texto e imagen.
Adobe Firefly Video — integración con flujos de postproducción.
Kling / Luma — movimiento, cámara y clips cinematográficos.
Synthesia / HeyGen — avatares, presentadores y localización audiovisual.

Límite práctico: continuidad temporal, identidad consistente, física y control fino siguen requiriendo edición y supervisión.

Música, voz y sonido

Música: Suno y Udio (canción desde prompt) · AIVA y Soundraw (composición asistida) · Lyria y otros modelos.
Voz y audio: ElevenLabs (voz y doblaje) · Descript (edición basada en texto) · Adobe Enhance (mejora de voz).

Antes de publicar: verificar términos comerciales, derechos del dataset, consentimiento de voz, similitud con obras, créditos y etiquetado.

Criterios de selección de herramienta

Calidad · control · consistencia · licencias · privacidad · costo · trazabilidad.

5.5 · Dónde impacta la IA en una producción de cine

La transformación ocurre en toda la cadena de valor, no sólo en los efectos visuales.

Desarrollo ideación, análisis de guion, breakdown, storyboard

Preproducción concept art, previs, casting asistido

Rodaje producción virtual, seguimiento, captura

Postproducción rotoscopia, VFX, doblaje, montaje

Distribución tráilers, versiones, recomendación, archivo

Casos de industria

La IA como herramienta dentro de una obra humana
Proyecto	Campo	Qué hizo la IA
The Irishman	Cine	Rejuvenecimiento digital y VFX apoyados por aprendizaje automático
Here	Cine	Transformaciones de edad en tiempo real durante el rodaje
The Next Rembrandt	Arte	Análisis de corpus y generación de una obra nueva con rasgos del pintor
Unsupervised (Refik Anadol)	Arte	Modelos entrenados con archivos de museo para instalaciones inmersivas
Now and Then (The Beatles)	Música	Separación de fuentes para recuperar voz de una grabación histórica
Daddy's Car (Sony CSL)	Música	Composición algorítmica asistida, finalizada por músicos

una obra usó IA

esa obra usó IA generativa

Lectura recomendada por la cátedra: distinguir generación, restauración, separación, clasificación y efectos visuales. Now and Then no generó una voz: la separó de una grabación existente. No todo uso de IA es IA generativa.

5.6 · El debate laboral

Las posiciones no son binarias: el conflicto es sobre gobernanza y distribución de valor.

Argumentos a favor

Reduce tiempos y costos de tareas repetitivas.
Permite prototipar ideas antes de comprometer grandes presupuestos.
Amplía posibilidades de VFX, accesibilidad y localización.
Puede democratizar la producción para equipos pequeños.
Crea perfiles híbridos: artista técnico, supervisor de IA, especialista en datos.

Argumentos críticos

Riesgo de sustitución o degradación del empleo creativo.
Uso de guiones, imágenes, voces o rostros sin permiso ni pago.
Concentración de poder en plataformas y estudios.
Pérdida de diversidad estética por modelos entrenados en corpus dominantes.
Dificultad para asignar autoría, crédito y responsabilidad.

Consenso emergente

Consentimiento informado · compensación · transparencia · negociación colectiva.

5.7 · La industria musical

La música concentra derechos sobre composición, letra, interpretación, voz y grabación. Por eso es el sector donde el conflicto es más agudo: hay cinco capas de derechos en juego a la vez.

Oportunidades

Bocetos rápidos, acompañamientos, restauración, separación de pistas, doblaje y acceso para nuevos creadores.

Riesgos

Saturación de catálogos, fraude de streaming, clonación de voz, imitación y menor poder de negociación.

Señal global — UNESCO

Proyecta para 2028 una caída potencial de ingresos del 24 % para creadores musicales y del 21 % para el sector audiovisual, si no mejoran las políticas y las condiciones de mercado.

El núcleo de la controversia

¿Entrenar con grabaciones protegidas es uso legítimo o explotación no autorizada?

Sellos y titulares

Exigen licencias y remuneración por el entrenamiento.
Sostienen que copias y salidas similares lesionan derechos.
Buscan trazabilidad, protección de voz y control de catálogos.

Empresas de IA

Invocan transformación y uso legítimo.
Argumentan que los modelos producen combinaciones nuevas.
Advierten que licencias inviables frenarían la innovación.

Artistas y usuarios

Valoran las nuevas herramientas y el acceso.
Temen sustitución, imitación y opacidad.
Piden consentimiento, atribución y participación en ingresos.

Caso emblemático

Las demandas coordinadas por la RIAA contra Suno y Udio, presentadas en junio de 2024.

5.8 · Marco de análisis: cómo evaluar un proyecto creativo con IA

Una matriz de seis preguntas. Sirve para trabajos prácticos y también como estructura de respuesta en un desarrollo.

Propósito¿Qué problema creativo resuelve y por qué usar IA?
Datos¿De dónde provienen? ¿Hay licencia, permiso y diversidad?
Personas¿Quién consiente? ¿Quién conserva agencia y decisión final?
Salida¿Puede inducir error, copiar, discriminar o dañar reputación?
Derechos¿Cómo se gestionan autoría, voz, imagen, crédito y pago?
Trazabilidad¿Se documentan modelo, versión, prompts, ediciones y revisiones?

Cinco ideas para llevarse de la clase 5

1) La ficción amplifica capacidades y expresa conflictos humanos. 2) La fluidez de una salida no garantiza comprensión, verdad ni neutralidad. 3) La IA creativa es un sistema sociotécnico: modelo, datos, trabajo humano y reglas. 4) El valor aumenta cuando la IA asiste intención, criterio y edición humana. 5) El futuro del cine y la música dependerá tanto de contratos y licencias como de algoritmos.

5.9 · Cuánto dinero mueve la IA en el cine

Estimación del mercado norteamericano 2023–2025, usado como proxy de EE. UU. Sirve para discutir impacto económico con números en la mano.

US$ 1,92 BMercado acumulado 2023–2025

US$ 0,50 B2023

US$ 0,63 B2024

US$ 0,79 B2025 · CAGR 25,7 %

Lectura correcta — la advertencia de la lámina

No existe una serie pública auditada que aísle cuánto del presupuesto cinematográfico de EE. UU. fue causado exclusivamente por IA. La cifra principal representa ingresos del mercado de soluciones de IA aplicadas al cine; los presupuestos de los filmes no son gasto atribuible íntegramente a IA.

Películas recientes que usaron IA en su producción
Película	Año	Qué hizo la IA	Presupuesto / taquilla
Indiana Jones y el dial del destino	2023	IA y material de archivo para rejuvenecimiento digital	US$300 M / US$384 M
Dune: Parte Dos	2024	Modelo de aprendizaje automático para detectar y colorear los ojos Fremen	US$190 M / US$715 M
The Fall Guy	2024	Herramientas de IA en VFX para limpieza y ampliación de elementos visuales	US$125–150 M / US$181 M

Fijate que en los tres casos la IA hace tareas puntuales de postproducción, no genera la película. Es el mismo punto de Now and Then: no todo uso de IA es IA generativa.

5.10 · Suno: de experimento generativo a ecosistema regulado

El caso que la cátedra desarrolla en profundidad, porque muestra el ciclo completo: lanzamiento, conflicto, profesionalización y regulación.

2023 · Lanzamiento Discord y web: texto a canción completa

2024 · Escala + conflicto V3/V4; inversión y demanda de la RIAA por entrenamiento

2025 · Profesionalización V4.5/V5, mayor duración y edición; Warner acuerda modelos licenciados y opt-in

2026 · Transparencia créditos de IA, etiquetas y controles de identidad ganan peso en distribución

A favor

Acceso: crear demos y canciones sin estudio ni formación instrumental.
Velocidad: prototipar letra, arreglo, voz y estilo en minutos.
Experimentación: iterar géneros, idiomas y estructuras.
Nuevos modelos: puede habilitar licencias, opt-in y nuevas fuentes de ingresos.

En contra

Copyright: discusión sobre las grabaciones usadas para entrenar.
Trabajo creativo: sustitución, caída de tarifas y saturación del catálogo.
Identidad: riesgo de clonar voces o imitar artistas sin consentimiento.
Autoría: una licencia comercial de Suno no garantiza copyright pleno.

Condiciones para publicar una canción hecha con IA, por plataforma

Spotify

Distribución y derechos suficientes.
Retira clonación de voz sin permiso.
Admite créditos y etiqueta de persona IA.
Sin spam, suplantación ni streams falsos.

YouTube / YouTube Music

Declarar si la música usa IA generativa.
Puede aplicar etiqueta «Made with AI».
Respetar copyright, identidad y monetización.
Contenido masivo o repetitivo puede desmonetizarse.

Apple Music

Entrega mediante distribuidor autorizado.
Metadatos y derechos correctos.
Prohíbe bots y reproducciones artificiales.
Puede recibir créditos IA del distribuidor.

Distribuidores

DistroKid exige control del 100 % de derechos.
No imitar voz, imagen o identidad sin permiso.
No spam masivo ni infracciones.

Fijate el patrón: las cuatro exigen derechos, consentimiento, etiquetado y no suplantación. Es el «consenso emergente» de la clase 5 convertido en términos de servicio.

Clase 06 · Unidad 3 · 5 de septiembre

De la expectativa al valor

Inviernos de la IA, hype tecnológico y automatización de procesos. Objetivo explícito de la cátedra: aprender a distinguir una demostración llamativa de una solución sostenible.

cuanto más amplia sea la promesa…

…más estricta debe ser la evidencia exigida

La cátedra la llama «regla docente». Es la frase que resume la clase entera.

6.1 · La IA avanza por ciclos, no en línea recta

La historia de la IA alterna «épocas doradas» con inviernos: períodos de optimismo y avances seguidos por escepticismo, desilusión y menor apoyo. Lo que cambia entre ciclos son las promesas, la evidencia disponible, el costo del cómputo, los datos accesibles y la capacidad de integrar la tecnología en procesos reales.

Ejemplo de la cátedra

Un prototipo clasifica 100 documentos en laboratorio. La organización promete automatizar todo su archivo. Al escalar aparecen excepciones, mala calidad de datos y costos de revisión humana.

6.2 · Qué es un «invierno de la IA»

Definición operativa

Período en el que disminuyen el interés, la inversión o el financiamiento porque los resultados no alcanzan las expectativas públicas y comerciales.

Error típico Creer que un invierno significa que la investigación desaparece. No: describe una pérdida fuerte de confianza y apoyo. El trabajo técnico continúa, sólo que menos visible y con menos recursos.

Primer gran invierno — década de 1970

Se hicieron evidentes los límites en traducción automática, percepción y razonamiento. Los sistemas funcionaban en entornos estrechos pero no generalizaban bien.

Lección: Una tarea resuelta no equivale a inteligencia general.

Segundo gran invierno — finales de los 1980

Los sistemas expertos y el hardware especializado enfrentaron costos altos, mantenimiento difícil y fragilidad ante casos no previstos.

Lección: Una solución útil debe poder mantenerse, integrarse y demostrar valor.

Conexión con la clase 1 El segundo invierno es la factura del paradigma simbólico: su límite —la fragilidad ante lo no previsto— pasa de ser un problema técnico a ser un colapso de financiamiento.

La secuencia típica de un invierno

Promesas ampliasSe anuncia una capacidad general.
Prototipos limitadosFuncionan en condiciones controladas.
Fracasos al escalarAparecen excepciones, costos e integración.
Recorte de presupuestoSe corta el financiamiento o se abandona.
Trabajo técnico menos visibleLa investigación sigue, sin atención pública.

6.3 · Anatomía del desencanto

El invierno aparece por una brecha acumulativa entre promesa y operación.

1 · Promesa «la IA resolverá todo»

2 · Piloto funciona con datos limpios y pocos casos

3 · Escala surgen excepciones, costos, integración

4 · Desilusión se corta presupuesto o se abandona

5 · Reaprendizaje se diseña un alcance realista

6.4 · Hype tecnológico

Hype

Narrativa de entusiasmo que eleva visibilidad, inversión y expectativas antes de que la tecnología tenga resultados consistentes a escala.

También se lo llama: amplificación social de posibilidades todavía inciertas

Error típico Equiparar hype con engaño o mentira. La cátedra es explícita: «el hype no siempre es engaño». Es una señal de atención y oportunidad —pero no demuestra madurez.

Señales de alerta

Cómo reconocer que estás frente a hype y no frente a evidencia:

Casos aislados presentados como universales.
Métricas vagas.
Demos sin datos reales.
Promesas sin costo total ni plan de supervisión.

Ejemplo de la cátedra

Una empresa anuncia «atención 100 % autónoma». El chatbot resuelve preguntas frecuentes, pero falla con reclamos, identidad y excepciones.

Resultado real: La solución útil termina siendo híbrida.

6.5 · Las cinco fases del Hype Cycle de Gartner

El modelo representa expectativas frente al tiempo, no una garantía matemática del futuro. Aprendé las cinco fases en orden y con su nombre exacto.

Las cinco fases, en orden. La curva no promete que toda tecnología llegue a la meseta: muchas mueren en el abismo.

Qué ocurre en cada fase
Fase	Qué pasa
1 · Lanzamiento	Prueba de concepto e interés inicial.
2 · Pico de expectativas	Éxitos tempranos y promesas sobredimensionadas.
3 · Abismo de desilusión	Los pilotos fallan o no entregan el valor esperado.
4 · Rampa de consolidación	Se comprende mejor dónde sí funciona.
5 · Meseta productiva	La adopción se apoya en criterios y beneficios claros.

Ojo: cada fase tiene dos nombres en castellano

Las diapositivas usan una traducción y las evaluaciones suelen usar otra. Son el mismo concepto: reconocé las dos.

Equivalencias de las cinco fases
#	En las diapositivas	Variante frecuente	Original (Gartner)
1	Lanzamiento	Disparador de innovación	Innovation Trigger
2	Pico de expectativas	Pico de expectativas infladas	Peak of Inflated Expectations
3	Abismo de desilusión	Valle de desilusión	Trough of Disillusionment
4	Rampa de consolidación	Pendiente de iluminación	Slope of Enlightenment
5	Meseta productiva	Meseta de productividad	Plateau of Productivity

6.6 · Gartner como herramienta de decisión

La pregunta correcta no es «¿la tecnología está de moda?», sino «¿qué riesgo puedo asumir y qué evidencia necesito?».

Tres estrategias de adopción
Estrategia	Cuándo es adecuada	Evidencia mínima
Adopción temprana	La organización tolera incertidumbre, busca aprendizaje estratégico y puede financiar experimentos sin depender del éxito inmediato.	Problema definido, datos disponibles y criterio de salida.
Adopción moderada	Se exige análisis costo-beneficio, integración controlada y resultados medibles antes de expandir.	Piloto comparable, línea base y responsables del proceso.
Esperar madurez	La viabilidad comercial, la seguridad o la regulación aún son inciertas y el proceso es crítico.	Acción útil mientras tanto: preparar datos, mapear procesos y observar casos verificables.

6.7 · Dos casos prácticos

Caso A — De expediente manual a flujo automatizado (universidad que tramita becas)

Situación inicial

Recepción manual, datos duplicados, validaciones inconsistentes y poca trazabilidad. El cuello de botella no es «falta de IA», sino un proceso no estandarizado.

Primer avance

Digitalizar el formulario, definir campos obligatorios, reglas de elegibilidad y rutas de excepción. Esto es automatización basada en reglas, no IA.

Dónde entra la IA

Clasificar documentos, extraer datos y señalar casos atípicos. La decisión final de becas sensibles permanece bajo revisión humana y con registro de evidencias.

Caso B — Mantenimiento en una empresa industrial

Hoy: reactivo formatos en papel, órdenes tardías, mantenimiento después de la falla

Transición: automatizado captura digital, alertas por umbral, órdenes automáticas, tablero

Madurez: predictivo un modelo estima riesgo de falla con historial confiable

En la etapa intermedia no se necesita IA compleja para obtener valor inmediato. Y en la etapa predictiva, el técnico revisa contexto, seguridad y costo antes de intervenir: la IA recomienda; el proceso gobierna la decisión.

6.8 · Ruta de madurez: automatizar antes de «inteligentizar»

Una organización reduce el riesgo cuando construye capacidades en secuencia.

MapearEntradas, responsables, reglas y excepciones.
DigitalizarDatos estructurados y trazabilidad.
AutomatizarReglas repetibles y controles.
Incorporar IAPredicción o lenguaje donde efectivamente aporte.
Medir y gobernarCalidad, costo, riesgo y revisión humana.

Cierre de la clase 6

1) Los inviernos enseñan: la decepción aparece cuando una promesa general se apoya en evidencia estrecha; gestionar expectativas también es trabajo técnico. 2) El hype es una señal: indica atención y oportunidad, pero no demuestra madurez. 3) Automatizar es un camino: primero se entiende y estabiliza el proceso, después se incorporan reglas, datos e IA con supervisión y métricas.

6.9 · Quién fue Gartner

Conviene poder ubicar la fuente del modelo, porque la pregunta 19 se responde entendiendo para qué fue creado.

Eugene «Gene» Hall Gartner

1934–2008. Empresario e investigador estadounidense, reconocido por fundar Gartner, Inc., la firma líder mundial en investigación, asesoría y análisis tecnológico.

Nació: 19 de julio de 1934, Cleveland, Ohio.
Fundó: Gartner Group en 1979, en Stamford, Connecticut.
Falleció: 4 de enero de 2008.

Breve historia de la firma

Cuatro etapas que explican por qué sus marcos se volvieron estándar.

1960–1970: Investigador y consultor en tecnología, mercados emergentes y estrategia empresarial.
1979: Funda Gartner Group con la visión de ofrecer investigación objetiva para líderes de TI y negocios.
1980–1990: Desarrolla metodologías y marcos de referencia que se convierten en estándar de la industria.
2000 en adelante: Se expande globalmente; su investigación guía decisiones sobre miles de tecnologías, incluida la IA.

Dato que se pregunta El Hype Cycle se publicó por primera vez en 1995, dieciséis años después de fundada la firma. No es de Gene Gartner personalmente: es una metodología de la empresa.

¿Creó corrientes filosóficas?

No. La lámina es explícita: no creó corrientes filosóficas en sentido académico. Su enfoque es pragmático y basado en evidencia, y promueve:

Pensamiento crítico sobre el hype.
Decisiones informadas y basadas en datos.
Valor real por encima de la moda tecnológica.

La cita que conviene recordar «Nuestro objetivo es ayudar a los líderes a separar la señal del ruido y a tomar decisiones que generen valor real.» — Gene Gartner

¿En qué se basan sus afirmaciones? Los cinco fundamentos

Investigación primaria — analistas que evalúan continuamente tecnologías, empresas, mercados y tendencias.
Datos y evidencia — métricas, encuestas, estudios de caso y datos de adopción de miles de organizaciones.
Independencia y objetividad — no vende tecnología ni implementaciones.
Metodologías propias — Hype Cycle, Magic Quadrant, Market Guide y Critical Capabilities.
Enfoque en valor de negocio — toda tecnología se evalúa por su impacto real en resultados, riesgos, costos y beneficios.

La frase que responde la pregunta 19 (y la 38)

«Gartner no predice el futuro; ayuda a los líderes a comprender el presente para tomar mejores decisiones hoy.» Si el propio emisor dice que no predice, usar el Hype Cycle para fechar madurez es un uso incorrecto del instrumento.

Para qué sirve el Hype Cycle de IA, según la lámina: entender el momento de madurez de tecnologías como IA generativa, IA explicable, MLOps y copilots; evitar inversiones precipitadas motivadas sólo por el hype; y priorizar iniciativas con potencial real y casos de uso viables.

Clase 07 · Unidad 4 · 23 de septiembre

De la inteligencia biológica a la automatización con IA

Clase grabada en dos partes la misma tarde. Dos preguntas la atraviesan: ¿qué tiene de parecido y de distinto una IA respecto de una persona?, y ¿cómo se diseña, paso a paso, una automatización que no sea sólo copiar un trámite manual a una pantalla? La idea central: la IA no «copia» al cerebro, construye modelos computacionales especializados que imitan algunas funciones observables — y automatizar bien significa rediseñar el proceso antes de sumarle tecnología. La primera parte (7.1–7.8) da el marco conceptual; la segunda (7.9–7.14) lo aplica al diseño concreto de un trámite digital.

Mapa mental de lo trabajado en clase (a partir de la grabación del 23 de septiembre). Cada rama se desarrolla en las secciones siguientes.

7.1 · De las capacidades biológicas a sus correlatos artificiales

La IA no «copia» al cerebro: construye sistemas especializados que imitan algunas funciones observables, no la experiencia completa de tenerlas.

Percepción

Biológica: integra estímulos con atención, contexto y experiencia — no es una foto pasiva, selecciona e interpreta (cruzar una avenida combina luz, sonido, velocidad y experiencia).

Correlato artificial: Visión por computadora (detecta objetos), reconocimiento de voz (audio → texto), sensores (variables físicas → datos).

Memoria

Biológica: codifica, conserva y recupera; memoria de trabajo (momentánea) y de largo plazo (organiza experiencia).

Correlato artificial: Bases de datos preservan registros exactos; memorias vectoriales recuperan contenido similar. El modelo no «recuerda» como una persona: calcula patrones.

Aprendizaje

Biológico: cambios relativamente estables por práctica, observación, explicación y retroalimentación, transferibles a situaciones nuevas.

Correlato artificial: Supervisado (ejemplos con etiqueta), no supervisado (agrupaciones o estructuras), por refuerzo (recompensas).

Lenguaje

Biológico: sistema simbólico para comunicar, razonar y coordinar; depende de contexto y conocimiento social («está frío» puede pedir cerrar una ventana).

Correlato artificial: El PLN clasifica, resume, traduce y genera texto prediciendo secuencias plausibles. La fluidez no garantiza comprensión ni verdad.

Persona vs. sistema de IA, dimensión por dimensión
Dimensión	Persona	Sistema de IA
Adaptación	Generaliza con pocos ejemplos y contexto	Excelente en tareas definidas y datos similares a los de entrenamiento
Velocidad	Limitada para cálculo masivo	Procesa grandes volúmenes rápidamente
Sentido común	Integra experiencia corporal y social	Puede fallar fuera de los patrones aprendidos
Memoria	Selectiva, reconstructiva y asociativa	Almacenamiento preciso, pero sin vivencia
Responsabilidad	Puede explicar intenciones y asumir deberes	Requiere supervisión y gobernanza humana

Fortalezas

Escala y velocidad.
Consistencia en tareas repetitivas.
Detección de patrones complejos.
Disponibilidad continua.

Limitaciones

Dependencia de datos y objetivos.
Errores plausibles («alucinaciones»).
Sesgos heredados de datos y diseño.
Baja comprensión del contexto real.

Principio de la cátedra

Automatizar tareas, no responsabilidades. Humano en el circuito para decisiones críticas. Medir calidad antes y después. Documentar límites y rutas de apelación.

7.2 · Automatizar no es copiar el proceso manual

Automatizar sirve cuando una tarea repetitiva puede ejecutarse más rápido y con consistencia — pero trasladar mecánicamente un procedimiento existente a software no es diseñar una automatización.

Ejemplo de la cátedra: el examen de opción múltiple

Corregir exámenes uno por uno es lento. La solución fue volverlos multiple choice y comparar automáticamente contra una base de respuestas: rápido y escalable — millones de personas rinden certificaciones así todos los días. Pero el límite es real: que una respuesta coincida con el patrón esperado no demuestra que la persona comprenda el contenido. La IA no razona como una persona: la automatización acelera, no sustituye el juicio ni la supervisión humana.

Antes de automatizar: revisar si los pasos actuales son necesarios. Un procedimiento de 20 pasos puede reducirse a 10 antes de trasladarlo a una plataforma. El criterio debe ser el resultado esperado (por ejemplo, reducir el tiempo de entrega), no conservar por defecto todo lo heredado.

7.3 · El camino: de observar a supervisar

1 · ObservarMapear tareas, excepciones y problemas del proceso actual.
2 · DigitalizarConvertir papel y datos dispersos a formato digital.
3 · AutomatizarReglas para los pasos repetitivos y deterministas.
4 · Aumentar con IASumar percepción, predicción o lenguaje donde una regla no alcanza.
5 · SupervisarMétricas, revisión humana y mejora continua.

Regla didáctica

Si el proceso está desordenado, la IA automatiza el desorden. Primero se rediseña el proceso; después se incorpora la tecnología.

7.4 · Casos de uso

Sector público — expedientes y atención ciudadana

De formularios en papel y carga duplicada a: OCR que extrae texto de solicitudes, un repositorio único con trazabilidad, un clasificador que propone categoría y prioridad según casos históricos, y un asistente que redacta respuestas preliminares. Una persona valida las decisiones que afectan derechos — menor tiempo administrativo, sin delegar la responsabilidad pública al algoritmo.

Sector privado — logística y operaciones

Cámaras verifican etiquetas y daños; el historial integra pedidos, rutas e inventario; modelos predicen demanda y riesgo de atraso; operadores consultan el estado en lenguaje natural. El objetivo no es reemplazar personas, sino reasignar esfuerzo desde la captura repetitiva hacia la supervisión y la mejora.

Salud — un caso público sensible

Digitalización de recetas y formularios, historia administrativa unificada con acceso controlado, priorización orientativa de colas (nunca diagnóstico autónomo), chatbot que informa requisitos y deriva casos complejos. Un agente puede convertir voz a texto y priorizar pacientes críticos, pero la supervisión humana sigue siendo necesaria: la rapidez puede afectar la supervivencia de pacientes graves. A mayor impacto, mayor evidencia, transparencia y supervisión exigidas.

Comunicaciones y trabajo operativo

Plataformas de reuniones que generan minutas, identifican tareas y envían recordatorios; respuestas de correo con plantillas y consultas a sistemas internos (los asuntos legales o sensibles exigen redacción formal y controles adicionales); actualización de un ticket que dispara avisos automáticos a todos los clientes afectados por una incidencia.

7.5 · Gobernanza, riesgos y supervisión

Calidad y gobernanza de datos

Detectar datos no confiables o «basura»: limpiar, completar o descartar según criterios definidos. Identificar los datos estrictamente necesarios, las fuentes, la calidad mínima, los sensibles y la información que no debería recopilarse. Los datos que identifican a una persona (nombre, DNI) exigen protección y una ubicación de almacenamiento compatible con la normativa aplicable.

Supervisión humana

Definir si una persona puede aprobar, corregir, anular o detener una decisión automática, y qué decisiones se resuelven con reglas y cuáles requieren clasificación, predicción, detección de anomalías u optimización.

Pruebas y confiabilidad

Evitar que el sistema perpetúe errores históricos. Probar en un entorno controlado antes del piloto y la producción; definir métricas de éxito, riesgo, tiempo y calidad; preparar un plan de recuperación ante fallas de la IA o de sus integraciones.

7.6 · Costos: cuándo conviene un modelo y cuándo una regla

Los modelos de IA se consumen mediante interacciones o tokens: una interacción individual parece barata, pero un sistema con volumen alto acumula costos significativos. Antes de implementar conviene proyectar volumen y costo total — y, si un sistema de reglas puede resolver el mismo caso, suele ser más rápido y más económico que invocar un modelo de lenguaje para una decisión determinista.

Referencia citada en clase
Concepto	Dato
Configuración profesional (Power Automate, Oracle, IBM)	Estimación de referencia: ≈500 horas de ingeniería por USD 10.500
Cronograma típico	Beta en 3 meses; automatización más completa en ≈1 año, con retroalimentación y ajustes

Algunas organizaciones deben desarrollar internamente por razones de confidencialidad, en vez de tercerizar en plataformas comerciales.

7.7 · Implementación y evolución continua

La implementación se organiza con un plan de cambio y un cronograma (diagrama de Gantt). No es un proyecto que termina: las herramientas y mejores prácticas cambian constantemente, y la falta de adaptación puede producir obsolescencia — empresas y productos perdieron relevancia por no responder a tiempo a cambios tecnológicos y de mercado. Esta idea conecta directamente con la Clase 06: el hype promete una automatización total; la automatización responsable la trata como un proceso que se revisa y se actualiza.

7.8 · Actividad de aula

Diagnosticar una oportunidad

Una municipalidad recibe reclamos por correo, papel y teléfono; tres personas leen, copian datos y derivan cada caso a mano.

Percepción — ¿qué señales deben capturarse?
Memoria — ¿qué antecedentes deben recuperarse?
Aprendizaje — ¿qué patrón puede inferirse?
Lenguaje — ¿qué interacción puede simplificarse?

Entrega en equipos: propuesta de 5 pasos + un riesgo + una métrica de éxito + un punto de revisión humana.

Cinco ideas para llevar (parte 1)

1) La inteligencia surge de varias capacidades conectadas. 2) Los sistemas artificiales son especializados, no equivalentes a una persona. 3) La IA amplifica procesos, buenos o malos. 4) La automatización responsable conserva supervisión humana. 5) Empezar pequeño, medir y aprender reduce riesgos. Pregunta final de la cátedra: ¿qué tarea automatizarías y cuál nunca delegarías por completo?

Segunda parte de la clase: diseñar un trámite digital

Sesión práctica, grabada más tarde el mismo 23 de septiembre: cómo diseñar un sistema para recibir, validar y derivar expedientes administrativos. Aplica el paso 3 del camino anterior (automatizar con reglas) con un ejemplo concreto: automatizar con reglas todo lo que se pueda —son más rápidas y baratas— y reservar la IA para donde realmente agregue algo que una regla no puede dar.

si una regla explícita alcanza para decidir…

…usar IA ahí es más caro, más lento y no aporta nada

Mapa mental de la segunda parte de la clase (misma grabación del 23 de septiembre).

7.9 · El flujo: captura, validación y derivación

Captura de datos

DNI, nombre, domicilio y planilla, evitando verificaciones visuales innecesarias. El domicilio del DNI puede estar desactualizado: conviene una fuente más confiable (ej. consultar un servicio como Mi Argentina) en vez de confiar en el dato tal cual.

Validación

Comprobar que el DNI sea válido y coincida con el nombre. Para empresas: actividad declarada, cumplimiento tributario, pagos a organismos (ANSES, ARCA) y existencia de multas o deudas, siempre que la fuente esté disponible.

No hay un único supuesto estándarPersonas extranjeras, empresas del Mercosur y otros casos que no encajan en el molde necesitan excepciones explícitas, no un rechazo automático.

Derivación

En vez de repartir papeles, el portal notifica a cada área por correo con acceso al caso, y los responsables registran checks y comentarios en un espacio común — trazabilidad de quién hizo qué.

7.10 · Desacoplamiento y operación en clúster

El desacoplamiento reduce dependencias entre etapas: en vez de una cadena estrictamente secuencial, un conjunto de operadores disponibles puede revisar casos en paralelo.

Cualquier operador disponibletoma un caso de la cola — el servicio sigue funcionando aunque falten personas.
KPI: tiempo de atenciónse citó como ejemplo pasar de 2 a 3 minutos como señal de que la fila empieza a crecer.
Supervisiónsi la fila crece, el supervisor redistribuye capacidad; algunas decisiones finales igual requieren una persona.

7.11 · Reglas, excepciones, y dónde aporta la IA

Cuándo usar cada herramienta
Herramienta	Cuándo
Reglas	Primera opción: más rápidas y económicas para validar condiciones explícitas y requisitos conocidos.
Excepciones	Situaciones previstas que no siguen la regla general (empresas brasileñas o del Mercosur, por ejemplo) — se codifican aparte, no se fuerzan dentro de la regla principal.
IA	Clasificar solicitudes textuales, detectar anomalías o posible fraude, interpretar documentos o imágenes, optimizar y recomendar — cuando la regla no alcanza.

Error típicoUsar un modelo de lenguaje para extraer un dato de una base desordenada cuando una consulta estructurada con resultado binario sería más barata y más confiable. La IA no reemplaza un mejor diseño de datos.

7.12 · Confianza, datos y almacenamiento

Nivel de confianza

Se puede basar en el historial: cantidad de solicitudes previas, consistencia entre actividades declaradas y cambios inusuales de rubro (posible señal de anomalía).

Automatización escalonada

Resolver automáticamente los casos simples; derivar a revisión humana los incompletos, ambiguos o excepcionales — y revisar solo una fracción del total, no todo.

Gobernanza de datos

Identificar los datos estrictamente necesarios, los sensibles, las fuentes, la calidad mínima y los posibles sesgos — y qué datos no deberían recopilarse. La información sensible va a un repositorio cifrado sujeto a la normativa correspondiente, con histórico y auditoría; para datos históricos de baja frecuencia de acceso, un almacenamiento de bajo costo (ej. AWS Glacier) es preferible, aunque extraerlos cueste más.

7.13 · Piloto, continuidad y arquitectura

Antes de escalar: una beta con 2 o 3 empresas para detectar fricciones y puntos donde el proceso se traba. Ante una falla de la IA o de una integración, el sistema necesita un plan de continuidad del negocio y recuperación ante desastres — infraestructura redundante entre proveedores de nube y regiones, aunque eso suba el costo. La arquitectura conceptual: módulos conectados, una base de datos de solicitudes e histórico, y componentes separados para reglas, guías y excepciones (el histórico retroalimenta la mejora del sistema).

7.14 · Cuando el trámite es una urgencia clínica

Las reglas administrativas no sirven en salud

Las solicitudes pueden llegar por formulario, correo, llamada o servicios web, y generar avisos automáticos a los responsables — igual que en un trámite comercial. Pero en una clínica el tiempo puede determinar la supervivencia del paciente: una persona inconsciente, o con un nivel de gravedad alto, debe ser atendida y estabilizada antes de completar todos los datos administrativos. Un modelo de riesgo puede recomendar prioridades, pero las reglas deben admitir concesiones — nunca bloquear la atención urgente por falta de información.

Clase 08 · Unidad 5 · 2 de octubre

Cognición distribuida y metáforas cerebro-máquina

La clase gira sobre dos palabras clave: cognición y neurociencia. La primera mitad cambia la unidad de análisis: la inteligencia no vive sólo dentro de una cabeza, se reparte entre personas, artefactos, datos y tiempo. La segunda mitad pregunta qué tomó la IA del estudio del cerebro —y qué no debería tomar literalmente—, y lo baja a casos públicos y privados. La idea de cierre: diseñar IA es diseñar una relación entre capacidades humanas, procesos institucionales, datos y modelos.

personas + artefactos + datos + entorno + registros acumulados en el tiempo

la inteligencia aplicada surge de relaciones, no de un componente aislado

Objetivos de la clase, según la cátedra

Explicar por qué la cognición puede distribuirse entre personas, artefactos, datos y entorno.
Analizar alcances y límites de las metáforas que comparan cerebro y computadora.
Relacionar hallazgos de la neurociencia con arquitecturas y prácticas de diseño de IA.
Diseñar casos de uso públicos y privados con supervisión humana.
Identificar riesgos de reduccionismo, opacidad, sesgo y automatización indebida.

8.1 · Qué es la cognición

El profesor la presentó como un concepto «bien abstracto»: en el habla cotidiana, «cognitivo» suena a algo difícil de definir. La definición de trabajo de la clase:

Definición

La cognición es el conjunto de procesos mentales que permiten adquirir, procesar, almacenar, recuperar y utilizar información para interactuar con el mundo. Dicho de otro modo: la capacidad de conocer, comprender y dar sentido a lo que nos rodea.

Origen de la palabra

Del latín cognitio («acto de conocer»), del verbo cognoscere («conocer, reconocer»). Se arma con com- (junto, con) + gnoscere (conocer), de la raíz indoeuropea *gno- (saber).

Evolución del sentido: Edad Media: capacidad de comprender. Siglo XVII: se amplía a la percepción y la sensación. Hoy: proceso mental de adquisición, procesamiento, almacenamiento y uso de información.
Detalle para retener: Etimológicamente es «conocer en conjunto»: la idea de cognición distribuida (8.4) ya está en la palabra.

Procesos cognitivos principales

Percepción: interpretar estímulos del entorno.
Atención: seleccionar la información relevante.
Memoria: recordar experiencias.
Pensamiento: analizar, razonar, crear ideas.
Lenguaje: comunicar y representar ideas.
Toma de decisiones y resolución de problemas.

Cognición y cultura

No hay una única forma de cognición: la cultura moldea cómo percibimos, pensamos y decidimos.

Ejemplos de la lámina: Tradiciones occidentales: pensamiento más analítico, lineal e individual. Orientales: más holístico, contextual y relacional. Pueblos indígenas: integran naturaleza, experiencia y espiritualidad. Culturas colectivistas: priorizan el bienestar del grupo al decidir.

OjoSon tendencias generales que propone la lámina, no reglas sobre personas concretas. Leerlas como destino sería caer en el «determinismo» de 8.13.

8.2 · Consciente y subconsciente

Para el profesor, lo más importante de la cognición es la diferencia entre lo consciente y lo subconsciente: la mayor parte de la actividad cognitiva ocurre de forma subconsciente e influye en lo que pensamos, sentimos y hacemos sin que lo notemos.

Basado en la infografía de la cátedra (diapositiva 2) y en los ejemplos de la clase grabada. Los dos niveles interactúan todo el tiempo.

La analogía del profesor con los chatbots

En ChatGPT o Copilot, el modo normal devuelve rápido lo primero que encuentra («el menor esfuerzo necesario»); el modo de razonamiento profundo consulta muchas más fuentes y puede tardar bastante más. El profesor lo comparó con dos preguntas: «contame ya mismo qué te pareció la secundaria» (respuesta inmediata, lo primero que sale) contra «traeme un ensayo la semana que viene» (respuesta pensada y repensada). Su conclusión: en la IA no hay una parte consciente y otra subconsciente, aunque se intentó imitar algo parecido.

Cómo leer bien la analogía

Según la infografía, lo deliberado y lento corresponde a lo consciente, y lo automático y rápido a lo subconsciente. En la grabación la correspondencia aparece al revés en un momento —la transcripción es confusa—: quedate con la de la lámina.

Error típicoDecir que el «modo razonamiento» de un chatbot es su conciencia. Es una diferencia de cómputo y de búsqueda, no de experiencia: atribuirle conciencia es justamente el antropomorfismo de 8.13.

8.3 · La IA, inspirada en la cognición

La IA se inspira en los procesos cognitivos humanos para diseñar sistemas que perciben, aprenden, razonan y deciden. No posee conciencia: simula algunas funciones de la cognición.

Áreas de inspiración
Área de IA	Proceso cognitivo que la inspira
Redes neuronales	La estructura del cerebro humano
Aprendizaje automático	Aprender a partir de la experiencia (datos)
Visión por computadora	La percepción
Procesamiento de lenguaje natural	El lenguaje humano
Robots inteligentes	Percepción, planificación y acción integradas

Imitar el comportamiento humano

Ejemplos de la clase: asistentes virtuales con voces y acentos cada vez más parametrizables; llamadas automáticas en las que parece que habla una persona; taxis autónomos diseñados para manejar «como una persona».

Conecta con: La prueba a ciegas que propuso el profesor —subir con los ojos vendados a un taxi autónomo y después a uno manejado por una persona, sin poder distinguirlos— es un juego de imitación aplicado al manejo. Ver clase 3.

Lo que sigue siendo humano

La IA amplifica capacidades cognitivas, pero la creatividad, la empatía y el juicio ético siguen siendo esencialmente humanos. La tecnología no reemplaza la cognición humana: la potencia cuando se usa de forma ética, crítica y responsable.

8.4 · Cognición distribuida

La unidad de análisis deja de ser la mente individual y pasa a ser el sistema sociotécnico: el razonamiento también ocurre en los documentos, las bases de datos, los roles y la memoria de una organización.

Distribución social

El razonamiento se reparte entre personas con conocimientos, roles y responsabilidades diferentes.

Ejemplo de la lámina: Un comité que combina especialistas técnicos, jurídicos y operativos.
Aporte de la clase: Se vincula con el conocimiento colectivo: lo que una comunidad da por establecido y casi nadie discute (por ejemplo, que robar está mal), más allá de las ideas de cada uno.

Distribución material

Documentos, tableros, sensores, modelos y bases de datos conservan y transforman información. Los artefactos participan en la tarea cognitiva.

Aporte de la clase: Los repositorios que conservan datos e información de la organización: data lakes, bases, archivos.

Distribución temporal

Las decisiones actuales dependen de registros, aprendizajes y retroalimentación acumulados en el tiempo. La memoria organizacional es parte del sistema.

Aporte de la clase: El profesor la ilustró con la jerarquía de memorias de una computadora (abajo): no todo lo que «se sabe» está disponible de inmediato.

La analogía de la memoria: de lo inmediato a lo archivado
Nivel	Cómo es	Ejemplo citado en clase
Memoria del CPU	La más volátil y rápida: lo que el procesador usa en el momento	El «ahora mismo» del cálculo
RAM	Volátil, fuera del CPU: lo que necesita el programa en ejecución	—
Almacenamiento persistente	No volátil: queda escrito y se mantiene	Disco de la computadora
Almacenamiento frío	Muy barato de guardar, lento y caro de recuperar	AWS Glacier: recuperar algo puede tardar horas
Cintas	Archivo físico de muy largo plazo	Bancos y aseguradoras que deben conservar transacciones por ley

Por qué un banco guarda en «frío»

La ley obliga a conservar las transacciones por años, pero casi nunca se consultan. Si un juzgado pide una operación puntual, alcanza con entregarla al día siguiente: conviene pagar poco por guardar y caro por recuperar unas pocas veces al año. Es la misma decisión de costo que apareció en la clase 7 para los datos históricos de baja consulta.

8.5 · De la mente aislada al sistema sociotécnico

Una decisión emerge de interacciones entre actores, representaciones y tecnología.

Modelo de la diapositiva 5. El algoritmo vive dentro de «artefactos»: es una pieza de la red, no la red.

La calidad de la decisión no depende únicamente del algoritmo. También depende de:

Cómo circula la informaciónPor dónde entra, quién la ve y en qué momento.
Quién interpreta la recomendaciónEn clase: lo que la IA «entiende» depende también de las instrucciones (el prompt) que se le dan.
Qué evidencia queda registradaSi el sistema guarda o no el historial de lo que pasó.
Quién puede corregir el procesoLa persona o el área que tiene ese rol asignado.

Es el mismo «sistema sociotécnico» de la clase 4 (modelo + datos + proceso + personas + gobierno), ahora como herramienta de análisis cognitivo.

8.6 · Metáforas cerebro-máquina

Una metáfora es una comparación: «esto se parece a aquello». Las metáforas cerebro-máquina son modelos útiles para pensar, no equivalencias literales.

Cerebro como computadora

Describe entradas, procesamiento, memoria y salidas.

Aporta: Vocabulario funcional para describir la mente.
Oculta: El cuerpo, el contexto y la plasticidad.

Computadora como cerebro

La metáfora inversa: inspira redes neuronales y aprendizaje adaptativo.

Aporta: Arquitecturas que aprenden de los datos.
Oculta: Puede generar expectativas exageradas de comprensión o conciencia.

Sistema híbrido

Considera la inteligencia humana, la organización y el modelo como partes complementarias.

Por qué es la preferida: Es la más útil para la gobernanza y el diseño responsable: obliga a preguntar quién hace qué.

«El cerebro es la mejor computadora que existe»

Así lo planteó el profesor, por su resiliencia: si a una computadora le cae agua en el teclado, hay que cambiar el teclado; si una persona sufre un ACV, otra zona del cerebro puede asumir parte de la función dañada. El cerebro funciona como una unidad integrada, no como un conjunto de piezas intercambiables.

Hacia dónde va el hardware

Comentó un anuncio reciente de NVIDIA: un chip que integra CPU, GPU y suficiente memoria para correr un modelo de IA de forma local, sin depender de la infraestructura de la nube, y con mucho menor consumo y calor. Lo presentó como un paso hacia sistemas integrados, «como el cerebro».

Leer estas frases con la lámina al lado

«El cerebro es una computadora perfecta» es en sí una metáfora del primer tipo, y la lámina advierte qué deja afuera. Usala como imagen didáctica, no como afirmación técnica: el cerebro no tiene una RAM ni un disco, y un chip integrado no es «un cerebro».

8.7 · Neurociencia: qué es y de dónde viene

Origen y definición

Neuro- (del griego neuron, nervio) + -ciencia (del latín scientia, conocimiento): literalmente, la ciencia del sistema nervioso.

En clase: La ciencia que estudia el cerebro desde el punto de vista funcional, para trasladar ese conocimiento a algo que el ser humano pueda construir y manipular.

¿Quién la inventó?

Nadie en particular: es el resultado del trabajo de muchos científicos de la medicina, la biología, la psicología y la tecnología. Se considera disciplina formal desde el siglo XX, cuando se unificaron las distintas áreas que estudiaban el cerebro y el sistema nervioso.

Máximos exponentes (casi todos médicos, como remarcó el profesor)
Científico	Aporte	Nobel
Santiago Ramón y Cajal	Padre de la neurociencia moderna: describió la estructura de las neuronas.	1906
Charles Sherrington	Introdujo el concepto de sinapsis y de integración neuronal.	1932
Eric Kandel	Estudió la base molecular de la memoria.	2000
May-Britt Moser	Descubrió, junto con Edvard Moser, las células de red del «sistema de posicionamiento» del cerebro.	2014

Corrección sobre la lámina

Dato a corregirLa infografía atribuye a May-Britt Moser las «células de lugar». Las células de lugar las descubrió John O'Keefe; los Moser descubrieron las células de red (grid cells). Los tres compartieron el Nobel de 2014. Si te lo preguntan en el formato de la lámina, conviene conocer las dos versiones.

AntigüedadHipócrates y GalenoPrimeras ideas sobre el cerebro y la mente.
Edad MediaCreencias filosóficas y religiosasPersisten como marco para explicar la mente.
Renacimiento (siglo XVI)Andrés VesalioEstudios anatómicos.
Siglo XIXLocalización de funcionesBroca y Wernicke identifican áreas del lenguaje.
Siglo XXConsolidación como disciplinaMétodos experimentales y neuroimagen.
Siglo XXIConectómica y neurotecnologíaNeurociencia cognitiva, neurotecnología e inteligencia artificial.

Descubrimientos clave y relación de ida y vuelta con la IA

Descubrimientos clave: la neurona y la sinapsis; la plasticidad cerebral; la localización de funciones (lenguaje, memoria, visión); las técnicas de neuroimagen (fMRI, PET, EEG), que permiten ver el cerebro en acción; las bases neuronales de la memoria y el aprendizaje; la relación cerebro-comportamiento (emociones, decisiones, conducta); y las interfaces cerebro-máquina.

La neurociencia inspira a la IA

Las redes neuronales artificiales se inspiran en el cerebro.
Estudiar aprendizaje, percepción y decisión ayuda a crear algoritmos más eficientes.
Aporta ideas sobre cómo procesar información, reconocer patrones y adaptarse.

La IA impulsa a la neurociencia

Analiza grandes volúmenes de datos de neuroimagen.
Detecta patrones imposibles de ver manualmente.
Facilita nuevas neurotecnologías y tratamientos.

Ejemplos de uso: diagnóstico temprano de Alzheimer con IA y neuroimagen; neuroprótesis (brazos robóticos controlados con la mente); plataformas educativas adaptativas; apps de salud mental; interfaces cerebro-computadora para personas con discapacidad; asistentes que reconocen emociones y contexto.

8.8 · Qué toma la IA de la neurociencia

Inspiración funcional, no copia completa del cerebro. En clase: la IA intenta imitar al ser humano en estructura, pero sobre todo en comportamiento y funcionalidad.

Cinco aportes
Principio del cerebro	Cómo aparece en la IA
Ajuste de conexiones	Aprender modificando conexiones: la inspiración de las redes neuronales.
Procesamiento jerárquico	Extracción progresiva de rasgos en la percepción (de bordes a formas a objetos).
Atención selectiva	Priorizar de forma dinámica la información relevante.
Memorias diferenciadas	Separar estados transitorios de conocimiento persistente.
Predicción y retroalimentación	Reducir el error mediante ciclos de ajuste: el cerebro aprende de la experiencia, y el modelo también.

8.9 · Plasticidad, aprendizaje y adaptación

Los sistemas útiles deben aprender sin perder control ni estabilidad.

Principio neurocientífico

La plasticidad permite modificar las conexiones con la experiencia. El aprendizaje depende de la exposición, la práctica y la retroalimentación.

Ejemplo de clase: Alguien que llega a un país sin hablar el idioma (o un chico que entra a una escuela sin saber español) aprende a comunicarse en semanas o meses por pura inmersión, sin un curso especial: el mismo mecanismo adaptativo. Por eso la mejor forma de aprender inglés es vivirlo.

Traducción a IA

Entrenamiento, ajuste fino (fine-tuning), aprendizaje continuo, actualización de representaciones y evaluación frente a datos nuevos.

En clase: «Entrenar es tener experiencias»: aprender por ensayo y error, como una persona. Los proveedores suelen expresar el entrenamiento en tiempo o en interacciones (por ejemplo, «hacen falta 10.000 interacciones» antes de que el comportamiento se parezca a lo que se busca); la cantidad depende del objetivo.

Cautela de diseño

Un modelo que se adapta sin límites puede degradarse, olvidar capacidades o incorporar sesgos.

Error típicoSuponer que «más aprendizaje continuo» siempre mejora el sistema. Sin versiones, pruebas y supervisión, la adaptación puede empeorarlo.

8.10 · Atención, memoria y control ejecutivo

Tres funciones cognitivas que inspiran componentes concretos de un sistema inteligente:

AtenciónSeleccionar señales relevantes entre muchas entradas. Ej.: priorizar expedientes urgentes sin ocultar los demás.

MemoriaConservar contexto operativo, reglas y antecedentes, distinguiendo información autorizada, temporal y sensible.

Control ejecutivoPlanificar, inhibir respuestas inadecuadas, comparar alternativas y escalar excepciones a una persona responsable.

8.11 · Casos de uso: sector público y privado

Como en cada clase, la cátedra baja los conceptos a ejemplos de organismos públicos y de empresas: «se van a graduar y van a trabajar en uno de los dos».

Público — priorización de mantenimiento

La IA apoya la asignación de recursos; no reemplaza la responsabilidad administrativa. El objetivo es la mayor disponibilidad posible de los activos (en clase: una línea de colectivos).

Sistema distribuido: Reportes ciudadanos + sensores + historial de obras + cuadrillas + criterios presupuestarios + modelo predictivo.
Aporte neuroinspirado: Atención para detectar señales críticas; memoria de fallas recurrentes; predicción del riesgo de deterioro.
Salvaguardas: Criterios públicos, auditoría de datos, revisión técnica, canal de reclamo.

Riesgo específicoDiscriminar zonas que reportan menos (por menor acceso o capacidad de reporte): menos reportes no significa menos necesidad. La lámina lo prohíbe explícitamente.

Público — gestión de trámites

Asistencia cognitiva para reducir tiempos sin automatizar derechos.

Reparto de tareas: El sistema clasifica documentos, detecta faltantes y propone una ruta. El personal interpreta excepciones, verifica evidencia y toma la decisión formal. El expediente conserva la trazabilidad de datos, reglas, recomendaciones y modificaciones.
Indicadores: Tiempo de resolución, tasa de corrección, diferencias entre grupos y cantidad de revisiones humanas.
Matiz de la clase: El profesor lo describió como una «industria» de entrada y salida, lo más automatizada posible, medida con KPIs y con pocas excepciones. Las dos ideas conviven: se reduce la intervención manual en el flujo rutinario, pero la decisión que afecta derechos sigue siendo humana.

LímiteNo delegar decisiones que afecten derechos en una salida automática que no se pueda explicar.

Privado — mantenimiento predictivo

La cognición se distribuye entre sensores, modelo y conocimiento operativo.

Datos y percepción: Sensores registran vibración, temperatura y consumo; el modelo detecta patrones anómalos antes de una avería.
Experiencia humana: El personal técnico combina la alerta con el ruido, el contexto de producción, el historial del equipo y las condiciones ambientales.
Decisión empresarial: Se prioriza la intervención según seguridad, costo, repuestos disponibles y riesgo de parada.
Ejemplo de clase: el auto: Hay reglas fijas del fabricante (cambiar el aceite a los 15.000 km, revisar la distribución a los 80.000) y señales que anticipan una falla (temperatura, consumo eléctrico, un volante que empieza a vibrar). El mantenimiento cubre los dos frentes.

Privado — atención y riesgo comercial

Personalización con memoria contextual y límites éticos.

Cómo funciona: Un asistente recupera antecedentes autorizados y resume interacciones para el equipo. Un modelo de riesgo propone señales; la aprobación considera la calidad de los datos y la posibilidad de revisión. La interfaz muestra factores relevantes, incertidumbre y alternativas.
Qué se mide: Satisfacción, precisión, falsos rechazos, tiempos y concentración de errores.
Condición previa (clase): Los antecedentes tienen que estar digitalizados y disponibles en una base en línea.

Error típicoPensar que alcanza con no usar variables sensibles. También hay que evitar proxies: variables que las reemplazan indirectamente (por ejemplo, el código postal en lugar del origen) y producen discriminación injustificada.

8.12 · El mismo principio, distintas obligaciones

Organismo público vs. empresa privada
	Organismo público	Empresa privada
Prioridad	Legalidad, igualdad, debido proceso, transparencia, accesibilidad y rendición de cuentas	Valor, eficiencia, experiencia, seguridad, cumplimiento y reputación
Finalidad (clase)	Sin fines de lucro: dar el mejor servicio posible a la gente	Con fines de lucro: bajar costos y aumentar la productividad
Relación	El ciudadano no siempre puede elegir otro proveedor	Debe gestionar consentimiento, competencia y relación contractual

Productividad, según la definición dada en clase: la medida en que se aprovechan los recursos disponibles. Bajar costos y aumentar ingresos es aumentar la productividad.

Finalidad explícitaPara qué se usa.

Datos pertinentesSólo los necesarios.

Supervisión humanaQuién decide.

TrazabilidadQué queda registrado.

Evaluación continuaCómo se corrige.

Esos cinco elementos se exigen en ambos casos, sea público o privado.

8.13 · Riesgos de la metáfora cerebral

Riesgos que aparecen cuando la IA toma características del cerebro humano: confundir inspiración con equivalencia lleva a errores técnicos y sociales.

Antropomorfismo

Atribuir intención, comprensión o conciencia a un sistema que produce correlaciones y respuestas.

Ejemplo«El chatbot pensó más en el modo profundo, entonces entendió». Conecta con el Cuarto Chino de la clase 4: producir la salida correcta no prueba comprensión.

Reduccionismo

Tratar la inteligencia como cálculo aislado e ignorar cuerpo, cultura, cooperación, normas y contexto.

EjemploPensar que alcanza con un algoritmo mejor e ignorar la red sociotécnica de 8.5. Es lo contrario de la cognición situada de la clase 4.

Determinismo

Suponer que una predicción define a una persona, o que el resultado algorítmico es inevitable y neutral.

Ejemplo«El modelo dice riesgo alto, entonces se rechaza». La predicción es una señal para revisar, no un veredicto.

8.14 · Principios de diseño responsable

Pasar del modelo aislado a una arquitectura de decisión:

FinalidadDefinirla y justificar por qué se necesita IA.
Mapa de la redActores, artefactos, datos, decisiones y mecanismos de corrección.
Interfaces honestasQue comuniquen evidencia, límites e incertidumbre.
Decisiones reservadasLas decisiones críticas y las excepciones quedan en manos de responsables identificables.
Pruebas ampliasDesempeño técnico, impacto distributivo, seguridad y accesibilidad.
Registro y revisiónMonitoreo, revisión periódica y posibilidad real de impugnación.

8.15 · Actividad de aula y síntesis

Diseñar un sistema híbrido

Elegir un procesoTurnos hospitalarios, inspección urbana, logística, fraude o atención al cliente.
Dibujar la red cognitivaPersonas, datos, documentos, sensores, modelo y canales de retroalimentación.
Identificar la inspiraciónQué función se inspira en percepción, atención, memoria, predicción o control ejecutivo.
Repartir decisionesQué decide la IA, qué recomienda y qué debe decidir una persona.
Cuatro indicadoresRendimiento, equidad, explicabilidad y capacidad de corrección.
Un riesgo y una salvaguardaUn riesgo de metáfora (8.13) y una salvaguarda concreta para él.

cognición distribuida + neurociencia + gobernanza

diseñar IA es diseñar una relación entre personas, procesos, datos y modelos

Cuatro ideas para llevar

1) Diseñar IA es diseñar una relación entre capacidades humanas, procesos institucionales, datos y modelos. 2) Las metáforas orientan, pero también pueden ocultar diferencias. 3) La neurociencia aporta principios de aprendizaje, atención, memoria y adaptación. 4) El valor aparece cuando la tecnología fortalece decisiones responsables y corregibles.

Notas sobre las fuentes de esta clase

La grabación empieza con la clase ya comenzada: lo dicho antes del primer minuto no quedó registrado.
El nombre del chip de NVIDIA que comentó el profesor (8.6) no se entiende en la grabación; el contenido de ese panel es su relato, no un dato técnico verificado.
La comparación de costos del almacenamiento frío se dejó sin cifras: el precio por gigabyte que se escucha en la grabación parece mal transcripto.
La fecha (2 de octubre) sale de los datos de la grabación.

Clase 09 · Unidad 6 · 16 de octubre

Planificación y toma de decisiones: de la estrategia a la automatización

La clase cruza dos mundos. El de la IA, donde planificar es buscar una secuencia de acciones que lleve de un estado inicial a una meta y decidir es comparar consecuencias. Y el de la gestión de proyectos de software, donde esos mismos conceptos se vuelven cronogramas, riesgos y presupuestos. La grabación aporta la mirada de quien gestiona proyectos de IT en la práctica; el cierre vuelve sobre la automatización responsable.

estado actual + acciones posibles + restricciones + una meta con un criterio para compararla

un plan: la secuencia de acciones que conviene ejecutar

Pregunta guía de la cátedra

¿Cómo puede un sistema elegir una secuencia de acciones útil sin sustituir la responsabilidad humana? La IA aporta velocidad, consistencia y detección de patrones; las personas aportan objetivos, contexto, valores y responsabilidad.

9.1 · Qué es un proyecto y qué significa planificar

Un proyecto necesita tres cosas: un objetivo, un equipo de personas y recursos. Si falta alguna de las tres, el proyecto no es viable. Planificar es construir las acciones y su secuencia a partir de la situación actual, las metas, los criterios y las restricciones.

Estado inicial

La descripción relevante del mundo antes de actuar.

Ejemplo: Pedidos pendientes, vehículos disponibles y rutas abiertas. En un proyecto: desde dónde se parte y con qué recursos se cuenta.

Acciones y restricciones

Cada acción cambia el estado. Las restricciones limitan lo posible: tiempo, costo, capacidad, seguridad o reglas.

Meta y criterio

No basta con llegar: se puede buscar el plan más corto, más barato, más seguro o más equilibrado.

Ejemplo: Una empresa de reparto decide qué pedido atender primero y qué ruta seguir para reducir retrasos.

Error típicoConfundir la meta con el criterio. «Ubicar todas las clases» es la meta; «con la menor cantidad de cambios de aula» es el criterio que permite elegir entre planes que la cumplen.

9.2 · El modelo básico de un problema de planificación

Formular el problema con claridad evita automatizar reglas ambiguas.

EstadoQué sabemos.

AccionesQué puede hacerse.

TransiciónQué cambia con cada acción.

ObjetivoQué queremos lograr.

CostoQué optimizamos.

Mini caso de la cátedra: programación de aulas

Estado: aulas y horarios disponibles. Acciones: asignar una clase a un aula y un horario. Restricciones: capacidad, equipamiento y superposiciones. Objetivo: ubicar todas las clases. Costo: minimizar los cambios de aula y los espacios vacíos. En clase se lo planteó como si la propia UADE tuviera que organizar sus aulas.

En un proyecto de software los mismos cinco elementos se traducen así: el estado es de dónde se parte; las acciones, las tareas del equipo; el objetivo, por ejemplo, la aplicación entregada en producción; y el costo, lo que la empresa paga para llegar ahí. Al final, todo proyecto se evalúa por la relación costo-beneficio que genera.

9.3 · Planificación estratégica en proyectos de IT

Según la infografía de la cátedra, la planificación estratégica es el proceso de definir la visión, los objetivos, los recursos y la hoja de ruta de un proyecto de tecnología, alineado con la estrategia del negocio, para generar valor, reducir riesgos y asegurar su éxito a largo plazo.

InicioDefinición del problema, visión y caso de negocio.
PlanificaciónAlcance, cronograma, recursos y riesgos.
DiseñoArquitectura y especificaciones.
DesarrolloConstrucción y pruebas.
ImplementaciónDespliegue en producción.
CierreEvaluación de resultados y lecciones aprendidas.

Recursos, costo y tiempo

Los recursos se identifican y se traducen a costo: si se contratan cinco programadores, sus sueldos son parte del costo del proyecto. El tiempo se fija con una fecha de inicio y una de fin.

Por qué importaSi el proyecto se pasa de lo planificado, la relación costo-beneficio para el cliente deja de ser buena. En clase se reconoció que pasarse de la fecha es habitual: por eso se planifica.

¿Llegamos a la fecha?

El ejemplo de la clase: una empresa tercerizada que desarrolla la app móvil de un supermercado. Estamos a mediados de octubre y el cliente la quiere para el 30 de diciembre.

Cómo se responde: Descomponiendo el trabajo en actividades y tareas, y verificando si los recursos disponibles alcanzan para esa fecha. Recién con eso se arma el cronograma. El plan se trabaja siempre con los usuarios.

Factores clave a considerar

Alineación con los objetivos del negocio: el proyecto debe generar valor real.
Recursos adecuados: equipo, presupuesto y herramientas.
Gestión de riesgos: anticipar y mitigar.
Alcance bien definido: evitar la «deriva» del alcance (scope creep).
Comunicación efectiva con todos los interesados (stakeholders).
Seguimiento, control y capacidad de adaptación.

9.4 · El diagrama de Gantt y la ruta crítica

El diagrama de Gantt es la herramienta visual del cronograma: muestra cada tarea con su duración, fecha de inicio y de fin, y las dependencias entre tareas. La unidad puede ser días u horas, según el proyecto. Se comparte con el cliente para que sepa cuándo llega cada entrega, y permite informar el avance de cada actividad.

Ejemplo ilustrativo armado sobre el caso de la app de supermercado de la clase; las duraciones no son de la cátedra. La infografía oficial muestra un Gantt de once tareas con la misma lógica.

Dependencias

Una actividad dependiente no puede empezar (o terminar) hasta que se complete la actividad de la que depende. El Gantt las hace visibles.

Ruta crítica

La cadena de actividades que define la duración total del proyecto. Un riesgo alto en una actividad crítica puede retrasar todo el proyecto; por eso esas actividades reciben atención especial.

Subdividir lo que es muy grande

En la estimación por historias, en clase se mencionó 5 como el puntaje máximo habitual de una historia: si se estima por encima de 5, se subdivide para poder entregarla.

OjoEse tope depende de la escala que use cada equipo; no es una regla universal. La idea que se evalúa es la otra: las tareas grandes se descomponen.

9.5 · Tomar decisiones: elegir entre alternativas

La decisión conecta percepción, predicción, objetivos y acción.

ObservarDatos actuales: demanda, síntomas, inventario, tráfico o historial.
EstimarPredecir consecuencias y manejar la incertidumbre.
ValorarComparar utilidad, riesgo, costo, equidad y restricciones.
Actuar y aprenderEjecutar, medir el resultado y ajustar el modelo o las reglas.

una predicción («este pedido llegará tarde»)

todavía no es una decisión: falta un objetivo y una política de actuación

Qué se evalúa en un proyecto de IT (infografía de la cátedra)
Criterio	Pregunta
Alineación	¿Contribuye a la estrategia y a los objetivos del negocio?
Costos y beneficios	¿Cuál es el retorno de la inversión (ROI)?
Factibilidad técnica	¿Es viable con la tecnología y el equipo disponibles?
Tiempo de implementación	¿Se puede cumplir en el plazo requerido?
Impacto en los stakeholders	¿Cómo afecta a usuarios, clientes y áreas del negocio?
Riesgos asociados	¿Qué podría salir mal?

ROI y solicitud de negocio

El retorno de inversión no lo calcula el equipo técnico por su cuenta: sale de la solicitud de negocio, que trae el análisis detallado del beneficio esperado y de cuándo se recupera la inversión.

Discovery

Etapa previa a vender o arrancar un proyecto, en la que se estudia el producto antes de construirlo: sus pantallas (prototipos), el mercado, la facturación esperada, las oportunidades y el beneficio para la empresa.

En clase: También se evalúa, con matrices y con los usuarios, cuál es la fecha máxima tolerable y qué efecto tendría un retraso: puede haber impactos positivos o negativos según cómo se entregue.

Aprender de cada proyecto

Todo proyecto deja conocimiento: conviene registrarlo para estimar mejor las fechas y anticipar los riesgos del siguiente.

Ejemplo de clase: En un primer proyecto de app móvil, nadie había previsto que la revisión de las tiendas (Apple, Google) tarda unos días antes de publicar. Ese atraso se vuelve una lección que el siguiente plan ya incluye.
Otro ejemplo: Para una cadena de supermercados con distintos nombres según el país, el historial de un proyecto anterior —fechas reales, riesgos que aparecieron, preferencias de los usuarios— sirvió de precedente para planificar el nuevo.

9.6 · Decisiones deterministas y bajo incertidumbre

Entorno determinista

Una acción produce un resultado conocido.

Ejemplo: Si una factura supera el límite autorizado, se deriva a aprobación. Una regla alcanza.

Entorno incierto

Una acción puede tener varios resultados: se usan probabilidades, utilidad o aprendizaje.

Ejemplo: Priorizar una llamada según el riesgo estimado de que el cliente abandone.

Conecta con: La dimensión determinista / estocástico del entorno de la clase 2.

El ejemplo del proveedor que falla

Un proveedor externo avisa que mañana no puede prestar el servicio. A primera vista parece un atraso acotado: «tres días». Pero si esa actividad tiene otras que dependen de ella, el efecto ya no es determinista: el proyecto puede correrse dos o tres semanas. Por eso se registran los riesgos con anticipación y se simula cuánto atrasaría cada uno si ocurriera.

Lo que debe preguntarse quien diseña

¿Qué pasa si el modelo se equivoca?
¿Cuál es el costo de un falso positivo y de un falso negativo?
¿Cuándo debe intervenir una persona?
¿Cómo se registra y se explica la decisión?

Principio práctico

A mayor impacto sobre la salud, los derechos o el dinero, mayores deben ser la supervisión, la trazabilidad y la posibilidad de revisión.

9.7 · Gestión de riesgos en proyectos de IT

El análisis de riesgos es el proceso de identificar, evaluar y priorizar lo que podría afectar los objetivos del proyecto, para definir respuestas que reduzcan su probabilidad o su impacto. Después se planifica la respuesta y se monitorea. En clase se insistió en que es un paso que muchos proyectos se saltean, y que conviene tratarlo como requisito previo.

Tipos de riesgo y cómo se mitigan
Riesgo	Qué es	Mitigación comentada en clase
Falta de habilidades	El equipo no tiene todo el conocimiento que exige el proyecto.	Mapear bien las tareas, capacitar, sumar perfiles junior con formación y un seguimiento cercano (sin agobiarlos).
Rotación del personal	Las personas cambian de proyecto o se van.	Es grave porque impide la transferencia de conocimiento: conocer el negocio y documentar lo aprendido.
Sobrecarga de trabajo	Se asignan más horas de las que el equipo puede rendir.	Planificar sobre la capacidad efectiva y no sobre la jornada nominal: en clase se habló de calcular unas 6 horas productivas por persona y por día (el pasaje de la grabación es poco claro).
Cambios de alcance	Requisitos poco claros o cambios frecuentes (scope creep).	Observar la situación, evaluar el impacto, actualizar la estimación y replanificar.
Dependencias externas	Retrasos de entregas que dependen de otros.	Comunicar con anticipación, por reuniones y por correo, cuándo se va a necesitar el servicio y cuándo se espera la entrega.
Financieros	Sobrecostos, recorte del presupuesto, variación de precios.	Poco margen de control: replanificar con entregas más chicas, más tiempo o menos personal.
Seguridad	Ciberamenazas, pérdida de datos, accesos no autorizados.	Revisión del equipo de seguridad antes de producción. Esas evaluaciones pueden tardar y hay que preverlas en el plan.
Terceros	Proveedores, contratistas o servicios externos.	Medir cuánto se necesita el servicio y qué les pasa a los clientes si no se presta.
Técnicos y regulatorios	Fallas o incompatibilidades tecnológicas; incumplimiento de leyes o normas.	Figuran en la infografía; no se desarrollaron en la grabación.

Matriz de la infografía de la cátedra. Se prioriza de «crítico» hacia «bajo»; un riesgo alto sobre una actividad de la ruta crítica se trata primero.

Buenas prácticas

Revisar y actualizar los riesgos con regularidad, y asignar responsables.
Definir planes de contingencia y monitorear indicadores de riesgo.
Fomentar una cultura proactiva: «la clave está en anticiparse».

9.8 · Tres aplicaciones cotidianas de la decisión

Recomendadores, asistentes y apoyo al diagnóstico son, los tres, sistemas de decisión aplicada.

Sistemas recomendadores

Ordenan opciones para reducir la sobrecarga de información.

Entradas: Historial, preferencias declaradas, contexto y características de los elementos.
Decisión: Estimar la relevancia y elegir qué mostrar, en qué orden y en qué momento.
Ejemplo: Una plataforma educativa recomienda el siguiente ejercicio según los errores previos, pero deja que el estudiante elija otro tema.

RiesgosBurbuja de filtros, sesgos, uso excesivo de datos y optimizar sólo por clics.

Asistentes virtuales

Combinan lenguaje natural, acceso a servicios y ejecución de tareas.

Comprender: Detectar la intención y extraer los datos: fecha, lugar, producto o acción.
Planificar: Dividir la solicitud en pasos y comprobar requisitos.
Ejecutar: Consultar, responder o llamar a otro sistema, con permisos y confirmaciones.
Ejemplo: «Recordame pagar el servicio el viernes»: interpreta la fecha, crea la tarea y confirma.
En clase: Todo asistente sigue el esquema entrada → proceso → salida. Conviene cuando el volumen lo justifica: no es lo mismo un comercio con 10 clientes por día que una plataforma con un millón.

Apoyo al diagnóstico médico

Prioriza hallazgos y apoya decisiones; no sustituye el juicio clínico.

Percepción: Imágenes, señales, resultados de laboratorio o texto clínico.
Estimación: Probabilidades o patrones que merecen revisión (en clase: valores de laboratorio fuera de rango).
Decisión asistida: El profesional integra contexto, antecedentes, guías y preferencias del paciente.
Ejemplo: El sistema marca una región sospechosa en una imagen; el equipo médico revisa, pide estudios y decide.

9.9 · Del proceso manual a la automatización responsable

Automatizar no significa eliminar personas: significa rediseñar tareas y controles.

DocumentarEntender y relevar el proceso tal como funciona hoy.
DigitalizarPasar papel y datos dispersos a formato digital.
EstandarizarMejorar el proceso y fijar una forma única de hacerlo.
Asistir con IASumar sugerencias, clasificación o predicción.
AutomatizarLas tareas rutinarias, para reducir errores humanos y acelerar entregas.
SupervisarUna persona verifica los resultados y los entregables, e itera.

Regla de oro

Primero mejorar el proceso, después automatizarlo. Y no automatizar todo: una acción automatizada puede volverse incorrecta cuando cambian las condiciones, por eso siempre tiene que haber alguien que verifique el resultado.

Comparación con la clase 7

La clase 7 proponía cinco pasos: observar, digitalizar, automatizar, aumentar con IA y supervisar. Esta versión agrega estandarizar antes de sumar tecnología, y pone la asistencia con IA antes de la automatización plena: primero la IA sugiere, después ejecuta.

Prototipos con IA

Antes, un prototipo para mostrarle al cliente se armaba a mano, pantalla por pantalla. Hoy la IA permite entregar un prototipo navegable mucho más rápido. Lo que no cambia: la responsabilidad por el resultado y su validación siguen siendo humanas.

En clase también se citó a Toyota como ejemplo histórico: antes que automatizar, parametrizar todas sus actividades para reducir los errores humanos.

9.10 · Casos prácticos

A · Comercio minorista

De inventario manual a reposición asistida por IA.

Situación manual: Conteo semanal, pedidos por intuición y poca visibilidad de los faltantes.
Automatización: Registro digital de ventas, pronóstico de demanda y sugerencia de pedido. En clase: el sistema sabe que un proveedor tarda, por ejemplo, 5 días, y le envía el pedido por correo a tiempo; ante exceso de stock o productos próximos a vencer, propone acciones como un descuento.
Decisión humana: La persona responsable aprueba excepciones por promociones, clima o eventos locales: no se vende la misma cantidad de chocolate en invierno que en verano.
Indicadores: Productos agotados, exceso de stock, precisión del pronóstico y pedidos corregidos por el responsable.

B · Hospital público

De turnos en papel a triaje y programación asistidos.

Situación manual: Solicitudes presenciales, duplicados, priorización informal y reprogramaciones por teléfono.
Automatización: Formulario digital, validación de datos, clasificación inicial y agenda sugerida. En clase: cuando un paciente cancela, el sistema libera el turno y se lo ofrece a otro.
Control imprescindible: Reglas clínicas aprobadas, revisión profesional, canal alternativo y auditoría de prioridades.

LímiteMenos tareas repetitivas y mejor trazabilidad, sin delegar al sistema las decisiones clínicas críticas.

C · Telecomunicaciones

De tickets manuales a clasificación y respuesta asistidas.

Situación manual: Agentes que leen cada contacto, copian datos, asignan categoría y buscan procedimientos.
Automatización: La IA resume, clasifica, prioriza y propone una respuesta o el siguiente paso.
Escalamiento: Casos ambiguos, clientes vulnerables, incidencias masivas o acciones irreversibles pasan a revisión humana.

Error típicoReentrenar directamente con las correcciones de los agentes. Alimentan la mejora, pero se revisan antes de reentrenar: también pueden traer errores.

9.11 · Cierre

Cinco ideas para recordar

1) Planificar es buscar una secuencia de acciones hacia una meta. 2) Decidir es comparar consecuencias según objetivos y restricciones. 3) Recomendadores, asistentes y diagnóstico son sistemas de decisión aplicada. 4) La automatización eficaz empieza con procesos claros y datos confiables. 5) La supervisión humana aumenta cuando crecen el impacto y el riesgo. Pregunta final de la cátedra: ¿qué decisión automatizarías, cuál mantendrías humana y por qué?

Notas sobre las fuentes de esta clase

La transcripción tiene muchos cortes y frases ininteligibles; donde no se entiende, se siguió el resumen en prosa y el PPT.
El diagrama de Gantt de 9.4 es un ejemplo armado para el apunte: las tareas y duraciones no son de la cátedra.
El nombre de la cadena de supermercados que se usó como ejemplo en clase no se entiende en la grabación.
La fecha (16 de octubre) sale de los datos de la grabación.

Herramienta transversal

Confusiones típicas

Los pares que se mezclan. Casi todas las preguntas de distinción del parcial salen de acá: no alcanza con saber los dos términos, hay que poder decir qué los separa.

~~Test de Turing~~ ≠ ~~CAPTCHA~~

En el Test de Turing una persona juzga si conversa con una máquina. En el CAPTCHA una máquina juzga si interactúa con una persona.

Cómo distinguirlosPreguntate quién es el juez. La dirección del juicio se invierte.

~~Pasar el test~~ ≠ ~~Comprender~~

Pasar el Test de Turing prueba desempeño observable. No prueba conciencia, intención, comprensión ni verdad factual.

Cómo distinguirlosEs exactamente lo que atacan Searle (semántica) y Penrose (no-computabilidad).

~~Automatización~~ ≠ IA

Digitalizar un formulario y aplicar reglas de elegibilidad es automatización basada en reglas. La IA entra cuando hay clasificación, extracción o predicción sobre datos.

Cómo distinguirlos¿La regla la escribió una persona o la aprendió el sistema de ejemplos?

~~Generar~~ ≠ ~~Buscar y pegar~~

El modelo muestrea una salida nueva desde una distribución aprendida; no recupera fragmentos almacenados.

CuidadoQue no sea copia literal no cierra el problema legal: licencias, dataset y similitud con obras siguen siendo centrales.

~~Uso de IA~~ ≠ ~~IA generativa~~

Restauración, separación de fuentes, clasificación y VFX también son IA. Now and Then de The Beatles separó una voz existente: no la generó.

Cómo distinguirlos¿La salida es contenido nuevo muestreado, o una transformación de material existente?

~~Invierno de la IA~~ ≠ ~~Fin de la investigación~~

Un invierno es una caída de interés, inversión y financiamiento porque los resultados no alcanzan las expectativas. El trabajo técnico continúa, menos visible.

Cómo distinguirlosLo que colapsa es la confianza y el apoyo, no la disciplina.

~~Racional~~ ≠ ~~Óptimo~~

Un agente racional elige la acción más conveniente según la información, los objetivos, la incertidumbre y el tiempo disponible. Puede equivocarse y seguir siendo racional.

Cómo distinguirlosLa racionalidad se juzga contra los recursos del agente, no contra un resultado perfecto.

~~Simbólica~~ vs. ~~Conexionista~~

No son enemigos: se combinan en sistemas híbridos. La IA neuro-simbólica de la clase 4 es exactamente esa combinación.

Cierre recomendadoSi te piden compararlas, terminá siempre mencionando los híbridos.

~~Searle~~ ≠ ~~Penrose~~

Searle ataca la IA fuerte (programa = mente) con un experimento mental sobre sintaxis y semántica. Penrose ataca el computacionalismo con Gödel y física de la mente.

Cómo distinguirlosDistinto blanco, distinta herramienta. Coinciden sólo en el rechazo a identificar mente con programa.

~~Hype~~ ≠ ~~Engaño~~

El hype es una amplificación social de posibilidades todavía inciertas. Indica atención y oportunidad; lo que no hace es demostrar madurez.

Cómo distinguirlosEl engaño oculta evidencia; el hype corre más rápido que ella.

~~Fluidez~~ ≠ ~~Verdad~~

La fluidez de una salida no garantiza comprensión, verdad ni neutralidad. Es el mismo punto en tres clases distintas: Turing, Searle y la IA generativa.

Cómo distinguirlosFluidez es una propiedad de la forma; verdad es una relación con el mundo.

~~Procesar~~ ⊂ ~~Razonar~~ ⊂ ~~Pensar~~

Procesar transforma entradas en salidas sin metas explícitas. Razonar agrega premisas y objetivos. Pensar agrega memoria, imaginación, metacognición y experiencia situada.

Cómo distinguirlosCada contención agrega algo: primero metas, después experiencia subjetiva.

Herramienta transversal

Línea de tiempo

Todas las fechas de las seis clases en un solo eje. El color indica de qué unidad viene cada hito.

IV a.C. – 1879Lógica formalReglas para inferir. El origen remoto de la IA no es una máquina: es la ambición de escribir el razonamiento con símbolos.
1818FrankensteinCreación, responsabilidad y consecuencias no previstas. Primer arquetipo del imaginario.
1847 – 1854Álgebra lógicaSímbolos y verdad. El razonamiento se vuelve calculable.
1920R.U.R.Automatización y trabajo. Origen del término «robot».
1935 – 1945Computación modernaMáquina y algoritmo. Ahora existe el sustrato para ejecutar la formalización.
1943McCulloch y PittsPrimera red neuronal artificial. La semilla del paradigma conexionista.
1950Turing publica en Mind«Computing Machinery and Intelligence». Reemplaza «¿pueden pensar las máquinas?» por el juego de imitación.
1956Conferencia de DartmouthNacimiento oficial de la IA como campo. McCarthy, Minsky, Rochester y Shannon.
1964 – 1970Primeros sistemas expertosConocimiento humano codificado en reglas.
Década de 1970Primer invierno de la IALímites en traducción automática, percepción y razonamiento. Lección: una tarea resuelta no equivale a inteligencia general.
1968 · 19822001: Odisea del espacio · Blade RunnerConfiabilidad y objetivos incompatibles; identidad, memoria y persona artificial.
1980Searle publica el Cuarto Chino«Minds, Brains, and Programs», Behavioral and Brain Sciences 3(3).
Década de 1980Auge de sistemas expertos y redesEl paradigma simbólico llega al mercado.
Finales de 1980Segundo invierno de la IACostos altos, mantenimiento difícil y fragilidad ante casos no previstos. Lección: una solución útil debe poder mantenerse, integrarse y demostrar valor.
1989 · 1994PenroseThe Emperor's New Mind y Shadows of the Mind.
Década de 1990La IA entra en la vida cotidianaBuscadores, voz, cámaras, spam, juegos y transporte. Deep Blue gana al ajedrez.
2004CAPTCHAvon Ahn, Blum y Langford formalizan el test de Turing invertido en Communications of the ACM. Mismo año: DARPA Grand Challenge.
Década de 2000Watson y Google BrainLenguaje natural a escala y aprendizaje profundo.
2013 · 2014Her · Ex MachinaAntropomorfismo e intimidad mediada; engaño, evaluación y asimetría de poder.
Junio de 2024RIAA contra Suno y UdioDemandas coordinadas por el entrenamiento con grabaciones protegidas.
20 de mayo de 2026Fin de soporte de Amazon Connect Voice IDAnunciado por AWS. Refuerza que la verificación de humanidad no es una funcionalidad única.
2028 (proyección)Estimación de UNESCOCaída potencial del 24 % de ingresos para creadores musicales y del 21 % para el sector audiovisual, si no mejoran las políticas y las condiciones de mercado.

Herramienta transversal

Glosario

Definiciones cortas para repaso rápido. El enlace lleva a la clase donde se desarrolla.

AgenteClase 2: Sistema que recibe percepciones y ejecuta acciones. No necesita ser físico. Ver clase 2
AprendizajeClase 1: Capacidad de generalizar desde ejemplos: datos → patrones. Ver clase 1
Abismo de desilusiónClase 6: Tercera fase del Hype Cycle: los pilotos fallan o no entregan el valor esperado. Ver clase 6
CAPTCHAClase 3: Completely Automated Public Turing test to tell Computers and Humans Apart. Test de Turing invertido: la máquina juzga a la persona. Ver clase 3
Cognición situadaClase 4: Enfoque según el cual cuerpo, sensores y acción conectan símbolos con regularidades del entorno. Ver clase 4
ConexionismoClases 2 y 4: Paradigma basado en redes neuronales y datos; representaciones distribuidas aprendidas. Fuerte en percepción y predicción, menos interpretable. Ver clase 2
Cuarto ChinoClase 4: Experimento mental de Searle (1980): manipular símbolos según reglas produce salidas correctas sin comprensión. Sintaxis ⊬ semántica. Ver clase 4
Dartmouth (1956)Clase 1: Conferencia que marca el nacimiento oficial de la IA como campo. McCarthy, Minsky, Rochester y Shannon. Ver clase 1
DeepfakeClase 3: Contenido sintético de voz o video que suplanta a una persona. Su detección combina señales visuales, temporales, audio-video y de contexto. Ver clase 3
Determinista / estocásticoClase 2: Dimensión del entorno: si la misma acción produce siempre el mismo efecto, o no. Ver clase 2
EntornoClase 2: Mundo físico o digital donde las acciones del agente producen efectos. Se caracteriza por cuatro pares de propiedades. Ver clase 2
Gödel (resultados de)Clase 4: Límites de los sistemas formales potentes: hay afirmaciones verdaderas no demostrables dentro del sistema. Punto de partida de Penrose. Ver clase 4
Human-in-the-loopClase 4: Diseño donde las personas fijan objetivos, revisan decisiones y asumen responsabilidad. Ver clase 4
HypeClase 6: Narrativa de entusiasmo que eleva expectativas antes de que haya resultados consistentes a escala. No es sinónimo de engaño. Ver clase 6
Hype CycleClase 6: Modelo de Gartner en cinco fases que representa expectativas frente al tiempo. Ver clase 6
IA fuerteClase 4: Tesis de que un programa adecuado es una mente. Es el blanco explícito de Searle. Ver clase 4
Invierno de la IAClase 6: Período de caída del interés, la inversión o el financiamiento porque los resultados no alcanzan las expectativas. Hubo dos grandes: años 70 y finales de los 80. Ver clase 6
Juego de imitaciónClase 3: Nombre original de la prueba propuesta por Turing en 1950. Tres roles, canal textual, criterio de indistinguibilidad consistente. Ver clase 3
LivenessClase 3: Verificación de que la señal proviene de una persona presente en vivo, no de una grabación o síntesis. Ver clase 3
Motor de inferenciaClase 1: Componente de un sistema experto que aplica las reglas de la base de conocimiento a un caso. Ver clase 1
MultiagenteClase 2: Entorno donde hay otros agentes cuyas decisiones afectan el resultado. Ver clase 2
Neuro-simbólicaClase 4: Combinación de aprendizaje estadístico con reglas, conocimiento explícito y verificación. Los «híbridos» de la clase 2. Ver clase 4
Observable / parcialmente observableClase 2: Dimensión del entorno: si el agente accede a todo el estado del mundo, o sólo a una parte. Ver clase 2
PenroseClase 4: Sostiene que podría haber comprensión no algorítmica, apoyado en Gödel y en una hipótesis de procesos físicos no computables. El salto es discutido. Ver clase 4
PromptClase 5: Condición textual, visual o sonora que guía la salida de un modelo generativo. Ver clase 5
RacionalidadClase 2: Elegir la acción más conveniente según información, objetivos, incertidumbre y tiempo disponible. No es sinónimo de óptimo. Ver clase 2
RazonarClase 4: Relacionar premisas, conocimiento y objetivos para obtener conclusiones o elegir acciones. Deductivo, inductivo, abductivo o probabilístico. Ver clase 4
Respuesta del robotClase 4: Réplica al Cuarto Chino: sensores y acción anclarían los símbolos en el mundo (grounding). Ver clase 4
Respuesta del sistemaClase 4: Réplica al Cuarto Chino: comprendería el sistema completo (persona + reglas + memoria + interacción), no la persona aislada. Ver clase 4
SearleClase 4: Autor del Cuarto Chino. Separa sintaxis, semántica e intencionalidad; ataca la IA fuerte. Ver clase 4
Simbólica (IA)Clases 1 y 2: Paradigma basado en representación, búsqueda, reglas e inferencia. Fuerte en razonamiento formal y explicabilidad; frágil ante la ambigüedad. Ver clase 1
Sistema expertoClase 1: Base de conocimiento + motor de inferencia que captura experiencia humana como reglas y devuelve recomendaciones explicadas. Ver clase 1
Sistema sociotécnicoClases 4 y 5: Una solución de IA entendida como modelo + datos + proceso + personas + gobierno. Ver clase 4
SpoofingClase 3: Suplantación de una señal biométrica, por ejemplo mediante voz clonada o ataques de replay. Ver clase 3
Test de TuringClases 1 y 3: Prueba de 1950 que sustituye «¿piensa?» por «¿se comporta de manera indistinguible?». Mide conducta, no conciencia. Ver clase 3
TrazabilidadClases 4 y 5: Documentar modelo, versión, prompts, ediciones y revisiones para poder auditar una salida. Ver clase 5

Las 24 siglas de la clase 2

La clase 2 incluye un glosario propio de siglas técnicas. Está agrupado por familia; el año y el origen son los que da la cátedra.

Lenguaje y modelos

Sigla	Qué significa	Origen	Qué es
NLP	Natural Language Processing	Campo histórico; sin creador único	Procesa lenguaje humano: texto, habla, comprensión y generación.
LLM	Large Language Model	Evolución de NLP + Transformers	Modelo grande que comprende y genera lenguaje con datos masivos.
GPT	Generative Pre-trained Transformer	OpenAI, Radford et al., 2018	Modelo generativo preentrenado basado en Transformers.
GPT-2	Generative Pre-trained Transformer 2	OpenAI, Radford et al., 2019	LLM generativo con transferencia zero-shot y texto coherente.
GPT-3	Generative Pre-trained Transformer 3	OpenAI, Brown et al., 2020	LLM de 175B parámetros con aprendizaje few-shot por prompts.
BERT	Bidirectional Encoder Representations from Transformers	Google AI, Devlin et al., 2018	Transformer bidireccional para comprender contexto lingüístico.
Seq2Seq	Sequence-to-Sequence	Sutskever, Vinyals y Le, 2014	Encoder-decoder que transforma una secuencia en otra.
Token	Unidad mínima procesada por el modelo	NLP/LLM; sin creador único	Fragmento de texto: palabra, subpalabra, signo o símbolo.

Visión y multimodalidad

Sigla	Qué significa	Origen	Qué es
CNN	Convolutional Neural Network	Yann LeCun / Bell Labs, 1989	Red convolucional que aprende patrones visuales.
ViT	Vision Transformer	Google Research, 2020	Procesa imágenes como parches o tokens visuales.
CLIP	Contrastive Language-Image Pre-training	OpenAI, Radford et al., 2021	Alinea imágenes y texto en un espacio común.
VLM	Vision-Language Model	Visión + lenguaje; sin creador único	Modelo multimodal que interpreta imágenes o video con texto.
RAG	Retrieval-Augmented Generation	FAIR / UCL, Lewis et al., 2020	Combina búsqueda externa con generación de respuestas.

Hardware

Sigla	Qué significa	Origen	Qué es
CPU	Central Processing Unit	Intel 4004, 1971	Procesador central de propósito general.
GPU	Graphics Processing Unit	NVIDIA GeForce 256, 1999	Procesador paralelo para gráficos y aceleración de IA.
TPU	Tensor Processing Unit	Google, Jouppi et al., 2015/2017	Chip especializado para tensores y redes neuronales.
Edge AI	Edge Artificial Intelligence	Edge computing + IA	Ejecuta modelos localmente con baja latencia y privacidad.

Operaciones y empresa

Sigla	Qué significa	Origen	Qué es
API	Application Programming Interface	Ingeniería de software	Reglas para que aplicaciones intercambien datos o funciones.
MLOps	Machine Learning Operations	DevOps + ML, mediados de 2010s	Opera modelos de ML: versionado, despliegue y monitoreo.
STT	Speech-to-Text	Reconocimiento de voz	Convierte voz o audio hablado en texto.
TTS	Text-to-Speech	Síntesis de voz	Convierte texto escrito en voz sintética natural.
WFM	Workforce Management	Práctica empresarial; sin creador único	Optimiza dotación, turnos, demanda y productividad.
Sentiment Analysis	Análisis de sentimientos	Campo de NLP; opinion mining	Clasifica texto como positivo, negativo o neutral.
IA Studio	Inteligencia Artificial Studio	Microsoft Azure AI Studio / Foundry	Plataforma para crear, evaluar y desplegar copilots o agentes.

Nota de la lámina

Cuando un término corresponde a un campo o práctica y no a una invención puntual, la cátedra indica «sin creador único» y referencia el hito más asociado. Es el mismo criterio de honestidad sobre las fuentes que aparece en las olas y en los LLM.

Herramienta transversal

Flashcards

Repaso activo sobre los conceptos de las seis clases. Hacé clic en la tarjeta (o apretá Espacio) para ver la respuesta; → pasa a la siguiente.

—

Cargando…

clic o Espacio para revelar

Del Kahoot · 40 preguntas

Banco de preguntas

Las 20 de opción múltiple y las 20 de verdadero o falso, con la respuesta correcta, la explicación desarrollada con los conceptos de la materia, y tu anotación de clase cuando aporta contexto o cuando conviene precisarla.

La trampa principal del set

Pregunta 5: un agente es racional cuando maximiza el resultado esperado con lo percibido.

✓ CORRECTA

La misma idea, invertida

Pregunta 35: un agente racional maximiza resultados reales, aun sin conocer el futuro.

✗ FALSA

Qué las separa

Una sola palabra: esperado frente a real. Maximizar lo real sin conocer el futuro sería omnisciencia, no racionalidad.

40 preguntas

01Opción múltipleVer clase 2 y clase 6

¿Qué rasgo separa mejor una IA adaptativa de una automatización rígida?

Respuesta Ajusta su desempeño usando datos o experiencia.

Una automatización rígida ejecuta reglas fijas escritas por una persona: la misma entrada produce siempre la misma salida, y sólo cambia si alguien edita la regla. Una IA adaptativa deriva su comportamiento de los datos y lo modifica con la experiencia.

La prueba práctica

Preguntate: ¿el sistema mejora si le doy más ejemplos? Si sí, hay aprendizaje. Si no cambia hasta que alguien toque el código, es automatización.

Dónde lo viste en la materia

Es el eje simbólico / conexionista: la simbólica es determinista y depende de reglas conocidas; la conexionista «se adapta con nuevos datos», en palabras de la diapositiva.
Es el caso de las becas de la clase 6: digitalizar el formulario y aplicar reglas de elegibilidad es automatización; clasificar documentos y señalar casos atípicos es IA.

Que sea automatización no la vuelve inferior: en la ruta de madurez va antes, y muchas veces entrega valor inmediato sin IA compleja.

Tu anotación «La IA se alimenta de experiencias y de internet (un data lake, base de datos o repositorio).»

Dos precisiones: el término es data lake (lago de datos), no data leak, que significa fuga de datos. Y la fuente no tiene que ser internet: un modelo de mantenimiento predictivo aprende del historial de fallas de una sola planta. Lo que define la adaptabilidad es que aprenda de datos, no de dónde salen.

02Opción múltipleVer clase 1

¿Qué aportaron los sistemas expertos a la tradición de la lógica formal?

Respuesta Reglas y motor de inferencia sobre conocimiento experto.

La lógica formal aporta una idea: de unas premisas se siguen conclusiones mediante reglas. Los sistemas expertos la convierten en producto, y su aporte específico es una separación arquitectónica:

Base de conocimiento — las reglas SI → ENTONCES capturadas de expertos de un dominio concreto.
Motor de inferencia — el mecanismo, independiente del dominio, que las encadena sobre un caso nuevo.

Esa separación permite explicar la salida: como las reglas están escritas, se reconstruye el camino hasta la conclusión. La cátedra lo muestra como un proceso de cinco pasos:

1 · Consulta «¿qué acción conviene tomar?»

2 · Simbolizar traducir a hechos y entidades

3 · Consultar KB buscar reglas, casos y relaciones

4 · Inferir encadenar reglas y comprobar lógica

5 · Responder conclusión + explicación trazable

El otro lado de la moneda

Esa misma rigidez provoca el segundo invierno a finales de los 80: costos altos, mantenimiento difícil y fragilidad ante casos no previstos.

Tu anotación «Gran procesamiento de información → sistemas expertos.»

Conviene afinarla: lo distintivo no es el volumen de procesamiento sino qué procesan (conocimiento humano explícito) y cómo (encadenando reglas). De hecho la diapositiva marca lo contrario: la IA simbólica tiene bajo costo computacional y alto costo humano —expertos, modelado de reglas y mantenimiento—.

03Opción múltipleVer clase 3

¿Qué condición define el juego de imitación propuesto por Turing?

Respuesta El juez no distingue con fiabilidad humano y máquina.

La palabra que carga todo el peso es «con fiabilidad» —en las diapositivas, «de modo consistente»—. No alcanza con engañar al juez una vez: lo que se mide es si puede identificar a la máquina de manera sostenida a lo largo de la conversación.

El montaje completo

Tres roles: interrogador (juez), humano y máquina.
Aislados entre sí, para que la decisión dependa sólo del intercambio lingüístico.
Canal textual, elegido a propósito para eliminar pistas de voz o apariencia.

Tu anotación — vale precisarla «Si no puede determinar si el que le contesta es un humano o una máquina, entonces es una IA.»

La conclusión correcta no es «entonces es una IA», sino «entonces la máquina pasó la prueba». El Test de Turing no es un detector de IA: el juez ya sabe que una de las partes es una máquina, y lo que evalúa es si su conducta resulta indistinguible. Detectar IA es el problema inverso —CAPTCHA y detectores de voz y video—, que es justo lo que decís después y está perfecto.

04Opción múltipleVer clase 3

¿Qué relación conceptual existe entre CAPTCHA y la prueba de Turing?

Respuesta Ambos evalúan conductas pero con finalidades inversas.

Lo que comparten: evalúan conducta

Ninguno abre la caja. No inspeccionan el código ni el estado interno: infieren qué es el interlocutor sólo a partir de qué hace. Esa es la herencia metodológica de Turing a toda la IA.

Lo que invierten: quién juzga y qué hay que probar

	Test de Turing (1950)	CAPTCHA (2004)
Juez	Una persona	Una máquina
Evaluado	Una máquina	Una persona
Objetivo del evaluado	Pasar por humano	Probar que es humano

La sigla lo conserva: Completely Automated Public Turing test to tell Computers and Humans Apart.

Tu anotación «La prueba de Turing es una IA que tiene que demostrar que es humano, y el CAPTCHA es un humano que tiene que demostrar que es humano.»

Muy buena, quedátela. Si querés completarla en una línea: en Turing la máquina miente y el humano juzga; en CAPTCHA el humano dice la verdad y la máquina juzga.

05Opción múltipleVer clase 2 · cruzar con 16 y 35

¿Cuándo se considera racional a un agente artificial?

Respuesta Cuando maximiza el resultado esperado con el percibido.

Dos palabras deciden esta pregunta, y las dos están en la opción correcta.

Esperado, no real. Se maximiza la expectativa calculada con la información disponible, no el resultado que efectivamente ocurra.
Percibido, no el mundo entero. El agente decide con lo que sus sensores le dan, que en un entorno parcialmente observable nunca es todo.

La definición de la cátedra lo dice con cuatro condicionantes: la acción más conveniente según información, objetivos, incertidumbre y tiempo disponible. Los cuatro son límites, y la racionalidad se juzga contra esos límites.

elige la mejor acción dada su percepción + dentro del tiempo que tiene

es un agente racional

el resultado fue malo

el agente no fue racional

Racional no es sinónimo de óptimo ni de omnisciente. Es lo que pregunta la 16 y lo que la 35 invierte para hacerte caer.

06Opción múltipleVer clase 2 y clase 4

¿Qué combinación describe mejor una arquitectura híbrida de IA?

Respuesta Reglas para restricciones y redes para aprender patrones.

Una arquitectura híbrida le da a cada paradigma la tarea en la que es fuerte. La cátedra lo resume en una regla práctica de tres líneas:

Simbólica cuando importa explicar y auditar reglas

Conexionista cuando hay datos y patrones complejos

Híbrida cuando se necesita aprendizaje + control

Ejemplo

Evaluación crediticia: la red estima el riesgo desde el historial —nadie podría escribir esa función a mano— y las reglas imponen lo no negociable: no aprobar a un menor de edad, no usar variables prohibidas por ley, no superar un tope de exposición. La red aporta capacidad; las reglas aportan garantía.

En la clase 4 esto tiene nombre propio: IA neuro-simbólica. Y la diapositiva de IA simbólica lo cierra igual: hoy «se combina con ML/LLMs para aportar lógica, memoria y trazabilidad». Es lo que vuelve falsa la 32 y verdadera la 36.

07Opción múltipleVer clase 4

¿Qué cuestiona principalmente la habitación china de Searle?

Respuesta Que la conducta lingüística garantice comprensión semántica.

Marcaste que esta frase no se entiende. Vamos palabra por palabra.

La frase, desarmada
Trozo	Qué significa
conducta lingüística	Lo que el sistema hace con el lenguaje: las respuestas que produce. Es lo único observable desde afuera.
comprensión semántica	Semántica = significado. Entender qué quieren decir esas palabras. Ocurre adentro, y no se ve.
garantice	Que de lo primero se deduzca necesariamente lo segundo.

La frase completa, en criollo: Searle cuestiona que del hecho de que un sistema responda bien se pueda deducir que entiende lo que dice.

Cómo lo demuestra el experimento

Una persona encerrada en un cuarto recibe símbolos chinos. No sabe chino: para ella son formas sin sentido. Un manual le dice «si entra esta forma, devolvé esta otra». Sigue el manual y las respuestas que salen son perfectas para alguien que lea chino afuera.

Resultado: conducta lingüística impecable, comprensión cero. Y si las dos cosas se pueden dar por separado, la primera no garantiza la segunda.

manipula símbolos según reglas (sintaxis) + las respuestas son correctas

comprende su significado (semántica)

Un ejemplo que te puede pasar a vos

Un examen en un idioma que no hablás, con una tabla que dice «si ves esta secuencia de caracteres, copiá esta otra». Sacás 10. ¿Entendiste algo? No. Acertaste sin comprender, y eso es el Cuarto Chino.

Los cuatro puntos de Searle, tal como los lista la cátedra

Manipula símbolos mediante reglas.
Sintaxis no implica comprensión.
Imitar inteligencia no prueba conciencia.
Rechaza la tesis de la «IA fuerte» (programa = mente).

Tu anotación — cuidado con esta «La IA según Searle no razona sobre sus respuestas.»

Funciona como intuición, pero choca con la tabla de la clase 4, donde la cátedra sí le atribuye razonamiento a la IA (inferencia, búsqueda, planificación, con criterios de validez y consistencia). Lo que Searle niega no es que la máquina razone en sentido operacional: es que comprenda, que los símbolos signifiquen algo para ella. La formulación segura es: Searle distingue manipular símbolos de significar —justo lo que afirma la pregunta 27—.

08Opción múltipleVer clase 4 y clase 5

¿Qué riesgo produce antropomorfizar un chatbot corporativo?

Respuesta Aumenta la confianza más allá de las capacidades reales.

Antropomorfizar es atribuir rasgos humanos a algo que no lo es. Un chatbot con nombre propio, tono empático y primera persona invita al usuario a atribuirle comprensión, memoria, criterio y buena fe. Nada de eso viene garantizado por la fluidez de la respuesta.

Consecuencias concretas

Acepta respuestas incorrectas sin verificar, porque sonaron seguras.
Revela datos sensibles que no daría a un formulario.
No escala a un humano cuando debería.
La empresa queda expuesta: la confianza depositada es real aunque la capacidad no lo sea.

Las anclas en la materia

Es la tabla expectativa / realidad aplicada a un producto: se espera que comprenda el mundo y hay predicción de patrones; se espera que recuerde todo y hay contexto limitado. Y es lo que responde el diseño responsable de la experiencia: transparencia (informar cuándo interviene la IA) y control (ofrecer salida y canal humano). Sumale el caso cultural: Her (2013) es exactamente antropomorfismo e intimidad mediada por lenguaje.

La clase 3 le pone cifras al costo de confiar de más: la suplantación con IA ya mueve más de US$16 mil millones en ciberdelito reportado (FBI IC3 2024), con vishing con voz clonada y deepfake ejecutivo entre los delitos principales.

09Opción múltipleVer clase 6

¿Qué caracteriza históricamente un invierno de la IA?

Respuesta Caída de apoyo tras promesas mayores que los resultados.

«Apoyo» agrupa las tres cosas de la definición operativa: interés, inversión y financiamiento. Un invierno es el período en que las tres caen porque los resultados no alcanzaron las expectativas públicas y comerciales.

La causa está en la brecha, no en el fracaso técnico absoluto. Los sistemas de los 70 y los 80 funcionaban —en entornos estrechos—. Lo que falló fue la distancia entre lo prometido y lo entregado al escalar.

Cuándo	Qué falló	Lección
Década de 1970	Traducción automática, percepción y razonamiento: funcionaban en entornos estrechos pero no generalizaban.	Una tarea resuelta no equivale a inteligencia general.
Finales de 1980	Sistemas expertos y hardware especializado: costos altos, mantenimiento difícil, fragilidad ante lo no previsto.	Una solución útil debe poder mantenerse, integrarse y demostrar valor.

Un invierno no es el fin de la investigación: el trabajo técnico continúa, menos visible y con menos recursos. Eso es lo que hace verdadera la 29.

10Opción múltipleVer clase 6

En el ciclo de Gartner, ¿qué sigue al pico de expectativas infladas?

Respuesta Valle de desilusión.

Ojo: la materia usa dos traducciones

La diapositiva de las cinco fases dice «abismo de desilusión», pero la infografía de Gartner de la misma clase dice «valle de la desilusión». Es el mismo concepto — en el original, Trough of Disillusionment. Tenés la tabla completa de equivalencias en la clase 6.

Por qué viene justo después del pico

El pico se alimenta de éxitos tempranos y promesas sobredimensionadas: demos con datos limpios y pocos casos. La caída llega cuando esos pilotos pasan a producción y aparecen las excepciones, los costos y la integración. Es la misma secuencia que la anatomía del desencanto.

El orden completo

1 · Disparador aparecen tecnologías con gran potencial

2 · Pico expectativas poco realistas

3 · Valle muchos proyectos fracasan

4 · Pendiente aparecen casos de éxito

5 · Meseta adopción masiva y valor sostenible

11Opción múltipleVer clase 1 y las olas

Un clasificador aprende datos, pero no razona. ¿Sigue siendo IA?

Respuesta Sí, si realiza aprendizaje orientado a una tarea.

La IA no es una sola capacidad: es una familia de enfoques. La clase 1 lista cinco —aprendizaje, razonamiento, percepción, lenguaje y creatividad— y basta con instanciar alguna, orientada a una tarea, para estar dentro del campo.

Un clasificador hace aprendizaje puro: datos → patrones. No infiere desde premisas ni planifica. Y sin embargo un filtro de spam es IA de manual. De hecho, toda la Ola 1 del marco de la clase 2 —IA predictiva y analítica, 1950s–2016— es exactamente esto: «predice, clasifica y optimiza patrones».

el sistema no razona

el sistema no es IA

Tu anotación — matizala «La IA no razona, no tiene conciencia.»

La segunda mitad es correcta y no se discute. La primera depende de qué significa «razonar». En el vocabulario de la clase 4 el razonamiento de IA sí existe: inferencia, búsqueda y planificación, con pasos verificables. Lo que no hay es comprensión ni experiencia subjetiva. Para esta pregunta lo importante es otra cosa: no hace falta razonar para ser IA; alcanza con aprender para una tarea.

12Opción múltipleVer clase 1

¿Qué continuidad une lógica formal, sistemas expertos e IA actual?

Respuesta Representar o usar conocimiento para orientar decisiones.

Cambia el sustrato, no el propósito. En los tres momentos hay una representación del conocimiento y un mecanismo que la usa para decidir:

Etapa	Cómo se representa el conocimiento	Quién lo pone ahí
Lógica formal	Símbolos, premisas y reglas de inferencia	Un lógico, a mano
Sistemas expertos	Reglas SI → ENTONCES en una base de conocimiento	Un experto del dominio, entrevistado
IA actual	Parámetros y representaciones distribuidas	El propio sistema, desde datos

La línea histórica de la clase 1 es esa continuidad leída como una sola idea. La diapositiva de IA simbólica la extiende hasta hoy: 1956 Logic Theorist → 1958 LISP → 60s búsqueda y representación → 70s Prolog y DENDRAL → 80s sistemas expertos → 90s-00s ontologías y web semántica → hoy, neuro-simbólica.

13Opción múltipleVer clase 3 y clase 4

¿Qué conclusión NO autoriza superar una prueba conversacional de Turing?

Respuesta Que el sistema comprendió semánticamente el diálogo.

Leé el enunciado dos veces

Dice NO autoriza. Te piden la conclusión inválida, no la válida. Es una pregunta invertida y ahí se pierden más puntos que en el concepto.

Sí autoriza concluir

Que su conducta conversacional fue indistinguible en ese contexto y ante ese juez.
Que exhibe desempeño observable competente en la tarea.

No autoriza concluir

Comprensión semántica.
Conciencia.
Intención.
Verdad factual de lo que dijo.

la máquina pasa el Test de Turing

la máquina comprende

Es la inferencia inválida que organiza toda la unidad 2, y Searle es el nombre de la objeción: imitar inteligencia no prueba conciencia. Misma estructura que la 23 y la 34.

14Opción múltipleVer clase 3

¿Por qué un CAPTCHA puede perder validez como prueba de humanidad?

Respuesta Porque la IA puede resolver conductas antes distintivas.

Un CAPTCHA no mide humanidad: mide una brecha de capacidad. Funciona mientras haya algo que las personas hacen fácil y las máquinas no. Cuando esa brecha se cierra, la prueba deja de discriminar y se vuelve sólo una molestia.

La frase de la cátedra: «cuando las máquinas aprenden a resolver la prueba, se redefine la frontera de lo humano detectable».

Qué pasa entonces

La verificación migra de una prueba puntual a un conjunto de señales: comportamiento, dispositivo, sesión, red, ubicación y autenticación previa —las cuatro familias de señales de la clase 3—. Por eso la propia clase concluye que «detector de IA» no es una funcionalidad única, sino una arquitectura de confianza.

Tiene continuidad con la 34: que una IA resuelva el CAPTCHA no prueba que comprenda la consigna; prueba que la conducta ya no distingue.

15Opción múltipleVer olas y agentes y clase 2

¿Qué distingue a una IA agéntica de un modelo predictivo aislado?

Respuesta Planifica y ejecuta acciones que modifican el entorno.

Un modelo predictivo es una función: entrada → salida. Devuelve un número o una etiqueta y ahí termina; no toca el mundo. Una IA agéntica cierra el ciclo del agente de la clase 2: sus salidas son acciones cuyas consecuencias vuelven como nuevas percepciones.

La definición de la cátedra para la Ola 3: «pasa de responder a actuar: planifica, usa herramientas y completa tareas multi-paso».

El ejemplo de la clase, literal

Agente virtual

Responde «¿cuál es mi horario?».

Agente agéntico

Revisa calendario, cupos y reglas académicas, y propone una inscripción válida.

Los tres rasgos que lo definen

Recibe un objetivo y decide los pasos (no una pregunta, un objetivo).
Llama APIs, bases de datos y apps externas.
Trabaja con memoria, guardrails y trazabilidad.

Y si te piden desarmarlo: la anatomía de un agente — motor (LLM), ruedas (contexto y skills), caja de cambios (tools), personalización (voz e idioma) y marca (system prompt).

16Opción múltipleVer clase 2 · cruzar con 5 y 35

¿Por qué un agente racional puede tomar una decisión que luego falla?

Respuesta Porque decide con información parcial y resultados inciertos.

Las dos razones están en las propiedades del entorno de la clase 2, una por cada mitad de la frase:

Información parcial → el entorno es parcialmente observable: hay estado que el agente no ve.
Resultados inciertos → el entorno es estocástico: la misma acción no siempre produce el mismo efecto.

Por eso la racionalidad se juzga por el proceso (¿usó bien lo que tenía, en el tiempo que tenía?), no por el resultado.

La analogía

Apostar a favor con 90 % de probabilidades y perder no te vuelve irracional: te vuelve desafortunado. Irracional sería apostar en contra teniendo esa información.

El ejemplo canónico sigue siendo el vehículo autónomo: parcialmente observable, estocástico, dinámico y multiagente a la vez.

17Opción múltipleVer clase 4 · cruzar con 37

¿Cuál es la lectura más prudente de la crítica de Penrose?

Respuesta Cuestiona que toda mente quede agotada por algoritmos.

Qué significa «agotada por algoritmos»

Que la mente pueda describirse y reproducirse por completo mediante un algoritmo, sin que quede nada afuera. Penrose sostiene que quizá quede algo afuera. En la formulación de la diapositiva: «la comprensión no sería sólo algorítmica».

Por qué «prudente»

Porque el verbo es cuestionar, no demostrar. Penrose plantea una objeción apoyada en Gödel y una hipótesis física discutida; no cierra el tema. Sus propios críticos señalan que el salto de Gödel a la mente es discutido, y que no está demostrado que los humanos sean infalibles.

Sus cuatro afirmaciones, como las lista la cátedra

Gödel limita los sistemas formales.
La comprensión no sería sólo algorítmica.
Calcular más no garantiza conciencia.
Podrían existir procesos no computables.

Ficha del personaje: nació en 1931, trabajó en Cambridge, Londres y Oxford, publicó la crítica en libros de 1989 (The Emperor's New Mind) y 1994 (Shadows of the Mind), y recibió el Nobel de Física en 2020 —por su trabajo en relatividad, no por esta tesis, que sigue debatida—.

Sobre la redacción de la pregunta El enunciado dice «la crítica a Penrose», pero la opción correcta describe la crítica de Penrose (la que él formula). Si en el parcial ves una ambigüedad así, resolvela por la opción: la que habla de «toda mente agotada por algoritmos» sólo puede ser su tesis.

18Opción múltipleVer clase 5

¿Qué diferencia mejor expectativa social y realidad tecnológica?

Respuesta Conciencia general esperada frente a capacidades limitadas.

La opción correcta comprime la tabla de cinco pares de la clase 5. El público proyecta generalidad y conciencia; lo que hay son capacidades estrechas, dependientes de datos y con contexto acotado.

Se espera que…	En realidad…
Comprende el mundo	Predice patrones
Es objetiva	Hereda sesgos
Recuerda todo	Tiene contexto limitado
Crea desde cero	Recombina aprendizajes
Actúa de forma autónoma	Requiere controles

¿De dónde sale la expectativa? De la ficción, que funciona como laboratorio social de futuros posibles: modela lenguaje, miedos y promesas, y después condiciona cómo leemos la tecnología real. Es lo que hace verdadera la 28.

La frase de cierre de la clase 5 lo resume: «el salto entre una interfaz fluida y un sistema confiable puede ser enorme».

19Opción múltipleVer clase 6 · cruzar con 38

¿Qué uso del ciclo de Gartner es metodológicamente más sólido?

Respuesta Diagnosticar expectativas sin usar las fases como ley.

El Hype Cycle representa expectativas frente al tiempo, no una garantía matemática del futuro. Es un instrumento de conversación, no una ecuación.

Por qué no es una ley

No toda tecnología recorre las cinco fases: muchos proyectos fracasan en el valle y no vuelven.
Los tiempos no son comparables entre tecnologías.
La curva no dice cuándo, dice en qué clima de expectativa estás.

El uso correcto, según la cátedra

La pregunta correcta no es «¿la tecnología está de moda?», sino «¿qué riesgo puedo asumir y qué evidencia necesito?». De ahí las tres estrategias —adopción temprana, moderada o esperar madurez— cada una con su evidencia mínima.

Lo confirma la propia infografía de Gartner de la clase: «Gartner no predice el futuro; ayuda a los líderes a comprender el presente para tomar mejores decisiones». Y el objetivo declarado por su fundador: separar la señal del ruido.

20Opción múltipleVer las 5 olas · cruzar con 39 y 40

Sobre las 5 olas de la IA, ¿qué afirmación es más rigurosa?

Respuesta Es un marco prospectivo sin fechas universales consensuadas.

Las cinco olas son una periodización: una forma de contar la evolución de la IA por bloques según la técnica dominante. Ola 1 predictiva y analítica, Ola 2 generativa, Ola 3 agéntica (la actual), Ola 4 física/embebida y Ola 5 general autónoma.

Por qué «prospectivo» y «sin fechas consensuadas»

La propia diapositiva cierra con: «Proyección a la última ola: sin consenso».
Para la ola 5 da «2030s? / 2052» —con signo de pregunta—, y aclara que el rango resume la distancia entre el optimismo del mercado y la mediana de encuestas a investigadores.
Las olas 3 y 4 se solapan (2024–2028 y 2026–2030+): no es un calendario cerrado.

un marco ordena la historia por etapas

esas etapas tienen fechas verificables

Regla de examen: si una opción te ofrece fechas precisas o consenso para las olas, es la incorrecta. Contrastá con Turing (1950) o Dartmouth (1956), que sí son hechos fechables.

21Verdadero o falsoVer clase 1 y olas y agentes

La IA (agéntica) abarca aprendizaje, razonamiento, percepción, lenguaje y decisión.

Respuesta VERDADERO

Los primeros cuatro son las capacidades cognitivas de la clase 1 (aprendizaje, razonamiento, percepción, lenguaje; la quinta de esa lista es creatividad). El quinto término —decisión— es justamente lo que agrega lo agéntico: la clase 2 define al agente como el que recibe un objetivo y decide los pasos.

Aprendizaje datos → patrones

Razonamiento premisas → conclusiones

Percepción señales → significado

Lenguaje texto/voz → intención

Decisión objetivo → acción

Es la definición-paraguas: nada de esto es excluyente, y un agente puede combinarlas todas.

22Verdadero o falsoVer clase 1 · relacionada con la 2

Los sistemas expertos combinan una base de conocimiento y un motor de inferencia.

Respuesta VERDADERO

Es la definición literal, y los dos componentes cumplen roles distintos:

Base de conocimiento — qué se sabe: las reglas del dominio, escritas por expertos.
Motor de inferencia — cómo se usa: encadena reglas sobre un caso concreto.

La separación es deliberada: permite cambiar el conocimiento sin reescribir el mecanismo, y es lo que hace que la salida venga con explicación trazable.

Dato de la clase 1 por si lo piden con fecha: los primeros sistemas expertos son de 1964–1970, con auge en los 80; DENDRAL es el caso histórico que aparece en la cronología de IA simbólica.

23Verdadero o falsoVer clase 3 y clase 4

La prueba de Turing demuestra que una máquina posee conciencia.

Respuesta FALSO

El test mide desempeño observable, no vida mental. Turing diseñó el juego precisamente para evitar la pregunta por la conciencia: reemplazó «¿pueden pensar las máquinas?» por una situación evaluable.

la conducta es indistinguible

hay conciencia

La frase de Searle en la clase 4 lo dice en cinco palabras: «imitar inteligencia no prueba conciencia». Y Penrose agrega desde otro ángulo: «calcular más no garantiza conciencia». Dos críticos que discrepan en casi todo coinciden acá.

Misma familia que la 13 y la 34: todas atacan el mismo salto inválido.

24Verdadero o falsoVer clase 3

CAPTCHA intenta distinguir usuarios humanos de programas automatizados.

Respuesta VERDADERO

Lo dice la sigla: Completely Automated Public Turing test to tell Computers and Humans Apart — para distinguir computadoras de humanos.

Fijate en los otros dos adjetivos, que también se preguntan: «Completely Automated» (la genera y califica una máquina, sin intervención humana) y «Public» (el método es conocido; la seguridad no depende del secreto).

Origen: von Ahn, Blum y Langford, 2004, en Communications of the ACM.

Ojo con el matiz de la 14: que intente distinguir no significa que lo logre siempre. Su validez depende de una brecha de capacidad que se va cerrando.

25Verdadero o falsoVer clase 2

El entorno de un agente incluye aquello que percibe y sobre lo que actúa.

Respuesta VERDADERO

Definición de la cátedra: el entorno es el mundo físico o digital donde las acciones producen efectos. Queda definido por la doble relación con el agente —lo que le llega como percepción y lo que recibe como acción—.

Por eso el entorno no es «el universo»: es recortado por las capacidades del agente. Un termostato y un vehículo autónomo pueden estar en la misma habitación y tener entornos distintos, porque perciben y actúan sobre cosas distintas.

Y se caracteriza por cuatro pares

Observable / parcialmente observable

Determinista / estocástico

Estático / dinámico

Individual / multiagente

26Verdadero o falsoVer clase 2

La IA conexionista aprende patrones mediante redes de unidades conectadas.

Respuesta VERDADERO

Definición de la diapositiva: «IA que aprende patrones desde datos mediante conexiones y pesos en redes neuronales». Las «unidades conectadas» son las neuronas artificiales, y lo que se ajusta con el entrenamiento son los pesos de esas conexiones.

Su cronología, por si la piden

1943 neurona formal (McCulloch y Pitts)

1958 Perceptron

1980s backpropagation

2010s deep learning

Conviene también saber su perfil de costos, que la contrasta con la simbólica: alto costo de datos, GPUs/TPUs, energía, entrenamiento, inferencia y MLOps. Y sus desventajas: menos interpretable, requiere datos, y puede tener sesgos, sobreajuste o alucinaciones.

27Verdadero o falsoVer clase 4 · relacionada con la 7

Searle distingue producir respuestas correctas de comprender su significado.

Respuesta VERDADERO

Es la formulación más limpia de la distinción sintaxis / semántica, y la que conviene usar en el parcial porque no se presta a confusión:

Lado	Qué es	En el Cuarto Chino
Sintaxis	La forma de los símbolos y las reglas para combinarlos	El manual de transformación de formas
Semántica	La relación de esos símbolos con significados	Lo que la persona del cuarto no tiene

«Producir respuestas correctas» es el lado sintáctico —observable, verificable—. «Comprender su significado» es el semántico. Searle sostiene que de lo primero no se deduce lo segundo, porque su experimento mental exhibe un caso donde hay lo primero sin lo segundo.

Ficha del personaje: 1932–2025, Oxford y UC Berkeley, publicó el Cuarto Chino en 1980; su posición se llama naturalismo biológico.

28Verdadero o falsoVer clase 5 · relacionada con la 18

La ciencia ficción puede elevar expectativas más allá de capacidades reales.

Respuesta VERDADERO

Es la tesis central de la clase 5. La ficción funciona como laboratorio social de futuros posibles: no predice la técnica, pero modela lenguaje, miedos y promesas, y después condiciona cómo interpretamos tecnologías reales.

El mecanismo: cada obra exagera una capacidad y desplaza a la máquina un conflicto humano. HAL 9000 exagera la autonomía para hablar de control; Her exagera la comprensión afectiva para hablar de intimidad; Ex Machina exagera el engaño para hablar de asimetría de poder.

El resultado es la brecha de la pregunta 18: se espera conciencia general y hay capacidades limitadas. Y enlaza con la clase 6: esa expectativa inflada es combustible del hype, y el hype precede al valle.

29Verdadero o falsoVer clase 6 · relacionada con la 9

Los inviernos de la IA siguieron a brechas entre promesas y resultados.

Respuesta VERDADERO

Es literalmente la anatomía del desencanto: el invierno aparece por una brecha acumulativa entre promesa y operación.

1 · Promesa «la IA resolverá todo»

2 · Piloto funciona con datos limpios

3 · Escala excepciones, costos, integración

4 · Desilusión se corta el presupuesto

5 · Reaprendizaje alcance realista

Los dos casos históricos lo confirman: en los 70 se prometió traducción automática general y los sistemas no generalizaban; en los 80 se prometieron sistemas expertos escalables y resultaron caros y frágiles.

Cuidado con el matiz que sí se pregunta: un invierno es caída de apoyo —interés, inversión, financiamiento—, no desaparición de la investigación.

30Verdadero o falsoVer clase 6

La meseta de productividad supone adopción útil y expectativas más realistas.

Respuesta VERDADERO

Quinta y última fase del Hype Cycle. Las dos mitades de la afirmación son correctas y describen las dos caras de la misma meseta:

Adopción útil — «la tecnología se adopta de forma masiva y genera valor sostenible».
Expectativas realistas — la adopción «se apoya en criterios y beneficios claros», no en entusiasmo.

Dicho de otro modo: la meseta no llega porque la tecnología mejore de golpe, sino porque la expectativa baja hasta encontrarse con la capacidad real.

Sinónimo

Las diapositivas la llaman «meseta productiva» y también «meseta de productividad». Mismo concepto: Plateau of Productivity.

31Verdadero o falsoVer clase 6

Una automatización basada en reglas nunca puede integrar un sistema de IA.

Respuesta FALSO

La palabra que la vuelve falsa

«Nunca». Regla general para verdadero o falso: los absolutos —nunca, siempre, todo, ninguno— son casi siempre la marca de una afirmación falsa. Basta un contraejemplo.

El contraejemplo está en la propia clase 6, el caso de las becas:

ReglasCampos obligatorios, reglas de elegibilidad y rutas de excepción. Automatización pura.
IA encimaClasificar documentos, extraer datos y señalar casos atípicos.
Humano al finalLa decisión de becas sensibles queda bajo revisión, con registro de evidencias.

Y la ruta de madurez lo institucionaliza: mapear → digitalizar → automatizar → incorporar IA → medir y gobernar. La automatización no es un rival de la IA: es su cimiento. Sin proceso estandarizado y datos trazables, no hay nada sobre lo que montar un modelo.

32Verdadero o falsoVer clase 2 y clase 4

La IA actual eliminó la representación simbólica al adoptar redes neuronales.

Respuesta FALSO

Es la afirmación que la cátedra desarma explícitamente cada vez que compara paradigmas: «no compiten solamente; se combinan en sistemas híbridos».

Dónde sigue viva la representación simbólica

IA neuro-simbólica (clase 4): aprendizaje estadístico + reglas, conocimiento explícito y verificación.
Guardrails en agentes: restricciones duras que un modelo no puede violar.
Trazabilidad y auditoría: cuando hay que explicar por qué se decidió algo.
La propia cronología de IA simbólica termina en «hoy: neuro-simbólica», y remata: se combina con ML/LLMs «para aportar lógica, memoria y trazabilidad».

La regla práctica de la clase 2: simbólica cuando importa explicar y auditar; conexionista cuando hay datos y patrones complejos; híbrida cuando se necesita aprendizaje + control.

Es la afirmación espejo de la 36, que por la misma razón es verdadera.

33Verdadero o falsoVer clase 3

Imitar conversación humana evalúa conducta, no comprensión interna directa.

Respuesta VERDADERO

Es el núcleo entero de la unidad 2 en una frase. El Test de Turing es un test conductual: observa lo que sale, no lo que pasa adentro.

La palabra «directa» es importante y está bien puesta: no se accede al estado interno directamente. Todo lo que se pueda decir sobre la comprensión es una inferencia a partir de la conducta —y Searle argumenta que esa inferencia no es válida—.

Es el mismo límite que reconoce la propia clase 3 al hablar de detección: «ningún detector ve la verdad; estima una probabilidad con datos incompletos». Sea para juzgar comprensión o para juzgar humanidad, sólo tenemos conducta observable.

Es la versión afirmativa de lo mismo que niegan la 13 y la 23.

34Verdadero o falsoVer clase 3 · relacionada con 13 y 14

Si una IA supera un CAPTCHA, queda demostrado que comprende la consigna.

Respuesta FALSO

Misma estructura inválida que la 13 y la 23, ahora aplicada al CAPTCHA:

resuelve la prueba

comprende la consigna

Un modelo de visión que transcribe caracteres deformados está haciendo clasificación de imágenes. No «sabe» que le pidieron demostrar que es humano, ni qué es un humano, ni por qué habría que probarlo. Superar el CAPTCHA prueba capacidad en la tarea, nada más.

Y eso es exactamente lo que dice la 14 desde el otro lado: cuando la IA resuelve conductas antes distintivas, lo que se rompe es la prueba, no la diferencia entre comprender y ejecutar.

El patrón que se repite en todo el parcial

Turing, CAPTCHA, chatbots, deepfakes: en los cuatro, superar una prueba de conducta nunca autoriza una conclusión sobre el interior. Si reconocés el patrón, respondés bien todas estas sin dudar.

35Verdadero o falsoVer clase 2 · cruzar con 5 y 16

Un agente racional maximiza resultados reales, aun sin conocer el futuro.

Respuesta FALSO

La trampa más fina del set

Suena idéntica a la respuesta correcta de la 5. Cambia una sola palabra: reales en lugar de esperados.

Un agente racional maximiza el resultado esperado — el valor calculado con la información que tiene. Maximizar el resultado real exigiría saber de antemano qué va a pasar, es decir, conocer el futuro. La segunda mitad de la frase («aun sin conocer el futuro») no rescata la afirmación: la contradice.

Las tres preguntas sobre racionalidad, juntas
#	Afirma		Por qué
05	Maximiza el resultado esperado con lo percibido	✓ V	Es la definición.
16	Puede fallar porque decide con información parcial y resultados inciertos	✓ V	Consecuencia directa de la definición.
35	Maximiza resultados reales, aun sin conocer el futuro	✗ F	Eso sería omnisciencia, no racionalidad.

Cómo no caer: leé la frase buscando esperado o real. Si dice «real», es falsa.

36Verdadero o falsoVer olas y agentes · espejo de la 32

Una IA agéntica puede combinar modelos conexionistas con reglas simbólicas.

Respuesta VERDADERO

No sólo puede: es lo habitual. Miralo en la anatomía del agente que da la clase:

Pieza	Qué es	Paradigma
Motor	El LLM	Conexionista
Ruedas	Contexto y skills	Mixto
Caja de cambios	Tools: APIs, CRM, sistemas	Simbólico (interfaces definidas)
Marca	System prompt: tono y reglas	Simbólico (reglas explícitas)
Guardrails	Restricciones que no se pueden violar	Simbólico

La diapositiva de agentes lo dice con todas las letras: el agente agéntico «trabaja con memoria, guardrails y trazabilidad», y su ejecución es supervisada y trazable. Nada de eso sale de una red: sale de reglas escritas encima.

Es la misma verdad que la 32 niega, y por eso la 32 es falsa.

37Verdadero o falsoVer clase 4 · cruzar con 17

La crítica de Penrose prueba empíricamente que toda IA futura será imposible.

Respuesta FALSO

Hay tres errores metidos en una sola frase. Conviene poder nombrarlos por separado.

«Prueba»No prueba: cuestiona. Es un argumento, y uno discutido —sus críticos objetan que el salto de Gödel a la mente no está justificado—.
«Empíricamente»No hay experimento. Se apoya en un resultado matemático (Gödel) más una hipótesis física especulativa. Es argumentación conceptual, no evidencia empírica.
«Toda IA futura será imposible»Penrose nunca dice eso. Su tesis es sobre la mente: que la comprensión no sería sólo algorítmica. No sobre la viabilidad de construir IA.

La frase que cierra el tema en la clase 4

«Ninguna crítica impide construir IA útil; ambas limitan lo que podemos inferir de su desempeño.»

Searle y Penrose no son enemigos de la ingeniería de IA: son límites a las conclusiones que sacamos de ella. De hecho, Searle mismo sostiene que la IA es una herramienta y que los humanos son responsables de lo que se haga con ella.

38Verdadero o falsoVer clase 6 · espejo de la 19

El ciclo de Gartner permite fechar con precisión la madurez de cualquier IA.

Respuesta FALSO

Dos palabras la hunden: «con precisión» y «cualquier».

El eje horizontal es el tiempo, pero la curva no asigna fechas: describe una forma, no un cronograma.
No toda tecnología completa el recorrido. Muchas mueren en el valle y nunca llegan a la meseta.
Los ritmos no son comparables entre tecnologías.

La propia infografía de Gartner de la clase lo declara: «Gartner no predice el futuro; ayuda a los líderes a comprender el presente». Y la diapositiva de las cinco fases aclara que el modelo «representa expectativas frente al tiempo, no una garantía matemática del futuro».

Lo que sí permite es lo de la 19: diagnosticar en qué clima de expectativa estás y decidir cuánto riesgo asumís y qué evidencia exigís.

39Verdadero o falsoVer las 5 olas · cruzar con 20

La cuarta y quinta ola tienen fechas universalmente aceptadas por especialistas.

Respuesta FALSO

La propia diapositiva de la cátedra desmiente la afirmación de tres maneras distintas:

La ola 5 aparece como «2030s? / 2052» — con signo de pregunta y con dos cifras, no una.
Entre sus rasgos lista textualmente: «Fecha incierta: escenarios divergentes».
El pie de la lámina cierra con «Proyección a la última ola: sin consenso», y aclara que el mercado es más optimista que la mediana de investigadores.

Sumale que las olas 4 y 5 son futuras —una está empezando, la otra no ocurrió— y que la 3 y la 4 se solapan en el tiempo. No se puede tener consenso sobre las fechas de algo que todavía no pasó.

una consultora publica un rango de fechas

hay consenso de especialistas

40Verdadero o falsoVer las 5 olas · cruzar con 20 y 39

La ola actual combina datos masivos y aprendizaje; las olas futuras son prospectivas.

Respuesta VERDADERO

La afirmación tiene dos mitades y las dos son correctas.

«La ola actual combina datos masivos y aprendizaje»

Estamos en la Ola 3 — IA agéntica (2024–2028), que no reemplaza a las anteriores sino que se apoya en ellas: usa los modelos fundacionales de la Ola 2 —entrenados con datos masivos— y les suma planificación, herramientas y memoria. Los cinco habilitadores que lista la clase 2 son datos masivos, compute, arquitectura, entrenamiento y ecosistema.

«Las olas futuras son prospectivas»

La Ola 4 (física/embebida) recién empieza y la Ola 5 (general autónoma) tiene fecha incierta y escenarios divergentes. «Prospectivo» significa exactamente eso: mira hacia adelante, proyecta, no registra.

La forma correcta de hablar de las olas

Sobre las olas 1 a 3 podés hacer afirmaciones descriptivas: ya ocurrieron o están ocurriendo. Sobre las olas 4 y 5, sólo proyectivas. Mezclar los dos registros —hablar del futuro con la certeza del pasado— es justo el error que buscan las preguntas 20 y 39.

Complementos · fuera del programa estricto

Cosas a agregar

Conceptos que la cátedra no desarrolla (o apenas nombra) pero que redondean cada unidad. Sirven para responder con más precisión y para no quedarse corto si el parcial pide «explique y ejemplifique». Están ordenados por la unidad a la que complementan.

Para la Unidad 1 · agentes y sistemas expertos

PEAS: cómo describir un entorno

Marco de Russell y Norvig para especificar la tarea de un agente antes de diseñarlo: Performance (medida de desempeño), Entorno, Actuadores y Sensores.

Ejemplo · taxi autónomo: P: llegar seguro, rápido, sin multas · E: calles, peatones, clima · A: volante, freno, bocina · S: cámaras, GPS, lidar.
Por qué suma: Complementa la ficha de agente, entorno y racionalidad: la «medida de desempeño» es justamente lo que define qué es racional en ese entorno.

Ojo No confundir la medida de desempeño (externa, la fija el diseñador) con el objetivo interno que el agente cree perseguir. Un agente puede maximizar algo que no era lo que queríamos.

Los cinco tipos de agente

Escala de complejidad clásica: reactivo simple (regla condición-acción), reactivo con modelo (mantiene un estado interno del mundo), basado en objetivos (planifica hacia una meta), basado en utilidad (elige entre metas según una función de preferencia) y que aprende (mejora su propia política con la experiencia).

Cómo se lo suele preguntar: «¿Qué tipo de agente es un termostato?» → reactivo simple. «¿Y un GPS?» → basado en objetivos. «¿Y un recomendador que ajusta con tus clics?» → que aprende.
Conexión: Las 5 olas pueden leerse como este mismo salto: de reglas fijas a agentes que planifican y aprenden.

MYCIN y los factores de certeza

Sistema experto de Stanford (años 70) para diagnosticar infecciones bacterianas y recomendar antibióticos. Tenía ~600 reglas y superaba a médicos no especialistas en evaluaciones ciegas. Nunca se usó clínicamente: por responsabilidad legal y por la dificultad de integrarlo en el flujo de trabajo del hospital.

Aporte técnico: Introdujo factores de certeza: cada regla llevaba un grado de confianza (−1 a 1), un primer intento de manejar incertidumbre dentro de la IA simbólica.
Por qué suma: Es el ejemplo perfecto de que la IA es un sistema sociotécnico: el modelo funcionaba y aun así no se adoptó. Enlaza Unidad 1 con la Clase 6.

Paradoja de Moravec

Lo que a los humanos nos resulta difícil (ajedrez, álgebra, lógica) fue relativamente fácil de automatizar; lo que nos resulta trivial (caminar, reconocer una cara, agarrar un vaso) fue enormemente difícil. Formulada por Hans Moravec en los 80.

Explicación: Percepción y motricidad tienen millones de años de evolución encima; el razonamiento abstracto es reciente y «poco optimizado», por eso es más fácil de imitar.
Por qué suma: Explica por qué Deep Blue (1997) llegó décadas antes que un robot que doble ropa, y por qué la IA simbólica brilló en dominios abstractos y falló en el mundo físico.

Para la Unidad 2 · Turing, Searle y las críticas

La objeción de Lady Lovelace

Ada Lovelace (1843) escribió que la máquina analítica «no tiene pretensión de originar nada»: sólo hace lo que se le ordena. Turing la discute explícitamente en su artículo de 1950 y responde que una máquina sí puede sorprender a su programador.

Por qué suma: Es la versión más antigua de «la IA sólo repite lo que le dieron». Anticipa el debate actual sobre creatividad y modelos generativos. Va bien junto a la Clase 3.

Efecto ELIZA

Tendencia a atribuir comprensión y emociones a un programa que sólo manipula texto. Nombrado por ELIZA (Weizenbaum, 1966), un chatbot que imitaba a un terapeuta reformulando lo que el usuario escribía. Su propio creador se alarmó de lo rápido que la gente le confiaba intimidades.

Por qué suma: Es la prueba empírica de la tesis central del apunte: capacidad ≠ comprensión. Un desempeño convincente engaña incluso sabiendo que es un programa.
Hoy: Se lo cita para explicar por qué los chatbots actuales generan apego, y para discutir si el Test de Turing mide a la máquina o la credulidad del juez.

Alternativas al Test de Turing

Como el juego de imitación premia el engaño, se propusieron pruebas que exigen comprensión:

Premio Loebner (1991–2019): Competencia anual de chatbots. Ganaban programas con trucos (errores tipográficos, evasivas) → mostró que el test se puede «gamear».
Esquemas de Winograd (2012): Frases con un pronombre ambiguo que sólo se resuelve con sentido común: «El trofeo no entra en la valija porque es muy grande». ¿Qué es grande? Requiere saber del mundo, no estadística de palabras.
Por qué suma: Permite argumentar en el parcial que la crítica al test no es sólo filosófica: hubo intentos concretos de reemplazarlo.

Réplicas a la Habitación China

Searle mismo lista las objeciones más fuertes a su argumento y las contesta. Conviene saber al menos dos:

Respuesta de los sistemas: La persona no entiende chino, pero el sistema completo (persona + reglas + libros) sí. Searle: aunque memorice todo, sigue sin entender.
Respuesta del robot: Si el sistema tuviera cuerpo, sensores y actuara en el mundo, la sintaxis se anclaría en experiencia. Searle: sigue siendo manipulación de símbolos, sólo que con más entradas.
Por qué suma: Muestra que el argumento de la Clase 4 no cerró el debate; da material para una respuesta «a favor y en contra».

Dreyfus: lo que las computadoras no pueden hacer

Hubert Dreyfus (1972) criticó la IA simbólica desde la fenomenología: la pericia humana no es un conjunto de reglas explícitas sino un saber corporal, situado, que se aprende por práctica. Un experto no «aplica reglas», ve la solución.

Por qué suma: Es la crítica anterior y complementaria a Searle: Searle ataca la semántica; Dreyfus ataca la idea misma de que el conocimiento se pueda escribir como reglas (justo lo que suponían los sistemas expertos).

Para la Unidad 3 · imaginario, inviernos y hype

Informe Lighthill (1973)

Evaluación encargada por el gobierno británico al matemático James Lighthill. Concluyó que la IA no había cumplido ninguna de sus promesas «grandiosas» y que la explosión combinatoria hacía inviables sus métodos fuera de problemas de juguete. Provocó el recorte casi total de fondos en el Reino Unido.

Por qué suma: Es el documento concreto que dispara el primer invierno. Sirve para responder «¿qué causó el invierno?» con una fuente y no con generalidades.

Proyecto de Quinta Generación (Japón, 1982–1992)

Plan estatal japonés para construir computadoras «inteligentes» basadas en Prolog y procesamiento paralelo. Gastó cientos de millones y generó una carrera de respuesta en EE.UU. y Europa. Sus objetivos nunca se alcanzaron.

Por qué suma: Ejemplo de hype a escala de gobierno: expectativa → inversión masiva → desilusión → segundo invierno. Encaja directo en el ciclo de Gartner de la Clase 6.

Las tres leyes de Asimov

1) Un robot no dañará a un humano ni permitirá que sufra daño. 2) Obedecerá órdenes, salvo que contradigan la primera. 3) Protegerá su existencia, salvo que contradiga las anteriores. Aparecen en Runaround (1942).

El detalle que casi nadie dice: Asimov las inventó para mostrar que fallan: casi todos sus cuentos son casos donde las leyes entran en conflicto o se interpretan mal.
Por qué suma: Complementa la Clase 5: es el primer intento ficcional de «alinear» una máquina con reglas, y muestra por qué las reglas simples no alcanzan.

AlphaGo (2016) como hito de expectativa

Programa de DeepMind que venció a Lee Sedol 4–1 en Go, un juego que se creía fuera de alcance por al menos una década. Combinó redes neuronales profundas con búsqueda (Monte Carlo Tree Search): conexionismo + búsqueda clásica.

Por qué suma: Cierra la serie Deep Blue → Watson → AlphaGo del apunte y marca el inicio del pico de expectativas actual. Ideal para ubicar en la línea de tiempo.
Detalle útil: La jugada 37 de la partida 2, que ningún humano habría hecho, se cita como contraejemplo a la objeción de Lovelace.

Cómo usar esta sección

Nada de esto reemplaza lo que dio la cátedra. Úsalo como segunda capa: primero la respuesta con los conceptos del programa, después un ejemplo o matiz de acá para mostrar que entendiste más allá del apunte.