Responsable: Jose Manuel Alegre Cuenca. Este sitio almacena en el dispositivo del Usuario únicamente lo estrictamente necesario para la prestación del servicio —sesión, academia y tema visual—, que está exento de consentimiento. Se solicita el consentimiento para dos finalidades adicionales: contenidos alojados por terceros (vídeos, presentaciones y entornos de programación incorporados a las lecciones) y analítica de uso. No se encuentra activa ninguna herramienta de analítica. Este sitio no emplea publicidad ni seguimiento entre sitios web. Autorizar los contenidos de terceros supone que el proveedor reciba la dirección IP del Usuario y la trate en EE. UU.. En el caso de Gamma y CodeSandbox, sin decisión de adecuación y con los riesgos que se detallan en «Configurar» y en la política de cookies. Consultar la política de cookies.
Fundamentos de IA para empleados: cómo funciona, qué puede y qué no · TuFormaciónOnline
Curso bonificable
Fundamentos de IA para empleados: cómo funciona, qué puede y qué no
La base «suficiente» de alfabetización en IA que exige el art. 4 del AI Act para la plantilla general: cómo aprende una máquina, qué hay dentro de un modelo de lenguaje, qué tareas delegar y cuáles no, cómo detectar y verificar alucinaciones y sesgos, y cómo escribir instrucciones eficaces sin exponer información confidencial. En la modalidad bonificada para empresas (cohortes FUNDAE) incluye tutoría experta y entregable final evaluado.
Impartido por Formación EmpresasBonificable FUNDAE
alfabetizacion-iaai-actempresas
Lo que aprenderás
✓Explicar con tus palabras qué es un modelo de lenguaje y por qué acierta y por qué se equivoca
✓Escribir instrucciones (prompts) claras y obtener resultados útiles de forma consistente
✓Detectar alucinaciones y sesgos, y contrastar lo que produce una IA antes de usarlo
✓Aplicar buenas prácticas de privacidad al trabajar con IA en tareas de tu puesto
✓Decidir qué tareas conviene delegar en IA y cuáles no, con criterio propio
TEMARIO
Qué vas a aprender
4 h 50 min de contenido
01
Cómo aprende una máquina
3 lecciones·56 min
Del software de reglas al aprendizaje con datos: qué significa «entrenar» un modelo, cómo detecta patrones y por qué los datos de entrenamiento determinan sus aciertos y sus errores.
De las reglas programadas al aprendizaje con datos8 min
Entrenamiento: patrones, ejemplos y generalización8 min
Los datos de entrenamiento y sus consecuencias40 min
MUESTRA GRATUITA
Prueba la primera lección
Así se ve una lección por dentro. Los ejercicios interactivos y el seguimiento de tu progreso se activan al matricularte.
Antes de empezar
Requisitos previos
·Manejo básico del ordenador y del navegador
·No se requieren conocimientos técnicos ni de programación
A quién va dirigido
Personal de empresa de cualquier área (administración, ventas, operaciones, RRHH) que quiere incorporar la IA a su trabajo diario con criterio, sin tecnicismos, en una acción formativa tutorizada y bonificable por FUNDAE.
Bonificable FUNDAEAcción formativa bonificable para empresas con personal por cuenta ajena. Cuánto se bonifica depende del crédito de cada empresa y de su aportación propia: te lo decimos por escrito antes de contratar.
Formación bonificada, con tutor y evaluación
Objetivos de aprendizaje
✓Explicar, sin tecnicismos, cómo aprende un sistema de machine learning y por qué sus resultados dependen de los datos de entrenamiento.
✓Describir el funcionamiento de un modelo de lenguaje (tokens, predicción, ventana de contexto) y por qué genera texto convincente sin garantía de veracidad.
✓Calibrar qué tareas del propio rol pueden delegarse en la IA, cuáles requieren revisión y cuáles no deben delegarse, ejerciendo una supervisión humana efectiva.
✓Detectar alucinaciones y aplicar un protocolo de verificación antes de incorporar cualquier resultado de la IA al trabajo.
Solicita tu plaza
Déjanos tus datos y te enviamos las instrucciones de pago por transferencia y la ficha del curso. Confirmamos tu matrícula en cuanto recibimos el pago. Si tu empresa cotiza en el régimen general, el curso es bonificable vía FUNDAE.
✓Matrícula manual: sin pasarela de pago online
✓Bonificable FUNDAE para empresas
✓También para particulares, sin bonificación
Tutoría con seguimiento del tutor
Contenidos elaborados con inteligencia artificial y supervisión pedagógica humana.Cómo lo hacemos
02
Dentro de un modelo de lenguaje
3 lecciones·56 min
Tokens, predicción y ventana de contexto: qué ocurre por dentro cuando un modelo genera texto, qué recuerda y qué no, y por qué suena tan convincente incluso cuando se equivoca.
Tokens y predicción de la siguiente palabra8 min
La ventana de contexto: qué recuerda y qué no8 min
Por qué suena tan convincente (y por qué eso es un riesgo)40 min
03
Capacidades y límites reales
3 lecciones·56 min
Qué tareas delega bien un profesional, cuáles exigen revisión, cuáles no deben delegarse nunca — y en qué consiste la supervisión humana efectiva que exige la normativa.
Tareas que un profesional delega bien8 min
Tareas que no se deben delegar8 min
La supervisión humana en la práctica40 min
04
Alucinaciones y sesgos: detección y verificación
3 lecciones·1 h 1 min
Por qué el modelo inventa con total seguridad, un protocolo de verificación en cuatro pasos aplicable a cualquier resultado, y los casos españoles reales que muestran las consecuencias del sesgo algorítmico.
Por qué alucina un modelo8 min
Un protocolo de verificación en cuatro pasos8 min
Sesgos algorítmicos: casos reales45 min
05
Prompting eficaz en el puesto de trabajo
3 lecciones·1 h 1 min
Cómo redactar instrucciones que producen buenos resultados a la primera: rol, tarea, contexto y formato; iteración sistemática; y la regla de oro de qué información no entra jamás en un prompt.
Anatomía de una buena instrucción8 min
Contexto, formato e iteración8 min
Qué información no entra nunca en un prompt45 min
✓Identificar el origen de los sesgos algorítmicos y sus consecuencias legales y reputacionales, con casos españoles reales.
✓Redactar instrucciones (prompts) eficaces con rol, contexto, criterios y formato, sin exponer información confidencial.
Metodología
Teleformación asíncrona basada en micro-lecciones de unos 8 minutos con ratio 30/70 entre teoría y práctica: cada lección combina explicación con analogías cotidianas, preguntas de recuperación activa y mini-quizzes. Cada sección se cierra con un cuestionario de evaluación y con un apartado práctico guiado de unos 30 minutos que construye, parte a parte, el entregable final del curso («Dossier de trabajo con IA para mi puesto»), de modo que al terminar la última sección el dossier está completo y listo para entregar. Todo el trabajo práctico se realiza sobre supuestos genéricos del rol del participante o información pública — nunca sobre datos internos de su empresa. El tutor acompaña por mensajería interna durante todo el itinerario.
Evaluación
Controles de aprendizaje: 5 cuestionarios de sección (mínimo 70/100 para desbloquear la siguiente sección), 1 entregable evaluado por el tutor (mínimo 60/100) y 1 examen final de 20 preguntas (mínimo 75/100), disponible al superar todos los cuestionarios de sección. Para finalizar la acción formativa el participante debe superar al menos el 75% de los 7 controles de aprendizaje. El tiempo de conexión se registra íntegramente como evidencia de la acción formativa (12 horas declaradas), sin operar como requisito automático de finalización.
Tutoría
Tutoría individual por mensajería interna de la plataforma, con tutor experto en inteligencia artificial y compromiso de respuesta inferior a 48 horas laborables. El tutor evalúa el entregable final con retroalimentación personalizada, publica anuncios de cohorte con el ritmo semanal sugerido y realiza seguimiento activo de los participantes rezagados. Ratio máximo: 80 participantes por tutor.
El software de toda la vida: reglas escritas una a una
Piensa en la hoja de cálculo que usas para calcular el IVA, en el cajero automático o en el programa de nóminas de tu empresa. Todos funcionan igual: un equipo de programadores escribió, instrucción a instrucción, qué debe hacer el sistema en cada situación. «Si el importe supera 10.000 euros, pedir aprobación al responsable». «Si la contraseña falla tres veces, bloquear la cuenta».
Es exactamente una receta de cocina: pasos exactos, en orden, sin ambigüedad. Si la receta está bien escrita, el resultado es idéntico cada vez. Y si algo falla, se puede localizar el paso responsable, corregirlo y listo.
Este enfoque tiene una virtud enorme —es predecible y auditable— y una limitación igual de enorme: solo sirve para tareas que un humano sabe describir paso a paso.
La tarea que rompió el esquema
Intenta escribir la receta para reconocer la cara de tu compañera de departamento en una foto. ¿Por dónde empiezas? ¿«Si la nariz mide tantos píxeles...»? ¿Y si lleva gafas, o está de perfil, o hay poca luz? Cada regla que escribas tendrá mil excepciones, y cada excepción, otras mil. Durante décadas, los mejores ingenieros del mundo lo intentaron y fracasaron: hay tareas que los humanos hacemos sin esfuerzo pero que no sabemos explicar en pasos.
Lo mismo ocurre con transcribir una conversación con acento andaluz y ruido de cafetería, con detectar cuál de tus 200 correos diarios es basura, o con traducir una frase con doble sentido. Son problemas de patrones difusos, no de reglas nítidas.
El giro: deja de escribir reglas, muestra ejemplos
El machine learning (aprendizaje automático) invierte el planteamiento. En lugar de darle reglas al sistema, le das miles o millones de ejemplos ya resueltos: fotos etiquetadas como «cara» o «no cara», correos marcados como «spam» o «legítimo». El sistema empieza acertando poco más que al azar y, con cada ejemplo, ajusta sus parámetros internos —millones de pequeños números— para equivocarse un poco menos la siguiente vez.
Es la diferencia entre aprender a distinguir setas comestibles memorizando un manual de botánica y aprender viendo miles de fotos con su etiqueta: al final distingues un boleto de una falsa oronja de un vistazo, pero te costaría redactar la regla exacta que aplicas.
Software tradicional
Machine learning
Quién define el comportamiento
Un programador, regla a regla
El propio sistema, a partir de ejemplos
Analogía
Receta de cocina paso a paso
Aprender setas viendo miles de fotos
Ante un fallo
Se localiza y corrige la regla
Nadie puede señalar «la regla» culpable
Sirve para
Tareas describibles en pasos exactos
Tareas de patrones difusos (caras, voz, spam)
Ya lo usas cada día (aunque no lo llames IA)
El filtro de spam de tu correo corporativo: nadie escribió «si el asunto contiene la palabra premio, bloquear». El sistema vio millones de correos etiquetados y dedujo solo qué combinaciones de rasgos delatan la basura.
El corrector de tu móvil o de Word: aprendió de cantidades enormes de texto real qué palabra es probable que quisieras escribir.
La detección de fraude de tu banco: cuando te llega el SMS de «¿has hecho tú esta compra?», un modelo entrenado con millones de operaciones ha detectado que la tuya se sale de tu patrón habitual. Ningún empleado del banco escribió una regla con tu nombre.
Mini-escenario: en administración recibes un aviso del banco de la empresa bloqueando un pago a un proveedor nuevo en el extranjero. No es que alguien haya prohibido ese país: es que el modelo aprendió, de millones de operaciones, que ese patrón concreto aparece a menudo en casos de fraude. Acierta muchísimo... y a veces bloquea un pago perfectamente legítimo.
La idea que debes llevarte
Cuando un sistema de IA clasifica, recomienda o bloquea algo, no está aplicando una regla que alguien escribió: está aplicando patrones que emergieron de sus datos de entrenamiento. Esto tiene dos consecuencias prácticas para ti:
Nadie puede garantizarte el comportamiento exacto en un caso concreto, ni siquiera el fabricante. Puede decirte que acierta el 99 % de las veces, no qué hará con tu correo de mañana.
La calidad del sistema depende de la calidad de sus ejemplos. Esta idea es tan importante que le dedicaremos la tercera lección de esta sección.