Cátedra Optativa II - La IA generativa aplicada a la economía y las finanzas.
Diagrama de temas
-
Sede / Delegación: U. N. La. R. – SEDE CAPITAL
Departamento Académico: de Ciencias Sociales , Jurídicas y Económicas
Carrera: Licenciatura en Economía
Plan de Estudio Ordenanza Nro.: 116/2017
Asignatura: Inteligencia Artificial Generativa Aplicada a la Economía y las Finanzas
Curso: cuarto - 2C
Régimen: Hibrida
Horario Teórico:
Lunes 20-22h en el aula 203 del tercer módulo
Jueves x meet: 18 a 20h
Horario Práctico: a definir
EQUIPO DE CATEDRA
Titular: Marcelo Martinez - mmartinez@unlar.edu.ar
Ayudante: Agustin Rivoldi
Grupo de WatsApps
-
Recurso
La planificación corresponde a la asignatura “Inteligencia Artificial Generativa Aplicada a la Economía y las Finanzas”, destinada a estudiantes de cuarto año de la Licenciatura en Economía de la UNLaR, con una carga total de 75 horas. Propone una formación teórico-práctica orientada a incorporar la inteligencia artificial generativa como herramienta profesional para el análisis económico y financiero.
El objetivo central es que los estudiantes comprendan los fundamentos de la IA generativa y desarrollen competencias para utilizarla de manera crítica, ética y responsable en tareas propias del economista, tales como el análisis de datos, la interpretación de indicadores, la elaboración de informes, la generación de escenarios, el análisis financiero y la toma de decisiones.
La propuesta combina contenidos sobre fundamentos de IA, herramientas generativas, análisis económico y financiero, productividad, ética, sesgos, riesgos, regulación y gobernanza, culminando con un proyecto integrador basado en un problema económico real, en el que el estudiante deberá aplicar IA, analizar datos y realizar una valoración crítica de los resultados obtenidos.
En síntesis, la planificación busca formar economistas capaces de integrar la IA generativa a su práctica profesional, no como simples usuarios de una tecnología, sino como profesionales capaces de evaluar, validar y utilizar sus resultados con criterio económico, rigor técnico y responsabilidad ética.
-
Foro
-
-
-
El documento parte de la idea de que el desarrollo actual de la Inteligencia Artificial no responde a una única tecnología, sino a la convergencia de seis factores: mayor cantidad de datos, incremento del poder de cómputo, mejores algoritmos, infraestructura en la nube, comunicaciones de alta velocidad y un ecosistema tecnológico abierto. La IA es presentada, por lo tanto, como la capacidad de transformar grandes cantidades de datos en información, decisiones y acciones inteligentes.
Uno de los conceptos centrales es la diferencia entre transformación digital y Revolución 4.0. La transformación digital consiste en utilizar estratégicamente las tecnologías para mejorar procesos, servicios o modelos de negocio existentes. En cambio, la Revolución 4.0 representa una transformación más profunda, caracterizada por la integración de los mundos físico, digital y biológico, utilizando tecnologías como IA, Internet de las Cosas, automatización y datos masivos. En términos simples: la transformación digital mejora lo existente, mientras que la Revolución 4.0 permite crear sistemas nuevos, inteligentes y conectados.
El material presenta numerosos ejemplos. Dentro de la transformación digital aparecen los bancos digitales, pagos mediante QR, préstamos online, telemedicina, historias clínicas digitales, educación virtual, Moodle y evaluaciones online. Dentro de la Revolución 4.0 aparecen las fábricas inteligentes, robots autónomos, sensores IoT, mantenimiento predictivo mediante IA, vehículos autónomos y comercios sin cajas, como Amazon Go. Estos cambios permiten reducir costos, mejorar los servicios, flexibilizar el aprendizaje, automatizar procesos industriales y transformar completamente la experiencia de usuarios y consumidores.
De las revoluciones industriales a la Revolución 4.0
El documento realiza también un recorrido por las cuatro revoluciones industriales:
1. Primera Revolución Industrial: mecanización y máquina de vapor.
2. Segunda Revolución Industrial: electricidad y producción en serie.
3. Tercera Revolución Industrial: electrónica, computación y tecnologías de comunicación.
4. Cuarta Revolución Industrial: convergencia entre los ámbitos físico, digital y biológico, con la IA como una de las principales tecnologías disruptivas.La particularidad del momento actual es que cada ola tecnológica tiene mayor impacto que la anterior y los ciclos de adopción son cada vez más breves. Por eso el material propone que no estamos simplemente atravesando una “era de cambios”, sino un verdadero “cambio de era”.
La aceleración tecnológica
Un aspecto especialmente destacado es la velocidad de adopción. Tecnologías que anteriormente necesitaban décadas o años para difundirse actualmente pueden alcanzar millones de usuarios en meses, semanas o incluso días.
Esto ocurre fundamentalmente debido a cuatro elementos: Internet global, smartphones, redes sociales y plataformas digitales escalables. Estas condiciones permiten que una nueva aplicación tenga alcance mundial prácticamente desde su lanzamiento.
La consecuencia organizacional es contundente: la innovación deja de ser una actividad ocasional y se convierte en un proceso urgente y continuo. Las empresas y organizaciones incapaces de adaptarse rápidamente corren el riesgo de perder competitividad o desaparecer del mercado.
Evolución histórica de la Inteligencia Artificial
El documento recorre la evolución de la IA desde sus antecedentes hasta la IA generativa actual:
- Década de 1940: bases matemáticas y computacionales vinculadas, entre otros, a Alan Turing.
- Década de 1950: nacimiento formal del concepto de Inteligencia Artificial.
- Décadas siguientes: primeras redes neuronales y desarrollo de sistemas expertos.
- Década de 1980: períodos de menor inversión y expectativas conocidos como “inviernos de la IA”.
- Década de 1990: recuperación del campo gracias al incremento de las capacidades computacionales.
- 2000: crecimiento del aprendizaje automático impulsado por Internet y la disponibilidad masiva de datos.
- 2010: fuerte avance del Deep Learning, las redes neuronales profundas, Transfer Learning y las redes generativas GAN.
- 2020: explosión de la IA generativa, con sistemas como ChatGPT capaces de generar texto, imágenes, código y otros contenidos.
¿Hacia dónde evoluciona la IA?
La parte final proyecta una IA progresivamente más autónoma. El cambio sería pasar de sistemas que simplemente responden a órdenes a agentes capaces de tomar decisiones, ejecutar tareas completas y coordinarse entre sí. Esto permitiría avanzar hacia la automatización integral de numerosos procesos.
También se prevé una IA cada vez más ubicua, integrada de manera casi invisible en hogares inteligentes, ciudades, organizaciones y sistemas productivos. La interacción con las personas será progresivamente conversacional, multimodal y contextual, combinando texto, voz, imágenes y otras formas de comunicación.
Otro aspecto central será la personalización extrema: cada persona podría disponer de asistentes capaces de aprender sus hábitos, anticipar necesidades y acompañar sus actividades permanentemente. Al mismo tiempo, la combinación entre IA, robótica, sensores y hardware ampliará su presencia en el mundo físico mediante robots autónomos, vehículos inteligentes y sistemas industriales adaptativos.
Este desarrollo genera, sin embargo, nuevos desafíos vinculados con empleo, privacidad, utilización de la información, regulación, ética y gobernanza de la IA.
Idea central del documento
La conclusión puede sintetizarse en una frase:
La IA no representa solamente una nueva tecnología, sino uno de los motores de un cambio estructural de la sociedad.
La combinación de transformación digital, Revolución 4.0 e Inteligencia Artificial está modificando cómo producimos, aprendemos, trabajamos, tomamos decisiones, consumimos y nos relacionamos. El desafío ya no consiste únicamente en incorporar tecnologías, sino en desarrollar la capacidad de adaptarse continuamente a un entorno en el cual la velocidad del cambio también está aumentando. El propio documento concluye que la IA redefinirá la manera en que trabajamos, decidimos y vivimos.
En síntesis: el PDF busca que el estudiante comprenda que la transformación digital mejora lo existente, la Revolución 4.0 integra tecnologías para crear nuevas realidades inteligentes y la IA constituye actualmente uno de los principales motores de esa transformación, cuya velocidad obliga a personas y organizaciones a aprender y adaptarse permanentemente.
-
Los paradigmas y como la IA está hoy posicionada en nuestra sociedad. Se RECOMIENDA verla antes de la próxima clase.
-
Apertura: Monday, 10 de August de 2026, 20:00Cierre: Saturday, 15 de August de 2026, 00:00
Reto A – Transformaciones digitales
Los estudiantes deben:
- Identificar 5 ejemplos de transformación digital que conozcan.
- Describir las características de cada uno.
- Explicar qué beneficio aporta cada transformación.
- Presentar el trabajo con el formato que prefieran (presentación, imagen, video, audio, infografía, etc.), documentándolo con recursos multimedia.
Reto B – Revoluciones digitales
Los estudiantes deben:
- Diseñar 5 propuestas innovadoras de "revoluciones digitales".
- Deben ser ideas originales creadas por el grupo, no tecnologías que ya existan.
- Caracterizar cada propuesta.
- Explicar los beneficios que generaría.
- Presentar el trabajo libremente utilizando imágenes, videos, presentaciones u otros recursos multimedia.
Reto C – Evolución de la Inteligencia Artificial
Los estudiantes deben:
- Elegir una etapa de la evolución de la IA (por ejemplo: sistemas expertos, invierno de la IA, deep learning, IA generativa, etc.).
- Investigar en profundidad esa etapa.
- Preparar material para exponer en clase, utilizando el formato que consideren más adecuado.
-
-
-
El documento presenta la evolución de la inteligencia artificial desde los modelos simbólicos basados en reglas hasta la inteligencia artificial generativa. Explica que los sistemas simbólicos representan el conocimiento mediante conceptos, objetos y relaciones, mientras que los algoritmos actuales pueden aprender de grandes cantidades de datos, reconocer patrones, adaptarse y generar predicciones.
También describe el funcionamiento de las redes neuronales artificiales a partir de su analogía con las neuronas biológicas. Una neurona artificial recibe datos, asigna distintos pesos según su importancia, los procesa y produce una salida. La combinación de muchas neuronas da lugar a redes neuronales y al aprendizaje profundo, base tecnológica de los grandes modelos de lenguaje o LLM. Estos modelos, como GPT, están entrenados con enormes conjuntos de datos y pueden interpretar instrucciones o prompts para generar textos, imágenes, sonidos, videos y otros contenidos.
La presentación aborda los desafíos éticos y sociales de la IA a partir de la Ley Cero de la Robótica de Isaac Asimov. Se destaca que una inteligencia artificial no solo debería evitar causar daños, sino también contribuir a prevenirlos. Esto plantea interrogantes sobre la responsabilidad algorítmica, la supervisión humana, la seguridad, la privacidad y la definición del bien común.
Otro eje central es la regulación de la inteligencia artificial. Se analiza el Proyecto de Ley 43/2025 de Colombia, cuyo objetivo es garantizar un desarrollo ético y responsable de la IA, proteger los derechos fundamentales, fomentar la innovación, asegurar la transparencia y promover la colaboración institucional e internacional. También se comparan distintos enfoques regulatorios. La Unión Europea clasifica los sistemas según sus niveles de riesgo; Estados Unidos adopta regulaciones sectoriales; China aplica un modelo centralizado; Corea del Sur prioriza la regulación de los contenidos manipulados; el Reino Unido adopta una estrategia flexible; y Argentina todavía no cuenta con una ley integral, aunque posee proyectos y normas relacionadas con la protección de datos, el derecho del consumidor, la propiedad intelectual y la responsabilidad civil.
La gobernanza de la IA se define como el conjunto de normas, principios, políticas e instituciones destinadas a asegurar que estas tecnologías sean éticas, seguras, transparentes, responsables y respetuosas de los derechos humanos. Sus principales componentes son la transparencia, la equidad, la privacidad, la rendición de cuentas, la supervisión humana, la gestión de riesgos y la seguridad digital. Su propósito no es frenar la innovación, sino orientar el desarrollo tecnológico hacia el bienestar de las personas y la sociedad.
Finalmente, el documento analiza la regulación de la IA en las universidades. Las instituciones educativas están pasando de prohibir estas herramientas a permitirlas bajo reglas claras. Entre las medidas más frecuentes se encuentran la declaración obligatoria del uso de IA, la citación de las herramientas utilizadas, la reformulación de las evaluaciones, la protección de datos, la capacitación en IA y la aplicación de políticas de integridad académica. Se enfatiza que la IA debe apoyar el aprendizaje sin reemplazar el razonamiento propio, y que el estudiante debe verificar los resultados, reconocer sus limitaciones y asumir la responsabilidad por el trabajo presentado.
-
Apertura: Thursday, 27 de August de 2026, 20:00Cierre: Thursday, 3 de September de 2026, 08:00
A partir de los contenidos desarrollados en clase, deberás resolver tres retos vinculados con la Inteligencia Artificial Generativa, su regulación y su impacto futuro. La actividad propone experimentar con una herramienta de IAg mediante la elaboración de prompts, analizar el impacto de las normativas sobre IA en la sociedad y su gobernanza, y reflexionar sobre las principales tendencias que podrían transformar las instituciones educativas hacia el año 2030.
Cada reto deberá ser desarrollado de manera fundamentada, incorporando ejemplos, reflexión personal y los conceptos trabajados durante la clase.
Reto A: Elige una herramienta de Inteligencia Artificial Generativa y escribe tres prompts, desarrollando brevemente cómo y por qué los escribiste.
Reto B: Identifica cómo el objetivo del Proyecto de Ley N.º 43/2025 de Colombia, u otra normativa sobre Inteligencia Artificial que desees investigar, podría influir en las acciones futuras de la IA, en tu contexto social y en la gobernanza de la Inteligencia Artificial. Ejemplifica y desarrolla tu respuesta.
Reto C: ¿Cuál crees que será la tendencia dominante en las instituciones educativas con la mirada puesta en el año 2030?
IMPORTANTE: En todos los casos, explica con TEXTO (escrito por Ti) tu trabajo en cada reto, prepárate para exponerlo en clase y siempre indica la bibliografía que utilizaste, informado también que herramientas de IAg estuvieron presentes en la elaboración del trabajo presentado -
El documento “IA Generativa en Economía” presenta una introducción práctica al funcionamiento de la inteligencia artificial generativa y a sus posibles aplicaciones en economía y finanzas. Su propósito central es explicar, sin recurrir a una complejidad matemática elevada, cómo funcionan los grandes modelos de lenguaje y de qué manera pueden utilizarse como herramientas de apoyo para construir modelos económicos y mejorar procesos de toma de decisiones financieras.
Para explicar el funcionamiento de la IA generativa, el material utiliza la analogía de un “chef maestro”. El entrenamiento de la inteligencia artificial se compara con un gran libro de recetas: el modelo ha procesado grandes cantidades de libros, informes y contenidos, a partir de los cuales reconoce patrones y relaciones. Cuando recibe una instrucción o prompt, no necesariamente copia una respuesta existente, sino que combina los patrones aprendidos para generar una nueva salida. En este proceso, la calidad de la instrucción resulta fundamental: cuanto más específica y contextualizada sea la consulta, mayor precisión puede obtenerse en la respuesta.
El documento aclara que la IA generativa no debe ser entendida como una calculadora tradicional. Su funcionamiento se basa principalmente en predecir palabras o tokens a partir del contexto y de los patrones aprendidos durante su entrenamiento. Por esta razón, su principal valor no está en realizar cálculos matemáticos exactos, sino en actuar como un copiloto lógico capaz de estructurar razonamientos, redactar supuestos económicos, convertir ideas en código para herramientas como Python o Excel y ayudar a analizar escenarios cualitativos.
También se presenta una comparación entre algunas de las herramientas de inteligencia artificial disponibles para estudiantes y profesionales de economía y finanzas. Claude se destaca por su capacidad para el razonamiento conceptual, la redacción técnica y la interpretación de documentos extensos. ChatGPT aparece como una herramienta versátil, especialmente útil para estructurar razonamientos y generar código en Python o Excel. Gemini sobresale por su integración con el ecosistema de Google y el acceso a información web, mientras que Copilot se encuentra fuertemente vinculado con Bing y con las herramientas de Microsoft Office. El documento también señala determinadas limitaciones asociadas a las versiones gratuitas de estas plataformas.
Entre las principales ventajas de la IA generativa se menciona el aumento de la productividad. Por ejemplo, puede acelerar considerablemente la elaboración de código en Python o la creación de fórmulas en Excel, reduciendo tareas que podrían demandar horas de trabajo a pocos minutos. No obstante, el material advierte sobre las denominadas “alucinaciones”, es decir, situaciones en las que la IA puede generar información o datos numéricos aparentemente convincentes pero incorrectos. Por esta razón, cualquier información cuantitativa producida por estas herramientas debe ser revisada y auditada. El criterio humano continúa siendo indispensable, ya que la calidad de cualquier modelo económico depende de la validez de sus supuestos y el profesional sigue siendo responsable de la interpretación final.
La segunda parte del documento se concentra en ejemplos de aplicación de inteligencia artificial generativa y Machine Learning al análisis económico argentino. Se presentan tres áreas principales: inflación e IPC, actividad económica y mercado laboral.
En relación con la inflación y el Índice de Precios al Consumidor, se plantea la utilización de IA para realizar procesos de nowcasting, es decir, estimaciones de variables económicas antes de que se publiquen oficialmente. Esto puede realizarse procesando datos diarios de precios obtenidos, por ejemplo, mediante scraping de supermercados y servicios. La inteligencia artificial también puede colaborar en la generación de scripts automatizados en Python para modelar la trayectoria del IPC y anticipar tendencias respecto de los datos oficiales publicados por el INDEC.
En el caso de la actividad económica, se propone utilizar inteligencia artificial para integrar indicadores sectoriales de alta frecuencia, como los despachos de cemento, la demanda de energía, la recaudación tributaria y los patentamientos. La combinación de estos datos permitiría elaborar estimaciones anticipadas del EMAE y del PBI. Además, se plantea el uso de IA para simular shocks económicos y analizar sus posibles efectos sobre sectores estratégicos argentinos como la agroindustria, Vaca Muerta, la industria manufacturera y los servicios, utilizando automatizaciones desarrolladas en Excel o Python.
En cuanto al mercado laboral, el documento señala que la IA puede procesar grandes volúmenes de información provenientes de portales de empleo, convenios colectivos y datos de la Encuesta Permanente de Hogares del INDEC. Esto permitiría monitorear de manera más dinámica la demanda laboral y construir modelos predictivos orientados a estudiar la evolución del salario real frente a la inflación, así como la relación entre empleo formal e informal en Argentina.
En síntesis, el documento plantea que la inteligencia artificial generativa debe ser entendida como una herramienta de apoyo al economista y no como un reemplazo del conocimiento profesional. Su mayor utilidad se encuentra en acelerar tareas, estructurar razonamientos, automatizar procesos, integrar grandes cantidades de información, programar modelos y explorar escenarios económicos. Sin embargo, los resultados generados deben ser siempre verificados, especialmente cuando contienen información numérica o sirven de base para decisiones económicas o financieras. La conclusión enfatiza que la ventaja profesional estará cada vez más asociada a la capacidad de los economistas para incorporar la inteligencia artificial de manera adecuada en sus procesos de análisis y toma de decisiones.
-
-
-
Esta documento presenta cinco técnicas efectivas de prompting para mejorar la interacción con modelos de inteligencia artificial gratuitos: Rol–Objetivo–Contexto, Few-Shot, razonamiento paso a paso, definición del formato e instrucciones negativas. Mediante ejemplos de economía, finanzas y análisis de datos, se aprenderá a transformar consignas vagas en prompts claros, precisos y útiles, reduciendo respuestas genéricas y evitando la invención de información. También se compararán las principales plataformas gratuitas y se aplicarán las técnicas en ejercicios prácticos.
-
El documento presenta una introducción amplia y aplicada al Prompt Engineering, entendido como el conjunto de técnicas para formular instrucciones claras y precisas a los modelos de inteligencia artificial con el objetivo de obtener respuestas de mayor calidad. La idea central es que la calidad de la respuesta de una IA depende en gran medida de cómo se estructura el prompt, por lo que diseñar buenas instrucciones se transforma en una competencia importante para trabajar con modelos generativos.
Uno de los primeros conceptos que desarrolla es el de prompting, definido como el arte de formular preguntas o instrucciones claras y precisas para obtener la respuesta deseada. El material propone como ejemplo práctico la estructura RAFA, compuesta por Rol, Acción, Formato y Antecedentes. Esta estructura ayuda a ordenar la interacción con la IA y a proporcionarle contexto suficiente para que la respuesta sea más pertinente.
El documento también presenta distintas técnicas de prompting. Entre ellas aparecen el Zero-shot prompting, en el cual el modelo responde sin ejemplos previos; el Few-shot prompting, donde se proporcionan algunos ejemplos para orientar la respuesta; y las técnicas de razonamiento más complejas, como la cadena de pensamiento, la autoconsistencia, la expansión del contexto, el reframing, el prompting iterativo y la asignación de un rol específico a la IA. Estas técnicas buscan mejorar la precisión, profundizar el razonamiento y adaptar las respuestas a situaciones más complejas.
En cuanto a la estructura de un buen prompt, el PDF propone elementos como instrucción, contexto, datos de entrada y formato de salida. En algunos ejemplos también se incorporan el rol y ejemplos previos. La lógica es brindar al modelo la mayor claridad posible acerca de qué debe hacer, sobre qué información debe trabajar y cómo debe presentar el resultado.
El material dedica además un espacio especial a la aplicación de estas estructuras en situaciones concretas. Por ejemplo, se propone utilizar RAFA para configurar a la IA como experta en evaluación y acreditación universitaria en Argentina, indicando no solo el rol y la acción esperada, sino también antecedentes institucionales y criterios formales de respuesta.
Un segundo bloque del PDF aborda técnicas más avanzadas. Entre ellas se encuentra RAG, Retrieval Augmented Generation, donde la IA no responde únicamente con su conocimiento previamente entrenado, sino que consulta fuentes externas como PDF, bases de datos, Internet o Moodle antes de elaborar la respuesta.
También se presenta Program-of-Thoughts, una técnica mediante la cual la IA transforma parte del razonamiento en código ejecutable. Esto permite realizar cálculos, ejecutar lógica, utilizar herramientas como Python y validar resultados, lo que resulta especialmente útil en ciencia, ingeniería, finanzas y estadística.
Otra técnica destacada es Automatic Prompt Engineering. En este caso, una IA genera u optimiza prompts para otra IA con el propósito de encontrar instrucciones más eficientes, precisas, económicas en cantidad de tokens y robustas.
El documento introduce además el Meta Prompting, donde un prompt tiene como función diseñar otros prompts, y el Multi-Agent Prompting, en el que varias inteligencias artificiales colaboran entre sí. Por ejemplo, una IA puede investigar, otra programar, otra validar, otra redactar y otra criticar el resultado.
Otra técnica relevante es el Reflection Prompting, que invita a la IA a revisar su propia respuesta antes de finalizarla. El objetivo es disminuir alucinaciones, errores lógicos y contradicciones. Muy relacionado con esto aparece Chain of Verification, donde la IA responde, verifica la evidencia, detecta inconsistencias y corrige su respuesta. El PDF señala que esta técnica puede ser particularmente útil en medicina, derecho, investigación, universidades y ciencia.
El material también introduce el concepto de Long Chain of Thought, asociado con razonamientos más profundos y complejos, similares al pensamiento estratégico, la investigación científica y la resolución avanzada de problemas.
Una parte especialmente interesante del documento se orienta al uso educativo de los prompts. Se propone estructurarlos incorporando tema, rol, contexto, tarea o acción, instrucciones de andamiaje y reflexión metacognitiva. El andamiaje consiste en proporcionar ayudas o instrucciones progresivas para facilitar el aprendizaje o la resolución de una tarea, mientras que la metacognición invita a reflexionar sobre cómo se llegó a una respuesta o qué estrategia se utilizó.
Hacia el final, el documento plantea que el Prompt Engineering actual está evolucionando rápidamente. Ya no se trata únicamente de “preguntar mejor”, sino de integrar Prompt Engineering, agentes de IA, herramientas, memoria y RAG para construir ecosistemas inteligentes, agentes autónomos, flujos de trabajo cognitivos y asistentes especializados.
El PDF proyecta que hacia 2030 podrían dominar los sistemas de IA autónomos, caracterizados por memoria persistente, planificación, múltiples agentes, razonamiento profundo, acceso a herramientas, verificación automática, aprendizaje contextual e interacción multimodal mediante texto, voz, video e imágenes.
La reflexión final del material es que el Prompt Engineering moderno comienza a parecerse mucho más al “diseño de sistemas cognitivos” que a la simple redacción de preguntas. En este contexto aparecen nuevos perfiles profesionales como AI Architect, Prompt Engineer, AI Workflow Designer, AI Agent Developer y Cognitive Systems Engineer.
En síntesis, se muestra una evolución conceptual muy clara: se comienza con la formulación de buenos prompts, se avanza hacia técnicas de razonamiento, contexto, verificación y recuperación de información, y finalmente se llega a una visión más amplia donde la IA funciona mediante agentes, memoria, herramientas y sistemas colaborativos. La idea principal es que el futuro del Prompt Engineering estará menos centrado en escribir una sola pregunta perfecta y más orientado a diseñar procesos inteligentes completos capaces de investigar, razonar, verificar, actuar y aprender del contexto.
El documento finaliza proponiendo actividades prácticas: seleccionar y justificar tres técnicas de prompting, crear o adaptar una técnica según las necesidades profesionales y analizar cómo la metacognición puede mejorar la escritura de prompts.
-
TareaApertura: Friday, 18 de September de 2026, 18:00Cierre: Thursday, 24 de September de 2026, 08:00
Diseño y aplicación de técnicas de Prompt Engineering
Propósito
La actividad tiene como finalidad analizar y aplicar distintas técnicas de Prompt Engineering, adaptarlas al ámbito personal, académico o profesional y reflexionar sobre la importancia de la metacognición en la interacción con herramientas de inteligencia artificial generativa.
Consignas
A) Selecciona tres técnicas de Prompt Engineering desarrolladas en la clase. Para cada técnica deberás:
Indicar su nombre y explicar brevemente en qué consiste.Justificar por qué la seleccionaste.Señalar en qué situación personal, académica o profesional podría resultarte útil.Elaborar un prompt significativo para ti.Ejecutar el prompt utilizando cualquier herramienta de inteligencia artificial generativa.Presentar el prompt utilizado y una síntesis del resultado obtenido.
Analizar brevemente si la respuesta cumplió con lo solicitado y qué aspectos podrían mejorarse.
B) Creación o adaptación de una técnica
Crea una nueva técnica de prompting o modifica alguna de las técnicas estudiadas, teniendo en cuenta tus necesidades, intereses o profesión.
La propuesta deberá incluir:
Nombre de la técnica.
Propósito u objetivo.
Componentes o pasos que la integran.
Explicación de cómo debe utilizarse.
Ejemplo completo de aplicación.
Beneficios o ventajas de su uso.
Prepárate para compartir y explicar tu propuesta mediante los recursos tecnológicos que consideres adecuados, como una presentación, infografía, video, audio, documento, mural digital u otro formato.
C) Metacognición y escritura de prompts
Responde la siguiente pregunta: ¿Cómo puede colaborar la metacognición en la escritura y mejora de un prompt?
Tu respuesta deberá:
Explicar qué entiendes por metacognición.
Relacionar este concepto con la elaboración de prompts.
Justificar su importancia para revisar, corregir y mejorar las instrucciones proporcionadas a una IA.
Incluir un ejemplo de un prompt inicial y su versión mejorada mediante un proceso de reflexión metacognitiva.
Explicar qué cambios realizaste y por qué podrían producir una mejor respuesta.
Producto final
Presenta un documento que contenga:
Portada con tus datos.
Desarrollo completo de los tres retos.
Prompts utilizados.
Síntesis o capturas de las respuestas generadas por la IA.
Reflexión final sobre lo aprendido.
El trabajo podrá entregarse en formato PDF. Para compartir la técnica creada o adaptada, también podrás adjuntar un enlace o archivo complementario.
-
-