Curso de Dust para Empresas — Implantación y gobernanza IA

Acceder al workspace y reconocer las áreas principales de trabajo.

Localizar agentes, conversaciones, conexiones, espacios, herramientas, administración y opciones de configuración.

Probar una conversación inicial diferenciando consulta general y consulta con contexto corporativo.

Identificar cuándo conviene crear un agente en lugar de seguir usando una conversación puntual.

Revisar cómo se comparten agentes dentro del equipo.

Preparar una primera tarea útil: resumir información, ordenar una consulta interna o generar un borrador.

Guardar buenas instrucciones para reutilizar patrones de trabajo.

Diferenciar uso individual, uso de equipo y uso corporativo gobernado.

Detectar los primeros riesgos: datos sensibles, fuentes no autorizadas, respuestas sin evidencia y prompts ambiguos.

Crear un mapa inicial de oportunidades de IA dentro de la organización.

Entender qué es un agente de IA especializado y por qué necesita propósito claro.

Diferenciar asistente, agente, workflow, herramienta, acción, conector y fuente de conocimiento.

Diseñar agentes con una misión concreta, no con instrucciones genéricas.

Definir qué información puede consultar el agente y qué tareas puede apoyar.

Establecer qué debe responder, qué debe preguntar y qué debe escalar.

Separar agentes personales, agentes de equipo, agentes departamentales y agentes globales.

Evitar agentes “todoterreno” que generan respuestas vagas y difíciles de controlar.

Crear criterios para decidir cuándo un nuevo agente aporta valor.

Medir utilidad por tareas resueltas, tiempo ahorrado, calidad y adopción.

Construir una primera taxonomía de agentes para la empresa.

Redactar instrucciones de agente con rol, objetivo, contexto, fuentes, límites y estilo de respuesta.

Añadir ejemplos de buenas respuestas para tareas repetitivas.

Indicar formato esperado: tabla, checklist, email, resumen ejecutivo, JSON, plan de acción o informe.

Pedir al agente que separe hechos, supuestos, inferencias y recomendaciones.

Diseñar respuestas que pidan aclaración cuando falta información crítica.

Definir tono según departamento: comercial, técnico, jurídico, RRHH, soporte o dirección.

Incluir reglas de seguridad para no revelar información sensible ni inventar datos.

Evitar instrucciones contradictorias entre agente, conversación y fuentes.

Probar el agente con casos normales, incompletos, ambiguos y conflictivos.

Versionar cambios importantes para saber qué se ha modificado y por qué.

Comprender el papel de Spaces como capa de organización y control de acceso.

Diferenciar Spaces abiertos, restringidos, departamentales, de proyecto o de información sensible.

Diseñar una estructura de Spaces por área, proceso, cliente, producto o nivel de confidencialidad.

Asignar recursos a Spaces con criterio de acceso mínimo necesario.

Evitar que un agente use fuentes de varios Spaces sin revisar quién podrá invocarlo.

Aplicar el principio de que el agente solo debe exponer información a usuarios con permiso.

Revisar escenarios de riesgo: finanzas, legal, RRHH, dirección, clientes estratégicos y datos personales.

Crear una matriz de permisos por agente, Space, usuario, grupo y fuente.

Establecer revisiones periódicas de acceso.

Documentar la arquitectura de Spaces como parte del gobierno de IA.

Entender qué son las data sources dentro de Dust.

Diferenciar Connections, Tools, Public Websites, Folders, Conversation Files y Custom Connections.

Conectar conocimiento interno desde herramientas como Google Drive, Notion, Slack, Confluence o GitHub.

Usar Public Websites para indexar documentación pública o recursos corporativos accesibles.

Emplear Folders para información estática o documentación controlada.

Tratar Conversation Files como contexto puntual de una conversación, no como knowledge base permanente.

Preparar criterios de calidad documental antes de indexar fuentes.

Evitar conectar repositorios enormes sin limpiar duplicados, versiones obsoletas o documentos sensibles.

Definir responsables de actualización para cada fuente.

Diseñar un mapa de conocimiento conectado a Dust por prioridad, riesgo y valor.

Explicar Retrieval Augmented Generation de forma práctica y orientada a negocio.

Diseñar agentes que respondan a partir de fuentes corporativas conectadas.

Pedir respuestas con evidencia, referencias o indicación de documento fuente cuando sea necesario.

Evitar que el agente responda como si supiera algo que no está en las fuentes.

Preparar preguntas de prueba para validar la cobertura de la knowledge base.

Detectar respuestas incompletas causadas por documentación mal estructurada.

Crear criterios de actualización para manuales, políticas, FAQs, documentación técnica y datos de producto.

Comparar respuestas con fuente y sin fuente para demostrar la diferencia.

Medir calidad de recuperación, precisión, utilidad y confianza.

Implantar un ciclo de mejora: pregunta fallida, documento faltante, fuente actualizada y agente refinado.

Conectar Dust a herramientas ya utilizadas por la empresa, evitando crear otro silo más.

Revisar integraciones habituales con Slack, Google Drive, Notion, Confluence, GitHub y otros sistemas empresariales.

Diseñar casos de uso para comunicación interna, documentación, repositorios técnicos, CRM y soporte.

Evaluar qué permisos hereda cada conexión y qué usuarios pueden consultar los datos.

Separar conexiones de lectura, búsqueda, recuperación y acción.

Evitar conectar herramientas críticas sin revisar alcance y control de acceso.

Crear una checklist de conexión: finalidad, owner, datos, permisos, riesgo y métrica.

Documentar qué información aporta cada integración a los agentes.

Probar búsquedas y respuestas antes de abrir la conexión a más usuarios.

Mantener inventario vivo de conexiones activas.

Entender MCP como marco para conectar agentes con herramientas externas.

Diseñar agentes que consulten datos en tiempo real o ejecuten acciones controladas.

Usar MCP para integrar sistemas propios, herramientas de terceros o servicios internos.

Gestionar autenticación, permisos y credenciales personales o compartidas.

Diferenciar herramienta de consulta, herramienta de escritura y herramienta de ejecución.

Probar cada herramienta con casos seguros antes de permitir acciones reales.

Crear límites claros para operaciones de riesgo: actualizar CRM, crear tickets, enviar mensajes o modificar datos.

Documentar servidor MCP, propietario, alcance, permisos y logs.

Evitar que cada equipo conecte MCPs sin revisión técnica central.

Diseñar un catálogo de herramientas aprobadas para agentes Dust.

Entender cómo los webhooks permiten disparar agentes desde eventos externos.

Diseñar casos como nuevas incidencias, cambios en tickets, formularios enviados o eventos de repositorio.

Preparar payloads claros con datos mínimos necesarios.

Validar entradas antes de enviarlas al agente.

Crear respuestas o acciones posteriores según tipo de evento.

Controlar reintentos, errores, duplicados y eventos fuera de orden.

Añadir trazabilidad para saber qué evento generó qué respuesta o acción.

Evitar activar agentes con información sensible sin autenticación y validación.

Crear flujos de prueba antes de conectar sistemas productivos.

Documentar cada webhook con finalidad, origen, datos, frecuencia y responsable.

Entender cuándo conviene usar la API frente a la interfaz de Dust.

Crear integraciones programáticas con aplicaciones internas, portales, intranets o productos propios.

Listar, invocar o gestionar agentes según permisos y alcance.

Conectar la API con data sources, automatizaciones y experiencias personalizadas.

Gestionar autenticación, API keys, permisos y entornos separados.

Diseñar payloads de entrada y salidas estructuradas.

Controlar errores, timeouts, reintentos, límites y observabilidad.

Evitar exponer credenciales en frontend, repositorios o herramientas no autorizadas.

Registrar uso, modelo, agente, usuario y resultado cuando sea necesario.

Crear un prototipo de aplicación interna apoyada en Dust.

Entender el enfoque model-agnostic de Dust y por qué permite elegir modelos según tarea.

Comparar usos de OpenAI, Anthropic, Gemini, Mistral u otros modelos disponibles en la organización.

Elegir modelo por calidad, coste, latencia, contexto, multimodalidad y políticas internas.

Evitar casarse con un único modelo cuando el caso de uso puede cambiar.

Probar un mismo agente con distintos modelos para medir diferencias reales.

Documentar qué modelo se usa en cada agente crítico.

Crear una política de sustitución cuando aparece un modelo mejor o más económico.

Definir casos donde prima velocidad y casos donde prima razonamiento profundo.

Medir coste por tarea y no solo coste por usuario.

Implantar revisiones periódicas de modelos y rendimiento.

Crear agentes que preparen resúmenes de cuenta, contexto de cliente y próximos pasos.

Conectar información de CRM, notas comerciales, documentación de producto y materiales de venta.

Generar borradores de emails humanos, breves y adaptados al estado de la oportunidad.

Preparar argumentarios por sector, cargo, objeción y necesidad.

Analizar llamadas, notas o transcripciones cuando estén autorizadas.

Detectar oportunidades sin seguimiento o cuentas con señales de riesgo.

Crear resúmenes para handoff entre comercial, preventa y customer success.

Evitar mensajes genéricos que suenen a plantilla automatizada.

Medir impacto en velocidad de preparación, calidad de seguimiento y conversión.

Diseñar un agente comercial con límites claros sobre promesas, precios y condiciones.

Construir agentes que consulten documentación de producto, FAQs, tickets y políticas de soporte.

Resumir incidencias largas para acelerar el trabajo del agente humano.

Clasificar tickets por urgencia, tipo de problema, producto, idioma o sentimiento.

Sugerir respuestas basadas en fuentes oficiales, evitando inventar soluciones.

Escalar casos sensibles, clientes estratégicos o incidencias críticas.

Generar informes de problemas recurrentes para producto y operaciones.

Crear agentes internos para soporte IT, herramientas, procedimientos o dudas de empleados.

Medir tasa de resolución, tiempo ahorrado y calidad percibida.

Evitar automatizar respuestas finales sin revisión en casos de alto riesgo.

Mantener la knowledge base viva a partir de preguntas frecuentes reales.

Crear agentes para briefs, calendario editorial, copies, campañas, landing pages y posts.

Conectar guías de marca, documentación de producto, casos de cliente y mensajes aprobados.

Adaptar contenido por canal, audiencia, país, etapa del funnel y tono.

Revisar claims, beneficios, llamadas a la acción y coherencia con posicionamiento.

Generar variaciones sin perder voz de marca.

Crear flujos de revisión para legal, marca y producto.

Analizar feedback de campañas y comentarios de clientes.

Evitar contenido genérico o demasiado “de IA”.

Crear un agente de comunicación interna para adaptar mensajes a empleados.

Medir ahorro, consistencia, calidad y rendimiento de contenidos generados.

Crear agentes que ayuden a resumir contratos, políticas, cláusulas y obligaciones.

Extraer plazos, responsables, riesgos, renovaciones y puntos pendientes.

Conectar fuentes controladas: plantillas, políticas internas, normativas y criterios legales.

Preparar preguntas para el equipo jurídico, no sustituir asesoramiento especializado.

Clasificar documentos por riesgo, tipo, área y urgencia.

Crear workflows de revisión preliminar con escalado humano.

Restringir acceso a Spaces legales o confidenciales.

Evitar respuestas legales categóricas sin revisión competente.

Documentar fuentes usadas, limitaciones y supuestos.

Diseñar un agente legal interno con disclaimers y límites operativos claros.

Crear agentes para onboarding, políticas internas, beneficios, formación y FAQs.

Conectar manuales, guías, calendarios, documentación de procesos y materiales de aprendizaje.

Redactar comunicaciones internas con tono claro, humano y consistente.

Analizar feedback de cursos, encuestas abiertas o necesidades formativas.

Crear asistentes para managers con guías de procesos y buenas prácticas.

Evitar tratar datos de salud, desempeño o relaciones laborales sin controles estrictos.

Preparar workflows de solicitudes internas con validación humana.

Medir reducción de dudas repetitivas y mejora de acceso a información.

Diseñar agentes por ciclo de empleado: incorporación, desarrollo, formación y soporte.

Crear una política específica para IA en RRHH.

Conectar Dust con GitHub, documentación técnica, runbooks, issues y knowledge bases.

Crear agentes que expliquen arquitectura, APIs, componentes, incidencias y decisiones técnicas.

Resumir pull requests, issues, documentación de producto o tickets técnicos.

Preparar respuestas para soporte de segundo nivel o equipos no técnicos.

Usar agentes para onboarding de nuevos desarrolladores.

Crear búsquedas con contexto sobre repositorios, guías y documentación interna.

Evitar que el agente proponga cambios de código sin revisión técnica.

Diseñar agentes por dominio: backend, frontend, data, SRE, seguridad o producto.

Medir reducción de tiempo de búsqueda y mejora de transferencia de conocimiento.

Mantener documentación técnica sincronizada y depurada para respuestas fiables.

Crear agentes que ayuden a localizar métricas, explicar dashboards y preparar informes.

Conectar fuentes como BigQuery, Snowflake o sistemas analíticos cuando estén disponibles.

Combinar búsqueda semántica con análisis cuantitativo para responder preguntas de negocio.

Preparar resúmenes ejecutivos de datos con supuestos y limitaciones.

Detectar preguntas que requieren SQL, BI o análisis estadístico formal.

Evitar conclusiones numéricas sin validación de datos.

Diseñar respuestas que separen dato observado, interpretación y recomendación.

Crear agentes para reporting recurrente por área.

Medir precisión y utilidad de respuestas basadas en datos.

Integrar Dust con el gobierno de datos existente.

Identificar procesos candidatos a automatización con IA.

Priorizar tareas repetitivas con alto volumen y bajo riesgo.

Diseñar flujos: entrada, análisis, decisión, acción, revisión y cierre.

Crear acciones para actualizar sistemas, generar documentos, crear tickets o enviar resúmenes.

Incorporar aprobaciones humanas en pasos críticos.

Evitar automatizar procesos mal definidos.

Registrar acciones ejecutadas por agentes.

Preparar fallback cuando el agente no pueda resolver la tarea.

Medir ahorro real frente a coste y mantenimiento.

Crear un playbook de automatizaciones con Dust.

Llevar agentes a superficies de trabajo donde el usuario ya opera.

Usar extensiones o accesos contextuales para consultar agentes sin cambiar de herramienta.

Diseñar usos rápidos: resumir una página, preparar respuesta, revisar texto o consultar política interna.

Controlar qué información de la página se envía al agente.

Evitar copiar datos sensibles desde herramientas no autorizadas.

Crear buenas prácticas para uso en navegador.

Preparar prompts cortos para tareas contextuales.

Medir si el acceso contextual mejora adopción.

Evitar que la extensión se convierta en canal de fuga de información.

Integrar uso diario con políticas de seguridad y revisión.

Revisar uso de agentes, conversaciones, adopción y feedback.

Detectar agentes con muchas invocaciones pero baja utilidad.

Identificar preguntas fallidas, fuentes insuficientes o instrucciones mal diseñadas.

Recoger feedback de usuarios directamente en el ciclo de mejora.

Comparar agentes por departamento, tarea, calidad y recurrencia.

Revisar qué prompts o flujos se deben convertir en agentes oficiales.

Retirar agentes obsoletos o duplicados.

Crear métricas de salud: uso, satisfacción, error, escalado y actualización.

Establecer owners responsables de cada agente.

Implantar una cadencia mensual de revisión del catálogo de agentes.

Entender la importancia de logs en una plataforma de agentes corporativos.

Revisar eventos relevantes: accesos, cambios de configuración, consultas, acciones e integraciones.

Preparar auditorías internas sobre uso de agentes y fuentes sensibles.

Detectar patrones de acceso anómalos o uso indebido.

Mantener trazabilidad de cambios en agentes críticos.

Establecer alertas o revisiones para Spaces restringidos.

Coordinar IT, seguridad, legal y responsables de área.

Documentar incidentes y acciones correctoras.

Evitar que la auditoría se active solo después de un problema.

Crear un modelo de control continuo para Dust.

Revisar requisitos de seguridad antes de desplegar Dust a escala.

Comprobar SSO, RBAC, control por Spaces, permisos, regional hosting y auditoría.

Diseñar políticas de no uso de datos sensibles sin autorización.

Revisar el principio de no entrenamiento con datos de compañía comunicado por Dust.

Establecer clasificación de información: pública, interna, confidencial, restringida y sensible.

Crear circuitos de aprobación para nuevas conexiones, agentes y herramientas.

Revisar cumplimiento GDPR y contratos de tratamiento de datos.

Diseñar controles para sectores regulados o información de alto riesgo.

Formar a usuarios en seguridad práctica y ejemplos reales.

Preparar un documento de gobierno de IA para Dust.

Definir administradores, builders, owners de agentes, owners de Spaces y usuarios finales.

Crear normas de naming para agentes, Spaces, fuentes, herramientas y conexiones.

Establecer quién puede crear, publicar, compartir o retirar agentes.

Gestionar altas, bajas, cambios de rol y revisión de accesos.

Crear un catálogo oficial de agentes aprobados.

Evitar proliferación de agentes duplicados o abandonados.

Definir procesos para solicitar nuevos agentes o integraciones.

Crear soporte interno para dudas y mejores prácticas.

Documentar configuración crítica del workspace.

Convertir Dust en plataforma operativa, no en experimento informal.

Identificar primeros casos con alto valor y bajo riesgo.

Seleccionar un equipo piloto con usuarios motivados y responsables claros.

Preparar agentes iniciales, fuentes limpias, métricas y soporte.

Comunicar límites y expectativas antes de abrir acceso.

Medir adopción, utilidad, errores y ahorro durante el piloto.

Ajustar agentes, documentación y permisos antes de escalar.

Incorporar nuevos departamentos por oleadas.

Crear comunidad interna de builders.

Establecer comité de revisión de IA y roadmap de casos.

Diseñar un plan de escalado de seis meses con hitos medibles.

Crear agentes sin owner, sin objetivo y sin mantenimiento.

Conectar demasiadas fuentes antes de limpiar documentación.

Compartir agentes con más personas de las necesarias.

Usar Spaces como carpetas improvisadas sin política de permisos.

Esperar respuestas fiables de fuentes obsoletas.

Automatizar acciones sin puntos de aprobación.

Confundir “mucho uso” con “alto impacto”.

Permitir que cada área cree su propio sistema sin estándares.

No medir errores ni revisar feedback de usuarios.

Implantar Dust como moda de IA en lugar de plataforma de trabajo gobernada.

Seleccionar un proceso ficticio o anonimizado con valor claro para la empresa.

Definir objetivo, usuarios, fuentes, riesgos, permisos, métricas y entregables.

Diseñar la estructura de Spaces y data sources necesarias.

Crear un agente especializado con instrucciones, fuentes, límites y formato de respuesta.

Añadir una conexión o simular integración con una herramienta corporativa.

Diseñar una acción, webhook, MCP o flujo API si el caso requiere automatización avanzada.

Preparar pruebas de calidad con preguntas conocidas y casos límite.

Definir controles de seguridad, auditoría, privacidad y revisión humana.

Crear dashboard o métricas de adopción, valor, ahorro, errores y feedback.

Presentar el piloto completo como propuesta lista para validar Dust en un equipo real.