Curso de IA en Filemaker para Desarrolladores para tu equipo técnico

Qué es AI Search y qué problemas resuelve en entornos de negocio ([Claris][1])

Diseño de campos “buscables”: nombres, etiquetas, sinónimos, taxonomías y ayudas

Patrones para traducir intención a filtros (fechas, rangos, estados, categorías)

Gestión de ambigüedad: “clientes activos” / “últimos pedidos” / “pendiente de firma”

Experiencias UX: sugerencias, deshacer, “¿quisiste decir…?”, y confirmación por pasos

Guardado de búsquedas inteligentes como vistas reutilizables para equipos

Monitorización: qué se busca, qué falla, cómo mejorar el modelo mental del usuario

Protección de datos: enmascarado, minimización y restricciones por rol/privilegios

Rendimiento: índices, estrategias de consulta, límites y paginación

Checklist de salida a producción: pruebas, seguridad, logs y soporte

Selección de proveedor LLM: criterios técnicos, legales, residencia de datos y DPA

Patrón “orquestador”: FileMaker ↔ middleware ↔ LLM (por qué suele ser lo correcto)

Gestión de secretos: nunca en scripts; Key Vault/Vault y rotación

Diseño de payloads JSON: entradas mínimas, contexto controlado y salida estructurada

Manejo de tokens/costes: límites, truncado inteligente y “context packing”

Reintentos, timeouts y circuit breakers para evitar bloqueos en UX

Caché de respuestas: cuándo aplica y cómo invalidar por cambios de datos

Validación estricta: schemas, parseo y fallbacks cuando el LLM “se inventa” JSON

Observabilidad: correlación de requests, latencia, coste por caso de uso

Estrategia multicanal: el mismo motor IA para Pro, WebDirect y móvil (según aplique)

Anatomía de un prompt profesional: rol, tarea, contexto, formato, límites y criterios

Plantillas parametrizadas: variables por usuario, rol, módulo, idioma y cliente

“Prompt contracts”: qué debe devolver siempre (JSON, tablas, bullets, etc.)

Guardrails: listas negras, restricciones de PII y reglas de redacción corporativa

Few-shot realista: ejemplos buenos y ejemplos “trampa” para robustez

Técnicas anti-alucinación: pedir fuentes, pedir incertidumbre, pedir verificación

Prompts por tipo de tarea: clasificar, resumir, extraer, transformar, planificar

Librería interna de prompts: versionado, revisión y documentación para el equipo

Evaluación offline: datasets de pruebas y scoring por precisión/consistencia

Operación: cuándo y cómo actualizar prompts sin romper comportamientos

Identificar deuda técnica en scripts: señales, riesgos y priorización

Refactor asistido: modularizar, nombrar, simplificar y eliminar duplicidades

Patrones de “safe refactor”: cambios pequeños, PRs, revisión y pruebas

Cálculos complejos: legibilidad, validaciones, manejo de nulos y errores

Optimización: evitar loops innecesarios, reducir consultas y mejorar tiempos

Comentarios y documentación automática “útil” (no relleno) orientada a soporte

Reglas del equipo: convenciones de nombres, plantillas de scripts y estilo común

Generación de pruebas: casos borde, datos mínimos y escenarios de negocio

Revisión automática: checklist IA + checklist humana (doble control)

Auditoría: registro de cambios, explicación de refactor y rollback plan

Documentación como producto: qué debe contener para ser usada de verdad

Mapas de solución: módulos, flujos, privilegios, integraciones y dependencias

Generación asistida: fichas de scripts, diccionario de datos y glosario funcional

Documentación de APIs: endpoints, esquemas, errores, ejemplos y contratos

Changelogs y release notes: generar y revisar con un formato consistente

Guías de soporte: “cómo diagnosticar” incidencias y qué logs revisar

Onboarding de devs: rutas de aprendizaje internas y tareas guiadas

Documentación multilenguaje (si aplica): coherencia terminológica y aprobaciones

Repositorio central: versionado, trazabilidad y revisión por pares

Automatización: regeneración periódica y alertas por desviaciones

Qué es RAG y cuándo supera a “meter todo el contexto en el prompt”

Diseño de corpus: documentos, KB, procedimientos, contratos y criterios de inclusión

Chunking: tamaños, solape, metadatos y segmentación por tipo de documento

Embeddings: qué son, cómo elegir modelo y cómo medir calidad de recuperación

Vector store: opciones (externas o corporativas) y criterios de seguridad

Flujos: ingestión, actualización, borrado, retención y control de versiones

Respuestas con cita: cómo devolver fuentes, fragmentos y nivel de confianza

Seguridad por permisos: RAG con ACL (lo que el usuario puede ver)

Evaluación: precisión de recuperación (recall), calidad de respuesta y coste

Operación: refresco de índices y detección de “knowledge drift”

Patrón “evento → enriquecimiento IA → acción”: ejemplos por departamento

Enriquecimiento de leads: clasificación, resumen y asignación automática

Soporte interno: triage de tickets, categorización y propuestas de respuesta

Compras/contratos: extracción de campos clave y checklist de riesgos

RRHH: normalización de CVs, detección de habilidades y preparación de entrevistas

Finanzas: lectura de facturas/documentos y validaciones con reglas de negocio

Integración con correo/calendario: resúmenes, tareas y recordatorios accionables

Control de errores: colas, reintentos y “dead letter” para no perder eventos

Gobierno: quién puede crear flujos, revisión y aprobación

Métricas: ahorro de tiempo, errores evitados, y trazabilidad por proceso

Diseñar un “copiloto” por módulo: ventas, proyectos, contratos, inventario

Modos de interacción: chat guiado, formularios inteligentes, sugerencias contextuales

Respuestas accionables: botones, acciones, confirmaciones y vistas generadas

Gestión de incertidumbre: “no lo sé”, pedir datos faltantes y escalado a humano

Prevención de errores: validación previa a escribir/actualizar datos

Registro de interacción: historial, auditoría y explicabilidad para soporte

Accesibilidad y claridad: lenguaje, formatos y ayudas contextuales

Multidispositivo: consideraciones para móvil, escritorio y web

Personalización por rol: lo que un usuario ve/puede hacer con IA

Anti-abuso: límites, rate limiting, y detección de prompts peligrosos

Clasificación de datos: PII, secretos, confidencial y estrategias de minimización

“No exponer por diseño”: redacción, pseudonimización y enmascarado

Controles de acceso: privilegios, grupos, segregación y principio de mínimo permiso

Registros y auditoría: trazabilidad de consultas IA y cambios en datos

Retención y borrado: políticas de logs y datos derivados (embeddings, caches)

Riesgos legales: propiedad intelectual, derechos de uso y datos de terceros

Aprobaciones internas: Security/Legal/Compliance y documentación justificativa

Entornos regulados: patrones para aislar, registrar y controlar

Revisión de prompts: evitar PII, instrucciones inseguras o filtraciones

Plan de incidentes: cómo actuar ante fuga, mal uso o resultados peligrosos

Estrategia de pruebas: unitarias lógicas, integración, UX y “IA behavior”

Datasets de evaluación: casos normales, casos borde y casos maliciosos

Métricas IA: exactitud, consistencia, tasa de “no sé”, y calidad de fuentes en RAG

Pruebas de seguridad: prompt injection, data exfiltration y escalado de permisos

Pruebas de rendimiento: latencia, concurrencia y degradación controlada

Regresión: cómo detectar que un cambio de prompt empeora una tarea

A/B testing: comparar prompts o modelos con resultados medibles

Human-in-the-loop: revisión muestral y criterios de aceptación

Automatización CI: validaciones y reportes antes de desplegar

“Go/No-Go” checklist para releases con cambios de IA

Qué registrar: inputs, outputs, fuentes, tiempos, costes y errores

Trazabilidad end-to-end: correlación por usuario, sesión, transacción y proceso

Dashboards: latencia, tasa de error, coste por módulo y adopción

Alertas: picos de coste, caídas de proveedor, timeouts y errores de parseo

Soporte: runbooks para incidencias típicas y escalado

Gestión de cambios: versionado de prompts/modelos y notas de cambio

Gestión de calidad: revisión periódica de conversaciones y resultados

Control de gasto: budgets, rate limits y caching inteligente

Resiliencia: degradación “sin IA” cuando falla el proveedor

Revisión post-incidente: lecciones aprendidas y acciones correctivas

Criterios: coste, calidad, latencia, compliance, residencia de datos y soporte

Multi-model routing: usar modelos distintos por tarea (clasificar vs redactar vs RAG)

Configuración de temperatura, top_p y límites con propósito (no al azar)

Evaluación de proveedores: pruebas comparables y scoring reproducible

Red team prompts: cómo probar robustez y resistencia a ataques

Política de actualización: cuándo cambiar modelo y cómo validar

Portabilidad: encapsular integraciones para no reescribir la solución

Uso de modelos locales/on-prem cuando la política lo exige (si aplica) ([Claris][1])

Contratos internos: SLAs, costes, límites y escalado

Estrategia de continuidad: plan B ante cambios comerciales o técnicos

“Starter kit” de proyecto: estructura, convenciones, módulos y dependencias

Librería de prompts: categorías, nomenclatura y versionado

Componentes reutilizables: conectores REST, parseadores JSON y validadores

“Golden paths”: cómo se añade un nuevo caso de uso IA paso a paso

Revisión por pares: checklist técnico + checklist de seguridad

Gestión de conocimiento: decisiones de arquitectura y ADRs (Architecture Decision Records)

Catálogo de casos de uso: valor, coste, riesgos y responsables

Guías para citizen devs: límites, permisos y rutas de escalado

Auditoría interna: evidencias de cumplimiento y trazabilidad

Hoja de ruta: cómo evolucionar de piloto a plataforma IA estable

Selección del caso: dolor real (soporte, contratos, ventas, operaciones) y objetivos

Diseño funcional: pantallas, flujos, roles y criterios de aceptación

Integración IA: prompts, JSON contract y validaciones

RAG (si aplica): corpus, embeddings, vector store y seguridad por permisos

Automatización: flujo con disparadores y acciones (notificación/registro/tarea)

Observabilidad: logs, métricas, dashboard y alertas

Seguridad: minimización de datos, auditoría y revisión de prompts

Testing: dataset de evaluación, regresión y pruebas de ataques

Despliegue: plan de release, rollback y soporte

Presentación ejecutiva: impacto, métricas, costes y roadmap de ampliación