Curso de IA para Líderes Responsables

Comprender cómo funcionan los modelos de lenguaje desde una perspectiva útil para líderes.

Diferenciar respuesta generada, respuesta basada en fuentes, búsqueda semántica y análisis documental.

Entender por qué una IA puede sonar convincente y estar equivocada.

Revisar conceptos clave: prompt, contexto, ventana de contexto, grounding, RAG, agentes, embeddings y multimodalidad.

Diferenciar herramientas públicas, herramientas corporativas, soluciones integradas y plataformas especializadas.

Analizar el impacto de modelos multimodales capaces de trabajar con texto, imagen, audio, vídeo y documentos.

Entender qué significa entrenar un modelo, ajustar un modelo, conectar fuentes y usar conocimiento corporativo.

Reconocer limitaciones: información incompleta, falta de contexto, sesgos, datos desactualizados y respuestas inventadas.

Aprender a formular preguntas mejores sin convertir el curso en una formación solo de prompts.

Crear un mapa sencillo para explicar IA a equipos no técnicos.

Definir qué significa liderar IA de forma responsable en una empresa real.

Equilibrar innovación, productividad, seguridad, ética, cumplimiento y sostenibilidad organizativa.

Evitar dos extremos: bloquear toda IA por miedo o implantarla sin control por presión competitiva.

Establecer principios de liderazgo: transparencia, responsabilidad, revisión humana, proporcionalidad y valor real.

Diseñar conversaciones honestas con equipos sobre impacto, oportunidades, miedos y nuevas competencias.

Evitar sustituir criterio profesional por respuestas automáticas sin validación.

Promover una cultura donde usar IA no sea oculto, improvisado ni vergonzante.

Crear reglas claras para saber cuándo usar IA, cuándo no usarla y cuándo escalar dudas.

Alinear la adopción de IA con propósito, valores y prioridades de la organización.

Construir el rol del líder como sponsor, filtro, facilitador y garante de uso responsable.

Comprender la alfabetización en IA como capacidad organizativa, no como formación puntual de herramientas.

Definir qué debe saber cada perfil: dirección, managers, usuarios, técnicos, legal, compliance, RRHH e IT.

Crear niveles de alfabetización: básico, operativo, avanzado, sensible y administrador.

Diseñar itinerarios formativos según riesgos, funciones y herramientas usadas.

Incluir conceptos clave: limitaciones, privacidad, sesgos, revisión, seguridad, prompting, fuentes y trazabilidad.

Evitar formar solo en “trucos” sin explicar riesgos, responsabilidades y criterios de uso.

Medir aprendizaje mediante casos prácticos, políticas entendidas y comportamientos observables.

Crear guías internas con ejemplos permitidos, ejemplos prohibidos y buenas prácticas.

Reforzar la formación con sesiones recurrentes, champions, píldoras y canales de dudas.

Diseñar un plan de alfabetización IA para toda la empresa.

Conectar IA con objetivos estratégicos: crecimiento, eficiencia, calidad, experiencia cliente, innovación o reducción de riesgo.

Identificar áreas donde la IA puede aportar valor medible en lugar de desplegar herramientas sin foco.

Priorizar casos de uso por impacto, viabilidad, riesgo, datos disponibles, coste y capacidad de adopción.

Diferenciar quick wins, pilotos estratégicos, automatizaciones complejas y transformaciones estructurales.

Crear una cartera de iniciativas IA con responsables, beneficios esperados, riesgos y dependencias.

Evitar proyectos IA que no tienen owner de negocio ni métrica de éxito.

Decidir qué debe resolverse con IA, qué con automatización tradicional y qué con mejora de proceso.

Alinear IA con roadmap digital, datos, ciberseguridad, cumplimiento y arquitectura tecnológica.

Establecer criterios de inversión y continuidad de pilotos.

Construir una hoja de ruta de IA a 90 días, 6 meses y 12 meses.

Detectar tareas repetitivas, intensivas en documentación, análisis, comunicación o toma de decisiones asistida.

Mapear procesos donde existen cuellos de botella, dependencia de expertos o exceso de trabajo manual.

Clasificar casos de uso por área: ventas, marketing, RRHH, legal, finanzas, operaciones, soporte, IT y dirección.

Evaluar valor potencial: tiempo ahorrado, mejora de calidad, reducción de errores, velocidad, satisfacción y escalabilidad.

Evaluar riesgo: datos sensibles, impacto en personas, decisiones críticas, regulación, reputación y dependencia tecnológica.

Crear matriz impacto-riesgo-esfuerzo para ordenar iniciativas.

Diferenciar casos de uso individuales, de equipo, departamentales y transversales.

Diseñar pilotos pequeños con hipótesis claras y criterios de éxito.

Evitar casos demasiado amplios como “usar IA en todo el departamento”.

Realizar ejercicio de priorización de cartera IA para una empresa.

Usar IA para preparar reuniones, agendas, actas, resúmenes, decisiones pendientes y próximos pasos.

Crear borradores de emails, comunicados, informes, presentaciones y mensajes internos con revisión humana.

Analizar documentos largos para extraer puntos clave, riesgos, acciones y preguntas abiertas.

Preparar argumentos, escenarios, comparativas y mapas de decisión.

Usar IA para organizar ideas, transformar notas dispersas en planes y estructurar documentación.

Evitar delegar decisiones estratégicas sin contexto suficiente ni revisión crítica.

Crear prompts ejecutivos para sintetizar, comparar, priorizar, explicar y convertir información en acción.

Gestionar confidencialidad al trabajar con documentación directiva, financiera o sensible.

Crear rutinas de productividad con IA sin saturar la agenda de nuevas herramientas.

Realizar ejercicio de preparación de comité ejecutivo asistido por IA.

Usar IA para preparar reuniones one-to-one, feedback, planes de seguimiento y comunicación de prioridades.

Analizar cargas de trabajo, dependencias, bloqueos, riesgos y necesidades de coordinación.

Preparar mensajes claros para equipos en momentos de cambio, presión o reorganización.

Crear materiales de onboarding, documentación de procesos y guías de trabajo.

Diseñar planes de desarrollo de competencias relacionados con IA y nuevas formas de trabajo.

Evitar usar IA para evaluar personas sin transparencia, contexto y criterios humanos.

Identificar riesgos de vigilancia, sesgo, deshumanización y pérdida de confianza.

Crear normas de uso de IA dentro del equipo: qué se permite, qué se revisa y qué se escala.

Fomentar que los empleados declaren cuándo han usado IA en entregables relevantes.

Realizar ejercicio de plan de adopción IA para un equipo concreto.

Usar IA para estructurar información, escenarios, riesgos, alternativas y argumentos.

Diferenciar asistencia a la decisión de decisión automatizada.

Crear matrices de decisión con criterios, pesos, evidencias, supuestos y sensibilidad.

Pedir a la IA que cuestione una hipótesis, identifique riesgos y proponga contraargumentos.

Evitar confirmación de sesgos al usar IA solo para reforzar decisiones ya tomadas.

Revisar calidad de datos, fuentes, actualidad y contexto antes de confiar en un análisis.

Separar hechos, inferencias, opiniones, recomendaciones y límites.

Diseñar procesos de decisión con revisión humana, documentación y accountability.

Usar IA para preparar decisiones estratégicas sin ocultar incertidumbre.

Realizar ejercicio de análisis de decisión con escenarios, riesgos y recomendación final.

Definir un modelo de gobierno con roles, responsabilidades, políticas, aprobaciones y controles.

Crear comité o grupo de trabajo de IA con negocio, IT, legal, seguridad, datos, RRHH y compliance.

Inventariar herramientas, proveedores, casos de uso, datos tratados, usuarios y riesgos.

Clasificar usos de IA por nivel de criticidad y necesidad de supervisión.

Establecer proceso de aprobación para nuevas herramientas o automatizaciones IA.

Crear políticas de uso aceptable, datos prohibidos, revisión humana, trazabilidad y comunicación.

Definir owners para casos de uso, herramientas, datos, prompts, agentes y resultados.

Diseñar mecanismos de auditoría, revisión periódica y retirada de usos inadecuados.

Evitar que cada departamento adopte IA de forma aislada y sin coordinación.

Crear un modelo operativo de IA responsable aplicable a toda la organización.

Comprender el enfoque de riesgo del AI Act y su impacto en empresas que usan o despliegan sistemas de IA.

Diferenciar usos prohibidos, alto riesgo, transparencia, IA generativa, modelos de propósito general y usos internos.

Identificar cuándo la empresa actúa como usuario, desplegador, proveedor o integrador de soluciones IA.

Revisar la obligación de alfabetización en IA y su impacto en formación interna.

Crear inventario de sistemas IA como base para cumplimiento, supervisión y toma de decisiones.

Evaluar casos de uso sensibles en RRHH, selección, evaluación, clientes, crédito, seguridad o servicios esenciales.

Definir documentación mínima: finalidad, usuarios, datos, proveedor, riesgos, controles y revisión humana.

Coordinar legal, DPO, compliance, seguridad e IT antes de implantar herramientas críticas.

Evitar pensar que el cumplimiento de IA es solo responsabilidad del departamento legal.

Realizar ejercicio de clasificación inicial de casos de uso según nivel de riesgo.

Identificar datos personales, confidenciales, sensibles, estratégicos, financieros, comerciales y protegidos.

Definir qué datos pueden usarse en herramientas de IA públicas, corporativas o entornos privados.

Aplicar minimización, anonimización y seudonimización antes de usar documentación sensible.

Revisar tratamientos de datos personales asociados a prompts, archivos, logs, outputs y agentes.

Evaluar proveedores desde privacidad: encargado, subencargados, transferencias, conservación y entrenamiento.

Crear reglas claras sobre documentos que nunca deben cargarse en herramientas no autorizadas.

Diseñar procesos para consultas con datos de empleados, clientes, pacientes, proveedores o candidatos.

Evitar que los equipos confundan “herramienta conocida” con “herramienta aprobada para datos sensibles”.

Preparar controles básicos de privacidad en pilotos IA.

Realizar ejercicio de evaluación de datos para un caso de uso empresarial.

Identificar riesgos de IA en seguridad: fuga de datos, prompts maliciosos, phishing, deepfakes y manipulación.

Comprender ataques como prompt injection, data exfiltration, model abuse y uso indebido de agentes.

Revisar riesgos de conectar IA a documentos, correos, repositorios, CRM, ERP o herramientas internas.

Definir permisos mínimos para asistentes, conectores y agentes.

Crear reglas para uso de IA en entornos con secretos, credenciales, código, contratos o datos de clientes.

Evaluar herramientas con seguridad: cifrado, logs, control de acceso, SSO, auditoría y residencia de datos.

Preparar formación para detectar contenidos generados por IA usados en fraude o ingeniería social.

Coordinar adopción de IA con CISO, IT, legal y responsables de datos.

Evitar automatizaciones que ejecutan acciones sin autorización humana en procesos críticos.

Realizar ejercicio de análisis de riesgos de seguridad en un asistente IA corporativo.

Comprender sesgos de datos, sesgos de diseño, sesgos de uso y sesgos de interpretación.

Identificar impactos sobre empleados, clientes, candidatos, proveedores y colectivos vulnerables.

Evaluar cuándo una recomendación de IA puede afectar oportunidades, trato, acceso o decisión relevante.

Diseñar controles de revisión humana y apelación en procesos sensibles.

Evitar que la IA amplifique desigualdades existentes o patrones históricos injustos.

Crear criterios de transparencia sobre cuándo se usa IA y con qué finalidad.

Trabajar principios de equidad, explicabilidad, proporcionalidad, seguridad y dignidad humana.

Revisar outputs problemáticos: lenguaje discriminatorio, decisiones opacas, perfiles sesgados o exclusiones injustificadas.

Definir accountability: quién responde por el uso y resultado de una herramienta IA.

Realizar ejercicio de revisión ética de varios casos de uso empresariales.

Crear criterios para seleccionar herramientas IA: valor, seguridad, privacidad, coste, integración y soporte.

Revisar condiciones de uso, tratamiento de datos, entrenamiento, retención, subprocesadores y propiedad de outputs.

Diferenciar soluciones generalistas, verticales, integradas en suites corporativas y desarrollos propios.

Evaluar dependencia del proveedor, lock-in, roadmap, disponibilidad, cumplimiento y continuidad.

Definir pruebas piloto antes de contratar a gran escala.

Crear cuestionario de evaluación para compras, IT, legal, seguridad y negocio.

Comparar coste por usuario, coste por uso, productividad esperada y costes ocultos de adopción.

Evitar contratar herramientas por presión comercial sin caso de uso ni owner interno.

Establecer criterios de salida, portabilidad y eliminación de datos.

Realizar ejercicio de evaluación comparativa de tres soluciones IA.

Comprender qué es un agente IA y cómo se diferencia de un chatbot o automatización tradicional.

Identificar tareas donde un agente puede observar, razonar, proponer, ejecutar o coordinar pasos.

Definir límites de actuación: qué puede hacer, qué no puede hacer y cuándo debe pedir aprobación.

Diseñar agentes con instrucciones, herramientas, fuentes, permisos, logs y owner responsable.

Evaluar riesgos de agentes con acceso a correo, documentos, CRM, ERP, ticketing o calendarios.

Crear flujos con humano en el circuito para acciones sensibles o irreversibles.

Evitar agentes que actúan como cajas negras sin trazabilidad.

Medir rendimiento de agentes por utilidad, reducción de trabajo, errores, satisfacción y riesgo residual.

Establecer catálogo de agentes aprobados, experimentales, restringidos y retirados.

Realizar ejercicio de diseño de agente corporativo responsable.

Analizar usos de IA en selección, formación, desempeño, clima, movilidad interna y gestión del conocimiento.

Evaluar riesgos de sesgo, discriminación, opacidad y decisiones automatizadas sobre personas.

Diseñar políticas de uso de IA en procesos de personas con transparencia y revisión humana.

Crear planes de reskilling y upskilling por rol, área y nivel de exposición a IA.

Preparar comunicación para reducir miedo a sustitución y fomentar aprendizaje responsable.

Usar IA para mejorar onboarding, FAQs internas, documentación y soporte a empleados.

Evitar evaluar rendimiento individual mediante IA sin marco legal, ético y metodológico sólido.

Identificar nuevos roles: AI champions, product owners IA, owners de conocimiento y responsables de adopción.

Medir adopción mediante competencias, uso responsable, mejora de procesos y satisfacción.

Realizar ejercicio de plan de formación IA para una organización.

Usar IA para segmentación, propuestas, contenido, análisis de clientes, argumentarios y personalización.

Preparar asistentes comerciales con playbooks, FAQs, objeciones, casos de éxito y documentación aprobada.

Revisar riesgos de mensajes engañosos, claims no verificables, uso de datos personales y contenido sesgado.

Automatizar respuestas internas y borradores de comunicación con control humano.

Usar IA en atención al cliente para clasificar consultas, resumir casos y proponer respuestas.

Evitar que un bot externo dé compromisos comerciales, legales o técnicos no autorizados.

Analizar impacto en experiencia cliente, tiempos de respuesta, calidad y coherencia de marca.

Establecer controles de tono, fuentes, escalado y revisión.

Medir ROI en productividad comercial, velocidad, conversión, satisfacción y reducción de tareas repetitivas.

Realizar ejercicio de diseño de asistente comercial responsable.

Identificar procesos repetitivos de operaciones que pueden mejorarse con IA: clasificación, documentación, incidencias y reporting.

Usar IA para resumir informes, analizar desviaciones, preparar escenarios y revisar documentación operativa.

Aplicar IA en finanzas con prudencia: conciliaciones, explicaciones de variaciones, presupuestos y borradores de reporting.

Diferenciar análisis asistido de decisión financiera automatizada.

Crear controles para datos sensibles, cifras no auditadas y documentos financieros confidenciales.

Usar IA para generar procedimientos, instrucciones de trabajo, checklists y documentación de calidad.

Evitar automatizar procesos críticos sin validación, trazabilidad y controles internos.

Medir impacto en eficiencia, errores, tiempos de ciclo y calidad documental.

Diseñar pilotos de IA en procesos administrativos y operativos.

Realizar ejercicio de mejora de proceso operativo con IA.

Diseñar narrativa de adopción de IA clara, honesta y alineada con la estrategia.

Explicar beneficios, límites, riesgos y responsabilidades de forma comprensible.

Gestionar resistencias: miedo, rechazo, exceso de entusiasmo, desconfianza y fatiga tecnológica.

Crear red de champions por áreas para acompañar adopción y recoger feedback.

Diseñar materiales internos: guías, FAQs, normas, ejemplos, vídeos, talleres y canales de soporte.

Evitar lanzar herramientas sin formación, contexto ni soporte.

Comunicar qué usos están permitidos, cuáles requieren aprobación y cuáles están prohibidos.

Involucrar a mandos intermedios como pieza clave de adopción real.

Medir cambio cultural mediante uso responsable, casos implementados, satisfacción y mejora de procesos.

Realizar ejercicio de plan de comunicación para lanzamiento de IA corporativa.

Definir métricas de valor: tiempo ahorrado, calidad, reducción de errores, satisfacción, velocidad y capacidad.

Diferenciar métricas de uso de métricas de impacto real.

Crear línea base antes del piloto para medir mejora.

Estimar ROI considerando licencias, formación, cambio, soporte, seguridad, integración y mantenimiento.

Evaluar beneficios intangibles: aprendizaje, innovación, retención de conocimiento y autonomía del equipo.

Medir riesgos: errores, incidencias, usos no autorizados, baja adopción y outputs de baja calidad.

Crear dashboard ejecutivo de adopción IA con casos, impacto, riesgos y próximos pasos.

Evitar inflar ahorros con estimaciones no contrastadas.

Diseñar revisión periódica para continuar, escalar, pausar o retirar casos de uso.

Realizar ejercicio de business case y ROI de un piloto IA.

Crear una política corporativa de uso de IA con lenguaje claro y aplicable.

Definir usos permitidos, usos restringidos y usos prohibidos.

Establecer normas sobre datos confidenciales, personales, estratégicos, contractuales y financieros.

Crear guías de prompting seguro, revisión de outputs y declaración de uso de IA.

Definir cuándo un entregable debe indicar que se ha usado IA.

Crear plantillas de evaluación de caso de uso, proveedor, riesgo y aprobación.

Establecer repositorio de prompts, herramientas aprobadas, FAQs y buenas prácticas.

Gestionar versiones de políticas y actualizar criterios según evolución tecnológica y normativa.

Evitar documentos demasiado largos que nadie lee ni aplica.

Realizar ejercicio de creación de política interna de IA responsable.

Diseñar fase de diagnóstico: herramientas existentes, usos informales, riesgos, procesos y madurez.

Diseñar fase de alfabetización: formación básica, guías, políticas y primeros casos seguros.

Diseñar fase de pilotos: casos priorizados, métricas, grupos de usuarios y controles.

Diseñar fase de escalado: integración, gobierno, soporte, automatización y adopción por áreas.

Diseñar fase de madurez: agentes, conocimiento corporativo, analítica, optimización y mejora continua.

Crear calendario con responsables, hitos, dependencias, riesgos y decisiones.

Evitar implantar IA solo por herramienta sin rediseñar procesos ni formar personas.

Establecer mecanismos de feedback y revisión trimestral.

Integrar la hoja de ruta IA con estrategia digital, datos, seguridad, legal y RRHH.

Realizar ejercicio de roadmap de IA responsable para 12 meses.

Tomar decisiones sobre IA cuando la tecnología, normativa y mercado cambian rápidamente.

Evitar parálisis por análisis y también decisiones precipitadas sin control.

Crear principios estables aunque las herramientas cambien.

Desarrollar pensamiento crítico frente a proveedores, titulares, demos y tendencias.

Fomentar experimentación segura y aprendizaje continuo.

Gestionar tensiones entre productividad, empleo, calidad, privacidad, coste y reputación.

Liderar conversaciones difíciles sobre impacto en roles, competencias y procesos.

Preparar a la organización para revisar decisiones según nueva evidencia.

Construir confianza mediante transparencia, coherencia y responsabilidad.

Realizar ejercicio de toma de decisión ejecutiva ante un dilema de IA.

Realizar diagnóstico inicial de madurez IA de una empresa o área concreta.

Inventariar herramientas, usos actuales, riesgos, datos tratados, usuarios y proveedores.

Identificar oportunidades de IA por departamentos y procesos.

Priorizar casos de uso mediante matriz de impacto, esfuerzo, riesgo y viabilidad.

Seleccionar tres quick wins y un piloto estratégico con métricas y criterios de éxito.

Diseñar política interna de uso responsable de IA con usos permitidos, restringidos y prohibidos.

Crear plan de alfabetización IA por perfiles: dirección, managers, usuarios, legal, IT y equipos sensibles.

Definir modelo de gobierno con roles, comité, owners, aprobaciones, revisión y auditoría.

Evaluar un proveedor IA con checklist de privacidad, seguridad, costes, datos y cumplimiento.

Diseñar un agente o asistente corporativo con propósito, fuentes, permisos, límites y revisión humana.

Preparar plan de comunicación interna para lanzamiento y adopción.

Definir dashboard de métricas: uso, impacto, ROI, riesgos, satisfacción y calidad.

Crear matriz de cumplimiento con AI Act, privacidad, seguridad, ética y políticas internas.

Diseñar hoja de ruta a 90 días, 6 meses y 12 meses.

Presentar la estrategia final defendiendo valor, riesgos, inversión, gobierno, adopción y sostenibilidad.