Clase 21.02 — Prompting con contexto comercial#

Clase 2 de 14 de la parte 21 — IA aplicada a marketing, ventas y servicio, de nivel IA y expansión. Dura unos 150 minutos.

🚦 Antes de empezar#

Vienes de la clase 21.01, Mapa de IA comercial: ten a mano su entregable, porque esta sesión lo retoma y lo lleva más lejos.

Trabajarás sobre el caso de la clase. Si prefieres usar datos de tu organización, lo mínimo que necesitas es una serie histórica de tasa de aceptación de salidas con la que calcular una línea base: sin ella podrás discutir el concepto, pero no comprobar si tu decisión mejora algo. Ten también dónde escribir —planilla o cuaderno— y, de la lectura comparada, al menos el índice y los capítulos que se indican al pie.

Calcula 150 minutos de trabajo dirigido más una hora de lectura selectiva. Sabrás que terminaste cuando exista el entregable y puedas responder las seis preguntas de comprobación sin volver al texto; si tienes el entregable pero no las respuestas, lo que produjiste es un documento, no un criterio.

Lee el propósito y la agenda antes que el desarrollo. La agenda dice qué debe salir de cada tramo, y el desarrollo se entiende mejor cuando ya sabes qué artefacto tiene que producir. No avances de sección sin escribir algo: este material está hecho para dejar decisiones documentadas, no notas de lectura.

La idea que ordena la sesión. El conjunto de evaluación que representa la distribución real de uso — Andrew Ng. Todo lo demás en esta clase existe para poner esa idea a prueba contra un caso concreto.

🎯 Propósito#

La calidad de una salida generativa depende del contexto entregado: rol, objetivo, audiencia, restricciones, ejemplos y criterios de aceptación. Un prompt vago produce texto genérico que requiere más trabajo de edición que escribir desde cero. En contexto comercial hay una restricción adicional: el contexto entregado puede incluir datos de clientes, y eso exige verificar qué información puede compartirse con un servicio externo.

Esta clase existe porque el error que corrige es caro y frecuente en operaciones reales. La parte 21 busca usar IA como capacidad operativa con evaluación, control y responsabilidad humana; en esta clase esa progresión se concreta exigiendo que toda afirmación sobre prompting con contexto comercial termine en una definición operacional, una señal observable, una decisión y una condición de revisión.

Pregunta rectora de la parte: ¿Qué tarea mejora con IA, cómo sé que mejora y quién responde cuando falla?

Los conceptos que estructuran la sesión son contexto suficiente, criterio de aceptación, plantilla reutilizable y dato sensible en el contexto. No se estudian como lista de vocabulario: cada uno debe producir una predicción distinta sobre lo que ocurriría en la operación.

📚 Resultados de aprendizaje#

Al terminar esta clase serás capaz de:

Distinguir contexto suficiente, criterio de aceptación, plantilla reutilizable y dato sensible en el contexto por sus observables y no por su definición memorizada.
Explicar por qué esas distinciones cambian una decisión concreta dentro de IA aplicada a marketing, ventas y servicio.
Aplicar la secuencia definir objetivo, audiencia y restricciones → verificar qué datos pueden incluirse en el contexto → incorporar ejemplos y criterios de aceptación → documentar la plantilla que funciona → revisar la salida contra los criterios antes de usarla conservando supuestos, alternativas descartadas y trazabilidad.
Operacionalizar tasa de aceptación de salidas, tiempo de edición posterior y plantillas documentadas indicando numerador, denominador, ventana, fuente y uso permitido.
Resolver el caso con al menos dos opciones defendibles y un criterio explícito de detención.
Contrastar dos obras de la lectura comparada y señalar dónde entregan recomendaciones distintas.

🧭 Agenda sugerida (150 minutos)#

Tramo	Foco	Evidencia de avance
0–15 min	Recuperación	Define contexto suficiente y criterio de aceptación sin mirar el material; corrige después con la tabla de conceptos.
15–45 min	Núcleo conceptual	Lectura del desarrollo y construcción de la tabla `hecho / inferencia / supuesto`.
45–75 min	Medición	Ficha de la señal tasa de aceptación de salidas: fórmula, fuente, ventana y lectura prohibida.
75–110 min	Ejemplo trabajado	Recorrido de los 5 pasos del método sobre el caso de la clase.
110–140 min	Caso ejecutivo	Dos alternativas, trade-offs, recomendación y señal de detención.
140–150 min	Cierre	Entregable, preguntas de comprobación y registro de lo que aún no sabes.

🧩 Conceptos centrales#

Concepto	Definición operacional	Cómo demostrar que lo entendiste
contexto suficiente	información mínima que el sistema necesita para producir una salida útil	Explica qué decisión cambiaría si el concepto estuviera ausente.
criterio de aceptación	condiciones que la salida debe cumplir para considerarse válida	Construye un caso límite donde el concepto se confunde con el anterior.
plantilla reutilizable	estructura de instrucción documentada que produce resultados consistentes	Indica qué dato tendrías que ver para afirmarlo en una reunión de comité.
dato sensible en el contexto	información de clientes o del negocio que no debe compartirse externamente	Traduce el concepto en una pregunta que puedas hacerle a un cliente real.

Una definición que no produce predicciones observables sigue siendo demasiado vaga para dirigir. Si dos personas del equipo aplican la misma definición a un caso y clasifican distinto, la definición todavía no es operacional.

🧠 Modelo mental#

1. definir objetivo, audiencia y restricciones → 2. verificar qué datos pueden incluirse en el contexto → 3. incorporar ejemplos y criterios de aceptación → 4. documentar la plantilla que funciona → 5. revisar la salida contra los criterios antes de usarla

La secuencia no es un ritual: cada paso reduce una incertidumbre distinta y produce un artefacto revisable. Saltarse un paso no acelera la decisión, sólo traslada el error a una etapa donde corregirlo cuesta más caro.

Frontera de aplicación. Mejores instrucciones no corrigen un modelo que carece de la información necesaria. Cuando el conocimiento no está disponible, el sistema inventará una respuesta plausible.

📖 Desarrollo#

1. Contexto suficiente: mecanismo central#

Contexto suficiente se entiende aquí como información mínima que el sistema necesita para producir una salida útil.

Un buen prompt comercial es una especificación: contexto suficiente, tarea concreta, formato esperado y criterio de aceptación. La diferencia entre una instrucción vaga y una especificada es la misma que entre un encargo mal hecho a una persona y uno bien hecho, y produce el mismo tipo de resultados.

De dónde viene esta afirmación. Andrew Ng — Machine Learning Yearning (2018) aporta la idea que sostiene este bloque: el conjunto de evaluación que representa la distribución real de uso. Búscala en los capítulos sobre conjuntos de desarrollo y prueba. Aplicada a esta clase, esa idea predice algo verificable: si es correcta, «tasa de aceptación de salidas» debería moverse cuando cambie contexto suficiente, y no debería moverse cuando cambie el resto. Ese es el contraste que tienes que montar antes de recomendar nada.

Relaciona el mecanismo con criterio de aceptación. Si ambos se mueven juntos no concluyas causalidad: nombra una tercera variable capaz de explicar el mismo patrón. El resultado de este bloque debe ser una hipótesis refutable, no una recomendación anticipada.

2. Criterio de aceptación: frontera conceptual y error de clasificación#

Definición operacional: condiciones que la salida debe cumplir para considerarse válida. Su valor está en distinguirlo de contexto suficiente.

El contexto suficiente incluye lo que el sistema no puede saber: quién es el cliente, qué se acordó antes, qué restricciones existen, qué no se puede prometer. Omitirlo produce resultados genéricos que después hay que reescribir, y esa reescritura consume el tiempo que la herramienta prometía ahorrar.

Contraste bibliográfico. NIST — AI Risk Management Framework 1.0 (2023) aporta aquí una distinción concreta: el riesgo evaluado en el contexto de uso y no en abstracto (la sección sobre mapeo del contexto). Formula dos mini-casos: uno que satisface la definición de criterio de aceptación y otro que sólo se le parece en la superficie; después decide cuál de los dos describiría esa obra con su propio vocabulario. Si la obra no permite separarlos, la distinción es tuya y tienes que sostenerla con evidencia del caso, no con la cita.

Antes de pasar a «verificar qué datos pueden incluirse en el contexto», registra explícitamente qué decisión sería errónea si esta frontera se ignora. Esa frase convierte el vocabulario en criterio de gestión.

3. Plantilla reutilizable: operacionalización y medición#

Plantilla reutilizable significa estructura de instrucción documentada que produce resultados consistentes.

El criterio de aceptación debe ser verificable por quien recibe el resultado: extensión, elementos obligatorios, prohibiciones explícitas. Sin él, la revisión es una impresión y la calidad varía según quién revise. Convertir ese criterio en una lista de verificación es lo que hace repetible el proceso.

Ficha de medición obligatoria para tasa de aceptación de salidas: salidas usables sin edición mayor, sobre salidas generadas. Registra además fuente del dato, frecuencia, responsable, interpretación permitida e interpretación prohibida. Si no existe un dato confiable, la salida correcta no es inventar precisión: es diseñar el mecanismo de captura y declarar la incertidumbre.

Control de lectura. Ann Handley — Everybody Writes (2022, 2.ª ed.) pone una condición sobre la medición: la utilidad para el lector como criterio por encima de la elegancia del autor (la parte sobre reglas de escritura). Contrasta tu ficha con ella: si la métrica que acabas de definir cae dentro de lo que esa obra considera un error de medición, corrígela antes de usarla para decidir.

4. Dato sensible en el contexto: trade-offs y efectos de segundo orden#

Definición: información de clientes o del negocio que no debe compartirse externamente.

Plantillas más específicas producen mejores resultados y limitan la adaptación a casos nuevos; más genéricas son flexibles y producen salidas que requieren más edición. La biblioteca práctica combina ambas: plantillas específicas para las tareas frecuentes y una guía general para el resto.

Lo que aporta la fuente. Stuart Russell y Peter Norvig — Artificial Intelligence: A Modern Approach (2021, 4.ª ed.) aporta el criterio para pesar el intercambio: la medida de desempeño como definición previa a cualquier evaluación (el capítulo sobre racionalidad). Úsalo para construir una matriz beneficio esperado / costo / reversibilidad / afectado / señal temprana. La evidencia plantillas documentadas ayuda a detectar si el intercambio está ocurriendo como se esperaba, pero no elimina la obligación de observar efectos laterales fuera del indicador principal.

Haz un pre-mortem: supón que la opción recomendada fracasó a los seis meses y enumera tres mecanismos que lo expliquen. Al menos uno debe provenir de un efecto de segundo orden asociado a dato sensible en el contexto y otro de un supuesto del caso que nunca fue validado.

5. Gobernanza, límites y responsabilidad#

La pregunta ejecutiva es siempre la misma: quién decide, quién ejecuta, a quién hay que consultar, qué evidencia queda registrada y qué condición obliga a detener, corregir o escalar. Al ejecutar «revisar la salida contra los criterios antes de usarla», deja una traza que permita a otra persona reconstruir por qué la decisión parecía razonable con la información disponible en ese momento.

El dato sensible no debe entrar en estas herramientas sin verificar el marco de tratamiento: dónde se procesa, si se usa para entrenamiento, cuánto se conserva. Incluir información de clientes en un servicio externo es una transferencia de datos con obligaciones específicas, y esa verificación es previa al uso, no posterior.

Frontera declarada. Mejores instrucciones no corrigen un modelo que carece de la información necesaria. Cuando el conocimiento no está disponible, el sistema inventará una respuesta plausible. Conviértela en una regla operativa con el formato si ocurre X → no aplicar automáticamente → consultar, escalar o revalidar.

Esta parte vigila además un riesgo que es obligatorio declarar: Publicar contenido incorrecto a escala, tratar datos personales sin base legal y perder trazabilidad. Se documenta en el entregable con su mitigación y su responsable; no se resuelve en la conversación.

6. Integración: de conceptos a una decisión defendible#

Sintetizar prompting con contexto comercial no consiste en sumar definiciones. Empieza por contexto suficiente, contrasta criterio de aceptación con plantilla reutilizable, incorpora dato sensible en el contexto como restricción y cierra con la medición. Aplica entonces la secuencia completa conservando tres columnas por paso: evidencia utilizada, alternativa descartada y razón del descarte.

Esa disciplina permite que una revisión posterior distinga una mala decisión de un mal resultado. Sin ella, el equipo reescribe la historia después de conocer el desenlace y no aprende nada transferible. Una síntesis correcta indica qué evidencia falta y qué decisión se posterga hasta obtenerla.

📚 Lectura comparada#

No se pide leer las obras completas. Para cada una se indica qué idea concreta sostiene esta clase, dónde buscarla y qué pregunta esa idea le hace a tu propio diagnóstico. La lectura termina cuando puedes responder esa pregunta con evidencia del caso.

Obra	Idea que sostiene esta clase	Dónde buscarla	Pregunta que le hace a tu diagnóstico
Andrew Ng — Machine Learning Yearning (2018)	El conjunto de evaluación que representa la distribución real de uso	Los capítulos sobre conjuntos de desarrollo y prueba	¿Qué debería observarse en contexto suficiente si aquí opera «el conjunto de evaluación que representa la distribución real de uso»? ¿Y qué observación lo desmentiría en este caso?
NIST — AI Risk Management Framework 1.0 (2023)	El riesgo evaluado en el contexto de uso y no en abstracto	La sección sobre mapeo del contexto	¿Qué debería observarse en criterio de aceptación si aquí opera «el riesgo evaluado en el contexto de uso y no en abstracto»? ¿Y qué observación lo desmentiría en este caso?
Ann Handley — Everybody Writes (2022, 2.ª ed.)	La utilidad para el lector como criterio por encima de la elegancia del autor	La parte sobre reglas de escritura	¿Qué debería observarse en plantilla reutilizable si aquí opera «la utilidad para el lector como criterio por encima de la elegancia del autor»? ¿Y qué observación lo desmentiría en este caso?
Stuart Russell y Peter Norvig — Artificial Intelligence: A Modern Approach (2021, 4.ª ed.)	La medida de desempeño como definición previa a cualquier evaluación	El capítulo sobre racionalidad	¿Qué debería observarse en dato sensible en el contexto si aquí opera «la medida de desempeño como definición previa a cualquier evaluación»? ¿Y qué observación lo desmentiría en este caso?

Después de leer, escribe una discrepancia real. Al menos dos de estas obras entregan recomendaciones que no coinciden cuando se aplican al mismo caso; identifica cuáles y qué condición del caso decide a favor de una. Si no encuentras la discrepancia, es señal de que leíste buscando confirmación.

La lectura se evalúa por uso, no por cantidad de páginas. La nota de lectura debe indicar qué tesis modifica tu diagnóstico, qué evidencia del caso la tensiona y qué decisión concreta cambiarías después del contraste.

🧮 Ejemplo trabajado#

Situación. Un ejecutivo de Ruta Andina pegó la lista completa de clientes con sus datos de contacto en una herramienta externa para que redactara correos personalizados.

Paso 1 — Definir objetivo, audiencia y restricciones. El equipo escribe primero el supuesto asociado a contexto suficiente y se prohíbe tratarlo como hecho. Contrasta ese supuesto con tasa de aceptación de salidas y anota qué parte del dato todavía no existe. Del paso sale un artefacto revisable y una frase explícita: «cambiaríamos de rumbo si…».

Paso 2 — Verificar qué datos pueden incluirse en el contexto. El trabajo aquí es separar lo observado de lo inferido sobre criterio de aceptación. La evidencia que ordena la discusión es tiempo de edición posterior; si su definición no está escrita, escribirla es parte del paso. Nada avanza mientras el equipo no acuerde qué contaría como refutación.

Paso 3 — Incorporar ejemplos y criterios de aceptación. El riesgo de este paso es cerrar demasiado rápido alrededor de plantilla reutilizable. Antes de concluir, el equipo enumera dos explicaciones alternativas del mismo patrón y revisa si plantillas documentadas logra distinguirlas. Si no lo logra, hace falta otra evidencia y así debe quedar registrado.

Paso 4 — Documentar la plantilla que funciona. Con dato sensible en el contexto ya delimitado, la pregunta pasa a ser de consecuencia: qué cambia en la operación, en la caja y en la carga del equipo. tasa de aceptación de salidas entrega la lectura cuantitativa; el juicio sobre el costo de oportunidad sigue siendo humano y debe quedar firmado.

Paso 5 — Revisar la salida contra los criterios antes de usarla. El cierre exige compromiso: responsable, fecha, umbral de éxito y condición de detención asociados a contexto suficiente. tiempo de edición posterior se convierte en la señal de seguimiento y se acuerda con qué frecuencia se revisa y quién puede declarar el fracaso sin costo político.

Síntesis. La recomendación termina con responsable, fecha, evidencia de éxito y señal de detención. Omitir cualquiera de esas cuatro piezas convierte el análisis en opinión difícil de auditar.

🔀 Comparación de caminos y límites#

Camino	Qué privilegia	Cuándo elegirlo	Riesgo principal
Actuar sobre contexto suficiente	Información mínima que el sistema necesita para producir una salida útil	Cuando tasa de aceptación de salidas es observable y accionable en el plazo de la decisión.	Sobrerreaccionar a una señal parcial.
Actuar sobre criterio de aceptación	Condiciones que la salida debe cumplir para considerarse válida	Cuando la primera explicación no distingue mecanismo ni responsable.	Convertir el concepto en etiqueta y no en intervención.
Experimentar antes de decidir	Aprender antes de comprometer recursos mayores	Cuando la decisión es reversible y la incertidumbre es alta.	Experimentar indefinidamente y no decidir.
Escalar la decisión	Elevar autoridad, especialidad o control legal	Cuando hay compromisos contractuales, datos personales, regulación o irreversibilidad.	Delegar hacia arriba lo que sí correspondía decidir.

🪜 El mismo tema según el rol#

Nivel	Responsabilidad sobre prompting con contexto comercial
Analista / especialista	Produce la evidencia, documenta el método y declara los límites del dato.
Jefatura de equipo	Convierte el análisis en prioridad, carga de trabajo y criterio compartido.
Gerencia comercial	Conecta la decisión con presupuesto, capacidad, dependencias y riesgo interáreas; es el nivel donde operan perfiles como Growth manager con IA, RevOps, Marketing manager y Sales enablement.
Dirección comercial (CRO/CMO)	Decide si esto cambia la estrategia de ingresos y qué llega al directorio.
Founder / dueño	Pregunta si la solución reduce dependencia de personas, preserva caja y puede operar como sistema repetible.

Al subir de nivel aumentan las personas, el dinero y las consecuencias que quedan dentro de la decisión. La misma herramienta debe volverse más explícita en evidencia, gobierno y revisión a medida que crece el alcance.

🏢 Caso ejecutivo#

Un ejecutivo de Ruta Andina pegó la lista completa de clientes con sus datos de contacto en una herramienta externa para que redactara correos personalizados.

Entrega un decision brief que contenga: (a) hechos y fuentes; (b) hipótesis; (c) dos opciones realmente defendibles; (d) efecto sobre cliente, operación, caja y riesgo; (e) recomendación; (f) la condición que la haría cambiar; (g) responsable y fecha de revisión. Usa al menos dos fuentes de la lectura comparada para desafiar tu primera respuesta.

🧪 Práctica guiada#

Cada paso indica qué hacer, con qué material y cómo saber que está terminado. No avances si la última columna todavía no se cumple: los pasos siguientes suponen el anterior resuelto.

#	Paso	Qué haces	Con qué	Criterio de término
1	Reconstruir los hechos	Vuelca el caso en una tabla `hecho / inferencia / supuesto / decisión` sin agregar información que no esté en el enunciado.	El caso y nada más	Ninguna fila de la columna «hecho» contiene un juicio; cada supuesto tiene un responsable de verificarlo.
2	Ejecutar el método	Recorre la secuencia definir objetivo, audiencia y restricciones → verificar qué datos pueden incluirse en el contexto → incorporar ejemplos y criterios de aceptación → documentar la plantilla que funciona → revisar la salida contra los criterios antes de usarla y adjunta la evidencia usada en cada transición.	La tabla del paso 1	Cada paso deja un artefacto revisable y una alternativa descartada con su razón.
3	Operacionalizar la señal	Construye la ficha de medición de tasa de aceptación de salidas; si el dato no existe, diseña cómo obtenerlo y estima cuánto costaría.	Fuentes de datos reales o el diseño de captura	Dos personas del equipo calculan el mismo número con la ficha y llegan al mismo resultado.
4	Atacar tu propia respuesta	Escribe la alternativa que contradice tu preferencia inicial y hazle un pre-mortem a seis meses.	Tu borrador de recomendación	Puedes nombrar el dato concreto que te haría cambiar de opinión.
5	Contrastar con la fuente	Lee la idea anclada de Machine Learning Yearning y la de AI Risk Management Framework 1.0, y registra una coincidencia y una tensión con tu diagnóstico.	La tabla de lectura comparada	La nota de lectura cita qué idea usaste y qué decisión cambió por ella, o declara que ninguna cambió y por qué.
6	Subir de nivel	Rehaz la decisión desde la dirección comercial: qué cambia al aumentar alcance, dinero e irreversibilidad.	El brief completo	El brief indica qué parte de la decisión ya no corresponde al analista y a quién pasa.

Si te atascas. El bloqueo más común no es de método sino de definición: vuelve a la tabla de conceptos y comprueba que puedes clasificar un caso límite sin dudar. Si dudas, el problema está ahí y no en el paso que estabas ejecutando.

⚠️ Errores frecuentes#

Síntoma	Causa probable	Corrección
Usar contexto suficiente y criterio de aceptación como sinónimos	Se perdió la distinción entre «información mínima que el sistema necesita para producir una salida útil» y «condiciones que la salida debe cumplir para considerarse válida»	Vuelve a los observables y exige una señal distinta para cada concepto.
Empezar por «revisar la salida contra los criterios antes de usarla»	Se saltó «definir objetivo, audiencia y restricciones»: la solución llegó antes que el diagnóstico	Reconstruye la cadena completa y marca el primer supuesto no demostrado.
Optimizar sólo tasa de aceptación de salidas	La métrica local reemplazó al resultado del sistema	Contrástala con plantillas documentadas y explicita el costo de oportunidad.
Incluir datos de clientes en el contexto sin verificar la política de tratamiento	Error específico de esta clase	Define qué categorías de datos pueden compartirse y anonimiza antes de usar servicios externos.
No fijar revisión	La decisión se vuelve permanente por inercia	Define responsable, fecha, señal de éxito y condición de detención.

❓ Preguntas de comprobación#

Explica la diferencia entre contexto suficiente y criterio de aceptación con un ejemplo donde elegir mal cambie la decisión.
¿Qué observarías para validar plantilla reutilizable y qué observación te obligaría a rechazar tu interpretación?
Aplica «definir objetivo, audiencia y restricciones» al caso de la clase. ¿Qué dato sigue faltando?
¿Por qué tasa de aceptación de salidas no basta por sí sola para atribuir causalidad?
Compara dos fuentes de la lectura comparada: ¿dónde llevarían a recomendaciones distintas?
¿Qué decisión equivocada se produciría si se ignora este límite: «Mejores instrucciones no corrigen un modelo que carece de la información necesaria. Cuando el conocimiento no está disponible, el sistema inventará una respuesta plausible»?

🗝️ Respuestas orientadoras#

No encontrarás aquí las respuestas: encontrarás qué tiene que contener una respuesta suficiente. Úsalo para autoevaluarte antes de entregar y para corregir a un par.

Pregunta	Una respuesta suficiente contiene
1	Nombra un caso real donde la clasificación cambie la intervención, no sólo la etiqueta. Si el ejemplo funciona igual con los dos conceptos intercambiados, la distinción todavía no está entendida.
2	Dos observaciones concretas: una que confirmaría plantilla reutilizable y otra que te obligaría a abandonarlo. Una respuesta sin condición de refutación no es suficiente.
3	El dato faltante debe ser nombrable y obtenible: qué se mide, quién lo tiene y en cuánto tiempo. «Faltan datos» no cuenta como respuesta.
4	Debes distinguir asociación de causa y proponer al menos una explicación alternativa del mismo movimiento de tasa de aceptación de salidas.
5	Identifica la condición del caso que decide entre ambas obras. Basta con que sea una: la respuesta correcta no es «depende», sino «depende de esto, y aquí ocurre así». Ancla el contraste en Machine Learning Yearning y Artificial Intelligence: A Modern Approach.
6	Describe la decisión equivocada concreta —qué se haría de más o de menos— y quién pagaría el costo. Un límite que no produce una decisión distinta no está operando como límite.

Si tres o más respuestas no alcanzan el criterio, no sigas a la clase siguiente: repite el desarrollo con el caso en la mano. Avanzar con la definición floja es lo que produce, más adelante, decisiones que nadie puede auditar.

🇨🇱 Contexto chileno y cumplimiento#

Riesgo asociado a esta parte: Publicar contenido incorrecto a escala, tratar datos personales sin base legal y perder trazabilidad. Antes de ejecutar cualquier recomendación de esta clase en una operación real, comprueba la norma en su texto vigente. Los enlaces van al texto completo publicado por la Biblioteca del Congreso Nacional; son gratuitos y no hace falta creerle a este material.

Consumo y comercio. Ley 19.496 — Establece normas sobre protección de los derechos de los consumidores (Ministerio de Economía, Fomento y Reconstrucción), y su reglamento de comercio electrónico, Decreto 6/2021 — Aprueba reglamento de comercio electrónico (Ministerio de Economía, Fomento y Turismo).
Datos personales. Ley 21.719 — Regula la protección y el tratamiento de los datos personales y crea la Agencia de Protección de Datos Personales (Ministerio Secretaría General de la Presidencia), que sustituye progresivamente a Ley 19.628 — Sobre protección de la vida privada (Ministerio Secretaría General de la Presidencia).
Derecho a retracto. Decreto 52/2024 — Aprueba reglamento que regula la forma y condiciones en que los proveedores deberán comunicar la exclusión del derecho a retracto y los bienes en que excepcionalmente y por su naturaleza procederá tal exclusión (Ministerio de Economía, Fomento y Turismo).

Dentro del repositorio, el mapa regulatorio ordena qué norma aplica a cada decisión comercial, datos personales y ética desarrolla el tratamiento de datos y fuentes oficiales lista los organismos con su fecha de consulta. Ninguno de esos documentos reemplaza al texto legal.

La regla del programa es simple: la fuente oficial manda sobre el material pedagógico. Si la norma cambió después de la fecha de esta clase, gana la norma.

📥 Entregable#

Guarda en evidence/P21-C02-prompting-con-contexto-comercial/:

decision-brief.md — problema, evidencia, alternativas, recomendación y gobierno.
ficha-metricas.md — definición operacional de tasa de aceptación de salidas, tiempo de edición posterior y plantillas documentadas con fuente, ventana y lectura prohibida.
nota-de-lectura.md — dos fuentes contrastadas con edición y páginas consultadas.
red-team.md — la objeción más fuerte a tu recomendación y el dato que la invalidaría.

Este entregable alimenta el artefacto de la parte: operating model humano-IA con casos de uso, evaluaciones, guardrails y registro de incidentes.

✅ Evaluación de la clase#

Criterio	Peso	Evidencia esperada
Precisión conceptual	25 %	Distinciones correctas y observables entre los conceptos de la clase.
Diagnóstico y evidencia	30 %	Datos pertinentes, línea base, supuestos explícitos y límites del dato.
Decisión y trade-offs	30 %	Dos opciones defendibles, costo de oportunidad y condición de revisión.
Fuentes y comunicación	15 %	Dos lecturas realmente utilizadas y argumento ejecutivo trazable.

Aprobación: 80/100 y ningún criterio bajo 60 %. Una respuesta que podría copiarse sin cambios a otra clase se considera insuficiente.

📗 Fuentes y verificación#

Aquí conviene separar dos cosas que suelen ir juntas y no son lo mismo.

Lo que está comprobado. Que cada obra existe y cuál es exactamente la edición: el enlace resuelve su ISBN contra el catálogo de OpenLibrary, y eso se revalida periódicamente. Las normas chilenas citadas más arriba enlazan su texto completo y gratuito.

Lo que es atribución del programa. Que la idea señalada esté en el capítulo que se indica. Eso es la lectura que este material hace de cada obra, no una cita textual cotejada frase por frase, y se declara así de explícito para que puedas contrastarlo: si abres la obra y no encuentras la idea donde se dice, la cita está mal puesta y corresponde reportarlo como error del material. No se citan números de página porque cambian entre ediciones.

Andrew Ng — Machine Learning Yearning (2018) · fuente primaria — aporta a esta clase: el conjunto de evaluación que representa la distribución real de uso. Dónde buscarlo: los capítulos sobre conjuntos de desarrollo y prueba. Acceso: gratis. Registra edición y páginas consultadas en tu nota de lectura.
NIST — AI Risk Management Framework 1.0 (2023) · DOI 10.6028/NIST.AI.100-1 — aporta a esta clase: el riesgo evaluado en el contexto de uso y no en abstracto. Dónde buscarlo: la sección sobre mapeo del contexto. Acceso: gratis. Registra edición y páginas consultadas en tu nota de lectura.
Ann Handley — Everybody Writes (2022, 2.ª ed.) · ISBN 9781119854319 — aporta a esta clase: la utilidad para el lector como criterio por encima de la elegancia del autor. Dónde buscarlo: la parte sobre reglas de escritura. Acceso: comprar o biblioteca. Registra edición y páginas consultadas en tu nota de lectura.
Stuart Russell y Peter Norvig — Artificial Intelligence: A Modern Approach (2021, 4.ª ed.) · ISBN 9780136958420 — aporta a esta clase: la medida de desempeño como definición previa a cualquier evaluación. Dónde buscarlo: el capítulo sobre racionalidad. Acceso: comprar o biblioteca. Registra edición y páginas consultadas en tu nota de lectura.

Estándar pedagógico del programa: Susan A. Ambrose et al. — How Learning Works (2010); Peter C. Brown, Henry L. Roediger III y Mark A. McDaniel — Make It Stick (2014); Grant Wiggins y Jay McTighe — Understanding by Design (2005, 2.ª ed.); Anders Ericsson y Robert Pool — Peak (2016); William Ellet — The Case Study Handbook (2018, ed. revisada).

Regla de fuentes. Las obras anteriores estructuran las perspectivas de esta materia. Cualquier norma, impuesto, tarifa, política de plataforma o estándar vivo mencionado debe comprobarse nuevamente en su fuente primaria vigente antes de usarse en una operación real. El desarrollo de esta clase es original y no reproduce capítulos protegidos por derechos de autor.

Sobre la edición. No busques estas obras sólo por el título: distintas ediciones cambian capítulos y ejemplos, y los anclajes de arriba están hechos sobre la que declara el registro de fuentes. La bibliografía completa de la parte, con todas sus obras, está en su índice.

← Clase 01 · Mapa de IA comercial · Índice de la parte · Clase 03 · Investigación asistida por IA →