Clase 21.03 — Investigación asistida por IA#

Clase 3 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 21.02, Prompting con contexto 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 afirmaciones verificadas 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 diagnóstico de errores antes de elegir la siguiente mejora — Andrew Ng. Todo lo demás en esta clase existe para poner esa idea a prueba contra un caso concreto.

🎯 Propósito#

Los sistemas generativos aceleran la revisión de información y producen afirmaciones plausibles que pueden ser falsas. En investigación comercial eso es especialmente peligroso: una cifra de mercado inventada puede sostener una decisión de inversión. La regla operativa es simple y no negociable: toda afirmación factual usada en una decisión debe verificarse en su fuente primaria.

Antes de cualquier herramienta, esta clase obliga a nombrar qué cambiaría si el análisis fuese correcto. 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 investigación asistida por IA 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 afirmación plausible, verificación en fuente primaria, uso legítimo y trazabilidad de la evidencia. 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 afirmación plausible, verificación en fuente primaria, uso legítimo y trazabilidad de la evidencia 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 usar el sistema para ordenar y explorar, no para establecer hechos → marcar toda afirmación factual como pendiente de verificación → verificar en fuente primaria antes de usarla en una decisión → registrar la fuente junto a la afirmación → descartar lo que no se pudo verificar conservando supuestos, alternativas descartadas y trazabilidad.
Operacionalizar afirmaciones verificadas, tasa de error detectado y tiempo de verificación 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 afirmación plausible y verificación en fuente primaria 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 afirmaciones verificadas: 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
afirmación plausible	salida que suena correcta y puede no corresponder a ningún hecho	Construye un caso límite donde el concepto se confunde con el anterior.
verificación en fuente primaria	comprobación de la afirmación en el documento original	Indica qué dato tendrías que ver para afirmarlo en una reunión de comité.
uso legítimo	tareas donde el error es barato de detectar y corregir	Traduce el concepto en una pregunta que puedas hacerle a un cliente real.
trazabilidad de la evidencia	registro de qué afirmación provino de qué fuente verificada	Da un hecho compatible con la definición y otro que la refute.

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. usar el sistema para ordenar y explorar, no para establecer hechos → 2. marcar toda afirmación factual como pendiente de verificación → 3. verificar en fuente primaria antes de usarla en una decisión → 4. registrar la fuente junto a la afirmación → 5. descartar lo que no se pudo verificar

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. La verificación tiene costo y no todas las afirmaciones lo justifican. El criterio es el costo del error: cuanto más pesa en la decisión, más rigurosa debe ser la comprobación.

📖 Desarrollo#

1. Afirmación plausible: mecanismo central#

Afirmación plausible se entiende aquí como salida que suena correcta y puede no corresponder a ningún hecho.

Usar asistentes para investigar acelera el trabajo y cambia el tipo de error posible: en lugar de no encontrar información, se obtiene información plausible que puede ser incorrecta. Esa diferencia es crítica porque el error plausible pasa las revisiones superficiales y se propaga.

De dónde viene esta afirmación. Andrew Ng — Machine Learning Yearning (2018) aporta la idea que sostiene este bloque: el diagnóstico de errores antes de elegir la siguiente mejora. Búscala en los capítulos sobre análisis de error. Aplicada a esta clase, esa idea predice algo verificable: si es correcta, «afirmaciones verificadas» debería moverse cuando cambie afirmación plausible, y no debería moverse cuando cambie el resto. Ese es el contraste que tienes que montar antes de recomendar nada.

Relaciona el mecanismo con verificación en fuente primaria. 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. Verificación en fuente primaria: frontera conceptual y error de clasificación#

Definición operacional: comprobación de la afirmación en el documento original. Su valor está en distinguirlo de afirmación plausible.

La verificación en fuente primaria deja de ser una buena práctica y se convierte en un requisito. Toda afirmación factual obtenida por esta vía —una cifra, una norma, un dato de mercado— debe contrastarse con la fuente original antes de usarse. Sin esa regla, el material del equipo acumula errores que nadie puede rastrear.

Contraste bibliográfico. Cathy O'Neil — Weapons of Math Destruction (2016) aporta aquí una distinción concreta: las tres condiciones que convierten un modelo en dañino: opacidad, escala y daño (los capítulos introductorios que definen el concepto). Formula dos mini-casos: uno que satisface la definición de verificación en fuente primaria 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 «marcar toda afirmación factual como pendiente de verificación», registra explícitamente qué decisión sería errónea si esta frontera se ignora. Esa frase convierte el vocabulario en criterio de gestión.

3. Uso legítimo: operacionalización y medición#

Uso legítimo significa tareas donde el error es barato de detectar y corregir.

La trazabilidad de la evidencia exige registrar de dónde salió cada dato, y ese registro debe sobrevivir al documento. Un informe que cita una cifra sin origen es indefendible ante la primera pregunta, y la respuesta «lo obtuve con una herramienta» no es una fuente.

Ficha de medición obligatoria para afirmaciones verificadas: afirmaciones comprobadas en fuente primaria, sobre afirmaciones usadas. 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. Douglas W. Hubbard — How to Measure Anything (2014, 3.ª ed.) pone una condición sobre la medición: el valor esperado de la información: cuánto vale reducir la incertidumbre antes de medir (los capítulos sobre el valor de la medición). 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. Trazabilidad de la evidencia: trade-offs y efectos de segundo orden#

Definición: registro de qué afirmación provino de qué fuente verificada.

Investigar con asistencia es más rápido y crea la ilusión de haber cubierto el tema. La cobertura aparente puede ocultar que no se consultaron fuentes clave o que la síntesis omitió posiciones contrarias. Complementar con búsqueda dirigida en fuentes conocidas es lo que evita ese sesgo de completitud.

Lo que aporta la fuente. Foster Provost y Tom Fawcett — Data Science for Business (2013) aporta el criterio para pesar el intercambio: la evaluación contra una línea base y no contra la nada (los capítulos sobre evaluación de modelos). Úsalo para construir una matriz beneficio esperado / costo / reversibilidad / afectado / señal temprana. La evidencia tiempo de verificación 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 trazabilidad de la evidencia 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 «descartar lo que no se pudo verificar», deja una traza que permita a otra persona reconstruir por qué la decisión parecía razonable con la información disponible en ese momento.

El uso legítimo del material obtenido tiene límites de derechos de autor y de licencia. Reproducir contenido protegido, aunque haya sido intermediado por una herramienta, sigue siendo reproducción. La regla del programa es producir texto propio y citar fuentes, no reutilizar párrafos ajenos.

Frontera declarada. La verificación tiene costo y no todas las afirmaciones lo justifican. El criterio es el costo del error: cuanto más pesa en la decisión, más rigurosa debe ser la comprobación. 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 investigación asistida por IA no consiste en sumar definiciones. Empieza por afirmación plausible, contrasta verificación en fuente primaria con uso legítimo, incorpora trazabilidad de la evidencia 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. El resultado no es una opinión mejor redactada: es una decisión con dueño, fecha y condición de revisión.

📚 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 diagnóstico de errores antes de elegir la siguiente mejora	Los capítulos sobre análisis de error	¿Qué debería observarse en afirmación plausible si aquí opera «el diagnóstico de errores antes de elegir la siguiente mejora»? ¿Y qué observación lo desmentiría en este caso?
Cathy O'Neil — Weapons of Math Destruction (2016)	Las tres condiciones que convierten un modelo en dañino: opacidad, escala y daño	Los capítulos introductorios que definen el concepto	¿Qué debería observarse en verificación en fuente primaria si aquí opera «las tres condiciones que convierten un modelo en dañino: opacidad, escala y daño»? ¿Y qué observación lo desmentiría en este caso?
Douglas W. Hubbard — How to Measure Anything (2014, 3.ª ed.)	El valor esperado de la información: cuánto vale reducir la incertidumbre antes de medir	Los capítulos sobre el valor de la medición	¿Qué debería observarse en uso legítimo si aquí opera «el valor esperado de la información: cuánto vale reducir la incertidumbre antes de medir»? ¿Y qué observación lo desmentiría en este caso?
Foster Provost y Tom Fawcett — Data Science for Business (2013)	La evaluación contra una línea base y no contra la nada	Los capítulos sobre evaluación de modelos	¿Qué debería observarse en trazabilidad de la evidencia si aquí opera «la evaluación contra una línea base y no contra la nada»? ¿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 informe de Ruta Andina incluía tres cifras de mercado generadas por un asistente. Ninguna correspondía a una fuente real y una llegó a una presentación al directorio.

Paso 1 — Usar el sistema para ordenar y explorar, no para establecer hechos. El equipo escribe primero el supuesto asociado a afirmación plausible y se prohíbe tratarlo como hecho. Contrasta ese supuesto con afirmaciones verificadas 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 — Marcar toda afirmación factual como pendiente de verificación. El trabajo aquí es separar lo observado de lo inferido sobre verificación en fuente primaria. La evidencia que ordena la discusión es tasa de error detectado; si su definición no está escrita, escribirla es parte del paso. Nada avanza mientras el equipo no acuerde qué contaría como refutación.

Paso 3 — Verificar en fuente primaria antes de usarla en una decisión. El riesgo de este paso es cerrar demasiado rápido alrededor de uso legítimo. Antes de concluir, el equipo enumera dos explicaciones alternativas del mismo patrón y revisa si tiempo de verificación logra distinguirlas. Si no lo logra, hace falta otra evidencia y así debe quedar registrado.

Paso 4 — Registrar la fuente junto a la afirmación. Con trazabilidad de la evidencia ya delimitado, la pregunta pasa a ser de consecuencia: qué cambia en la operación, en la caja y en la carga del equipo. afirmaciones verificadas entrega la lectura cuantitativa; el juicio sobre el costo de oportunidad sigue siendo humano y debe quedar firmado.

Paso 5 — Descartar lo que no se pudo verificar. El cierre exige compromiso: responsable, fecha, umbral de éxito y condición de detención asociados a afirmación plausible. tasa de error detectado 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 afirmación plausible	Salida que suena correcta y puede no corresponder a ningún hecho	Cuando afirmaciones verificadas es observable y accionable en el plazo de la decisión.	Sobrerreaccionar a una señal parcial.
Actuar sobre verificación en fuente primaria	Comprobación de la afirmación en el documento original	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 investigación asistida por IA
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 informe de Ruta Andina incluía tres cifras de mercado generadas por un asistente. Ninguna correspondía a una fuente real y una llegó a una presentación al directorio.

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 usar el sistema para ordenar y explorar, no para establecer hechos → marcar toda afirmación factual como pendiente de verificación → verificar en fuente primaria antes de usarla en una decisión → registrar la fuente junto a la afirmación → descartar lo que no se pudo verificar 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 afirmaciones verificadas; 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 Weapons of Math Destruction, 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 afirmación plausible y verificación en fuente primaria como sinónimos	Se perdió la distinción entre «salida que suena correcta y puede no corresponder a ningún hecho» y «comprobación de la afirmación en el documento original»	Vuelve a los observables y exige una señal distinta para cada concepto.
Empezar por «descartar lo que no se pudo verificar»	Se saltó «usar el sistema para ordenar y explorar, no para establecer hechos»: la solución llegó antes que el diagnóstico	Reconstruye la cadena completa y marca el primer supuesto no demostrado.
Optimizar sólo afirmaciones verificadas	La métrica local reemplazó al resultado del sistema	Contrástala con tiempo de verificación y explicita el costo de oportunidad.
Usar cifras generadas sin verificar la fuente	Error específico de esta clase	Marca toda afirmación factual y verifícala en fuente primaria antes de incorporarla a un informe.
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 afirmación plausible y verificación en fuente primaria con un ejemplo donde elegir mal cambie la decisión.
¿Qué observarías para validar uso legítimo y qué observación te obligaría a rechazar tu interpretación?
Aplica «usar el sistema para ordenar y explorar, no para establecer hechos» al caso de la clase. ¿Qué dato sigue faltando?
¿Por qué afirmaciones verificadas 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: «La verificación tiene costo y no todas las afirmaciones lo justifican. El criterio es el costo del error: cuanto más pesa en la decisión, más rigurosa debe ser la comprobación»?

🗝️ 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 uso legítimo 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 afirmaciones verificadas.
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 Data Science for Business.
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-C03-investigacion-asistida-por-ia/:

decision-brief.md — problema, evidencia, alternativas, recomendación y gobierno.
ficha-metricas.md — definición operacional de afirmaciones verificadas, tasa de error detectado y tiempo de verificación 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 diagnóstico de errores antes de elegir la siguiente mejora. Dónde buscarlo: los capítulos sobre análisis de error. Acceso: gratis. Registra edición y páginas consultadas en tu nota de lectura.
Cathy O'Neil — Weapons of Math Destruction (2016) · ISBN 9780141985428 — aporta a esta clase: las tres condiciones que convierten un modelo en dañino: opacidad, escala y daño. Dónde buscarlo: los capítulos introductorios que definen el concepto. Acceso: comprar o biblioteca. Registra edición y páginas consultadas en tu nota de lectura.
Douglas W. Hubbard — How to Measure Anything (2014, 3.ª ed.) · ISBN 9781118836446 — aporta a esta clase: el valor esperado de la información: cuánto vale reducir la incertidumbre antes de medir. Dónde buscarlo: los capítulos sobre el valor de la medición. Acceso: comprar o biblioteca. Registra edición y páginas consultadas en tu nota de lectura.
Foster Provost y Tom Fawcett — Data Science for Business (2013) · ISBN 9781449374280 — aporta a esta clase: la evaluación contra una línea base y no contra la nada. Dónde buscarlo: los capítulos sobre evaluación de modelos. 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 02 · Prompting con contexto comercial · Índice de la parte · Clase 04 · Generación de contenido con controles →