Clase 21.05 — Personalización#

Clase 5 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 21.04, Generación de contenido con controles: 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 efecto en conversión 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. La arquitectura de la decisión: no existe presentación neutra de las opciones — Richard H. Thaler y Cass R. Sunstein. Todo lo demás en esta clase existe para poner esa idea a prueba contra un caso concreto.

🎯 Propósito#

La personalización mejora la pertinencia y puede cruzar rápidamente hacia lo invasivo. El límite no es técnico sino de expectativa: usar información que el cliente no sabe que la empresa posee produce desconfianza, aunque su obtención haya sido lícita. La regla práctica es personalizar con datos que el cliente entregó conscientemente y para la finalidad que conoce.

La clase trata el tema como un problema de evidencia y de consecuencia, no como vocabulario. 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 personalización 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 pertinencia percibida, expectativa de privacidad, finalidad declarada y efecto inquietante. 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 pertinencia percibida, expectativa de privacidad, finalidad declarada y efecto inquietante 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 identificar qué datos entregó el cliente conscientemente → verificar la finalidad declarada al recogerlos → diseñar la personalización dentro de esa expectativa → probar la reacción con un grupo pequeño → medir efecto en conversión y en bajas conservando supuestos, alternativas descartadas y trazabilidad.
Operacionalizar efecto en conversión, tasa de baja tras personalización y consultas sobre uso de datos 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 pertinencia percibida y expectativa de privacidad 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 efecto en conversión: 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
pertinencia percibida	grado en que el cliente considera útil la adaptación del mensaje	Traduce el concepto en una pregunta que puedas hacerle a un cliente real.
expectativa de privacidad	supuesto del cliente sobre qué información tiene la empresa y para qué	Da un hecho compatible con la definición y otro que la refute.
finalidad declarada	uso informado al momento de recoger el dato	Explica qué decisión cambiaría si el concepto estuviera ausente.
efecto inquietante	reacción negativa ante una personalización que revela información inesperada	Construye un caso límite donde el concepto se confunde con el anterior.

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. identificar qué datos entregó el cliente conscientemente → 2. verificar la finalidad declarada al recogerlos → 3. diseñar la personalización dentro de esa expectativa → 4. probar la reacción con un grupo pequeño → 5. medir efecto en conversión y en bajas

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 normativa de datos personales exige finalidad determinada e información al titular. La personalización basada en inferencias no declaradas es especialmente riesgosa.

📖 Desarrollo#

1. Pertinencia percibida: mecanismo central#

Pertinencia percibida se entiende aquí como grado en que el cliente considera útil la adaptación del mensaje.

La personalización mejora la pertinencia y cruza un umbral a partir del cual produce incomodidad. Ese umbral no depende de la tecnología sino de la expectativa: cuando el mensaje revela un conocimiento que la persona no recuerda haber entregado, la reacción es de invasión aunque el dato sea público.

De dónde viene esta afirmación. Richard H. Thaler y Cass R. Sunstein — Nudge: The Final Edition (2021) aporta la idea que sostiene este bloque: la arquitectura de la decisión: no existe presentación neutra de las opciones. Búscala en los capítulos sobre arquitectura de elección. Aplicada a esta clase, esa idea predice algo verificable: si es correcta, «efecto en conversión» debería moverse cuando cambie pertinencia percibida, y no debería moverse cuando cambie el resto. Ese es el contraste que tienes que montar antes de recomendar nada.

Relaciona el mecanismo con expectativa de privacidad. 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. Expectativa de privacidad: frontera conceptual y error de clasificación#

Definición operacional: supuesto del cliente sobre qué información tiene la empresa y para qué. Su valor está en distinguirlo de pertinencia percibida.

La expectativa de privacidad es el criterio operativo. Antes de usar un dato para personalizar, la pregunta es si la persona esperaría que se usara así. Cuando la respuesta es dudosa, la salida profesional es no usarlo o declarar explícitamente su origen, que suele desactivar la incomodidad.

Contraste bibliográfico. Cathy O'Neil — Weapons of Math Destruction (2016) aporta aquí una distinción concreta: las variables sustitutas que codifican prejuicio sin nombrarlo (los capítulos sobre selección de variables). Formula dos mini-casos: uno que satisface la definición de expectativa de privacidad 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 la finalidad declarada al recogerlos», registra explícitamente qué decisión sería errónea si esta frontera se ignora. Esa frase convierte el vocabulario en criterio de gestión.

3. Finalidad declarada: operacionalización y medición#

Finalidad declarada significa uso informado al momento de recoger el dato.

La finalidad declarada limita el uso: los datos recogidos para una finalidad no pueden usarse para otra sin nueva base de licitud. Esa restricción es normativa y también práctica, porque el uso fuera de la finalidad es exactamente lo que produce el efecto inquietante que destruye la confianza.

Ficha de medición obligatoria para efecto en conversión: diferencia de conversión entre versión personalizada y estándar. 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. NIST — AI Risk Management Framework 1.0 (2023) pone una condición sobre la medición: el riesgo evaluado en el contexto de uso y no en abstracto (la sección sobre mapeo del contexto). 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. Efecto inquietante: trade-offs y efectos de segundo orden#

Definición: reacción negativa ante una personalización que revela información inesperada.

Personalizar más aumenta la relevancia y el costo de producción, la complejidad operativa y el riesgo. Personalizar menos es más simple y menos efectivo. La proporción razonable personaliza aquello que mejora claramente la experiencia y deja el resto estándar, en lugar de personalizar por capacidad técnica.

Lo que aporta la fuente. Robert B. Cialdini — Influence: The Psychology of Persuasion, New and Expanded (2021) aporta el criterio para pesar el intercambio: la reciprocidad: el aporte previo genera disposición a corresponder (el capítulo sobre reciprocidad). Úsalo para construir una matriz beneficio esperado / costo / reversibilidad / afectado / señal temprana. La evidencia consultas sobre uso de datos 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 efecto inquietante 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 «medir efecto en conversión y en bajas», deja una traza que permita a otra persona reconstruir por qué la decisión parecía razonable con la información disponible en ese momento.

La arquitectura de la decisión —cómo se presentan las opciones— nunca es neutra, y la personalización la vuelve individual. Esa combinación exige un control ético explícito: si el destinatario conociera el mecanismo, ¿lo consideraría legítimo? Cuando la respuesta es no, la técnica está operando contra la persona a la que dice servir.

Frontera declarada. La normativa de datos personales exige finalidad determinada e información al titular. La personalización basada en inferencias no declaradas es especialmente riesgosa. 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 personalización no consiste en sumar definiciones. Empieza por pertinencia percibida, contrasta expectativa de privacidad con finalidad declarada, incorpora efecto inquietante 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. La prueba de dominio es poder explicar el caso contrario: cuándo esta recomendación sería incorrecta.

📚 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
Richard H. Thaler y Cass R. Sunstein — Nudge: The Final Edition (2021)	La arquitectura de la decisión: no existe presentación neutra de las opciones	Los capítulos sobre arquitectura de elección	¿Qué debería observarse en pertinencia percibida si aquí opera «la arquitectura de la decisión: no existe presentación neutra de las opciones»? ¿Y qué observación lo desmentiría en este caso?
Cathy O'Neil — Weapons of Math Destruction (2016)	Las variables sustitutas que codifican prejuicio sin nombrarlo	Los capítulos sobre selección de variables	¿Qué debería observarse en expectativa de privacidad si aquí opera «las variables sustitutas que codifican prejuicio sin nombrarlo»? ¿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 finalidad declarada si aquí opera «el riesgo evaluado en el contexto de uso y no en abstracto»? ¿Y qué observación lo desmentiría en este caso?
Robert B. Cialdini — Influence: The Psychology of Persuasion, New and Expanded (2021)	La reciprocidad: el aporte previo genera disposición a corresponder	El capítulo sobre reciprocidad	¿Qué debería observarse en efecto inquietante si aquí opera «la reciprocidad: el aporte previo genera disposición a corresponder»? ¿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. Ruta Andina envió un correo mencionando la cantidad de citas canceladas de cada taller. Varios clientes preguntaron cómo obtuvieron ese dato y dos solicitaron eliminación.

Paso 1 — Identificar qué datos entregó el cliente conscientemente. El equipo escribe primero el supuesto asociado a pertinencia percibida y se prohíbe tratarlo como hecho. Contrasta ese supuesto con efecto en conversión 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 la finalidad declarada al recogerlos. El trabajo aquí es separar lo observado de lo inferido sobre expectativa de privacidad. La evidencia que ordena la discusión es tasa de baja tras personalización; si su definición no está escrita, escribirla es parte del paso. Nada avanza mientras el equipo no acuerde qué contaría como refutación.

Paso 3 — Diseñar la personalización dentro de esa expectativa. El riesgo de este paso es cerrar demasiado rápido alrededor de finalidad declarada. Antes de concluir, el equipo enumera dos explicaciones alternativas del mismo patrón y revisa si consultas sobre uso de datos logra distinguirlas. Si no lo logra, hace falta otra evidencia y así debe quedar registrado.

Paso 4 — Probar la reacción con un grupo pequeño. Con efecto inquietante ya delimitado, la pregunta pasa a ser de consecuencia: qué cambia en la operación, en la caja y en la carga del equipo. efecto en conversión entrega la lectura cuantitativa; el juicio sobre el costo de oportunidad sigue siendo humano y debe quedar firmado.

Paso 5 — Medir efecto en conversión y en bajas. El cierre exige compromiso: responsable, fecha, umbral de éxito y condición de detención asociados a pertinencia percibida. tasa de baja tras personalización 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 pertinencia percibida	Grado en que el cliente considera útil la adaptación del mensaje	Cuando efecto en conversión es observable y accionable en el plazo de la decisión.	Sobrerreaccionar a una señal parcial.
Actuar sobre expectativa de privacidad	Supuesto del cliente sobre qué información tiene la empresa y para qué	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.

Frontera de aplicación. La normativa de datos personales exige finalidad determinada e información al titular. La personalización basada en inferencias no declaradas es especialmente riesgosa.

🪜 El mismo tema según el rol#

Nivel	Responsabilidad sobre personalización
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#

Ruta Andina envió un correo mencionando la cantidad de citas canceladas de cada taller. Varios clientes preguntaron cómo obtuvieron ese dato y dos solicitaron eliminación.

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 identificar qué datos entregó el cliente conscientemente → verificar la finalidad declarada al recogerlos → diseñar la personalización dentro de esa expectativa → probar la reacción con un grupo pequeño → medir efecto en conversión y en bajas 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 efecto en conversión; 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 Nudge: The Final Edition 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 pertinencia percibida y expectativa de privacidad como sinónimos	Se perdió la distinción entre «grado en que el cliente considera útil la adaptación del mensaje» y «supuesto del cliente sobre qué información tiene la empresa y para qué»	Vuelve a los observables y exige una señal distinta para cada concepto.
Empezar por «medir efecto en conversión y en bajas»	Se saltó «identificar qué datos entregó el cliente conscientemente»: la solución llegó antes que el diagnóstico	Reconstruye la cadena completa y marca el primer supuesto no demostrado.
Optimizar sólo efecto en conversión	La métrica local reemplazó al resultado del sistema	Contrástala con consultas sobre uso de datos y explicita el costo de oportunidad.
Personalizar con datos fuera de la finalidad declarada	Error específico de esta clase	Limita la personalización a datos entregados conscientemente y para el uso informado.
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 pertinencia percibida y expectativa de privacidad con un ejemplo donde elegir mal cambie la decisión.
¿Qué observarías para validar finalidad declarada y qué observación te obligaría a rechazar tu interpretación?
Aplica «identificar qué datos entregó el cliente conscientemente» al caso de la clase. ¿Qué dato sigue faltando?
¿Por qué efecto en conversión 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 normativa de datos personales exige finalidad determinada e información al titular. La personalización basada en inferencias no declaradas es especialmente riesgosa»?

🗝️ 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 finalidad declarada 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 efecto en conversión.
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 Nudge: The Final Edition y Influence: The Psychology of Persuasion, New and Expanded.
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-C05-personalizacion/:

decision-brief.md — problema, evidencia, alternativas, recomendación y gobierno.
ficha-metricas.md — definición operacional de efecto en conversión, tasa de baja tras personalización y consultas sobre uso de datos 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.

Richard H. Thaler y Cass R. Sunstein — Nudge: The Final Edition (2021) · ISBN 9780143137009 — aporta a esta clase: la arquitectura de la decisión: no existe presentación neutra de las opciones. Dónde buscarlo: los capítulos sobre arquitectura de elección. Acceso: comprar o biblioteca. 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 variables sustitutas que codifican prejuicio sin nombrarlo. Dónde buscarlo: los capítulos sobre selección de variables. Acceso: comprar o biblioteca. 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.
Robert B. Cialdini — Influence: The Psychology of Persuasion, New and Expanded (2021) · ISBN 9780062937650 — aporta a esta clase: la reciprocidad: el aporte previo genera disposición a corresponder. Dónde buscarlo: el capítulo sobre reciprocidad. 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 04 · Generación de contenido con controles · Índice de la parte · Clase 06 · Investigación de prospectos asistida →