Gestión del conocimiento usando IA Generativa

Transcript

1. Silabo del curso Gestión del conocimiento usando IA Generativa 2026 ​ ​ Profesor Abraham Zamudio
2. 1.​ Datos generales del curso Asignatura​ : Gestión del conocimiento usando IA Generativa Horas​ : 24 2.​ Presentación El uso de la IA generativa (GenAI) en la generación de conocimiento académico ofrece diversas ventajas que transforman tanto la productividad de los investigadores como la calidad de los procesos de aprendizaje. Según fuentes (tanto académicas como empresariales), estas son las principales ideas a favor de su implementación: 1. Aumento significativo de la productividad y eficiencia La GenAI permite agilizar tareas que tradicionalmente consumen mucho tiempo. Se estima que estos sistemas pueden incrementar la productividad en un 14 % en promedio, llegando hasta un 34 % en el caso de trabajadores novatos o de baja cualificación. En el ámbito académico, esto se traduce en: •​ Búsqueda y recuperación acelerada: Herramientas como Lilli (McKinsey) o sistemas de búsqueda semántica permiten escanear vastos depósitos de conocimientos en segundos para identificar los documentos y expertos más relevantes, una tarea que manualmente podría tomar semanas. •​ Automatización de tareas rutinarias: La IA puede encargarse de la categorización, el etiquetado de contenidos y la redacción de borradores preliminares, permitiendo que el académico se enfoque en actividades de mayor valor intelectual. 2. Síntesis y estructuración de información compleja Una de las mayores fortalezas de la GenAI es su capacidad para integrar y reinterpretar información existente proveniente de diversas fuentes. •​ Servicios de síntesis de contenido: La IA puede automatizar la creación de informes exhaustivos, artículos o documentos de investigación mediante la síntesis de hallazgos previos y datos no estructurados. •​ Conversión de formatos: Puede transformar grabaciones de voz o notas desorganizadas en documentos estructurados, facilitando la captura de conocimiento que de otro modo quedaría "atrapado" en la mente del investigador (conocimiento tácito). 3. Estímulo a la creatividad y "pareo de ideas" Más allá de ser una herramienta de búsqueda, la GenAI actúa como un "socio de sparring intelectual" (thought-sparring partner). •​ Generación de ideas: Ayuda a generar nuevos conceptos o soluciones analizando tendencias y patrones que pueden pasar desapercibidos para el ojo humano. •​ Identificación de analogías: Puede encontrar conexiones inesperadas entre diferentes campos. Por ejemplo, al buscar métodos de fabricación precisos, la IA podría sugerir ejemplos de industrias totalmente distintas que resulten ser muy aptos para el problema en cuestión. Abraham Zamudio
3. •​ Anticipación de debilidades: Los académicos pueden usar la IA para buscar puntos débiles en sus argumentos o anticipar preguntas que podrían surgir en una presentación o defensa de tesis. 4. Personalización del aprendizaje y acceso al conocimiento La IA democratiza el acceso a información especializada y técnica, actuando como un tutor disponible en todo momento. •​ Clarificación de conceptos: Ofrece explicaciones profundas y ejemplos contextuales que facilitan la comprensión de temas complejos, fomentando un nivel más alto de reflexión. •​ Interfaces conversacionales: El uso de chatbots permite a los usuarios interactuar con bases de datos académicas mediante lenguaje natural, eliminando las barreras de las búsquedas por palabras clave exactas. 5. Descubrimiento de conocimientos ocultos La capacidad de la IA para procesar volúmenes masivos de datos permite revelar patrones e ideas ocultas en grandes conjuntos de información (Big Data), lo que impulsa la innovación y la ventaja competitiva en la investigación. La IA generativa no reemplaza al académico, sino que actúa como un amplificador de sus capacidades cognitivas. Es similar a pasar de un examen a "libro cerrado" (basado solo en la memoria) a uno a "libro abierto", donde el investigador tiene acceso instantáneo a toda la biblioteca del mundo y puede dedicar su energía a conectar los puntos, en lugar de simplemente encontrarlos. El impacto de la inteligencia artificial (IA) en el conocimiento tácito académico —definido como la experiencia, intuición y habilidades difíciles de expresar o codificar— es profundo y ambivalente. La IA no solo actúa como un puente para documentar este saber, sino que también redefine cómo los académicos lo adquieren y lo conservan. A continuación, se detallan los principales impactos: 1. Externalización y captura del conocimiento "oculto" El conocimiento tácito reside tradicionalmente en las mentes de los expertos y en la cultura organizacional. La IA facilita el proceso de externalización, que consiste en articular y expresar ese conocimiento para que pueda ser capturado y compartido. •​ Conversión de formatos: Herramientas de IA permiten capturar notas de voz o transcripciones de entrevistas y convertirlas en documentos estructurados, rescatando ideas que de otro modo permanecerían inaccesibles,. •​ Identificación de patrones: La IA puede ayudar a revelar "conocimiento implícito" (información que está en los datos pero no ha sido documentada) mediante el análisis de grandes volúmenes de registros académicos y notas de reuniones,. 2. Facilitación de la internalización (Aprendizaje) El proceso inverso, la internalización, ocurre cuando un académico absorbe conocimiento explícito y lo convierte en nuevas habilidades o intuiciones tácitas. Abraham Zamudio
4. •​ Campos de interacción humanizados (HIF): Los diálogos colaborativos entre humanos y máquinas permiten que el conocimiento evolucione durante la interacción. Esto ayuda a que el usuario incorpore los activos de conocimiento creados por la IA en su propio saber personal,. •​ Andamiaje cognitivo: La IA proporciona ejemplos contextuales y explicaciones profundas que fomentan un nivel más alto de reflexión, ayudando al académico a desarrollar su propia pericia en áreas nuevas,. 3. El riesgo de la "atrofia" cognitiva Un impacto crítico es el riesgo de una dependencia excesiva que podría erosionar el conocimiento tácito. •​ Andamiaje negativo: Si la IA ofrece demasiado soporte (como el autocompletado avanzado), puede actuar como una barrera para el aprendizaje real. El usuario podría aplicar soluciones propuestas por la IA sin pasar por el proceso mental necesario para internalizar el conocimiento. •​ Acceso vs. Internalización: Existe la tendencia de que, en el futuro, los académicos dependan más de la capacidad de buscar eficientemente en bases de datos que de la adquisición directa (internalización) del conocimiento. 4. Co-evolución y colaboración La IA está transformando la visión del investigador: de ser una simple herramienta, está pasando a ser un socio colaborador,. Esta interacción flexible permite que las estrategias de creación de conocimiento del humano y las capacidades de procesamiento de la máquina evolucionen juntas (co-evolución), refinando la intuición humana mediante la validación constante de datos,. Analogía para entender el impacto: Podemos comparar el uso de la IA con un exoesqueleto robótico para el cerebro. Si se usa para amplificar la capacidad de carga (procesar más información), fortalece el trabajo académico; sin embargo, si se usa para sustituir el esfuerzo del músculo (el pensamiento crítico e intuitivo), ese "músculo cognitivo" podría debilitarse o degradarse por falta de entrenamiento. 3.​ Objetivo general del curso Capacitar a los docentes de la Facultad de Ingeniería Geológica, Minera y Metalúrgica de la Universidad Nacional de Ingeniería en el uso estratégico y ético de la Inteligencia Artificial Generativa (GenAI) como un socio colaborador, proporcionando las competencias técnicas y cognitivas necesarias para optimizar el ciclo de gestión del conocimiento —desde la exploración de literatura y el análisis de datos complejos hasta la redacción científica de alto impacto—, asegurando la preservación del pensamiento crítico y la integridad académica frente al riesgo de atrofia cognitiva. 4.​ Objetivos específicos del curso •​ Dominio de Ecosistemas Multimodelo: Desarrollar la habilidad técnica para integrar herramientas específicas (ChatGPT, Gemini, DeepSeek y Qwen) según sus fortalezas en razonamiento lógico, procesamiento de contextos extensos, verificación de datos y refinamiento estilístico. Abraham Zamudio
5. •​ Eficiencia en la Gestión del Conocimiento: Implementar flujos de trabajo basados en Arquitecturas RAG y búsqueda semántica para transformar información dispersa y conocimiento tácito en activos académicos estructurados, incrementando la productividad investigativa entre un 14% y un 34%. •​ Mitigación de Riesgos y Ética: Establecer criterios rigurosos de supervisión humana (Human-in-the-loop) para detectar alucinaciones, sesgos algorítmicos y malas prácticas, garantizando la transparencia y la correcta atribución de autoría en la producción científica. •​ Fortalecimiento del "Exoesqueleto Cognitivo": Utilizar la IA para amplificar la capacidad de síntesis y creatividad sin sustituir el esfuerzo intelectual, evitando el "andamiaje negativo" que degrada la capacidad de internalización y el juicio crítico del investigador. 5.​ Resultados de aprendizaje Al finalizar el curso el alumno:​ •​ Operación Multimodelo Estratégica: Capacidad para seleccionar y alternar entre modelos (ChatGPT, Gemini, DeepSeek, Qwen) según la naturaleza de la tarea académica, optimizando el rendimiento técnico en cada fase de la investigación.​ •​ Arquitectura de Información y RAG: Habilidad para conectar la IA a bases de datos científicas y repositorios personales mediante Generación Aumentada por Recuperación (RAG), eliminando alucinaciones y asegurando la trazabilidad de las fuentes.​ •​ Externalización del Conocimiento Tácito: Competencia para transformar pensamientos desestructurados, notas de voz o entrevistas en documentos académicos formales, rescatando ideas que tradicionalmente quedarían indocumentadas.​ •​ Aumento de la Productividad Investigativa: Optimización de procesos rutinarios (búsqueda, etiquetado y síntesis) que permite un incremento en la eficiencia operativa de entre el 14% y el 34% en el flujo de trabajo académico.​ •​ Pensamiento Crítico y Curaduría: Desarrollo de un juicio experto para supervisar las salidas de la IA (Human-in-the-loop), detectando sesgos algorítmicos y garantizando la integridad ética en la autoría científica.​ •​ Prevención de la Atrofia Cognitiva: Uso de la IA como un exoesqueleto cognitivo que amplifica la capacidad de carga intelectual sin sustituir el esfuerzo mental necesario para la internalización de nuevos conocimientos. Abraham Zamudio
6. 6.​ Metodología Se propone una estructura de Ciclo de Aprendizaje Iterativo basada en cuatro pilares: 1.​ Demostración Multimodelo (Mirroring): Cada sesión inicia con una comparativa técnica en vivo. El instructor plantea un problema de investigación y muestra cómo responden simultáneamente ChatGPT, Gemini, DeepSeek y Qwen. Esto permite que el alumno desarrolle el criterio de selección de herramientas según las fortalezas específicas de cada modelo. 2.​ Laboratorio de Externalización y RAG: Se implementan talleres prácticos donde los alumnos convierten su conocimiento tácito (ideas grabadas o notas dispersas) en conocimiento explícito usando IA. Se enfatiza la configuración de entornos de Generación Aumentada por Recuperación (RAG) para que los alumnos aprendan a "anclar" la IA a bases de datos científicas reales, mitigando alucinaciones. 3.​ Thought-Sparring y Crítica Epistémica: Se fomenta que el estudiante use la IA como un "socio de sparring intelectual". En lugar de pedir respuestas finales, se entrena al alumno para cuestionar los resultados, identificar sesgos y buscar puntos débiles en los argumentos generados. 4.​ Enfoque de "Exoesqueleto" vs. "Atrofia": La metodología incluye momentos de "reflexión muscular", donde el estudiante debe realizar tareas sin IA para asegurar la internalización del conocimiento y evitar el "andamiaje negativo". 7.​ Contenido por Sesiones: # DE HORAS CONTENIDO 4hrs Inteligencia Artificial Generativa para todos 1.​ Una introducción técnica a la Inteligencia Artificial 2.​ Aplicaciones de la Inteligencia Artificial 3.​ Subtipos de Inteligencia Artificial 4.​ Usos de la IA generativa en la educación 5.​ Impacto de la IAG en la educación 6.​ El Impacto de la IA Generativa en el Mercado Laboral ​ ​ 4hrs Competencias esenciales en la era de la IA Generativa 1.​ De "Saber las Respuestas" a "Saber Preguntar" 2.​ Alfabetización en Datos y Modelos 3.​ Integración de Flujos de Trabajo y RAG 4.​ Agilidad de Aprendizaje y Adaptabilidad 5.​ Ética, Liderazgo y Colaboración Humano-IA Abraham Zamudio
7. 4hrs ​ Estrategia, Exploración y Comprensión Profunda (I)​ •​ Definición de la Frontera de Investigación ◦​ Delimitación con ChatGPT (o1/4o) ◦​ Identificación de conceptos con DeepSeek •​ Búsqueda Semántica y Gestión de Literatura ◦​ Exploración con Gemini​ ◦​ Actividad: Comparar la recuperación de información de un buscador tradicional vs. una búsqueda semántica basada en Embeddings.​ 4hrs ​ Estrategia, Exploración y Comprensión Profunda (II)​ •​ Lectura Asistida y "Diálogo" con el Paper ◦​ Extracción de datos con Qwen ◦​ Identificación de vacíos (Research Gaps) Práctica: Análisis Asistido •​ Subida de un paper complejo a Gemini (por su amplia ventana de contexto) para generar un resumen estructurado (Metodología, Muestra, Limitaciones, Futuras Líneas).​ 4hrs Construcción, Ética y Gobernanza del Texto (I) •​ Estructuración y Arquitectura del Artículo ◦​ Drafting con ChatGPT: Crear un "outline" o esqueleto del artículo. ◦​ Coherencia Argumentativa: Cómo usar la IA para verificar si el "hilo conductor" se mantiene desde el abstract hasta las conclusiones. •​ Refinamiento Estilístico y Traducción Técnica (90 min) ◦​ Mejora con Qwen ◦​ Reescritura Parametrizada: Ejercicio de cambiar el tono de un párrafo (de divulgativo a académico riguroso) manteniendo la precisión técnica. 4hrs ​ Construcción, Ética y Gobernanza del Texto (II) •​ Ética, Citación y Transparencia ◦​ Detección de Alucinaciones ◦​ Políticas de Autoría ◦​ Gestión de Referencias: Uso de IA para formatear citas en APA, Vancouver o Chicago sin errores de sintaxis. •​ Actividad: El "Extreme Makeover" Académico ◦​ Taller: Los estudiantes tomarán un abstract deficiente y, mediante un flujo de trabajo multimodelo, lo transformarán en uno de nivel Q1.​ ▪​ Paso 1: Qwen mejora la gramática. ▪​ Paso 2: DeepSeek verifica la lógica de las conclusiones. ▪​ Paso 3: ChatGPT asegura que el "impacto" del estudio sea claro. ▪​ Paso 4: Gemini verifica que no se hayan omitido conceptos clave del paper original. Abraham Zamudio
8. ​ 8.​ Bibliografía •​ Douglas, M. R. (2023). Large language models. arXiv preprint arXiv:2307.05782. •​ Wu, Y., Jiang, A. Q., Li, W., Rabe, M., Staats, C., Jamnik, M., & Szegedy, C. (2022). Autoformalization with large language models. Advances in neural information processing systems, 35, 32353-32368. •​ Zhao, W. X., Zhou, K., Li, J., Tang, T., Wang, X., Hou, Y., ... & Wen, J. R. (2023). A survey of large language models. arXiv preprint arXiv:2303.18223, 1(2). •​ Minaee, S., Mikolov, T., Nikzad, N., Chenaghlu, M., Socher, R., Amatriain, X., & Gao, J. (2024). Large language models: A survey. arXiv preprint arXiv:2402.06196. •​ Chang, Y., Wang, X., Wang, J., Wu, Y., Yang, L., Zhu, K., ... & Xie, X. (2024). A survey on evaluation of large language models. ACM transactions on intelligent systems and technology, 15(3), 1-45. •​ Xu, F. F., Alon, U., Neubig, G., & Hellendoorn, V. J. (2022, June). A systematic evaluation of large language models of code. In Proceedings of the 6th ACM SIGPLAN international symposium on machine programming (pp. 1-10). •​ Franceschelli, G., & Musolesi, M. (2025). On the creativity of large language models. AI & society, 40(5), 3785-3795. •​ Guo, Z., Jin, R., Liu, C., Huang, Y., Shi, D., Yu, L., ... & Xiong, D. (2023). Evaluating large language models: A comprehensive survey. arXiv preprint arXiv:2310.19736. •​ Austin, J., Odena, A., Nye, M., Bosma, M., Michalewski, H., Dohan, D., ... & Sutton, C. (2021). Program synthesis with large language models. arXiv preprint arXiv:2108.07732. •​ Wu, J., Gan, W., Chen, Z., Wan, S., & Yu, P. S. (2023, December). Multimodal large language models: A survey. In 2023 IEEE International Conference on Big Data (BigData) (pp. 2247-2256). IEEE. •​ Wan, Z., Wang, X., Liu, C., Alam, S., Zheng, Y., Liu, J., ... & Zhang, M. (2023). Efficient large language models: A survey. arXiv preprint arXiv:2312.03863. •​ Birhane, A., Kasirzadeh, A., Leslie, D., & Wachter, S. (2023). Science in the age of large language models. Nature Reviews Physics, 5(5), 277-280. •​ Cai, T., Wang, X., Ma, T., Chen, X., & Zhou, D. (2023). Large language models as tool makers. arXiv preprint arXiv:2305.17126. Abraham Zamudio