Clase 1 · Presentación del curso y ¿Qué es la Inteligencia Artificial?

📅 Lunes 3 de agosto de 2026 ⏱️ 90 minutos Unidad 1 · Introducción a la IA en los Negocios

Sesión formativa (sin entregable)

Esta clase es de contenido y discusión. En este curso los entregables evaluados se publican y reciben solo los días miércoles (ver política de entregables); la actividad de hoy es formativa y alimenta el Hito 1 del Proyecto, que se presenta en la Clase 2.

🎯 Objetivos de la sesión

Conocer el enfoque, la metodología y la forma de evaluación del curso.
Distinguir, en lenguaje no técnico, los conceptos de Inteligencia Artificial (IA), Machine Learning (ML) e IA Generativa.
Caracterizar ChatGPT, Claude y Gemini como los asistentes de IA Generativa de mayor uso hoy en el mundo empresarial, y sus diferencias relevantes para un rol comercial/estratégico.
Reconocer por qué la IA se ha vuelto una fuente de ventaja competitiva para las empresas, conectando con marcos que ya conocen de Organización Industrial y Finanzas Corporativas.
Identificar, a partir de ejemplos reales, dónde y cómo distintas industrias ya están usando IA.

Resultado de aprendizaje asociado: RdA9.2 — Utiliza tecnologías vigentes y/o de vanguardia, aplicándolas en sus propuestas y presentaciones.

Sobre el nivel de esta clase

Este curso asume que ya cursaron (o están cursando) Organización Industrial, Marketing Táctico, Finanzas Corporativas y Evaluación Social de Proyectos. El foco no es programar ni entender matemáticamente los modelos, sino usar ese bagaje —estructura de mercado, ventaja competitiva, creación de valor, evaluación de iniciativas— para decidir dónde y cómo una organización debería invertir en IA.

🗓️ Agenda (90 min)

Tiempo	Bloque
0:00 – 0:15	Bienvenida, presentación del equipo docente y de los/las estudiantes
0:15 – 0:25	Panorama del curso: objetivos, metodología activa, evaluación y política de entregables
0:25 – 0:45	Charla-discusión: ¿qué es la IA? Diferencias entre IA, Machine Learning e IA Generativa
0:45 – 1:00	ChatGPT, Claude y Gemini: qué son, en qué se diferencian y cómo se usan en el área comercial
1:00 – 1:15	Ventajas competitivas de la IA + análisis de casos reales por industria
1:15 – 1:27	Actividad formativa: "radar estratégico de IA" (trabajo en grupos)
1:27 – 1:30	Cierre, dudas y preparación del Hito 1 del Proyecto (Clase 2)

📖 Contenidos

1. Panorama del curso

Modalidad: clases expositivas + aula invertida + aprendizaje basado en problemas y proyectos.
Evaluación: 100% a través del Proyecto del curso — 7 hitos bisemanales (10% cada uno = 70%) + presentación final (30%). No hay certámenes ni controles separados (ver detalle en el Programa).
Política de entregables: los 7 hitos del proyecto se publican, trabajan y reciben los miércoles, aproximadamente cada dos semanas. Los lunes son sesiones de contenido, casos y trabajo formativo sin nota directa, cuyo resultado suele ser el insumo del hito más cercano.
Enfoque: aplicado y no técnico — el curso no enseña a programar modelos de IA, sino a identificar oportunidades de negocio, diseñar propuestas de valor y tomar decisiones estratégicas apoyadas en estas tecnologías.

2. ¿Qué es la Inteligencia Artificial?

En términos simples, la IA es un conjunto de técnicas que permite a un computador realizar tareas que normalmente requieren inteligencia humana: reconocer patrones, predecir resultados, generar contenido o tomar decisiones.

Para efectos de este curso, conviene distinguir tres niveles, que forman círculos concéntricos — pasa el mouse sobre cada uno para ver su definición:

Inteligencia Artificial

Machine Learning

IA Generativa

Concepto	Idea central	Ejemplo de negocio
Inteligencia Artificial (IA)	Término general: sistemas que imitan capacidades cognitivas humanas	Un sistema de recomendación de un e-commerce
Machine Learning (ML)	Subconjunto de la IA: el sistema aprende patrones a partir de datos, en vez de seguir reglas programadas explícitamente	Un modelo que predice qué clientes tienen riesgo de fuga (churn)
IA Generativa	Subconjunto del ML: modelos entrenados para crear contenido nuevo (texto, imágenes, código, audio) a partir de lo aprendido	ChatGPT, Claude o Gemini redactando una propuesta comercial personalizada

💡 Idea clave: no toda IA es Machine Learning, y no todo Machine Learning es IA Generativa. Son círculos concéntricos: IA ⊃ ML ⊃ IA Generativa.

Glosario rápido

Dato: un hecho registrado (una transacción, un clic, una imagen, un párrafo de texto).
Modelo: la representación matemática del patrón que el sistema aprendió de los datos.
Entrenamiento: el proceso de ajustar el modelo usando datos históricos.
Inferencia: usar el modelo ya entrenado para predecir o generar sobre un caso nuevo.
LLM (Large Language Model): un modelo de IA Generativa entrenado con enormes volúmenes de texto, capaz de generar lenguaje natural coherente — la tecnología detrás de ChatGPT, Claude y Gemini.
Prompt: la instrucción o pregunta que un usuario le da a un LLM para obtener una respuesta.

3. IA Generativa en la práctica: ChatGPT, Claude y Gemini

Desde el lanzamiento de ChatGPT en 2022, la IA Generativa dejó de ser un tema de laboratorios de investigación y pasó a ser una herramienta que casi cualquier persona en una empresa puede usar directamente, sin saber programar. Hoy tres familias de asistentes concentran la mayor parte del uso profesional:

Asistente	Empresa detrás	Qué lo distingue para un rol comercial	Integración empresarial típica
ChatGPT	OpenAI	Ecosistema amplio de "GPTs" personalizados y Advanced Data Analysis (antes Code Interpreter): permite subir una planilla y pedir gráficos o cálculos directamente en la conversación	Microsoft 365 Copilot, API para integrarlo en sistemas propios
Claude	Anthropic	Ventanas de contexto muy largas: cómodo para leer y analizar de una vez informes extensos, contratos o estados financieros completos; "Projects" y "Artifacts" para trabajar sobre documentos vivos que se van refinando	API, Slack, foco explícito en seguridad, cumplimiento y uso empresarial responsable
Gemini	Google	Integración nativa con Google Workspace (Docs, Sheets, Gmail, Meet); fuerte en búsqueda y en combinar texto, imágenes y video en una misma consulta	Gemini for Workspace, Google Cloud / Vertex AI

⚠️ Esta tabla describe posicionamiento y funcionalidades, no un ranking de calidad: los tres modelos evolucionan muy rápido y el "mejor" depende del caso de uso, el idioma, el costo y las políticas de datos de cada organización. Practicarlos y compararlos ustedes mismos es parte del aprendizaje de este curso.

Percepción ilustrativa —para disparar la discusión en clase, no una encuesta oficial— de en qué tipo de tarea comercial suele apoyarse cada asistente.

¿Para qué los usa hoy alguien del área comercial?

Redacción y comunicación: primeros borradores de propuestas comerciales, correos, minutas de reunión, presentaciones para un directorio.
Síntesis y análisis de documentos: resumir un informe de mercado, comparar contratos, extraer los supuestos clave de un estudio de evaluación de proyectos.
Ideación estratégica: generar y estresar alternativas para un Business Model Canvas, simular objeciones de un cliente, hacer de "abogado del diablo" antes de una decisión.
Análisis exploratorio de datos: con Advanced Data Analysis de ChatGPT (o herramientas equivalentes), describir una base de datos, generar gráficos y detectar patrones a partir de una conversación en lenguaje natural, sin escribir código.

Límites que un rol comercial debe conocer

Alucinaciones: un LLM puede generar información que suena convincente pero es incorrecta o inventada — nunca lo uses como única fuente para una cifra o dato crítico sin verificarlo.
Confidencialidad: información financiera, de clientes o estratégica no debería pegarse en herramientas públicas sin revisar la política de datos de la organización (se profundiza en la Unidad de Ética, Riesgos y Gobernanza de la IA).
No reemplaza el criterio: estos asistentes aceleran el trabajo, pero la responsabilidad de la decisión de negocio sigue siendo de quien la toma.

4. Nuevas ventajas competitivas en la era de la IA

Siguiendo a Iansiti & Lakhani (Competing in the Age of AI), las empresas que construyen sus operaciones en torno a IA y datos —y no solo la usan como una herramienta más— pueden escalar de forma distinta a la lógica industrial tradicional, gracias a tres mecanismos:

Menores costos marginales al automatizar decisiones repetitivas — piensen en la curva de costos que vieron en Organización Industrial: la IA puede aplanarla, permitiendo servir a un cliente adicional a un costo casi nulo.
Efectos de red y aprendizaje: mientras más datos y usuarios, mejor el producto — una barrera de entrada distinta a las economías de escala tradicionales, y relevante al analizar estructura de mercado.
Toma de decisiones más rápida y granular (a nivel de cada cliente o transacción) — con implicancias directas en cómo se evalúa la rentabilidad de una iniciativa (Evaluación de Proyectos) y en cómo se asigna capital (Finanzas Corporativas).

Comparación ilustrativa (escala 1-5, percepción cualitativa para discusión en clase): empresa tradicional vs. empresa impulsada por IA.

5. Casos reales por industria

Una mirada más detallada a cómo distintas industrias —incluidas varias relevantes para Chile— usan IA hoy:

Minería: mantenimiento predictivo de equipos, optimización de procesos (ej. dosificación en plantas de procesamiento) y seguridad operacional mediante visión computacional en faenas.
Transporte y logística: ruteo dinámico, predicción de demanda, mantenimiento de flotas y optimización de inventario en tránsito.
Retail: recomendación de productos, forecasting de demanda, optimización dinámica de precios y detección de quiebres de stock.
Finanzas: scoring crediticio, detección de fraude en tiempo real, robo-advisors para gestión de carteras de inversión.
Salud: apoyo al diagnóstico por imágenes, priorización de listas de espera, predicción de reingresos hospitalarios.
Educación: tutores adaptativos, detección temprana de riesgo de deserción estudiantil.

Madurez de adopción por industria: valores ilustrativos para orientar la discusión en clase, no una medición oficial.

Ejemplo ilustrativo: mantenimiento predictivo en minería

Una faena minera instala sensores de vibración y temperatura en sus camiones de extracción. Un modelo de ML aprende, a partir de fallas pasadas, a anticipar qué componentes están por fallar. Orden de magnitud típico reportado en la industria: reducciones de 10%–20% en tiempo de parada no programada y ahorros relevantes en mantenimiento correctivo. Estos números son ilustrativos y varían mucho según la operación — el objetivo es dimensionar el tipo de impacto, no citar una cifra oficial de una empresa en particular.

Ejemplo ilustrativo: pricing dinámico en retail

Una cadena de retail usa un modelo que ajusta precios en función de demanda, stock disponible y precios de la competencia, actualizándolos varias veces al día en vez de una vez por semana. Orden de magnitud típico reportado en la industria: mejoras de 1%–3% en margen por una mejor discriminación de precios — un cambio pequeño en porcentaje, pero significativo en el resultado final dado el volumen de transacciones. De nuevo, es una referencia de magnitud, no una cifra oficial de una empresa específica.

✏️ Actividad formativa: "Radar estratégico de IA"

Esta actividad no se entrega ni se califica. Es el punto de partida del Proyecto del curso: el grupo que formen hoy trabajará junto/a durante todo el semestre en un mismo proyecto de 7 hitos + presentación final, y esta actividad alimenta directamente el Hito 1 de la Clase 2.

📋 Inscripción de grupos de trabajo Formen su grupo de 3-4 personas y anoten sus nombres y el tema/empresa elegida en la planilla del curso — es donde queda registrado su equipo para todo el semestre.

📝 Ir a la planilla de grupos →

En grupos de 3-4 personas:

Elijan una empresa real (chilena o global) que les interese profesionalmente — idealmente una donde a alguien del grupo le gustaría trabajar.
Ubíquenla en su industria y piensen brevemente en su estructura de mercado (¿cuántos competidores relevantes? ¿qué tan intensa es la rivalidad?), retomando lo visto en Organización Industrial.
Identifiquen 3 procesos de negocio de esa empresa donde la IA/ML ya genera valor hoy o podría generarlo pronto (operaciones, marketing, finanzas, atención al cliente, etc.).
Para cada proceso, clasifiquen:
- Madurez: 🔴 experimental · 🟡 en adopción · 🟢 estándar de la industria.
- Tipo de tecnología: ¿es más bien ML predictivo (predicción/clasificación) o IA Generativa (ChatGPT/Claude/Gemini u otro asistente)?
Para uno de los tres procesos, evalúen en una frase si esa capacidad representa una ventaja competitiva defendible (¿es fácil de copiar por un competidor?) o solo una mejora operativa.
Compartan un hallazgo con el curso.
Antes de terminar la clase, anoten en la planilla el nombre de su grupo, sus integrantes y la empresa/tema elegido — es el tema con el que trabajarán todo el proyecto.
Guarden sus notas: el miércoles las usarán como punto de partida del Hito 1 del Proyecto.

📚 Para la próxima clase

Lectura sugerida: Agrawal, Gans & Goldfarb, Prediction Machines — capítulo introductorio sobre IA como "máquina de predicción" y su efecto en el costo de predecir.
Traer un ejemplo propio (noticia, caso de una empresa, experiencia personal) de un producto o servicio que use Machine Learning, para discutirlo en la Clase 2.
Si aún no lo han hecho, crearse una cuenta gratuita en ChatGPT, Claude o Gemini y probarlos con una pregunta de negocio real — lo usaremos en clases próximas.
Traer las notas de la actividad formativa de hoy: se usarán directamente en el Hito 1 del Proyecto.