Curso en Arquitecturas Avanzadas de IA Agéntica

• Gerentes de TI y directores de innovación.
• Líderes de transformación digital.
• Consultores y jefes de proyectos tecnológicos.
• Ingenieros de software y arquitectos de soluciones.
• AI engineers y data scientists.
• Profesionales responsables de implementar o tomar decisiones sobre inteligencia artificial en sus organizaciones.

Prerrequisito: los participantes deben haber completado el Curso en IA Agéntica III o demostrar conocimientos equivalentes en MCP, LangGraph, CrewAI, patrones multiagente y skills para agentes.

Objetivo general
Desarrollar las capacidades estratégicas y operativas necesarias para llevar un proyecto de IA agéntica del laboratorio a su adopción empresarial, mediante la evaluación de arquitecturas, el análisis de costos de despliegue, la gobernanza de datos, el cumplimiento regulatorio y la presentación de su valor de negocio ante grupos de interés.

Objetivos específicos

• Analizar arquitecturas de sistemas agénticos como supervisor, pipeline, red de pares y jerárquica, para seleccionar el patrón de orquestación adecuado según cada reto de negocio y definir los roles de los agentes.
• Evaluar opciones de despliegue mediante API en la nube, modelos locales o modelos propios, considerando factores como infraestructura, tiempo, conocimiento técnico, datos, mantenimiento y escalabilidad.
• Aplicar el árbol de decisión prompting → RAG → skills → fine-tuning para elegir el nivel de adaptación más conveniente según el costo y la complejidad del proyecto.
• Diseñar una estrategia de gobernanza de datos que incluya la documentación de procesos en formatos interpretables por modelos de lenguaje, la creación de skills empresariales y la preparación de información para RAG.
• Comprender los principios de monitoreo, observabilidad y seguridad necesarios para operar sistemas agénticos en producción, incluyendo métricas, trazabilidad, permisos y prevención de riesgos.
• Identificar las implicaciones del EU AI Act y del CONPES 3975 para reconocer obligaciones, responsabilidades y riesgos asociados con la implementación de sistemas de IA autónomos.
• Presentar un proyecto de IA agéntica ante audiencias no técnicas mediante lenguaje de negocio, métricas de impacto y una estrategia de gestión del cambio que facilite su adopción.

Prerrequisito formal: haber completado IA Agéntica III (Curso 3 del learning path) o demostrar conocimientos equivalentes en:

• MCP (Model Context Protocol).
• LangGraph (agentes stateful).
• CrewAI (equipos de agentes especializados).
• Patrones multiagente: supervisor, pipeline y red de pares.
• Skills para agentes mediante instrucciones estructuradas en Markdown.

• Evaluación de arquitecturas de sistemas agénticos del estado del arte: supervisor, pipeline, red de pares y jerárquica.
• Definición de roles de agentes y orquestación de workflows para problemas empresariales concretos.
• Construcción de matrices de costos para decidir entre consumo vía API, modelo local o modelo propio.
• Aplicación del árbol de decisión prompting → RAG → skills → fine-tuning según costo y complejidad.
• Diseño de estrategias de gobernanza de datos: documentación de procesos, creación de skills empresariales y preparación de datos para RAG.

Enfoque Comprende + Construye: El curso mantiene la metodología Comprende + Construye de los cursos anteriores. La capa Comprende fortalece el análisis de las decisiones de arquitectura, mientras que la capa Construye aumenta la complejidad de los ejercicios prácticos y del código.

Capa Comprende: marco conceptual: Los conceptos técnicos se explican mediante analogías aplicadas al entorno empresarial. MCP se presenta como un estándar para conectar agentes y herramientas; los skills, como instrucciones que adaptan al agente a los procesos de una organización; CrewAI, como un equipo de agentes con roles definidos; y los patrones multiagente, como distintas formas de coordinar tareas.
Los participantes también analizan las implicaciones de cada decisión: integración con sistemas existentes, interoperabilidad, vendor lock-in y conveniencia de implementar un agente único o un sistema multiagente.

Capa Construye: laboratorios de código: Los laboratorios se desarrollan en Google Colab. Los participantes construyen un servidor MCP, implementan agentes stateful con LangGraph, diseñan crews con CrewAI y orquestan sistemas multiagente. Cada ejercicio parte de un notebook funcional que se adapta a un caso de negocio, con LangSmith como herramienta de observabilidad, depuración y monitoreo.

Proyecto integrador. Fase 3: sistema multiagente: El agente con RAG desarrollado en el Curso 2 evoluciona hacia un sistema multiagente con conexión a herramientas mediante MCP, skills, memoria persistente y agentes especializados. Los perfiles técnicos implementan la arquitectura; los perfiles no técnicos la diseñan a alto nivel y documentan sus componentes.

Dinámica de las sesiones: Las sesiones combinan explicación conceptual, laboratorios guiados, resolución de dudas y acompañamiento según el perfil de la cohorte y las necesidades del proyecto integrador.