Los AI Agents están redefiniendo la forma en que trabajamos, innovamos y tomamos decisiones.
Incorporá las herramientas y conocimientos necesarios para comprender cómo funcionan y cómo implementarlos en contextos reales.
✔ Comprendé cómo los agentes inteligentes toman decisiones a través de los Procesos de Decisión de Markov (MDP), uno de los marcos fundamentales del Aprendizaje por Refuerzo.
✔ Identificá cuándo utilizar estrategias de predicción o control, comprendiendo sus ventajas, limitaciones y aplicaciones en distintos escenarios.
✔Llevá la teoría a la práctica implementando algoritmos de Reinforcement Learning como Q-Learning y SARSA utilizando Python y librerías especializadas.
✔Explorá aplicaciones actuales del Aprendizaje por Refuerzo Profundo, utilizadas en áreas como robótica, automatización, optimización de procesos y sistemas inteligentes.
✔Desarrollá criterio técnico para analizar y evaluar resultados, experimentando con casos prácticos que reflejan desafíos reales de la industria.
Conocé nuestra oferta 2026 en Programas en actualización continua aquí.
¿Qué son, cómo razonan y cuándo usarlos?
Los grandes modelos de lenguaje (LLMs) son el cerebro. Las herramientas son el cuerpo. Pero ¿qué los convierte en agentes? En este módulo se construyen los cimientos conceptuales necesarios para razonar con precisión sobre el ecosistema de agentes.
Contenidos
El espectro de la autonomía: reglas → workflows → agentes. Diferencias prácticas y criterios de elección.
Anatomía de un agente: percepción, razonamiento (LLM), planificación, herramientas (tools/actions) y memoria.
Tipos de agentes según función: conversacionales, de recuperación (RAG), observacionales, de ejecución multi-step.
Ecosistema de herramientas: LangChain, LlamaIndex, AutoGen, Copilot Studio, CrewAI
Introducción al Agent/Automation Canvas: los 9 bloques y su lógica de construcción progresiva.
Caso hilo conductor: Asistente de IA para Ética y Compliance: presentación del problema y del contexto organizacional.
Dinámica: «Radar de Problemas»
Los participantes mapean procesos de su propio contexto profesional, identifican patrones de dolor y clasifican oportunidades según el tipo de solución más adecuada (automatización simple, workflow, agente).
Completan los Bloques 1, 2 y 3 del Canvas (pain point, proceso as-is, valor esperado).
Del problema a la arquitectura
Saber que «necesitamos un agente» es solo el primer paso. El segundo es diseñarlo bien. En este módulo se trabaja la transición del problema al diseño de solución, con énfasis en las decisiones arquitectónicas.
Contenidos
Frameworks de razonamiento: ReAct, planificación jerárquica, agentes con reflexión.
Diseño de herramientas (tools): criterios para definir qué exponer como tool, granularidad y trazabilidad.
Memoria en agentes: memoria de sesión, episódica y semántica. Cuándo y cómo implementar cada tipo.
Orquestación multi-agente: patrones supervisor/subagente, agentes especializados, handoff entre agentes.
Prompt engineering para agentes: instrucciones de sistema, restricciones, format enforcement.
Caso hilo conductor: Diseño de la arquitectura del Asistente de Compliance — decisiones de tools, memoria y flujo de razonamiento.
Dinámica: «Inversión del Problema»
A partir de los Canvas iniciados en el Módulo 1, los equipos definen la solución: qué debe hacer el agente (verbos/acciones), qué herramientas necesita, cómo se comporta en el flujo to-be. Validación cruzada entre equipos con criterios de especificidad, acotamiento y medibilidad.
Completan el Canvas: Bloques 4, 5 y 6 (solución propuesta, tipo de agente/herramienta, comportamiento to-be).
¿Vale la pena construirlo? ¿Podemos construirlo?
El diseño más elegante puede fracasar si los datos no están disponibles, si la integración es imposible o si el ROI no justifica la inversión. Este módulo combina el análisis de viabilidad técnica con la cuantificación del valor de negocio.
Contenidos
Evaluación de agentes: métricas de performance (tasa de completitud, tasa de error, latencia), benchmarks y evaluación end-to-end.
Datos e integraciones: inventario de fuentes, APIs necesarias, conectores disponibles, gestión de credenciales y seguridad.
Definición de MVP: principio de mínima viabilidad aplicado a agentes. MoSCoW para priorización de features.
Cuantificación del ROI: framework de cálculo (tiempo ahorrado × costo por hora, reducción de errores, escalabilidad). Plantilla aplicable.
Riesgos y mitigaciones: alucinaciones, loops infinitos, dependencias externas, surface de ataque de seguridad.
Caso hilo conductor: Análisis completo de viabilidad del Asistente de Compliance — ROI calculado, riesgos identificados, MVP definido.
Graduados y profesionales provenientes de ciencia de datos, estadística, economía, ingeniería, computación o disciplinas afines que busquen actualizar sus competencias en inteligencia artificial aplicada.
La Universidad Austral es la #1 de Argentina
de Gestión Privada
Contactanos
