Curso en Vibe Coding

Objetivo. Establecer cuándo y por qué la IA constituye una ventaja competitiva, y sentar las bases de la arquitectura de modelos.
Contenidos
• IA como capacidad estratégica y motor de ventaja competitiva.
• AI Push vs. Problem Pull: cuándo la tecnología impulsa y cuándo el problema define la solución.
• Identificación de oportunidades de alto impacto en la cadena de valor.
• Arquitectura de modelos fundacionales: closed vs. open source LLMs y model routing multi-modelo.
• AI Moats: barreras competitivas basadas en datos, aprendizaje y algoritmos.

Objetivo. Cubrir, de forma compacta, la base de contexto necesaria para que una aplicación de IA responda con información confiable.
Contenidos
• Context Engineering como infraestructura: lo esencial para un producto.
• RAG aplicado: vector search, hybrid search, embeddings y chunking, sin sobre-ingeniería.
• Knowledge graphs y datos multimodales: cuándo aportan valor real.
• Guardrails y control de alucinaciones como requisito de calidad del producto.

Objetivo. Diseñar la experiencia de aplicaciones de IA, asumiendo que el sistema produce resultados probabilísticos y a veces erróneos.
Contenidos
• Diseño centrado en el usuario aplicado a productos de IA.
• UX de interfaces no deterministas: diseñar para incertidumbre y variabilidad de respuestas.
• Patrones de confianza y transparencia: explicabilidad, citas y niveles de certeza.
• Manejo de errores y alucinaciones desde la experiencia: recuperación, corrección y control del usuario.
• Estados de la interacción: carga, streaming de respuestas y feedback en tiempo real.• Investigación con usuarios y validación temprana de conceptos.

Objetivo. Traducir la experiencia a una interfaz visual coherente, accesible y escalable mediante un sistema de diseño.
Contenidos
• Principios de UI: jerarquía visual, tipografía, color, espaciado y composición.
• Sistemas de diseño y bibliotecas de componentes reutilizables.
• Diseño de interfaces conversacionales y copilotos: layout, affordances y microinteracciones.
• Accesibilidad (WCAG) en aplicaciones de IA.
• Prototipado y handoff: de Figma a componentes de código.

Objetivo. Construir la base técnica de una aplicación web que integra modelos de IA con buen rendimiento y experiencia.
Contenidos
• Arquitectura frontend–backend para aplicaciones de IA.
• Frameworks web modernos (React / Next.js) y estrategias de renderizado.
• Integración de LLMs desde el frontend: APIs, SDKs y streaming de respuestas.
• Gestión de estado, sesiones y manejo de tokens en la interfaz.
• Autenticación, autorización y seguridad en el cliente.
• Latencia percibida y respuestas en tiempo real.

Objetivo. Incorporar agentes autónomos a la aplicación, con herramientas, memoria y orquestación.
Contenidos
• De chatbots a sistemas agénticos autónomos empresariales.
• Arquitecturas: ReAct, Planner-Executor y Multi-Agent Systems.
• Tool calling e integración con APIs, bases de datos y sistemas corporativos.
• Memory loops y gestión de contexto persistente.
• Orquestación de agentes: LangGraph, CrewAI, AutoGen y DSPy.
• Observabilidad, telemetría y token economics (nociones para producto).

Objetivo. Construir, de extremo a extremo, una aplicación de IA acelerando el desarrollo mediante colaboración humano-IA.
Contenidos
• Vibe Engineering: diseño de personalidad, tono y comportamiento del sistema.
• Vibe Coding: desarrollo acelerado de aplicaciones y agentes con colaboración humano-IA.
• Vibe-Driven Application Development: construcción de aplicaciones con frontends conversacionales.
• Integración full-stack: del prototipo de UI a una aplicación funcional.
• Diseño de copilotos ejecutivos y asistentes cognitivos como producto.

Objetivo. Llevar la aplicación a producción con escalabilidad, seguridad, gobernanza, control de costos y resiliencia.
Contenidos
• Arquitecturas enterprise escalables y estrategias multi-cloud (AWS, Azure, GCP).
• Despliegue de apps web de IA: microservicios, serverless y edge.
• Seguridad: Zero Trust, IAM, VPC y protección de datos sensibles.
• Gobernanza, cumplimiento regulatorio y trazabilidad algorítmica.
• Optimización económica: routing dinámico, caching semántico y quantization.
• Observabilidad, métricas SLO/SLA y resiliencia; aplicaciones listas para producción.