Diplomado en Inteligencia Artificial Aplicada a los Archivos y la Gestión Documental

• Historia y evolución: Del paradigma analógico a la IA.

• Conceptos clave: Machine Learning, Deep Learning y algoritmos.

• Tipología de datos: Tratamiento de información no estructurada.

• Ecosistema tecnológico: Infraestructura y servicios en la nube.

• Ciclo de vida: Impacto de la IA en la gestión documental.

• OCR y HTR avanzado: Reconocimiento de impresos y manuscritos.

• Extracción de Entidades (NER): Identificación de nombres, fechas y lugares.

• Análisis de estructura: Segmentación de páginas, tablas y formularios.

• Clasificación híbrida: Categorización por contenido textual y visual.

• Detección de patrones: Identificación de sellos, firmas y logotipos.

• RPA Cognitivo: Automatización de tareas repetitivas en el archivo.

• Transferencias automáticas: Flujos inteligentes de documentos.

• Valoración asistida: Algoritmos para la detección de valores primarios y secundarios.

• Normalización de metadatos: Limpieza y estandarización automática.

• Auditoría de procesos: Control de calidad automatizado en el ingreso de datos.

• Sesgos algorítmicos: Prevención de discriminación en archivos.

• Datos personales: Anonimización automática de datos sensibles.

• Seguridad y procedencia: Validación de integridad en entornos de IA.

• Marco regulatorio: Normativas internacionales y transparencia.

• Responsabilidad: El rol del archivero como supervisor ético

• Conocimientos conceptuales y fundamentos

• Habilidades duras

• Habilidades blandas

• Desarrollo de un plan de formación

• Diagnóstico: Identificación de problemas resolubles con IA.

• Curaduría de datasets: Preparación y etiquetado de datos.

• Análisis de proveedores: evaluación de alternativas

• Gestión del cambio: Implementación en equipos humanos.

• Prototipado: Desarrollo de una solución aplicada a un archivo real.

En los últimos años los archivos y sus profesionales – los archivistas – han venido experimentando una creciente implementación de tecnologías para el desarrollo de los procesos que les permiten cumplir con su función principal, el acceso oportuno a la información por parte de sus usuarios. En este marco, han aparecido tecnologías de Inteligencia Artificial que pueden apoyar la automatización de los procesos de la gestión documental.

Para posibilitar una adopción fundamentada de estas tecnologías es necesario que los archivistas comprendan el desarrollo histórico y conceptual que ha dado lugar al estado actual de masificación de las tecnologías de IA y con ello a comprender los fundamentos necesarios para su utilización en procesos propios de la gestión documental. Entre otros, conceptos como Machine Learning, Deep Learning y tratamiento de datos cobran especial relevancia en este contexto.

Este modulo pretende desarrollar en los participantes la capacidad de comprensión y reflexión de los conceptos relacionados con la IA en perspectiva de su implementación como herramienta de automatización de los procesos de gestión documental.

Objetivo General:

Promover la comprensión de la inteligencia artificial, su evolución, fundamentos técnicos y ecosistema tecnológico en perspectiva de su aplicación en el ámbito de la gestión documental.

Objetivos Específicos:

· Analizar la evolución histórica de la inteligencia artificial

· Comprender los principios básicos asociados al uso de la inteligencia artificial

· Evaluar el ecosistema tecnológico de la inteligencia artificial

· Examinar los conceptos clave del tratamiento y calidad de datos como componentes de la inteligencia artificial

· Comprender las potencialidades de uso de la inteligencia artificial en procesos de gestión documental

La inteligencia artificial comprende un conjunto de tecnologías orientadas al procesamiento de grandes volúmenes de datos y a la automatización de procesos y actividades con distintos niveles de autonomía. En los últimos años, estas tecnologías se han masificado en diversos ámbitos sociales, incluido el campo de los archivos, en el marco de la transformación tecnológica global.

Este escenario plantea desafíos relevantes para los profesionales de la información —en particular, para los archivistas— en cuanto a la comprensión de la evolución, conceptos fundamentales, infraestructura tecnológica y las posibilidades de automatización de procesos de gestión documental mediante IA.

En este contexto, el módulo busca proporcionar a estos profesionales herramientas conceptuales que les permitan proyectar el uso de estas tecnologías en el desarrollo de sus funciones con fundamentos adecuados. Asimismo, se propone favorecer el trabajo interdisciplinario con otros perfiles profesionales involucrados en la selección, configuración, implementación y sostenimiento de sistemas de inteligencia artificial a nivel organizacional.

La metodología consiste en exposiciones magistrales en las clases sincrónicas para el abordaje de los temas del curso, articuladas con el diálogo permanente con los participantes para fomentar la reflexión y el aprendizaje significativo de los conceptos. Se implementará con el apoyo de medios informáticos y audiovisuales y se proporcionará la bibliografía pertinente para complementar el aprendizaje de los participantes.

Se evaluará la asistencia y participación de los alumnos como elemento base para su seguimiento y aprendizaje. Se valorarán las tareas realizadas de manera individual o grupal de acuerdo con el tema tratado. La comunicación entre participantes y profesor se dará a través de medios electrónicos y podrán coordinarse tutorías personalizadas o grupales.

Evolución e Introducción de la IA en Archivos

· Historia y hitos de la IA: Desde Turing y la conferencia de Dartmouth hasta la era de la IA generativa.

· El invierno de la IA y el boom actual: Por qué los intentos previos fallaron y cómo el Big Data y el hardware moderno cambiaron el panorama.

· Conceptos clave de la Gestión Documental Tradicional: Repaso breve del ciclo vital del documento, valoración y disposición final.

· El cambio de paradigma: De la automatización de procesos basados en reglas (RPA) a la automatización cognitiva.

· Beneficios de la IA en archivos: Eficiencia en la búsqueda, reducción de errores humanos, accesibilidad masiva y preservación digital.

· Retos actuales del archivista: Pérdida de control del contexto, obsolescencia tecnológica y la necesidad de nuevas competencias digitales.

Conceptos Técnicos Fundamentales de la IA

· ¿Qué es un algoritmo?: Definición matemática y lógica orientada a la toma de decisiones e instrucciones en archivos.

· Aprendizaje Automático (Machine Learning): Conceptos de aprendizaje supervisado, no supervisado y por refuerzo aplicados a la clasificación documental.

· Redes Neuronales Artificiales: Estructura básica (capas de entrada, ocultas y salida) y cómo imitan el procesamiento humano.

· Aprendizaje Profundo (Deep Learning): Potencial de las redes profundas para el análisis de grandes volúmenes de documentos no estructurados.

· Procesamiento del Lenguaje Natural (PLN): Cómo las máquinas leen, comprenden e interpretan el lenguaje humano en los documentos textuales.

· Visión Artificial y OCR Inteligente: Evolución del reconocimiento óptico de caracteres simple a la extracción de datos basada en contexto (ICR).

Datos, Infraestructura y Calidad de la Información

· Datos estructurados vs. No estructurados: Clasificación de bases de datos tradicionales frente a PDFs, imágenes, audios y correos electrónicos corporativos.

· Importancia de la calidad del dato en IA: El principio Garbage In, Garbage Out (Basura entra, basura sale) aplicado a los modelos predictivos.

· Ciclo de tratamiento de datos para IA: Ingesta, limpieza, normalización, etiquetado y almacenamiento de activos documentales.

· Metadatos y enriquecimiento semántico: Uso de IA para la creación automática de metadatos más descriptivos y precisos.

· Infraestructura tecnológica (On-premise vs. Cloud): Ventajas y desventajas de procesar archivos de manera local o en servicios en la nube (AWS, Azure, Google Cloud).

· Seguridad y Gobernanza de Datos: Introducción a la privacidad, cumplimiento normativo y resguardo de la propiedad intelectual en archivos digitales.

El módulo será evaluado de la siguiente forma:

• Actividades evaluativas (tipo examen u otros mecanismos) que permitan validar la comprensión de los temas: 70%

• Participación en actividades de clase: 30%

Se recomienda la lectura del material indicado previo a la asistencia a cada sesión de trabajo.

Camilo García Morales

Profesional en Archivística y Magister en Gestión de Ciencia, Tecnología e Innovación de la Universidad de Antioquia (Colombia). Profesor del programa Archivística de la Escuela Interamericana de Bibliotecología de la Universidad de Antioquia (Colombia), en las áreas curriculares de fundamentación disciplinar, gestión documental y tecnologías aplicadas a los archivos. Investigador del Grupo Información, Conocimiento y Sociedad de la Universidad de Antioquia (Colombia), en la línea de investigación Estudios Interdisciplinarios de la Gestión de la Información y del Conocimiento. Integrante del Grupo de Trabajo en Gestión y Administración del Proyecto InterPARES Trust AI (2021-2026) de la Universidad British Columbia (Canadá).

Ha trabajado en procesos de extensión universitaria con la elaboración de propuestas técnico económicas y el acompañamiento de proyectos de consultoría en procesos de gestión documental y digitalización de documentos.

Tiene experiencia en la coordinación de Centros de Administración Documental, desarrollo de procesos técnicos archivísticos en entidades públicas y privadas y conocimientos en gestión del conocimiento organizacional y divulgación científica

Durante su trayectoria académico-administrativa ha sido coordinador de Prácticas y Trabajo de Grado del programa Archivística y Jefe del Departamento de formación académica de la Escuela Interamericana de Bibliotecología de la Universidad de Antioquia (Medellín, Colombia).

Canning, D., & Jaillant, L. (2025). AI to review government records: New work to unlock historically significant digital records. AI & Society, 40(4), 4433–4445. https://doi.org/10.1007/s00146-025-02221-0

Colavizza, Giovanni, Blanke, Tobias, Jeurgens, Charles & Noordegraaf, Julia. 2021. Archives and AI: An Overview of Current Debates and Future Perspectives. J. Comput. Cult. Herit. 15, 1, Article 4 (February 2022), 15 pages. https://doi.org/10.1145/3479010 ​

Corredera, J. C. (2023). Inteligencia artificial generativa. In Anales de la Real academia de Doctores (Vol. 8, No. 3, pp. 475-489).​

Huang, T., & Smith, C. (2006). The History of Artificial Intelligence.​

Hutchinson, T. (2020), “Natural language processing and machine learning as practical toolsets for archival processing”, Records Management Journal, Vol. 30 No. 2, pp. 155-174. https://doi.org/10.1108/RMJ-09-2019-0055​

Institute for Information Governance (2024). AI Governance: a primer. A White Paper Instructional Guide. ​

Makhlouf Shabou, Basma & Tièche, Julien & Knafou, Julien & Gaudinat, Arnaud. (2020). Algorithmic methods to explore the automation of the appraisal of structured and unstructured digital data. Records Management Journal. ahead-of-print. 10.1108/RMJ-09-2019-0049. ​

OECD (2024), “Explanatory memorandum on the updated OECD definition of an AI system”, OECD Artificial Intelligence Papers, No. 8, OECD Publishing, Paris, https://doi.org/10.1787/623da898-en ​

Rouhiainen, Lasse (2018). Inteligencia artificial. Alienta​​

Marciano, R., Lemieux, V., Hedges, M., Esteva, M., Underwood, W., Kurtz, M. & Conrad, M.(2018). Archival Records and Training in the Age of Big Data. In J. Percell , L. C. Sarin , P. T. Jaeger, J. C. Bertot (Eds.), Re-Envisioning the MLS: Perspectives on the Future of Library andInformation Science Education (Advances in Librarianship, Volume 44B, pp.179-199). Emerald Publishing Limited.

Moss, Michael, David Thomas, and Tim Gollins. 2018. “The Reconfiguration of the Archive As Data to Be Mined”. Archivaria 86 (November), 118-51. https://archivaria.ca/index.php/archivaria/article/view/13646.

Serra Serra, Jordi (2021). “Los datos: ¿una amenaza? Gestión de documentos en la era de los datos”. Tábula, n. 24, pp. 21-43

Este módulo constituye el núcleo técnico-práctico del diplomado. Está diseñado para que los participantes dejen de ser usuarios pasivos o espectadores de la IA y se conviertan en usuarios críticos y capacitados para aplicar tecnologías específicas sobre los documentos.

A lo largo del módulo los explorarán y experimentarán con herramientas de Reconocimiento Óptico de Caracteres (OCR) y Reconocimiento de Escritura Manuscrita (HTR), sistemas de Extracción de Entidades (NER), algoritmos de clasificación automática y técnicas de análisis de imagen para identificar elementos visuales. El objetivo es capacitar al archivista para “leer” y procesar automáticamente el contenido y la estructura de los documentos, tanto históricos como contemporáneos

Objetivo General:

Aplicar un conjunto de tecnologías de IA (OCR, NER, clasificación, visión artificial) para extraer información, clasificar y analizar documentos de archivo de manera automática, comprendiendo sus principios de funcionamiento y limitaciones.

Objetivos Específicos:

· Distinguir entre las tecnologías de OCR y HTR, identificando la herramienta adecuada según la tipología documental (impreso vs. manuscrito).

· Implementar flujos básicos de trabajo para la extracción de entidades nombradas (NER) a partir del texto de los documentos.

· Experimentar con técnicas de clasificación automática de documentos basadas en su contenido textual y características visuales.

· Utilizar herramientas de análisis de imagen para la detección automática de elementos gráficos como sellos, firmas y logotipos.

· Evaluar la calidad y precisión de los resultados obtenidos por estas herramientas tecnológicas.

La metodología será activa y práctica, combinando sesiones sincrónicas y trabajo asincrónico.

· Sesiones Sincrónicas (2 por semana, 3h c/u):

o Clase Magistral Activa (1h): Exposición de conceptos teóricos y demostración de herramientas por parte del docente.

o Taller Práctico Guiado (2h): Los estudiantes, siguiendo las instrucciones del docente y utilizando sus propios ordenadores, realizarán ejercicios prácticos con las herramientas presentadas. Se fomentará la resolución de dudas en vivo.

· Trabajo Asincrónico:

o Lectura previa: Material bibliográfico y tutoriales para preparar la sesión sincrónica.

o Debate: Análisis de casos de éxito y fracaso en la implementación de estas tecnologías.

o Tareas prácticas: Ejercicios para consolidar lo aprendido en el taller, aplicándolo a nuevos conjuntos de datos.

Semana 1: De la imagen al texto: OCR y HTR avanzado

· OCR vs. HTR: Diferencias fundamentales, usos y limitaciones. Breve historia y evolución (ABBYY, Transkribus, modelos basados en redes neuronales).

· Flujo de trabajo del OCR: Preprocesamiento de imagen (binarización, corrección de sesgo), reconocimiento de caracteres y corrección post-OCR.

· Práctica: Utilización de software para OCR de documentos impresos antiguos y modernos.

· Introducción a HTR: Plataformas como Transkribus o READ-COOP para el entrenamiento de modelos básicos sobre escritura manuscrita.

Semana 2: Reconocimiento de Entidades Nombradas (NER)

· Fundamentos de NER: ¿Qué es una entidad? (Personas, lugares, fechas, organizaciones). Diferencia entre el NER y la indexación tradicional.

· Herramientas y Modelos: Uso de modelos pre-entrenados en español.

· Práctica: Aplicación de un modelo de NER para identificar automáticamente nombres de personas y lugares en un conjunto de cartas o resoluciones.

· Visualización: Uso de herramientas para visualizar las entidades detectadas en el texto.

Semana 3: Clasificación automática de documentos

· Tipos de Clasificación: Clasificación basada en texto (análisis de contenido) vs. clasificación basada en imagen (análisis de estructura visual).

· Clasificación Híbrida: Combinación de características textuales y visuales para una categorización más robusta

· Práctica (Textual): Creación de un clasificador simple de noticias o tipos documentales (ej. memorándum, oficio, carta) utilizando técnicas de Machine Learning.

· Práctica Uso de herramientas de visión artificial para identificar la estructura de un documento (dónde está el título, el cuerpo, una tabla).

Semana 4: Análisis de imagen y patrones documentales

· Detección de patrones visuales: Fundamentos de Visión Artificial aplicada a archivos. Identificación de objetos: sellos, firmas, logotipos, marcas de agua.

· Herramientas: Uso de modelos de detección de objetos o APIs de servicios cloud.

· Práctica: Aplicación de una herramienta de detección de objetos para identificar y contar automáticamente la presencia de sellos oficiales en un lote de imágenes de documentos.

· Integración: Diseño de un pequeño flujo de trabajo para la detección de sellos para enriquecer la descripción de un documento de archivo.

Trabajo Personal (Tareas Prácticas – 40% de la calificación del módulo):

· Semana 1: Entregar un archivo de texto resultado del OCR de un documento proporcionado, junto con un breve informe sobre los errores encontrados.

· Semana 2: Entregar un archivo CSV con las entidades (personas, fechas, lugares) extraídas del texto de la Semana 1.

· Semana 3: Entregar el resultado de la clasificación automática de un conjunto de 10 documentos de prueba.

· Semana 4: Entregar una captura de pantalla o el resultado de la detección de sellos en 3 imágenes de documentos.

Participación en Clase (10% de la calificación del módulo):

· Se evaluará la participación activa en los talleres sincrónicos y las contribuciones sustanciales en los foros de debate, aportando análisis y reflexiones sobre los casos presentados.

Proyecto Final del Módulo (50%):

· El Módulo 2 sirve para que los estudiantes identifiquen qué tecnología específica (OCR, NER, clasificación) podría ser la base de su proyecto final. Se espera que al final de este módulo, el estudiante tenga una idea clara de la “solución técnica” que aplicará en el Módulo 5.

· Criterios de Evaluación:

o Para las tareas prácticas: Se evaluará la correcta ejecución del ejercicio, la calidad de los resultados obtenidos (ej. precisión del OCR, entidades bien detectadas) y la claridad de la justificación en el informe entregado.

o Para la participación en clase: Se valorará la capacidad de análisis crítico, la referencia a las lecturas y el respeto y la construcción colectiva del conocimiento.

· Sistema de Calificación: Se utilizará una escala numérica. La calificación final del módulo será el promedio ponderado de las tareas (40%), la participación (10%) y el proyecto final (50%).

Hugo Vinicio Carrión

Es Ingeniero Electrónico con especialización en Telecomunicaciones por la Escuela Politécnica Nacional del Ecuador, con formación de posgrado en gestión de tecnologías de la información y pedagogías innovadoras. Cuenta con cerca de tres décadas de trayectoria profesional centrada en las tecnologías de la información y comunicación (TIC), la gestión de documentos electrónicos y la formación profesional.

A lo largo de su carrera, ha destacado como consultor e investigador para organismos internacionales y entidades nacionales, colaborando con instituciones como la UNESCO, el PNUD, el Banco Mundial y el Banco Interamericano de Desarrollo (BID). Sus principales líneas de trabajo e investigación abarcan la formulación y evaluación de proyectos tecnológicos, la regulación de telecomunicaciones, la preservación del patrimonio digital y el uso de la inteligencia artificial.

En el ámbito laboral y académico, se desempeña como Director de Proyectos en el Centro de Investigación para la Sociedad de la Información IMAGINAR, Coordinador Académico en el Instituto SantaFe y docente en programas universitarios de pregrado y posgrado. Adicionalmente, ha sido conferencista en diversos seminarios nacionales e internacionales y cuenta con múltiples publicaciones enfocadas en la aplicación de las TIC para el desarrollo y la gestión documental.

· Muehlberger, G., Seaward, L., Terras, M., Bennett, S., Pulzl, S., Richter, T., … & Zagler, A. (2019). Transforming scholarship in the archives through optical character recognition: Lessons learned from the READ project. Journal of Documentation, 75(5), 954-976. https://doi.org/10.1108/JD-07-2018-0114

· Schomaker, L. (2021). Document Analysis and Recognition. En Encyclopedia of Cryptography, Security and Privacy. Springer. https://doi.org/10.1007/978-3-642-27739-9_1637-1

· Jurafsky, D., & Martin, J. H. (2023). Speech and Language Processing (3rd ed. draft). Stanford University. (Capítulo sobre “Named Entity Recognition and Relation Extraction”). https://web.stanford.edu/~jurafsky/slp3/

· Ruiz Robañera, A. (2020). Extracción de entidades nombradas en español mediante técnicas de Deep Learning. Universidad de La Rioja. https://dialnet.unirioja.es/servlet/tesis?codigo=285122

· Wigington, C., Stewart, S., Davis, B., Barrett, B., Price, B., & Scott, S. (2018). Data Augmentation for Recognition of Handwritten Words and Paragraphs. En 2018 16th International Conference on Frontiers in Handwriting Recognition (ICFHR) (pp. 97-102). IEEE. https://doi.org/10.1109/ICFHR.2018.00026

· Aggarwal, C. C. (2018). Machine Learning for Text. Springer International Publishing. https://doi.org/10.1007/978-3-319-73531-3

· Dutta, A., Smith, N., & Zisserman, A. (2020). Visual search in a document collection. En Proceedings of the 2020 Digital Humanities Conference. https://doi.org/10.1145/3383583.3398514

· Smeulders, A. W., Worring, M., Santini, S., Gupta, A., & Jain, R. (2000). Content-based image retrieval at the end of the early years. IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(12), 1349-1380. https://doi.org/10.1109/34.895972

Esta actividad formativa capacita a especialistas en gestión documental y archivos para el uso estratégico y crítico de la Inteligencia Artificial (IA) en entornos digitales. El programa ofrece un enfoque integral que abarca desde la evolución histórica de la IA hasta sus beneficios operativos, abordando riesgos como sesgos algorítmicos, opacidad y desafíos de preservación.

A nivel normativo, se analizan los marcos regulatorios, la protección de datos y los requisitos de trazabilidad y seguridad. En el ámbito técnico-archivístico, se profundiza en la automatización del ciclo de vida del documento electrónico: captura, clasificación asistida, generación automática de metadatos, detección de datos personales y apoyo a la valoración documental.

Asimismo, incluye un bloque sobre ingeniería de prompts para mejorar la productividad, y evalúa estrategias de implantación (local o nube) considerando costes, escalabilidad y soberanía del dato. El curso también cubre la contratación de servicios de IA, gobernanza de datos y el desarrollo de nuevas competencias profesionales para supervisar sistemas automatizados.

Con un enfoque práctico y alineado a estándares internacionales, la formación utiliza casos de estudio y herramientas reales (como ChatGPT, NotebookLM, Gamma, Copilot Studio, entre otras) para que los participantes evalúen sus capacidades, limitaciones y aplicaciones en la gestión de archivos.

Objetivos generales:

· Capacitar a los profesionales archivísticos para comprender el impacto estratégico de la inteligencia artificial en la gestión del documento y expediente electrónico.

· Impulsar la modernización de los archivos mediante la automatización responsable de procesos, garantizando la autenticidad, integridad, disponibilidad y preservación de los documentos digitales.

· Fomentar una visión crítica sobre los beneficios, riesgos y límites de la IA en el ámbito archivístico.

· Desarrollar capacidades prácticas de interacción con sistemas de IA mediante el diseño de prompts eficaces y el uso profesional de herramientas basadas en IA.

· Conocer y experimentar con distintas herramientas de IA de uso profesional, valorando sus capacidades, limitaciones y posibles casos de uso en archivos y gestión documental.

Objetivos específicos

· Identificar oportunidades concretas de automatización en los procesos de captura, clasificación, descripción, indexación, valoración, conservación, transferencia, preservación y eliminación de documentos electrónicos.

· Analizar el papel de los metadatos en entornos automatizados y aprender a utilizar técnicas de IA para su generación, normalización y enriquecimiento.

· Evaluar los riesgos asociados al uso de IA (sesgos, opacidad, seguridad, protección de datos, dependencia tecnológica) y establecer mecanismos de supervisión y control.

· Evaluar las diferencias, ventajas e implicaciones de desplegar soluciones de IA en entornos on-premise frente a soluciones en la nube.

La evolución de los sistemas de gestión de documentos electrónicos ha permitido automatizar tareas operativas y mejorar la eficiencia organizativa. Sin embargo, el crecimiento exponencial del volumen documental, la complejidad de los expedientes electrónicos, la diversidad de formatos y la necesidad de garantizar trazabilidad, cumplimiento normativo y preservación a largo plazo exigen un nuevo nivel de automatización inteligente que supere las funcionalidades tradicionales.

La inteligencia artificial representa un salto cualitativo en este contexto. No se limita a almacenar y recuperar documentos, sino que permite interpretar contenidos, extraer información relevante, generar y enriquecer metadatos, clasificar automáticamente series documentales, detectar datos personales o sensibles, identificar duplicidades y apoyar procesos de valoración y expurgo conforme a reglas previamente definidas. Asimismo, facilita análisis predictivos sobre el ciclo de vida documental y mejora la capacidad de anticipar riesgos en la preservación digital.

La incorporación de IA en los ecosistemas de gestión documental no solo puede incrementar la eficiencia operativa, sino que va a fortalecer la gobernanza de la información, mejorar la calidad de los datos, optimizar la toma de decisiones basada en evidencia documental y reforzar la transparencia y la rendición de cuentas. Al mismo tiempo, introduce nuevos desafíos vinculados a la explicabilidad de los algoritmos, la supervisión humana, la protección de datos y la gestión de riesgos tecnológicos.

En un entorno organizativo crecientemente digital, la IA se configura como un componente estratégico para modernizar los archivos y consolidar modelos avanzados de administración electrónica. Por ello, resulta imprescindible que los profesionales archivísticos comprendan sus fundamentos, sus posibilidades reales de aplicación y los criterios técnicos, jurídicos y organizativos necesarios para su implantación responsable y sostenible.

La metodología del módulo se desarrollará en modalidad virtual sincrónica, combinando exposiciones estructuradas con un enfoque tanto teórico como práctico, priorizando esta segunda parte y aplicado al ámbito archivístico. Las sesiones se organizarán en torno a presentaciones por parte de los profesores donde se abordarán los fundamentos conceptuales, técnicos y normativos de la inteligencia artificial aplicada a la gestión documental y de archivos. Se utilizarán recursos audiovisuales, demostraciones en directo y ejemplos reales que permitan visualizar el funcionamiento de distintas herramientas de IA.

Con el objetivo de trasladar los contenidos teóricos a la práctica profesional, cada bloque temático incorporará ejercicios aplicados que los participantes deberán realizar utilizando herramientas de inteligencia artificial de uso libre o acceso abierto.

Estas actividades estarán orientadas, entre otros aspectos, a ver cómo se pueden realizar la generación y análisis de metadatos, clasificación automatizada de documentos, extracción de información relevante, detección de datos sensibles, apoyo a la valoración documental y diseño de propuestas de automatización de procesos archivísticos.

Durante las clases sincrónicas se incentivará la participación activa mediante debates, resolución de casos prácticos y reflexión colectiva sobre escenarios de aplicación en distintas realidades institucionales iberoamericanas. La evaluación considerará la asistencia y la correcta realización de las actividades prácticas, tanto individuales como grupales.

Introducción a la Inteligencia Artificial

· Definición de IA

· Casos de uso generales y en archivos

· Impactos, riesgos y recomendaciones

· Recomendaciones de uso responsable

· Supervisión humana

· Gobernanza del dato

· Transparencia y explicabilidad

Prompts y uso práctico de herramientas IA

· Fundamentos de prompting

· Estructuras metodológicas (ROCEF, RTF, etc.)

· Técnicas avanzadas (iteración, few-shot, cadena de pensamiento)

· Taller práctico aplicado a casos archivísticos

· Revisión crítica y control de calidad

Implantación de IA en sistemas propios

· Diagnóstico organizativo y tecnológico

· Identificación de casos prioritarios

· Hoja de ruta de implantación

· Recursos

· Cronograma

· Indicadores

· Gestión del cambio

Aplicación de la IA en la Gestión Documental y Archivo

Captura y registro

· OCR inteligente

· Extracción automática de información

Clasificación y descripción

· Clasificación automática según cuadro documental

· Generación y enriquecimiento de metadatos

Acceso y recuperación

· Búsqueda semántica

· Chatbots archivísticos

· Recomendación inteligente

Valoración y conservación

· Predicción de valor documental

· Automatización de reglas de conservación

Transferencia y preservación

· Control automatizado de metadatos

· Detección de formatos obsoletos

La evaluación será sumativa y a lo largo de todo el proceso de enseñanza-aprendizaje. Se tendrán en cuenta:

• La aplicación de los conceptos impartidos

La participación en clase y trabajos elaborados por los alumnos.

El módulo será evaluado sobre un total de 10 puntos:

· Participación en clase: 4 puntos

· Evaluaciones de los trabajos elaborados por los alumnos: 6 puntos

La lectura del material indicado previo a la asistencia en el aula.

Jordi Masias Muntada

Jordi Masias i Muntada es ingeniero superior en Informática por la Universitat Autònoma de Barcelona y cuenta con un posgrado en Dirección de Departamentos de Tecnologías de la Información por la Universitat de Barcelona. Actualmente es Consejero Delegado de AGTIC Consulting y está especializado en inteligencia artificial aplicada a las organizaciones, transformación digital, administración electrónica, gestión documental, identidad digital y firma electrónica.

En los últimos años ha centrado una parte relevante de su actividad profesional en el diseño de estrategias de implantación y gobernanza de la inteligencia artificial para administraciones públicas y corporaciones de derecho público. Ha liderado proyectos de identificación y evaluación de casos de uso, definición de modelos organizativos y de control, elaboración de directrices para el uso responsable de la IA, análisis de riesgos legales y éticos, programas de capacitación y acompañamiento al cambio, así como iniciativas de integración de la inteligencia artificial en los servicios públicos y en los procesos internos de las organizaciones.

Cuenta con una amplia experiencia en dirección de proyectos de administración electrónica, adecuación normativa, gestión documental y expediente electrónico, habiendo trabajado para administraciones públicas, universidades y organismos de España, Andorra y Latinoamérica. Asimismo, es profesor de posgrado en la Escuela Superior de Archivística y Gestión de Documentos (ESAGED-UAB), donde imparte formación especializada en gestión documental electrónica, preservación digital y tecnologías para la administración digital.

A lo largo de su trayectoria también ha desempeñado cargos de alta dirección en entidades de referencia como la Agència Catalana de Certificació (CATCert), Camerfirma y la Cámara de Comercio de Barcelona, contribuyendo al desarrollo de iniciativas pioneras en identidad digital, certificación electrónica y transformación tecnológica.

3. UNESCO – Recomendación sobre la Ética de la Inteligencia Artificial (2021) – Texto oficial en español.
https://unesdoc.unesco.org/ark:/48223/pf0000380455_spa

3. Google – Machine Learning Crash Course – Curso práctico gratuito sobre aprendizaje automático.
https://developers.google.com/machine-learning/crash-course

4. Comisión Europea – Ethics Guidelines for Trustworthy AI
https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai

Módulo 4

Nombre del módulo

Marco legal y ético de la Inteligencia Artificial

Créditos

3

Fecha de dictado

Coordinador docente responsable

Nombre

Amada María Arley Orduña

Docentes invitados

Modalidad cursada

A distancia / virtual

Régimen de asistencia

80%

Horas semanales de aula sincrónicas

18 horas

Horas semanales de trabajo estudiantil asincrónicas

18 horas

Breve resumen de la actividad curricular

Este módulo introduce a los y las participantes en los fundamentos jurídicos y éticos que enmarcan el desarrollo y la aplicación de sistemas de inteligencia artificial. Se examinan los principales instrumentos normativos vigentes a nivel internacional, regional y nacional: la Recomendación de la UNESCO sobre la ética de la IA, el Reglamento europeo de IA (AI Act) y el marco regulatorio emergente en México. Desde una perspectiva ética, se analizan los principios de transparencia, equidad algorítmica, responsabilidad, privacidad y dignidad humana como criterios de diseño y evaluación de sistemas automatizados de toma de decisiones. El módulo articula teoría y práctica mediante el análisis de casos concretos en sectores de alto impacto: justicia, salud, educación y administración pública.

Objetivos del módulo

Objetivo general

Proporcionar a los y las participantes un marco conceptual sólido sobre la regulación jurídica y los principios éticos aplicables a la inteligencia artificial, habilitándoles para el análisis crítico de normas, instrumentos de gobernanza y dilemas éticos en contextos específicos de aplicación.

Objetivos específicos

• Identificar y comparar los principales marcos normativos internacionales, regionales y nacionales relativos a la IA.

• Comprender los principios éticos fundamentales para el desarrollo y uso responsable de sistemas de IA.

• Analizar los riesgos y tensiones entre innovación tecnológica, derechos fundamentales y acceso a la justicia.

• Aplicar criterios jurídico-éticos al análisis de casos de uso de IA en sectores públicos y privados.

Justificación

La acelerada incorporación de sistemas de IA en la toma de decisiones que afectan derechos fundamentales, impone la necesidad de contar con profesionales capaces de analizar, diseñar y evaluar estos sistemas desde una perspectiva jurídica y ética rigurosa.

El contexto latinoamericano presenta desafíos particulares: marcos regulatorios en construcción, brechas digitales significativas, riesgos de reproducción y amplificación de sesgos estructurales, y escasa representación en los foros internacionales de gobernanza de la IA. Este módulo responde a esa necesidad formativa al ofrecer herramientas de análisis que articulan el derecho comparado, la ética aplicada y la perspectiva de derechos humanos, con atención específica a las condiciones del contexto regional.

Metodología de trabajo

El módulo combina modalidades sincrónicas y asincrónicas en un formato de aprendizaje activo:

• Sesiones sincrónicas: exposición dialogada, análisis de casos en grupo, debates sobre dilemas éticos y jurídicos, presentaciones de especialistas invitados/as.

• Actividades asincrónicas: lectura de materiales obligatorios, análisis individual de instrumentos normativos.

• Enfoque de aprendizaje basado en problemas: la unidad final incorpora casos de uso real que permite aplicar los contenidos a situaciones concretas

Contenidos del módulo

1. Fundamentos conceptuales del marco normativo de la IA

– Concepto y origen de IA

– Tipos de IA

2. Marco normativo internacional y comparado

– Recomendación de la UNESCO sobre la Ética de la IA (2021).

– Directrices de la OCDE y el G20 sobre IA confiable.

– Reglamento de IA de la Unión Europea (AI Act): estructura, obligaciones y enfoque de riesgo.

– Iniciativas regulatorias en México

3. Principios éticos aplicados a la IA

– Transparencia y explicabilidad algorítmica.

– Equidad, no discriminación y sesgos algorítmicos.

– Privacidad, protección de datos y habeas data.

– Responsabilidad y rendición de cuentas (accountability).

– Dignidad humana, autonomía y supervisión humana.

4. Regulación sectorial y casos de uso

– IA y derechos de autor

– Protección de datos personales

– Trazabilidad y explicabilidad algorítmica

Instancias de evaluación

La evaluación será sumativa y a lo largo de todo el proceso de enseñanza-aprendizaje. Se tendrán en cuenta:

• La aplicación de los conceptos impartidos

La participación en clase

Modalidad de evaluación

El módulo será evaluado sobre un total de 10 puntos:

• Participación en clase: 3 puntos

•Talleres de práctica: 3 puntos

• Evaluaciones parciales por unidad: 4 puntos

Se recomienda:

• Las dudas se resolverán en las tutorías.

La lectura del material indicado previo a la asistencia en el aula.

Semblanza curricular

Amada Arley

Pionera mexicana en investigaciones y desarrollos de Resolución electrónica de disputas (ODR) Justicia Digital. Es Doctora en Derecho del posgrado de Derecho de la UNAM, con estancia de doctorado en el cyber-laboratorio de Justicia de la Univerité de Montreal. Licenciada en Derecho por la Facultad de Derecho de la UNAM. Ganadora del Primer lugar a “La mejor tesis de licenciatura de investigaciones de América del Norte, por el Centro de Investigaciones de América del Norte de la UNAM. Es egresada del Programa de Negociación de la escuela de Derecho de Harvard. Ha sido observador Internacional en la Comisión de Naciones Unidas para el Derecho Mercantil Internacional en la elaboración de la Guía técnica de solución de conflictos en línea. Ha sido consultada por organismos internacionales como la APEC, la OEA y el Senado de la República en temas relacionados con resolución electrónica de disputas y justicia digital. Ha sido consultor externo para la Procuraduría Federal del Consumidor y del Tribunal Superior de Justicia de la CDMX. Fue miembro del Grupo de trabajo para ODR Project, del National Center for Tecnology&Dispute Resolution y la American Bar Assotiation. y del Grupo de trabajo “ODR Blockchain Project” para el European Cooperation in Science and Technology.

Actualmente es Profesor Invitado de la Escuela del Poder Judicial del Estado de Mèxico desarrollando el proyecto “Desarrollo de un sistema IA para diagnóstico de casos de cuantìa menor” A su vez es consultor en temas sobre Justicia Digital e Inteligencia Artificial y Derecho. Además participó como Profesor asociado del Centro de Ciencias de la Complejidad C3 (UNAM) donde desarrolló investigaciones transdiciplinarias entre dichas líneas temáticas. Es Autora de los libros: “Más allá del TLCAN, ASPAN ¿Qué es y a dónde vamos?” “Taller básico de Negociación y Mediación” y “Resolución electrónica de Disputas: Acceso a Justicia Digital” de Tirant Blanch. Y 19 artículos en revistas nacionales e internacionales. Ha sido honrada con la distinción de Candidata al Sistema Nacional de Investigadores CONAHCYT.

Bibliografía

Obligatoria

– Parlamento Europeo y Consejo de la Unión Europea (2024). Reglamento (UE) 2024/1689 por el que se establecen normas armonizadas en materia de inteligencia artificial (Reglamento de IA). Diario Oficial de la Unión Europea.

– UNESCO (2021). Recomendación sobre la Ética de la Inteligencia Artificial. París: UNESCO.

– OCDE (2019). Principios de la OCDE sobre Inteligencia Artificial. OECD/LEGAL/0449.

– Instituto Nacional de Transparencia, Acceso a la Información y Protección de Datos Personales (INAI). Guía para el Uso de Inteligencia Artificial en el Sector Público. INAI, 2023.

– Arley Orduña Amada María “Regulación de inteligencia artificial en México: primera aproximación a problemáticas presentes en nuestro contexto.” Anales de Jurisprudencia. Poder Judicial de la Ciudad de México. 1933-2023 XI. Época.

–

Sugerida

– Calo, R. (2017). Artificial Intelligence Policy: A Primer and Roadmap. UC Davis Law Review, 51, 399-435.

– Wachter, S., Mittelstadt, B. & Russell, C. (2017). Counterfactual Explanations without Opening the Black Box. Harvard Journal of Law & Technology, 31(2), 841-887.

– Comisión Interamericana de Derechos Humanos (2021). Resolución 1/2021: Principios sobre privacidad y protección de datos personales.

– CEPAL (2022). Inteligencia artificial en América Latina y el Caribe: Ética, gobernanza y regulación. Santiago: CEPAL.

– Hildebrandt, M. (2020). Law for Computer Scientists and Other Folk. Oxford University Press. [Capítulos seleccionados].

– Pasquale, F. (2015). The Black Box Society: The Secret Algorithms That Control Money and Information. Harvard University Press.

Módulo 5

Nombre del módulo

Desarrollo de competencias IA para archivistas

Créditos

3

Fecha de dictado

Coordinador docente responsable

Nombre

Andrés Sáenz-Giraldo

Modalidad cursada

A distancia / virtual

Régimen de asistencia

80%

Horas semanales de aula sincrónicas

18 horas

Horas semanales de trabajo estudiantil asincrónicas

18 horas

Breve resumen de la actividad curricular

Este módulo está diseñado para transformar el perfil profesional del archivista tradicional, dotándolo de las competencias estratégicas, técnicas y humanas necesarias para liderar proyectos de transformación digital mediante Inteligencia Artificial (IA). A lo largo de la actividad, los participantes transitarán desde la comprensión conceptual de los modelos predictivos y generativos hasta la adquisición de habilidades técnicas aplicadas, como la ingeniería de prompts, el análisis básico de datos y la auditoría de algoritmos.

Asimismo, se potenciarán las habilidades blandas indispensables para la gestión del cambio, la comunicación interdisiciplinaria con equipos de tecnología y la resolución de dilemas éticos asociados al sesgo y la privacidad de los datos. Finalmente, el módulo adopta un enfoque práctico y metodológico, capacitando a los estudiantes para diseñar e implementar planes de formación interna dentro de sus organizaciones. Al concluir, los profesionales no solo serán usuarios de soluciones automatizadas, sino supervisores críticos y estrategas capaces de garantizar que la automatización respete los principios de autenticidad, integridad y preservación documental a largo plazo, alineando la innovación tecnológica con los estándares archivísticos internacionales.

Objetivos del módulo

Objetivo general:

Desarrollar en los profesionales de la gestión documental las competencias conceptuales, técnicas y humanas necesarias para seleccionar, supervisar y aplicar herramientas de Inteligencia Artificial de manera crítica, ética y eficiente en el entorno archivístico.

Objetivos específicos:

· Dominar los fundamentos técnicos y de interacción con la IA: Comprender el funcionamiento de los algoritmos y estructurar instrucciones eficaces (ingeniería de prompts) para optimizar el tratamiento, indexación y recuperación de la información.

· Garantizar la supervisión crítica y ética de los sistemas automatizados: Evaluar de forma proactiva los riesgos tecnológicos, sesgos algorítmicos y requisitos de privacidad para actuar como auditores del cumplimiento normativo en los procesos automatizados.

· Liderar la gestión del cambio y la formación institucional: Desarrollar capacidades de comunicación con equipos técnicos y diseñar estrategias de capacitación interna que faciliten la adopción de la IA en la cultura organizacional.

Justificación

La irrupción de la Inteligencia Artificial en la administración electrónica ha transformado radicalmente el volumen y la naturaleza de los documentos digitales. Los métodos tradicionales de organización y descripción archivística manual resultan insuficientes ante la producción masiva de datos no estructurados. Si bien la IA ofrece soluciones de automatización cognitiva sin precedentes, su implementación plantea serios riesgos metodológicos: la pérdida de contexto, la opacidad en las decisiones de los algoritmos y la vulneración de la privacidad. Para mitigar esto, no basta con adquirir software avanzado; se requiere, de forma urgente, actualizar el capital humano.

En este contexto, el rol del archivista adquiere una relevancia estratégica. El archivista es un agente social con responsabilidad ética frente a la producción, organización, preservación y acceso a la información. Los desafíos asociados a la IA como la proliferación de fuentes no verificadas, el sesgo algorítmico, la vulnerabilidad de los datos y el acceso desigual a la información, dialogan directamente con problemáticas históricas de la disciplina archivística (Sáenz & García, 2025).

El archivista no puede ser un mero espectador de la tecnología ni delegar la gobernanza de la información exclusivamente en ingenieros de sistemas. Este módulo se justifica en la necesidad de cerrar la brecha digital existente, dotando al profesional de la información de un criterio técnico-crítico. Al capacitarlo en habilidades duras, blandas y metodológicas, se le posiciona como el puente indispensable entre la tecnología y la ciencia archivística. De este modo, se asegura que la automatización no destruya el valor evidencial y jurídico de los documentos, promoviendo una modernización responsable y sostenible en las instituciones.

Metodología de trabajo

Para desarrollar los contenidos de este módulo se realizarán exposiciones que fomenten la interacción y la participación, asimismo, los estudiantes se apropiarán de los conocimientos mediante el desarrollo de las siguientes actividades:

· Estudio de Caso

· Debates

· Lecturas y análisis de textos

· Indagaciones

La interacción entre profesores y estudiantes será mediante tutorías personalizadas, tutorías grupales y canales electrónicos.

Contenidos del módulo

1. Conocimientos conceptuales y fundamentos

· Modelos de lenguaje y aprendizaje: Qué es un Modelo de Lenguaje Grande (LLM) y cómo se diferencia de un sistema experto tradicional basado en reglas fijas.

· Arquitectura de caja negra: Comprensión del reto de la opacidad (por qué una IA toma una decisión de clasificación) y el concepto de IA explicable (XAI).

· El ciclo de vida del dato para IA: Introducción a la ingesta, limpieza, etiquetado y entrenamiento de modelos, mapeado bajo el ciclo vital del documento electrónico.

· Ética de los datos y sesgo algorítmico: Cómo los prejuicios históricos en los documentos de archivo pueden entrenar IA sesgadas, y el rol del archivista en la neutralidad de los datos.

2. Habilidades duras (Hard Skills)

· Ingeniería de Prompts aplicada: Técnicas avanzadas de formulación de instrucciones (Few-shot, Chain-of-thought) para la extracción de metadatos, resúmenes y análisis documental.

· Análisis y curaduría de datos: Uso de herramientas no-code o de bajo código para la normalización de datos (data wrangling) y control de calidad antes del entrenamiento.

· Auditoría y supervisión de sistemas: Metodologías para evaluar el porcentaje de error de un OCR inteligente o de un clasificador automático de series documentales.

· Integración mediante APIs: Conceptos básicos de interoperabilidad para entender cómo los sistemas de archivo (SGDEA) se comunican con los servicios de IA externos o internos.

3. Habilidades blandas (Soft Skills)

Capacidades humanas clave para asegurar que los proyectos de IA se adopten con éxito en las organizaciones.

· Gestión del cambio organizacional: Estrategias psicológicas y operativas para vencer la resistencia del personal ante la automatización del trabajo manual.

· Comunicación e intermediación tecnológica: Capacidad de traducir las necesidades archivísticas (series, valoración, cuadros de clasificación) a requisitos técnicos comprensibles para desarrolladores e ingenieros de datos.

· Pensamiento crítico y escepticismo profesional: Habilidad para evaluar las promesas comerciales de los proveedores de software frente a sus limitaciones reales.

· Liderazgo ético: Toma de decisiones informadas cuando la eficiencia de la IA choca con derechos fundamentales como la privacidad de datos

4. Desarrollo de un plan de formación

· Diagnóstico de brechas digitales: Herramientas de evaluación para medir el nivel de alfabetización en IA del personal de la institución.

· Diseño de itinerarios de aprendizaje: Creación de programas de capacitación escalonados según los roles (operarios, analistas, directivos).

· Definición de políticas de uso aceptable: Redacción de directrices y manuales de buenas prácticas para el uso responsable de IA generativa en la oficina.

· Evaluación del impacto formativo: Indicadores clave de rendimiento (KPIs) para medir la mejora en la eficiencia archivística tras la capacitación.

Instancias de evaluación

La evaluación será sumativa a lo largo del desarrollo del módulo en perspectiva del proceso de enseñanza-aprendizaje. Se tendrán en cuenta:

· La aplicación de los conceptos impartidos

· La participación en clase y análisis de casos

Modalidad de evaluación

El módulo será evaluado sobre un total de 10 puntos:

• Asistencia a las sesiones: 3 puntos

• Participación en clase: 3 puntos

• Análisis de casos: 4 puntos

Se valorará la lectura del material indicado previo a la asistencia en la sesión sincrónica.

Semblanza curricular

Andrés Sáenz-Giraldo

Profesional en Ciencias de la Información, Archivista y Bibliotecólogo de la Universidad del Quindío (Colombia), Tecnólogo en Archivística de la Universidad de Antioquia (Colombia) y Magíster en Gestión Documental, Transparencia y Acceso a la Información de la Universidad Autónoma de Barcelona (España).

Es profesor del programa de Archivística de la Escuela Interamericana de Bibliotecología de la Universidad de Antioquia, donde desarrolla actividades de docencia e investigación en gestión documental.

Su trabajo académico se ha orientado al análisis de las implicaciones de la inteligencia artificial en los archivos, especialmente en temas relacionados con las competencias profesionales de los archivistas, la gobernanza y gestión ética de los datos, la preservación digital y la valoración documental. Fue integrante del Grupo de Trabajo en Gestión y Administración del proyecto internacional InterPARES Trust AI (2021–2026).

Es investigador del Grupo Información, Conocimiento y Sociedad de la Universidad de Antioquia, en las líneas de investigación Estudios Interdisciplinarios de la Gestión de la Información y del Conocimiento y Memoria y Sociedad.

En el ámbito académico-administrativo participó en el proceso de acreditación en alta calidad y en el proyecto de innovación curricular del programa de Archivística de la Universidad de Antioquia. También contribuyó a la construcción de la Agenda de Investigación en Ciencias de la Información de la Escuela Interamericana de Bibliotecología. Fue Jefe del Centro de Investigaciones en Ciencia de la Información y Coordinador de Extensión de la misma Escuela.

Sus principales áreas de investigación son la inteligencia artificial aplicada a la archivística, la gestión documental, la preservación digital y la valoración documental. Sus publicaciones académicas pueden consultarse en Google Scholar: https://scholar.google.com/citations?user=_pkUaC4AAAAJ&hl=es

Bibliografía

Obligatoria

· Duranti, L., & Rogers, C. (2024). Artificial Intelligence and Documentary Heritage. InterPARES Trust AI. UNESCO, Special issue 2024, 99. https://unesdoc.unesco.org/ark:/48223/pf0000389844

· Sáenz, A. & García, C. (2025). Análisis de capacidades y competencias en Inteligencia Artificial-IA en la formación Archivística y necesidades del medio laboral en Colombia, en el marco del Proyecto InterPARES Trust AI (2021-2026). Centro de Investigaciones en Ciencia de la Información, Universidad de Antioquia.

· Smallwood, R. (2024). AI Governance: A Primer A White Paper Instructional Guide. Institute for Information Governance.

· Suderman, J., Peoples, T., Hock, D., Taylor, I., & Persaud, D. (2024). Comparative Ethics study Phase 1: Ethical Themes and Principles. InterPARES Trust AI study MA01. 79. https://bit.ly/46FvO6q

· UNESCO. (2022). Recomendación sobre la ética de la inteligencia artificial (pp. 1-43). https://unesdoc.unesco.org/ark:/48223/pf0000381137_spa

Sugerida

· Comisión Económica para América Latina y el Caribe (CEPAL). (2022). Inteligencia artificial en América Latina y el Caribe. CEPAL.

· Colavizza, G., Blanke, T., Jeurgens, C., & Noordegraaf, J. (2021). Archives and AI: An overview of current debates and future perspectives. ACM Journal on Computing and Cultural Heritage, 15(1), Article 15. https://doi.org/10.1145/3479010

· Organisation for Economic Co-operation and Development (OECD). (2024). Explanatory memorandum on the updated OECD definition of an AI system. OECD Artificial Intelligence Papers, No. 8. https://doi.org/10.1787/623da898-en

· International Organization for Standardization (ISO/IEC). (2022). Information technology—Artificial intelligence—Artificial intelligence concepts and terminology (ISO/IEC 22989:2022). ISO. https://www.iso.org/es/contents/data/standard/07/42/74296.html

Módulo 6

Nombre del módulo

Gestión de Proyectos de Inteligencia Artificial

Créditos

3

Fecha de dictado

Coordinador docente responsable

Nombre

Santiago Muñoz Solórzano

Modalidad cursada

A distancia / virtual

Régimen de asistencia

80%

Horas semanales de aula sincrónicas

18 horas

Horas semanales de trabajo estudiantil asincrónicas

18 horas

Breve resumen de la actividad curricular

La incorporación de la inteligencia artificial (IA) en los archivos y la gestión documental ha dejado de ser una promesa para convertirse en una práctica concreta: clasificación automática de series, reconocimiento de texto manuscrito (HTR) y óptico (OCR), extracción de metadatos mediante procesamiento de lenguaje natural, preservación digital asistida y acceso conversacional a fondos mediante generación aumentada por recuperación (RAG). Sin embargo, una proporción elevada de iniciativas de IA no alcanza la fase productiva, y rara vez fracasan por la tecnología en sí: lo hacen por deficiencias en la definición del problema, la calidad de los datos, la gobernanza y la gestión del riesgo.

Este módulo aborda la gestión de proyectos de IA desde una perspectiva estratégica y prospectiva, entendiendo que un proyecto de IA no es un proyecto informático convencional: es intensivo en datos, de naturaleza experimental, sujeto a deuda técnica y a degradación posterior al despliegue, y con implicaciones éticas y regulatorias que exigen un marco de gobernanza explícito. Por ello, el módulo articula tres cuerpos de conocimiento complementarios: la disciplina de la gestión de proyectos, las metodologías propias de los proyectos de IA y el sistema de gestión de IA de la norma ISO/IEC 42001 como eje de gobernanza, riesgo y cumplimiento.

Bajo este enfoque, el participante como responsable capaz de planificar, gobernar, evaluar y anticipar las implicaciones de un proyecto de IA en su organización archivística, integrando la visión de futuro propia de los estudios prospectivos con el rigor metodológico y normativo que la materia exige.

Objetivos del módulo

Objetivo general

Desarrollar competencias de planificación, gobernanza y evaluación de proyectos de inteligencia artificial, integrando enfoques de gestión de proyectos, marcos de gobernanza de la IA y una visión estratégica que anticipe las implicaciones éticas, regulatorias y de futuro de la IA en la región.

Objetivos Específicos

• Comprender las características que distinguen un proyecto de IA de un proyecto convencional, las causas habituales de su fracaso y las tendencias prospectivas de la IA en los archivos.

• Aplicar los principios y las metodologías de la gestión de proyectos en el desarrollo de un proyecto de IA en contextos archivísticos.

• Aplicar las herramientas de gobernanza y de gestión de riesgos de la IA en el ciclo de vida de un proyecto de IA documental.

• Interpretar los requisitos de calidad de datos, los indicadores de desempeño de los modelos y los conceptos básicos de operación de la IA, sin requerir un perfil programador.

• Integrar los componentes de gestión, gobernanza y riesgos de un proyecto de IA en un portafolio coherente.

Justificación

La presión por adoptar inteligencia artificial en las instituciones de memoria es creciente, pero la evidencia muestra que la mayoría de los proyectos no llega a producción por causas de gobernanza, datos y alcance, más que por limitaciones tecnológicas. Frente a ello, el profesional de archivos y gestión documental requiere una competencia que no se reduce al uso de herramientas, sino que abarca la capacidad de dirigir el proyecto, asegurar la calidad de los datos, gestionar el riesgo y rendir cuentas ante las partes interesadas.

El entorno normativo refuerza esta necesidad. La publicación de la norma ISO/IEC 42001 (primer sistema de gestión de IA certificable), el marco de gestión de riesgos de IA del NIST, la Recomendación de la UNESCO sobre la ética de la IA y el avance regulatorio en América Latina configuran un escenario en el que todo proyecto de IA debe gestionarse con un marco de gobernanza explícito. La Declaración de Santiago de 2023 confirma que la región avanza hacia una gobernanza compartida de la IA.

Para el archivista, este escenario es también una oportunidad: los datos documentales son el insumo crítico de la IA, y la disciplina archivística aporta principios de autenticidad, integridad, trazabilidad, descripción y preservación que están directamente alineados con los requisitos de calidad de datos y gobernanza que la IA responsable demanda. El módulo, por tanto, no solo cierra una brecha de competencias; también posiciona al profesional de archivos como actor estratégico en la incorporación responsable de la IA en su organización.

Metodología de trabajo

El módulo se desarrolla bajo modalidad virtual, combinando clases sincrónicas dialogadas (6 horas semanales, distribuidas en sesiones de viernes y sábado) con trabajo autónomo asincrónico de igual carga. Los contenidos se organizan en cinco temas, y cada sesión se estructura en tres momentos: exposición conceptual, análisis para aplicación práctica y taller aplicados.

La estrategia didáctica es activa y orientada a productos. Cada tema deriva en un entregable parcial que se integra, al final del módulo, en un portafolio de gobernanza de un proyecto de IA. Se privilegia el aprendizaje basado en casos de IA aplicada (reconocimiento de texto manuscrito sobre fondos históricos, clasificación automática de series, extracción de metadatos y acceso mediante generación aumentada por recuperación) y el análisis prospectivo de escenarios.

La relación entre el docente y los participantes se sostiene mediante:

· Tutorías personalizadas y grupales.

· Foros y canales electrónicos asincrónicos.

· Retroalimentación entre pares sobre los entregables parciales.

Los resultados de aprendizaje se formulan con una progresión cognitiva que parte de la comprensión y la aplicación, avanza hacia el análisis y la evaluación, y culmina en la creación de un producto integrador, en coherencia con un público profesional de nivel intermedio.

Contenidos del módulo

Tema 1: Panorama y prospectiva de los proyectos de IA en archivos

· Concepto de sistema de IA y de proyecto de IA.

· Diferencias entre un proyecto de IA y un proyecto de tecnología convencional: incertidumbre, experimentalidad y dependencia de los datos.

· La deuda técnica del aprendizaje automático y las causas habituales de fracaso.

· Estado de la adopción de la IA en archivos y gestión documental en América Latina.

· Tendencias y escenarios prospectivos de la IA en los archivos.

· El rol estratégico del responsable de proyectos de IA.

Tema 2 Gestión de proyectos de IA: fundamentos, formulación y metodologías propias

· Principios y fases de la gestión de proyectos y su adaptación a la IA.

· La gestión de la incertidumbre como núcleo de los proyectos de IA.

· Formulación del proyecto: objetivos, alcance, indicadores y supuestos.

· Acta de constitución del proyecto e identificación de interesados.

· Definición del problema archivístico y criterios de éxito.

· El ciclo de vida de un proyecto de datos y de IA.

· Metodologías propias de los proyectos de IA: CRISP-DM, CRISP-ML(Q), TDSP y CPMAI.

· Criterios para seleccionar el enfoque según el proyecto.

Tema 3: Gobernanza y gestión de riesgos del proyecto de IA con la norma ISO/IEC 42001

· El sistema de gestión de IA y el ciclo de mejora continua.

· Estructura de la norma ISO/IEC 42001 y sus objetivos de control (Anexo A).

· La Declaración de Aplicabilidad como instrumento de gobernanza.

· La gestión del riesgo de la IA y su relación con la gestión del riesgo organizacional.

· El marco de gestión de riesgos de IA del NIST y la evaluación de impacto ético de la UNESCO.

· Régimen regulatorio aplicable al proyecto y clasificación por nivel de riesgo.

· Matriz de riesgos del proyecto: sesgo, equidad, privacidad y seguridad.

· Atributos de la IA confiable y su traducción a controles del proyecto.

Tema 4: Datos, métricas y operación de modelos para el responsable no técnico

· El ciclo de vida del dato y la calidad de los datos.

· Tipos de modelos: aprendizaje automático, aprendizaje profundo, modelos de lenguaje e IA generativa.

· Métricas de evaluación en lenguaje gerencial: exactitud, precisión y exhaustividad.

· La deriva de los modelos y su degradación posterior al despliegue.

· Operación, monitoreo, explicabilidad y documentación de los modelos (tarjetas de modelo).

Tema 5: Taller integrador del proyecto de IA

· Integración de los entregables parciales en un portafolio coherente.

· Presentación y defensa del proyecto ante el grupo.

· Retroalimentación entre pares.

· Hoja de ruta de implementación del proyecto.

Instancias de evaluación

La evaluación es sumativa y formativa a lo largo de todo el proceso de enseñanza y aprendizaje. Se consideran las siguientes instancias:

· La participación argumentada en las clases sincrónicas y foros.

· Los talleres prácticos por tema (entregables parciales).

· El proyecto integrador final: portafolio de gobernanza de un proyecto de IA archivística.

Modalidad de evaluación

El módulo se evalúa sobre un total de 10 puntos:

· Participación en clase y foros: 2 puntos.

· Talleres prácticos por tema: 3 puntos.

· Proyecto integrador final: 5 puntos. Consiste en un portafolio que reúne el acta de constitución del proyecto, el plan de gobernanza basado en la norma ISO/IEC 42001 y la matriz de riesgos e impacto de un proyecto real de IA en archivos.

Se recomienda:

· Realizar la lectura del material indicado previo a cada sesión sincrónica.

· Resolver las dudas en las tutorías personalizadas y grupales.

Semblanza curricular

Santiago Muñoz Solórzano

Es Ingeniero de Empresas por la Universidad Tecnológica Equinoccial y Master of Business Administration por el Tecnológico de Monterrey. Cursó la Maestría en Pensamiento Estratégico y Prospectiva en la Universidad Externado de Colombia, donde actualmente cursa el Doctorado en Administración de Empresas. Complementariamente cursó la Maestría en Sistemas Integrados de Gestión en la Universidad Europea Miguel de Cervantes de España.

Cuenta con más de veinte años de experiencia profesional articulando la docencia universitaria, la consultoría y la gestión en los sectores privado y público. Se desempeña como docente titular en la Pontificia Universidad Católica del Ecuador y como profesor invitado en la Maestría en Pensamiento Estratégico y Prospectiva de la Universidad Externado de Colombia. Ha dirigido más de treinta proyectos de titulación en grado y posgrado. Desde su rol como académico ha publicado artículos científicos en áreas afines a la administración, entre ellas la aplicación de la IA a la estrategia empresarial.

Como CEO y consultor senior de SIGMA Consulting Group ha liderado la implementación de Sistemas de Gestión ISO 9001, 14001, 21001, 45001 y 42001, la formulación de planes estratégicos y prospectivos, y la gestión de proyectos para entidades públicas, privadas y de cooperación internacional. Su práctica en consultoría de procesos se orienta al rediseño organizacional y a la automatización, incluyendo la incorporación de la inteligencia artificial como herramienta de eficiencia y mejora continua.

Su trabajo articula la gestión de proyectos, la gobernanza basada en estándares internacionales y el análisis prospectivo como marco para la incorporación responsable de la IA en las organizaciones latinoamericanas.

Bibliografía

Obligatoria

Colavizza, G., Blanke, T., Jeurgens, C., & Noordegraaf, J. (2022). Archives and artificial intelligence: An overview of current debates and future perspectives. ACM Journal on Computing and Cultural Heritage, 15(1), 1 a 15.

International Organization for Standardization. (2023). ISO/IEC 42001:2023, Sistema de gestión de la inteligencia artificial. ISO.

National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST AI 100-1). U.S. Department of Commerce.

Studer, S., Bui, T. B., Drescher, C., Hanuschkin, A., Winkler, L., Peters, S., & Müller, K.-R. (2021). Towards CRISP-ML(Q): A machine learning process model with quality assurance methodology. Machine Learning and Knowledge Extraction, 3(2), 392 a 413.

UNESCO. (2021). Recomendación sobre la ética de la inteligencia artificial. UNESCO.

Sugerida

Departamento Nacional de Planeación. (2025). CONPES 4144: Política Nacional de Inteligencia Artificial. Gobierno de Colombia.

International Organization for Standardization. (2022). ISO/IEC 22989:2022, Conceptos y terminología de la inteligencia artificial. ISO.

International Organization for Standardization. (2023). ISO/IEC 23894:2023, Gestión del riesgo de la inteligencia artificial. ISO.

Martínez-Plumed, F., Contreras-Ochando, L., Ferri, C., Hernández-Orallo, J., Kull, M., Lachiche, N., Ramírez-Quintana, M. J., & Flach, P. (2021). CRISP-DM twenty years later: From data mining processes to data science trajectories. IEEE Transactions on Knowledge and Data Engineering, 33(8), 3048 a 3061.

Mitchell, M., Wu, S., Zaldivar, A., Barnes, P., Vasserman, L., Hutchinson, B., Spitzer, E., Raji, I. D., & Gebru, T. (2019). Model cards for model reporting. Proceedings of the Conference on Fairness, Accountability, and Transparency, 220 a 229.

Organisation for Economic Co-operation and Development. (2024). Recommendation of the Council on Artificial Intelligence (OECD/LEGAL/0449). OECD.

Sculley, D., Holt, G., Golovin, D., Davydov, E., Phillips, T., Ebner, D., Chaudhary, V., Young, M., Crespo, J.-F., & Dennison, D. (2015). Hidden technical debt in machine learning systems. Advances in Neural Information Processing Systems, 28, 2503 a 2511.