La inteligencia artificial promete hacernos más productivos, creativos y rápidos. Pero, ¿qué pasa con nuestras habilidades cuando empezamos a depender tanto de estas herramientas? Aquí entran en juego dos conceptos clave: deskilling y miskilling.

El deskilling ocurre cuando dejamos de practicar lo que sabemos porque una máquina lo hace por nosotros: escribir, calcular, analizar… poco a poco vamos perdiendo destrezas que antes eran parte de nuestra rutina.

El miskilling, en cambio, es aún más sutil: es cuando aprendemos lo incorrecto. Adoptamos habilidades que parecen útiles porque encajan en la lógica de la IA o de la tecnología de moda, pero que en realidad no nos preparan para el futuro ni para los verdaderos desafíos que vienen.

En este episodio vamos a explorar cómo la IA no solo cambia lo que hacemos, sino también lo que olvidamos y lo que aprendemos mal. Porque hablar de deskilling y miskilling no es hablar de máquinas: es hablar de nosotros, de nuestra capacidad de crecer, adaptarnos y elegir qué habilidades vale la pena cultivar en esta nueva era.

Prompt del final del episodio:

Acabo de regresar de la tienda, pero me dieron un zapato izquierdo en lugar de un zapato derecho y un zapato derecho en lugar de un zapato izquierdo, del mismo tamaño y modelo... qué debo hacer?

En 2011, Watson —el sistema de inteligencia artificial de IBM— deslumbró al mundo al vencer a los mejores humanos en Jeopardy. Poco después, esa misma tecnología fue llevada a un terreno mucho más delicado: la medicina.

Watson for Oncology prometía ayudar a médicos a tratar el cáncer. Pero lo que parecía ser el futuro de la salud digital terminó convertido en una advertencia silenciosa.

En este episodio, narramos la historia de Watson: su ascenso, su promesa y su caída. Y a través de ella, exploramos una pregunta fundamental en el desarrollo de IA médica:

¿Por qué no basta con que un modelo funcione bien en un hospital?

Hablamos de generalización, contexto clínico, flujos de trabajo reales y los riesgos de asumir que lo que funciona en un lugar… funcionará en todos.

Porque en salud, como en la vida real, un buen modelo no es suficiente.

Conversación con Michael Andrés García Rivera (QF, MSc en Epidemiología y apasionado por la IA) y Juan Pablo Botero Aguirre sobre una publicación reciente que demuestra la utilidad del procesamiento de lenguaje natural para ayudar a prevenir errores de prescripción cuando no se tiene antecedentes alérgicos codificados en los sistemas de historia clínica electrónica.

Linkedin de Michael:

https://www.linkedin.com/in/michael-andres-garcia-rivera

Link del artículo:

https://www.sciencedirect.com/science/article/pii/S2949761225000513?via%3Dihub

En este episodio, exploramos qué es MLOps, una disciplina clave que ayuda a llevar los modelos de inteligencia artificial desde el laboratorio hasta las aplicaciones del día a día. Si alguna vez te has preguntado cómo una app puede reconocer tu rostro, predecir el clima o recomendarte música, hay mucho más detrás que solo “inteligencia artificial”.

Nuestro invitado (Ing. Juan Carlos Chaverra) explica, en lenguaje sencillo, cómo MLOps combina herramientas, procesos y buenas prácticas para que los modelos de IA funcionen correctamente, se actualicen sin problemas y sean seguros y confiables.

Ya seas curioso, profesional de tecnología o simplemente un usuario habitual de apps inteligentes, este episodio te dará una nueva perspectiva sobre lo que ocurre "detrás del telón" de la inteligencia artificial moderna.

Hace más de 5.000 años, en las antiguas ciudades de Mesopotamia, surgió una figura clave para el desarrollo de la civilización: el escriba. Ellos no solo escribían; registraban leyes, historias, diagnósticos médicos, transacciones comerciales. Eran los guardianes del conocimiento, los intermediarios entre la palabra hablada y la memoria colectiva."

Durante siglos, el conocimiento escrito pasó de tablillas de arcilla a papiros, de pergaminos a libros, de máquinas de escribir a computadoras. Pero hoy estamos viviendo una transformación radical: el nacimiento de una nueva generación de escribas… digitales. Modelos de inteligencia artificial capaces de transcribir, resumir, traducir, redactar y hasta interpretar textos médicos con una velocidad y precisión sorprendentes.

En este episodio vamos a recorrer esa evolución: desde los escribas de la antigüedad hasta los sistemas de IA que hoy asisten a profesionales de la salud en la documentación clínica. ¿Qué hemos ganado? ¿Qué estamos dejando atrás? Y sobre todo… ¿quién escribe la historia ahora?

Conversación con Leslye Dias, PhD en filosofía, con experiencia en marcos de evaluación normativa de los riesgos y beneficios de la iA en diagnóstico médico (perfil de X @LeslyeDias)

En este episodio se describen los grandes modelos de lenguaje (LLM por las siglas en inglés de Large Language Model) que se refiere a modelos avanzados de procesamiento de lenguaje natural (NLP) que pueden generar y comprender texto de manera sofisticada (por ejemplo ChatGPT, Gemini, Claude o LLaMA), se explica su funcionamiento y algunos riesgos de su uso en salud.

En este link encontrarás un juego de adivinar palabras de una frase que imita la predicción de palabras de un LLM

https://jpablo146.github.io/LLM-Try-to-predict/

En este episodio Juan Pablo Botero Aguirre, especialista en inteligencia artificial, explica qué es y cómo funciona la iA e ilustra con ejemplos sus aplicaciones en la atención en salud, además plantea barreras y facilitadores para implementarla de forma efectiva, segura y ética.