Capacidades y limitaciones de la IA

Resumen

Most people's first experience with a generative AI system is a mix of delight and confusion. It produces a polished summary of a dense report in seconds, then confidently invents a citation that doesn't exist.

It follows a detailed instruction perfectly, then ignores a simple one in the very next message. Without a mental model of what's happening underneath, these moments feel random — and it's hard to know whether to trust the next output, or how to fix the last one.

This course gives learners that mental model. It's the companion to AI Fluency:

Framework & Foundations:

where that course teaches the human competencies (Delegation, Description, Discernment, Diligence), this one teaches the machine properties those competencies are responding to.

The two are designed to be taken in either order, and together they form a complete picture of effective human-AI collaboration. We organize the course around four properties that shape what an AI system can and can't do for you:

Next Token Prediction (where AI answers come from), Knowledge (what the model actually knows, and why it can be confidently wrong), Working Memory (what it's paying attention to right now, and what falls off the edge), and Steerability (how much control your instructions really give you).

Each property sits on a spectrum from capability to limitation, and each section pairs a short explanation with a hands-on exercise so you can feel where the edges are rather than just read about them. The final section looks at what happens when these properties collide — because in real use, they always do.

A long document pushes against working memory while also straying into knowledge the model doesn't have; a vague instruction tests steerability at the same moment next-token prediction is reaching for whatever sounds most plausible. We close with a practical diagnostic:

how to look at an unexpected output, recognize which kind of unexpected it is, locate roughly where on the capability-to-limitation continuum your task landed, and respond with a targeted fix instead of a generic retry.

Recommended prerequisites None. This course assumes no technical background and no prior experience with AI tools.

If you've already completed AI Fluency:

Framework & Foundations, you'll recognize where each property connects to the 4Ds — but it's not required. Who this is for Anyone who uses, or is about to start using, generative AI in their work or studies and wants to understand why it behaves the way it does.

Educators, students, knowledge workers, and team leads will all find the same core model useful, because the properties it describes don't change across use cases.

Programa

• Comenzando
La palabra 'IA' abarca mucho. Esta sección la reduce al tipo de sistema con el que realmente trabajarás: modelos de lenguaje grandes, y explica cómo dos etapas de entrenamiento, preentrenamiento y ajuste fino, convierten un predictor de texto en bruto en el asistente útil con el que interactúas. A lo largo del camino conocerás el marco de cuatro propiedades que organiza el resto del curso.
• Predicción del Siguiente Token
Cada respuesta que da una IA se construye un token a la vez, prediciendo qué debería venir después. Esta sección muestra lo que eso significa en la práctica: por qué el modelo es excelente en caminos ya transitados como resumir o reformatear, por qué puede producir cosas que suenan verdaderas pero no lo son, y cómo reconocer cuándo una tarea está entrando en un territorio donde la predicción por sí sola no es suficiente.
• Conocimiento
Un modelo sabe lo que había en sus datos de entrenamiento: frecuentemente, recientemente y consistentemente. Esta sección desglosa lo que eso implica: es fuerte en temas generales y lenguajes populares, más débil en cualquier cosa rara, reciente, de nicho o controvertida. Practicarás cómo juzgar dónde se encuentra una pregunta en ese espectro, para que sepas cuándo confiar en la respuesta y cuándo aportar tus propias fuentes.
• Memoria de Trabajo
La ventana de contexto es la memoria de trabajo del modelo: todo a lo que puede prestar atención ahora mismo, y nada más. Esta sección cubre lo que cabe, lo que silenciosamente cae fuera del límite, por qué la atención no es uniforme en un documento largo, y por qué una sesión nueva no recuerda la anterior. Aprenderás a dimensionar una tarea frente a la ventana antes de comenzar, en lugar de descubrir el límite a mitad de conversación.
• Capacidad de Dirección
Tus instrucciones son cómo diriges, pero no todas las instrucciones tienen el mismo impacto. Pedidos cortos, concretos y verificables ('responde como una tabla', 'menos de 100 palabras') funcionan de manera confiable; cadenas largas de razonamiento, solicitudes abstractas y demandas de precisión nativa son donde la dirección comienza a fallar. Esta sección te ayuda a distinguir la diferencia y reescribir una instrucción tambaleante en una que el modelo pueda seguir realmente.
• Juntándolo todo y pasos siguientes
Las tareas reales rara vez prueban una propiedad a la vez. Una revisión de contrato larga tensiona la memoria de trabajo mientras se extiende más allá del conocimiento del modelo; un breve creativo vago prueba la capacidad de dirección justo donde la predicción del siguiente token quiere completar algo plausible. Esta sección te muestra cómo las cuatro propiedades colisionan y te brinda un diagnóstico para cualquier salida inesperada: nombra qué propiedad está en juego, ubica la tarea en su espectro y aplica una corrección dirigida en lugar de solo intentarlo de nuevo.

Materias

Artificial Intelligence