IA aplicada al trabajo ágil

Los diplomas del tema “IA aplicada al trabajo ágil” acreditan que su titular mantiene un nivel de competencia actualizado y verificable en el uso profesional de la inteligencia artificial dentro de entornos ágiles y de entrega de software.

Este diploma no evalúa “conocimientos teóricos” de IA, sino la capacidad de aplicar la IA con criterio, seguridad y orientación a resultados en tareas habituales de producto y desarrollo.

Competencias acreditadas

La posesión de estos diplomas actualizados acredita que el titular es capaz de:

1) Prompting estructurado y reutilizable

Redactar prompts claros y consistentes, incorporando objetivo, contexto, restricciones y formato de salida, para obtener resultados repetibles y útiles en el trabajo real.

2) Verificación y fiabilidad de respuestas

Evaluar la calidad y confiabilidad de las respuestas de IA, solicitando supuestos, evidencias o fuentes cuando corresponde, y evitando decisiones basadas en información no verificada.

3) Separación de instrucciones y datos (anti prompt-injection)

Gestionar entradas externas y contenidos potencialmente manipulados, aislando datos e instrucciones para reducir riesgos de prompt-injection y mantener el control de la tarea.

4) Refinement asistido: user stories y backlog

Mejorar la calidad del backlog con apoyo de IA: identificar ambigüedades, dependencias y riesgos; dividir historias; y proponer preguntas de refinamiento que faciliten estimación y entrega.

5) Criterios de aceptación testables

Convertir necesidades vagas en criterios verificables (incluyendo casos borde y negativos), facilitando validación, testing y alineamiento entre negocio y equipo.

6) Diseño de hipótesis y experimentos

Plantear hipótesis, definir métricas y umbrales de decisión, y estructurar experimentos de discovery/validación para reducir incertidumbre y evitar conclusiones sin base.

7) Generación y revisión de casos de prueba

Usar la IA para proponer y revisar planes de prueba con foco en cobertura (negativos, bordes, regresión) y detección de huecos antes de llegar a producción.

8) Code review asistida con foco en riesgos

Aplicar la IA como apoyo a revisiones de código y cambios, detectando incoherencias, smells y riesgos evidentes (calidad/seguridad) y definiendo acciones concretas antes de integrar.

9) Privacidad y manejo de datos/secretos

Aplicar buenas prácticas de minimización y protección de datos al usar IA: evitar exponer PII, credenciales o información sensible; anonimizar cuando procede; y ajustarse a criterios de confidencialidad.