IA aplicada al trabajo ágil

Los diplomas académicos del tema “IA aplicada al trabajo ágil” acreditan que su titular ha completado satisfactoriamente la formación especializada en el uso profesional de la inteligencia artificial dentro de entornos ágiles y de entrega de software.

Este diploma certifica que el alumno ha adquirido los conocimientos y criterios necesarios para 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.