| Domingo · 24 de mayo de 2026 |
Issue № 006 |
15 min de lectura |
|
|
El boletín semanal de FindSkill
The Skill
Solo para miembros de FindSkill Pro. Las noticias de IA que de verdad importan para tu trabajo.
|
|
Solo para miembros Pro
|
Un boletín privado
|
No publicado en ningún sitio
|
|
|
|
Mia
Editora de aprendizaje IA · FindSkill.ai
|
Bienvenido a la Edición 006.
Soy Mia. Cada lunes te llego al inbox y te cuento qué significa la semana de noticias de IA para tu trabajo concreto: sin jerga, sin hype, sin esa energía de "las 10 cosas que TIENES que saber". Solo para miembros Pro. No se publica en ningún otro lado.
Para quienes me leen desde Argentina: feliz lunes feriado (25 de mayo, Día de la Revolución de Mayo). Para el resto, lunes normal con tres noticias que cambian los próximos noventa días.
Google sacó un stack completo de agentes el martes en I/O. Anthropic se compró el domingo previo la empresa que armaba los SDK oficiales de cada laboratorio grande. Esos dos son ruidosos y van a dominar la prensa especializada un par de semanas. La historia más callada de abajo es a la que le quiero dedicar la mayor parte del boletín. Los proveedores empezaron a vender evaluación como producto: publican el benchmark y después te venden la consultoría que te ayuda a llegar al número. OpenAI lo hizo dos veces este mes. Anthropic lo hizo con Outcomes. HubSpot lo hizo con AEO Sensor. El patrón es la forma nueva del go-to-market de IA, y cambia cómo se va a ver tu trabajo el próximo trimestre.
Una nota corta de respuestas. La pregunta de la semana pasada (con qué entregable semanal pruebas el bucle de dos agentes primero) juntó 31 respuestas. Top tres: status update semanal a cliente (15), notas de rechazo a candidatos (7) y reportes para directorio (5). Estoy escribiendo las rúbricas específicas del rol para la primera tanda esta semana y les llegan a todos los que respondieron. Si quieres la tuya en la siguiente tanda, contesta este correo.
— Mia
|
01 |
Esta semana en IA
Tres historias que vale la pena leer
|
Lanzamiento de herramienta
Google sacó su stack completo de agentes en I/O. Los tres runtimes pasaron a ser cuatro.
En Google I/O el 19 de mayo, Google lanzó dos cosas en una sola keynote. Gemini Spark es el lado consumidor: un agente personal 24/7 adentro de la app de Gemini que reserva mesas, arma carritos de compra y edita visuales en tu nombre. Salió con exactamente tres conectores MCP de día uno: Canva, OpenTable e Instacart. Antigravity 2.0 es el lado developer: una app de escritorio standalone, CLI, SDK y Managed Agents en la API de Gemini, todo armado para correr varios agentes en paralelo. La cobertura de TechCrunch lo describió como la primera respuesta real de Google a Claude Code y Cursor. Hay un plan AI Ultra nuevo a USD 100/mes que viene con 5× los límites de uso de Antigravity sobre el plan Pro. La lista de conectores de Spark es más corta de lo que sugiere la prensa: dos de los tres no te sirven en CDMX, Bogotá o Buenos Aires. OpenTable casi no existe fuera de algunos restaurantes urbanos en México, e Instacart es 100% EE.UU. y Canadá. Reserva de mesa en LATAM se hace por WhatsApp, no por agente de IA. Wilson Vega en Xataka México lo llamó el arranque de la era agéntica de Google; el blog oficial de Pichai en español tiene la cita textual. Escribí el sábado sobre la brecha de conectores y armé el árbol de decisión para PMs de SaaS.
|
Qué significa para ti
El mercado de runtimes de agentes pasó a ser una carrera de cuatro caballos. Claude, ChatGPT, Cursor y ahora Gemini tienen stacks de agentes en paralelo enchufados a usuarios reales. No tienes que elegir uno esta semana. Lo que sí tienes que saber es cuál de los cuatro usarías para qué tipo de trabajo, e idealmente escribir una frase sobre cada uno, porque esa es la pregunta que tu jefa o tu cliente te va a hacer en el próximo mes. Pasa diez minutos con Antigravity 2.0 sobre una tarea real esta semana. Aunque no lo vuelvas a tocar, ya tienes una respuesta concreta cuando alguien pregunte cómo se compara. Y la pregunta para la región no es "¿cuándo llega Spark a mi país?", sino "¿cuáles serán los tres conectores de día uno cuando llegue?". Esa es la conversación útil con tu equipo de producto.
|
Negocios
Anthropic se compró la empresa que armaba los SDK de cada laboratorio grande. La capa de infraestructura se consolidó.
El 18 de mayo, Anthropic adquirió Stainless por arriba de USD 300M. Stainless es la startup de cuatro años que convierte specs de API en SDK idiomáticos en siete lenguajes, y armó los SDK oficiales de OpenAI, Google, Cloudflare, Cerebras, Perplexity y la propia Anthropic. TechCrunch confirmó que los productos hosted se dan de baja para clientes que no sean de Anthropic. Los SDK que ya existen siguen funcionando; la pipeline de auto-mantenimiento que los mantenía al día con cambios de API, no. El hilo en Hacker News llegó a 527 puntos y se partió 60/40: el lado más fuerte habló de "armar la cadena de suministro como arma"; el lado más callado señaló que el acqui-hire de talento es la jugada real. Las dos lecturas son ciertas. Speakeasy y FERN sacaron ofertas de migración para ex-clientes de Stainless en menos de 48 horas. La cita de Katelyn Lesse, Platform Engineering en Anthropic, traduce por qué importa para quien no escribe código: "Los agentes son tan útiles como lo que pueden conectarse". Y como tituló DiarioBitcoin: la compra deja a OpenAI, Google y Cloudflare sin una herramienta clave.
|
Qué significa para ti
Aunque no envíes un SDK, esto importa. La lección es la auditoría de grafo de dependencias que sugirió el hilo de @aakashgupta en X: ¿en qué otro lugar de tu stack hay una sola empresa controlando infraestructura de la que dependes, y cuál es tu plan si esa empresa cambia de dirección? Stainless es el ejemplo visible. La lección general es saber cuál de tus proveedores de IA controla, este trimestre, más capa abajo que el trimestre pasado, y cuál es tu costo de switch si decide ejercer esa propiedad. Sesenta minutos con tu `package.json` o tu `requirements.txt` te dan la auditoría. Cobertura en español del blog donweb para quien quiera el contexto regional sobre MCP servers. |
Tendencia
Los proveedores ahora publican el benchmark y venden los servicios para llegar a él. La evaluación se está volviendo producto.
Tres datos puntuales de este mes, ninguno casualidad. El 6 de mayo, OpenAI publicó B2B Signals, el reporte que metió los números 3,5× y 16× sobre las frontier firms en cada presentación de CTO este trimestre. Cuatro días después, el 10 de mayo, OpenAI lanzó la Deployment Company, una rama de consultoría cuyo pitch deck depende de que las empresas se sientan atrás en el gráfico que OpenAI acababa de publicar. Anthropic jugó la paralela: sacó Outcomes a beta pública el mismo 6 de mayo, una feature que deja a los developers calificar output de agentes contra una rúbrica personalizada y reportó una mejora de 10 puntos en tasa de éxito de tareas de fábrica. También publicaron los casos de cliente. HubSpot lanzó AEO Sensor el 14 de mayo, un dashboard gratis que rastrea citaciones en búsqueda de IA, y HubSpot también vende los servicios de AEO que te ayudan a arreglar lo que el dashboard muestra. Tres empresas, tres semanas, misma forma. El benchmark es el lead funnel de la consultoría. Y esto no pasa solo en California: en febrero, el agente de corrección de código de Globant sacó el mejor puntaje del mundo en SWE-bench-lite. ¿Qué venden los AI Pods de Globant a continuación? Implementación de agentes en tu empresa, justo en el sector donde acaban de plantar bandera con el benchmark. El patrón es regional también. Y El Ecosistema Startup lo viene marcando hace seis meses: "Los agentes de IA actuales interactúan con entornos y toman decisiones autónomas, lo que exige evaluar no solo su precisión sino también la calidad y confiabilidad de sus acciones en contextos reales".
|
Qué significa para ti
Este es el patrón con el que vas a leer cada anuncio de proveedor los próximos dos trimestres. Cuando alguien publica un benchmark, pregúntate qué le vende a las empresas que sacan mala nota. La información sigue siendo útil (B2B Signals es real, el salto de 10 puntos de Outcomes es real, las citaciones de AEO Sensor son reales, el récord SWE-bench-lite de Globant es real), pero no es neutra. Y la nota al pie en el slide del directorio no es opcional. La versión interna de este giro importa más que la del proveedor. Tu moat competitivo el próximo año va a ser quien arme la rúbrica interna primero. La Sección 03 es el rol en que se convierte; la Sección 04 es el movimiento de arranque más chico posible.
---
|
|
02 |
Término de la semana
El concepto que vale la pena entender esta semana
|
| |
|
Término №006
Evals
< evaluaciones (también: rúbrica de evaluación, eval harness, eval suite) >
Un eval es un test repetible que califica un output de IA contra una rúbrica. Defines en 5 a 8 líneas cómo se ve "bueno", juntas un set fijo de inputs que te importan (un "golden set" de 20 a 50 ejemplos), corres la IA en cada uno y puntúas los outputs contra la rúbrica. Lo corres semanal y sabes si tu IA está mejorando, empeorando o derivando.
|
Think of it like this →
Una profesora armando la rúbrica de corrección de un ensayo antes de entregar la consigna. La rúbrica es el eval ("¿La tesis aparece en el primer párrafo? Sí / No. ¿Las afirmaciones tienen fuente citada? Sí / No"). La pila de 30 ensayos es tu golden set. Calificar de la misma forma cada semana es lo que te dice si la clase está mejorando, no lo que sentiste al corregir el último. En español el concepto "rúbrica" ya es vocabulario habitual en aulas LATAM, así que cuando hables de evals con un colega no-técnico, rúbrica va a aterrizar más rápido que eval.
|
|
⚠ Common misconception
"Los evals son cosa de los laboratorios de IA midiendo modelos nuevos: no son para alguien como yo." No. Los evals de leaderboard tipo MMLU y SWE-bench son una esquina chiquita del campo. El eval que importa en tu trabajo es el interno: cinco líneas concretas que califican el output de IA del que dependes cada semana. Los laboratorios usan rúbricas porque las rúbricas funcionan; la misma lógica aplica a una marketer calificando borradores de email o a una paralegal calificando memos de investigación. El diseño de la rúbrica es la habilidad, y baja a una sola tarea repetitiva.
|
Dónde lo escucharás: Outcomes de Anthropic (rúbrica calificando en tiempo de inferencia, 6 de mayo). La plataforma de Evals de OpenAI (y PromptFoo, que OpenAI adquirió en marzo: sigue MIT). Braintrust, la plataforma de observabilidad eval-first que levantó USD 80M en Serie B en febrero. Inspect AI, el framework de evals open source del gobierno UK que hoy usan Anthropic y DeepMind para trabajo de frontier safety. Y cada reunión semanal donde alguien dice "la IA antes era buena en esto y ahora no": lo que están diciendo es no tenemos un eval, así que nos enteramos tarde.
Evaluating AI Models — el curso para practicantes →
|
|
03 |
Análisis profundo
El cargo que nadie está contratando todavía, y al que tu carrera se conecta después
|
Un título de puesto apareció en ZipRecruiter e Indeed los últimos 90 días que casi nadie en tu equipo tiene en el CV. Dos de las publicaciones que leí escribiendo esto pagan arriba de USD 130/hora. El rol existe por el giro de la Sección 01 Historia 3, y puedes posicionarte para él sin cambiar de trabajo.
La primera vez que vi una vacante senior de "AI Evaluation Engineer" con un techo de USD 400K asumí que era un outlier. No lo era. Busca ZipRecruiter o Indeed hoy y las publicaciones de "AI Evaluator" llenan toda la primera página, con tarifas de USD 43 a USD 153 la hora para la versión engineering y un promedio de USD 65K para la versión generalista. Un título separado, todavía más nuevo ("Agent Task Evaluator"), está pagando entre USD 80 y USD 130/hora a mayo 2026. Para un freelance en Buenos Aires, CDMX o Bogotá que cobra USD 50/hora remoto, esto es cerca de 3× la tarifa equivalente full-time en moneda local. El rol no está bloqueado por credenciales de ciencias de la computación. Está bloqueado por juicio de rúbrica. Lo cual es buena noticia, porque el juicio de rúbrica es sobre todo una habilidad portable que se compone con la práctica, no una credencial por la que tengas que volver a la universidad.
The role. Llámalo el evaluador de IA: la persona en un equipo cuyo trabajo es saber si el output de la IA es realmente bueno. No escribe los prompts (eso lo hace todo el mundo ahora). No entrena el modelo (eso lo hace el laboratorio). Arma la rúbrica, la corre semanal contra un set fijo de ejemplos, audita los samples donde la rúbrica queda en el borde y le dice al equipo "esto está suficientemente bueno para mandar" o "esto no, y acá está exactamente qué criterio falló". El hallazgo de frontier-firm de B2B Signals (que el 64% de la brecha de productividad es profundidad, no volumen) es la matemática que sostiene el rol. Un equipo corriendo miles de workflows agénticos por semana no tiene forma de saber cuáles están funcionando sin alguien cuyo trabajo sea exactamente eso.
The skill stack. Cuatro habilidades, en orden por cuánto pagan de vuelta. Uno: diseño de rúbrica. Convertir el difuso "¿esto está bueno?" en 5 a 8 líneas concretas, cada una una pregunta sí/no que una persona ajena podría calificar igual que tú. ("Nombra el deadline" le gana a "es claro"). Dos: curaduría del golden set. Elegir los 20 a 50 inputs que representan el espectro de casos reales. El ejemplo aburrido, el caso borde raro, el que se rompió el trimestre pasado. Tres: calificación calibrada. Saber cuándo un LLM-como-juez alcanza (criterios objetivos, bajo riesgo) y cuándo solo un humano va a atrapar la falla (tono, juicio, lo que sea regulado). Cuatro: ops de evals. Correr el harness en la misma cadencia cada semana. Trackear la deriva. Retirar la rúbrica cuando deja de atrapar cosas y escribir una nueva. La mitad de esto es juicio editorial; la otra mitad, disciplina de operaciones. Ninguna mitad es "machine learning".
How to position. Tres movimientos concretos que sirven seas marketer, profesor, abogado o ingeniero. Uno: elegir la tarea de IA que más repites porque el output sigue saliendo mal. Esa es la tarea con mayor ROI sobre una rúbrica. Dos: escribir la rúbrica esta semana, 5 a 8 líneas, y usarla por dos semanas. Correrla sobre los outputs reales. Apretarla. Ya tienes un artefacto funcionando que no tenías hace diez días. Tres: hacerlo visible. Un post de blog corto, una página en el wiki interno, un Loom de ti calificando dos outputs contra la rúbrica. El artefacto es lo que vuelve portable la habilidad: la rúbrica en tu cabeza es invisible, la que está en un doc es tu línea de CV. La respuesta más fuerte en una entrevista dentro de seis meses no es "hago prompt engineering". Es "evalúo outputs de IA en $tu_empresa contra la rúbrica que armé: acá la tienes". Y como pista práctica para LATAM: OCC Mundial, Computrabajo Argentina y Get on Board regional son las bolsas a monitorear: hoy verás más "AI trainer" y "quality rater" que "evaluador senior", pero el título sube de nivel cuando empresas como Globant publican benchmarks récord y necesitan a alguien que sostenga la nota internamente.
Haz esta semana Elige la tarea semanal de IA que más vuelves a correr porque el primer output no estuvo bien. Abre un doc nuevo. Escribe cinco líneas, cada una un criterio sí/no que el output tiene que cumplir. Córrela sobre el output real de esta semana. Anota en qué línea falló la IA. Esa nota es la primera revisión de la rúbrica, y la primera cosa que mostrarías en una entrevista sobre evals. |
|
04 |
El flujo
Una forma de usar IA en tu trabajo esta semana
|
| |
| ◆ IA en el trabajo · Idea №006 |
Deja de reescribir prompts. Empieza a calificarlos.
Elige la tarea de IA que más vuelves a correr durante una semana normal: el status update semanal a cliente, la nota de rechazo a un candidato, el brief de preparación para una reunión, la reescritura del cold email. Abre un doc nuevo y escribe una rúbrica de cinco líneas. Cada línea es un criterio sí/no: ¿El output nombra la solicitud específica del cliente? Sí / No. ¿Cita al menos un dato puntual? Sí / No. ¿La pregunta de cierre es específica (no "¿qué opinas?")? Sí / No. ¿El tono coincide dentro de un registro con el del último email del cliente? Sí / No. ¿La longitud queda bajo las 180 palabras? Sí / No. Haz cada línea suficientemente concreta para que una persona ajena la puntúe igual que tú. Ahora, por una semana, cada vez que corras la tarea, copia la rúbrica abajo del output de la IA y puntúa sí/no. No estás cambiando el prompt. Estás llevando un registro. Para el viernes vas a ver uno de dos patrones: o la misma línea está fallando cada vez (el prompt tiene un hueco arreglable) o líneas distintas fallan al azar (tu golden set es muy chico y necesitas tres ejemplos más). En cualquier caso, sabes exactamente qué hacer después.
Por qué funciona: La falla fundamental del uso de IA de un solo disparo no son los prompts malos. Son los invisibles prompts malos: notaste que el output estuvo mal esta semana pero no puedes articular qué parte. Cinco líneas concretas de sí/no obligan a la falla a nombrarse a sí misma. Una vez que tiene nombre, arreglas el prompt con una sola edición y te ahorras tres reescrituras. Es el mismo truco que la feature Outcomes de Anthropic aplica en tiempo de inferencia: la rúbrica achica los grados de libertad del modelo. Lo estás aplicando a mano para una sola tarea. La habilidad se compone: la segunda rúbrica te toma la mitad de tiempo que la primera.
|
Haz esta semana
Elige la tarea hoy. Escribe las cinco líneas esta noche. Corre el loop por una semana completa. La habilidad que se compone es el diseño de rúbrica, no la rúbrica para esta tarea puntual: para la segunda que escribas, ya estás calibrado.
|
|
|
05 |
Idea de ingresos
Una forma de hacer dinero con IA esta semana
|
| |
| ◆ Idea de ingreso · Play №006 |
Vende la planilla de notas, no el prompt.
Elige un rol que hayas hecho o visto de cerca: reclutadora, paralegal, agente inmobiliario, editor freelance, account manager, director de escuela, junior PM, asesor financiero. Arma un solo PDF o página de Notion con un nombre tipo "Kit de rúbricas para [rol]: califica la IA antes de mandar". Adentro, cuatro cosas: (1) ocho rúbricas, una por cada entregable recurrente de IA en ese rol (el email de outreach de la reclutadora, el resumen de declaración de la paralegal, la descripción de la propiedad del agente inmobiliario); cada rúbrica son 5 a 8 criterios sí/no, concretos, no genéricos ("nombra el deadline" le gana a "es claro"); (2) dos ejemplos trabajados por rúbrica —uno aprobado, uno reprobado— con la línea exacta que falló marcada; (3) una guía de una sola página de "cuándo usar LLM-como-juez vs. humano" específica para ese rol: el trabajo de paralegal tiene líneas distintas que necesitan juicio humano que la copy de marketing; (4) un script corto de setup para correr la misma rúbrica semanal en un Google Doc, una base de Notion o una config gratis de PromptFoo. Precio: USD 39–79 en Hotmart (es donde busca un creador hispano) o Eduzz; si tienes web propia, Mercado Pago como pasarela. Gumroad y Lemon Squeezy funcionan también, son menos conocidos en LATAM. Posiciónalo claro: "No necesitas una IA más inteligente. Necesitas saber si la que tienes está suficientemente buena para mandar".
Por qué funciona: El mercado está inundado de packs de prompts y se abarata cada mes: la mayoría reempaqueta los mismos prompts de Claude y ChatGPT. Las rúbricas son lo inverso de los prompts en posición de mercado: son a lo que recurres cuando ya probaste los prompts y el output sigue sintiéndose raro. Casi nadie las está empaquetando para gente que no escribe código. El comprador te paga porque hiciste el trabajo específico del rol: averiguar cómo se ve "lo bueno" para su trabajo. Eso es exactamente el skill stack de la Sección 03, listo para usar. Ingresos realistas: USD 500–2.500 al mes sin audiencia; USD 2.000–6.000 al mes si lo mueves por DM a tu red de LinkedIn en ese rol. Alineado con lo que reporta Workana sobre la demanda de freelance con habilidades de IA creciendo fuerte en LATAM. La ventana de timing son aproximadamente dos trimestres antes de que esto sea una categoría saturada, igual que pasó con los packs de prompts en 2024.
|
Haz esta semana
Elige el rol hoy. Escribe las primeras tres rúbricas esta noche, de tu propia memoria: ¿qué tiene que hacer un email de outreach bueno? Las cinco restantes pueden venir después de la primera venta. Lista en Hotmart con tres rúbricas y una nota de "más por venir": el listing es el artefacto, no el kit.
|
|
|
06 |
The Stack
Tres herramientas que estoy probando esta semana
|
01 |
Braintrust
Plataforma de observabilidad eval-first · Tier gratis; planes para equipos desde ~USD 249/mes
La opción de evaluación gestionada para equipos que no quieren hostear el harness. Braintrust levantó USD 80M en Serie B en febrero a una valuación de USD 800M, liderada por ICONIQ con a16z, Greylock y Elad Gil; en la lista de clientes están Notion, Replit, Cloudflare, Ramp, Vercel y BILL, así sabes quién ya lo está corriendo en producción. La razón por la que entra en esta edición: Braintrust hace por los evals lo que Datadog hizo por las métricas de servidor. Instrumentas la llamada del agente, mandas la rúbrica y obtienes un dashboard que muestra qué prompt sufrió regresión y cuándo. El tier gratis alcanza para correr tu primer eval semanal. Vale una tarde de martes para ver si la vista de traces te encaja con cómo trabajas.
|
02 |
PromptFoo
CLI open source para evals de prompts y agentes · Gratis (MIT)
La primera herramienta que instalo en cualquier máquina nueva para este trabajo. PromptFoo es una CLI con config en YAML: escribes tus prompts y tus test cases en un archivo de configuración, corres `promptfoo eval` y obtienes comparaciones side-by-side entre GPT, Claude, Gemini, DeepSeek y cualquier modelo local. OpenAI lo adquirió en marzo de 2026 y sigue con licencia MIT; el uso citado cubre un cuarto del Fortune 500 más uso interno tanto en OpenAI como en Anthropic. La razón para conocerlo aunque no escribas código: un no-developer puede correr `promptfoo init` contra una key de OpenAPI y tener un eval funcionando en diez minutos. La primera parte difícil es la rúbrica (que es la habilidad real de la Sección 03). La segunda parte difícil es mantener el set de test fresco. PromptFoo se ocupa de todo lo del medio. Cobertura en español del adquisición por OpenAI en El Ecosistema Startup si quieres el contexto.
|
03 |
Inspect AI
Framework open source de evals de LLM del gobierno UK · Gratis (MIT, Python)
La opción seria si tus evals tienen que aguantar escrutinio regulatorio. Inspect AI fue armado por el UK AI Security Institute y ahora lo usan Anthropic y Google DeepMind para evaluaciones de frontier-safety. La librería viene con más de 200 tareas de evaluación prearmadas y corre contra cada API importante y modelos locales. La razón por la que entra en el stack de esta edición: el estilo de eval que Inspect AI fuerza —datasets, scorers, ejecución en sandbox, logs reproducibles— es exactamente cómo se ve el trabajo de IA auditable en industrias reguladas. Si trabajas en salud, derecho, servicios financieros o cualquier cosa donde alguien pueda pedir la metodología del eval después, la elección entre Braintrust e Inspect es aproximadamente "gestionada/propietaria vs. self-hosted/grado auditoría". La documentación de interoperabilidad es la forma educada de la UE de avisar que este es el framework de evals en que el comprador del sector público va a confiar. Y un cuarto, si prefieres la opción de consultoría local: Globant AI Pods y NTT DATA LatAm ofrecen evaluación de modelos dentro de proyectos enterprise. Útil cuando el equipo no tiene capacidad de self-host y quiere a alguien regional sosteniendo el rol que la Sección 03 describe. ---
|
|
07 |
Dentro de FindSkill
Qué hay nuevo para miembros esta semana
|
| Estreno |
IA para docentes: La rutina de fin de curso en 5 prompts (curso en español)
Ocho lecciones recorriendo los informes de evaluación, las cartas a familias, los párrafos para informes psicopedagógicos, las listas de lectura de verano y los mensajes de despedida que cada docente escribe las últimas dos semanas del curso escolar. Hecho específicamente para el calendario escolar LATAM y España, con conformidad RGPD y protección de datos local incluida desde la lección uno. No traducido del inglés: investigado y escrito en español. Empieza el curso →
|
|
| Estreno |
Gemini Spark para Freelancers (curso en español)
Ocho lecciones con timing perfecto sobre la Historia 1 de hoy. Habla la matemática real de la tarifa horaria del freelancer LATAM contra el plan AI Ultra de USD 100/mes: cuándo conviene, cuándo es teatro, qué hacer con los conectores que sí aterrizan en la región (Canva) y qué dejar pasar (OpenTable, Instacart). Empieza el curso →
|
|
| Estreno |
Claude para PYMES en España y LatAm: Conecta tus Herramientas (curso en español)
Ocho lecciones con Claude Teams enchufado a Drive, Slack, Holded y Quipu. Cumplimiento VeriFactu, TicketBAI y factura electrónica explicado paso a paso. Útil para la audiencia split España + LATAM de PyME. Empieza el curso →
|
|
|
|
Si escribes una rúbrica de cinco líneas esta semana, ¿con qué tarea semanal de IA la calificas primero?
Respóndeme con la tarea y un boceto de tus cinco líneas y te mando de vuelta la versión que yo escribiría, calibrada para tu rol, no genérica. En el peor de los casos, tu rúbrica termina siendo uno de los cinco ejemplos trabajados de la guía Pro.
↵ Responde a este correo
|
|
The Skill · by FindSkill.ai
|
|