Aplicación de una Metodología para la Creación de Artefactos de Conocimiento Interactivos apoyado con Inteligencia Artificial a través de la Ingeniería de Prompts Estructurada: Un Estudio de Caso

Resumen:

Este artículo presenta un estudio de caso que documenta la aplicación de una metodología formal para la transformación de un corpus de conocimiento académico, originalmente en formato de texto plano, en un artefacto de conocimiento interactivo. El proyecto partió de un capítulo de libro sobre la historia de la catalogación bibliográfica y ejecutó un proceso estructurado en tres fases: curación de la fuente, diseño de un prompt estructurado en formato JSON y generación técnica mediante un modelo de Inteligencia Artificial (IA) Generativa. El proceso de instrucción a la IA se fundamentó en un sistema de ingeniería de prompts denominado "Cadena de Mando Cero", que utiliza un archivo de datos aumentado como instrucción única y de alta precisión. El producto resultante es un artefacto digital auto-contenido que habilita la exploración semántica y la interrogación activa del contenido, en contraste con la lectura pasiva de los formatos tradicionales. Se analiza la viabilidad, replicabilidad y las ventajas de este enfoque como una herramienta pedagógica y de gestión del conocimiento en el ámbito de la Ciencia de la Información.

Palabras clave: Artefactos de Conocimiento, Ingeniería de Prompts, formato JSON, Inteligencia Artificial Generativa, Visualización de Información, Bibliotecología.

1. Introducción

La diseminación del conocimiento en los entornos académicos y profesionales ha estado históricamente ligada a formatos de documentos estáticos, principalmente PDF, DOCX y presentaciones lineales (PPTX). Si bien estos formatos han demostrado ser funcionales para la distribución y el archivo de información, imponen una estructura inherentemente pasiva y secuencial para su consumo. Esta característica, que puede denominarse "inercia informacional", limita las capacidades del usuario para interactuar con el contenido, establecer conexiones no lineales y explorar un corpus de conocimiento de manera dinámica.

La llegada de modelos de Inteligencia Artificial (IA) Generativa de alta capacidad ofrece una oportunidad para reevaluar y superar estas limitaciones, permitiendo la creación de sistemas de información más sofisticados encapsulados en formatos accesibles y universales.

El objetivo de este artículo es documentar y analizar, de manera pormenorizada, el proceso de aplicación de la metodología formalizada por Castillo-Velásquez (2025) para la creación de "Artefactos de Conocimiento". Este estudio de caso se centra en la transformación de un corpus académico específico: el capítulo "Pasado" del libro Pasado, presente y futuro de la catalogación de la autora Marisol García. El proyecto fue ejecutado por un equipo de trabajo en un contexto académico, con el fin de evaluar la viabilidad de la metodología como herramienta pedagógica y como un nuevo estándar para la representación del conocimiento disciplinar.

Se detalla la totalidad del flujo de trabajo, desde la conceptualización inicial y el modelado colaborativo de los datos extraídos del texto, hasta la fase de diseño de un prompt estructurado y la subsecuente generación del artefacto final por parte de un modelo de IA. Se concluye con un análisis funcional del artefacto resultante, evaluando su cumplimiento de los atributos definidos por la metodología y discutiendo las implicaciones de este enfoque para la enseñanza y la práctica en la Ciencia de la Información.

2. El Artefacto de Conocimiento: un auge en la era de la Inteligencia Artificial

El desarrollo del proyecto se adhirió estrictamente al marco teórico y metodológico propuesto por Castillo-Velásquez (2025), en su artículo Metodología para la Creación de Artefactos de Conocimiento: no más documentos planos o Presentaciones simples. Esta metodología define un Artefacto de Conocimiento como un sistema de información encapsulado y auto-contenido, diseñado para presentar un corpus de conocimiento de forma explorable y activa, en contraposición a la lectura pasiva.

2.1. Atributos técnicos y funcionales

Para que un producto digital sea considerado un Artefacto de Conocimiento, debe exhibir un conjunto de atributos específicos que garantizan su funcionalidad y rigor.

• Contexto acotado (Bounded Context): El sistema opera exclusivamente sobre un conjunto predefinido de fuentes de información. Todas las interacciones, respuestas y visualizaciones están ancladas a este corpus delimitado. Este atributo es fundamental para garantizar la coherencia y prevenir la "deriva contextual", donde el sistema podría introducir información externa no validada, asegurando así la integridad académica del artefacto. A esto se le puede definir, también, como Base del conocimiento.

• Navegación semántica y no lineal: La interfaz del artefacto debe permitir el acceso directo a los componentes conceptuales del texto, liberando al usuario de la navegación secuencial impuesta por la paginación. Esto se implementa a través de mecanismos como menús persistentes, filtros categoriales que mapean la estructura lógica o temática del corpus, permitiendo al usuario construir su propio recorrido de aprendizaje.

• Interactividad centrada en el usuario: El artefacto debe proveer herramientas, controladas por la lógica de la aplicación, que permitan al usuario manipular la presentación de la información. Esto puede incluir controles de visualización (Filtros, hipervínculos), resaltado dinámico de términos o, como en el presente caso, sistemas de filtrado de contenido basados en etiquetas semánticas predefinidas durante la fase de modelado.

• Trazabilidad y verificabilidad (Grounding): Cada fragmento de información sintetizada o presentada debe, idealmente, estar vinculado a su origen en el corpus fuente. Este principio de "anclaje" permite una auditoría conceptual inmediata de la información, generando confianza en la exactitud del sistema y facilitando la verificación de datos por parte del usuario, un requisito indispensable en cualquier contexto académico o profesional.

2.2. Proceso metodológico de tres fases

La metodología se descompone en tres fases secuenciales y bien definidas, cada una con sus propios insumos y productos.

1. Fase I - Curación de la fuente: Esta fase inicial implica la selección, limpieza y preparación del material fuente. Los criterios de selección incluyen la coherencia temática, la densidad informativa del documento y la disponibilidad de un formato de texto limpio y procesable por sistemas automatizados. El producto de esta fase es una base de conocimiento limpia y estructurada conceptualmente.

2. Fase II - Diseño de Prompt estructurado: Considerada la fase más crítica, consiste en instruir al modelo de IA utilizando un formato de datos estructurado (como JSON) en lugar de lenguaje natural. Este enfoque minimiza la ambigüedad y fuerza al modelo a generar una salida que es directamente procesable por un sistema automatizado, eliminando la necesidad de un post-procesamiento manual intensivo. El producto de esta fase es una instrucción de máquina precisa. En este punto, nos apoyamos del artículo Métodos de Ingeniería de Prompts y la estructura JSON para mejorar la precisión en tus órdenes a la IA generativa como ChatGPT, Copilot y Gemini. Sácale el jugo en modo profesional, de Castillo-Velásquez (2024a) SI desea aprender cómo hacerlo, consulte: info[template]: Plantilla para la Creación de un Prompt Efectivo para cualquier IA (Castillo-Velásquez, 2024b)
   

3. Fase III - Implementación Técnica: Con la salida estructurada obtenida de la IA, se procede a la construcción del archivo final. Un proceso automatizado lee los datos estructurados y genera dinámicamente la estructura, la presentación visual y la lógica de interactividad del artefacto.

   
   

2.3. La Ingeniería de Prompts estructurada y la "Cadena de Mando Cero"

Un pilar de la metodología es el uso de un prompt estructurado, que se compone de elementos como el rol asignado a la IA (role), el contexto operativo (context), la tarea específica (task) y las instrucciones de formato (format_instructions) (Castillo-Velásquez, 2024a). Este último componente es el que define la estructura exacta de la salida esperada. El presente estudio de caso empleó una técnica avanzada denominada "Cadena de Mando Cero", que se corresponde con el paradigma Zero-Shot. En este enfoque, el prompt estructurado es tan detallado y preciso que el modelo de IA puede generar la salida deseada sin necesidad de que se le proporcionen ejemplos previos de entrada y salida, optimizando la eficiencia del proceso.

3. Ejecución del Estudio de Caso

Esta sección describe en detalle la aplicación de cada fase metodológica en la transformación del capítulo "Pasado" de la obra de Marisol García.

3.1. Fase I: Curación del Corpus y Modelado Conceptual

El éxito de todo el proceso dependía de una primera fase rigurosa de análisis y estructuración del conocimiento contenido en la fuente.

3.1.1. Selección y Justificación del Corpus

El capítulo "Pasado" fue seleccionado por cumplir con los criterios metodológicos. Primero, su coherencia y relevancia son altas, ya que se enfoca en un único dominio temático: la historia de la catalogación desde el siglo XIX hasta principios del XXI. Segundo, presenta una alta densidad informativa, conteniendo una cantidad significativa de eventos fechados, personalidades, estándares, modelos conceptuales y documentos clave. Tercero, el texto fue convertido a un formato de texto plano (aplicamos técnicas de OCR: aprenda cómo en Guía definitiva del OCR: Extrae el texto de imágenes, videos, PDF y todo lo que aparezca en pantalla (Castillo-Velásquez (2023c)) para asegurar un procesamiento limpio, eliminando artefactos de formato como números de página, encabezados y pies de página que podrían introducir ruido en el análisis automatizado.

3.1.2. Extracción Colaborativa de Entidades

El equipo de trabajo implementó un proceso colaborativo para la extracción de conocimiento:

1. Lectura Analítica Individual: Cada miembro del equipo leyó el capítulo y extrajo las entidades que consideró relevantes, clasificándolas preliminarmente. Las entidades identificadas incluyeron eventos cronológicos, conceptos teóricos (ej. "Control Bibliográfico Universal"), estándares (ej. "ISBD"), modelos (ej. "FRBR"), obras publicadas y datos biográficos de personalidades.
   

2. Consolidación y Curación en Grupo: Posteriormente, el equipo realizó sesiones de consolidación donde se compararon las extracciones individuales. Este proceso dialéctico permitió:
   

   • Resolver ambigüedades y unificar la terminología a través del consenso.

   • Eliminar redundancias y fusionar información fragmentada sobre una misma entidad para crear un registro completo.

   • Enriquecer la base de conocimiento al incorporar detalles que solo algunos miembros habían identificado, asegurando así una cobertura exhaustiva del contenido del capítulo.

   
   

3.1.3. Diseño del modelo de datos conceptual

El resultado de la curación fue una base de conocimiento estructurada. El equipo determinó que un modelo de datos plano o estrictamente jerárquico sería insuficiente para capturar la riqueza de las conexiones en el texto. Se optó por un modelo de datos relacional, que identificó dos tipos de entidades principales:

• Entidad Teóricos: Un registro maestro para cada personalidad mencionada (Panizzi, Cutter, Lubetzky, etc.), conteniendo datos biográficos estables como nombre, fechas y nacionalidad. Esta entidad funcionaría como un fichero de autoridad dentro del artefacto, asegurando la consistencia en la presentación de la información de cada individuo.

• Entidad Eventos: El núcleo del artefacto, representando cada hito en la línea de tiempo. Cada evento contendría atributos como año, título, descripción y, de manera crucial, una o más referencias a los teóricos involucrados, estableciendo así relaciones complejas entre las diferentes entidades del modelo.

3.2. Fase II: Diseño y aumentación del Prompt estructurado

Esta fase se centró en traducir el modelo conceptual a un formato de máquina preciso y enriquecerlo con instrucciones de comando para la IA.

3.2.1. Creación del Modelo de Datos en Formato Estructurado (JSON de Entidades)

El primer paso fue volcar el modelo de datos conceptual a un formato de datos estructurado JSON. En esta etapa, el archivo contenía únicamente la información extraída y curada, sin instrucciones adicionales. Servía como una representación pura del conocimiento.

A continuación, un ejemplo ilustrativo de la estructura de un objeto de evento en su estado inicial de "datos puros":

JSON

{
  "id": "paris",
  "year": "1961",
  "title": "Principios de París",
  "description": "La Conferencia Internacional sobre los Principios de Catalogación, organizada por la IFLA en París, reunió a expertos internacionales para establecer principios universales de catalogación.",
  "details": {
    "contribution": "Los Principios de París transformaron la catalogación...",
    "documents": ["Declaración de Principios (1961)"],
    "theorists": ["lubetzky", "verona"]
  }
}

3.2.2. Aumentación del modelo con instrucciones ("JSON Prompt")

Este fue el paso definitorio de la "Cadena de Mando Cero". El JSON de datos fue "aumentado" con una capa de metadatos adicionales cuya única función era servir como instrucciones directas para el generador:

{
  "id": "parís",
  "year": "1961",
  "type": "major-milestone",
  "category": "estandares",
  "image": {
    "url": "URL_IMAGEN_IFLA",
    "fallback": "🏛️"
  },
  "title": "Principios de París",
  "description": "<strong>9-18 de octubre, 1961</strong><br>La Conferencia Internacional sobre los Principios de Catalogación...",
  "details": {
    "contribution": "Los Principios de París transformaron la catalogación...",
    "documents": ["Declaración de Principios (1961)"],
    "theorists": ["lubetzky", "verona"]
  }
}

En este objeto aumentado, "type": "major-milestone" es una instrucción para dar un tratamiento visual preferencial, y "category": "estandares" es una instrucción para asignar la etiqueta semántica correspondiente, que luego será utilizada por la lógica de filtrado.

3.2.3. El Prompt Implícito para la Generación del Artefacto

La suma de todo el JSON aumentado, junto con un conjunto de reglas globales, constituye el "prompt estructurado" que se le entregó al modelo de IA. Este prompt, aunque entregado como un archivo estructurado, puede ser verbalizado como un conjunto de órdenes complejas.

A continuación, un ejemplo verbalizado del prompt en JSON implícito general que guio la creación del artefacto. Este formato demuestra perfectamente cómo se entrega un comando completo y autocontenido a la IA.

{
  "_comment": "Prompt estructurado que fusiona instrucciones de ejecución con un único dato de ejemplo para demostrar la metodología.",
  
  "promptConfig": {
    "role": "Desarrollador experto en visualización de información.",
    "task": "Generar un artefacto de conocimiento interactivo a partir de los datos proporcionados en 'dataSources'.",
    "outputFormat": "HTML5 auto-contenido",
    "mainLayout": {
      "type": "línea de tiempo vertical",
      "dataSource": "dataSources.timelineEvents",
      "ordering": { "key": "year", "direction": "ascendente" }
    },
    "components": {
      "eventCard": {
        "interactive": true,
        "displayFields": ["year", "title", "description", "image"],
        "conditionalStyling": [
          {
            "if": { "field": "type", "equals": "major-milestone" },
            "applyClass": "estilo-hito-principal"
          }
        ]
      },
      "categoryTag": {
        "sourceField": "category",
        "applyClassPrefix": "categoria-"
      },
      "modal": {
        "types": [
          { "id": "ficha_descriptiva", "title": "Ficha Descriptiva del Evento" },
          { "id": "ficha_biografica", "title": "Ficha Biográfica del Teórico" }
        ]
      }
    },
    "interactions": [
      {
        "trigger": "click",
        "on": "eventCard",
        "action": "openModal",
        "modalType": "ficha_descriptiva"
      },
      {
        "trigger": "click",
        "on": "theoristLink_in_modal",
        "action": "openModal",
        "modalType": "ficha_biografica"
      }
    ]
  },
  
  "dataSources": {
    "_comment": "Contiene el dato único para este ejemplo: el evento 'Principios de París' y sus teóricos relacionados.",
    "timelineEvents": [
      {
        "id": "paris",
        "year": "1961",
        "type": "major-milestone",
        "category": "estandares",
        "image": {
          "url": "https://upload.wikimedia.org/wikipedia/commons/thumb/6/67/IFLA-logo.svg/200px-IFLA-logo.svg.png",
          "fallback": "🏛️"
        },
        "title": "Principios de París",
        "description": "<strong>9-18 de octubre, 1961</strong><br>La Conferencia Internacional sobre los Principios de Catalogación, organizada por la IFLA en París, estableció principios universales de catalogación.",
        "details": {
          "contribution": "Los Principios de París transformaron la catalogación de una práctica basada en reglas complejas a una disciplina guiada por principios universales.",
          "documents": ["Declaración de Principios (1961)"],
          "theorists": ["lubetzky", "verona"]
        }
      }
    ],
    "theorists": {
      "lubetzky": {
        "name": "Seymour Lubetzky",
        "image": "https://alchetron.com/cdn/seymour-lubetzky-171c6a49-191d-4e7a-bec2-b9bc763cf5d-resize-750.jpeg",
        "years": "1898-2003",
        "contribution": "Autor de 'Cataloging Rules and Principles' (1953) y arquitecto intelectual de los Principios de París."
      },
      "verona": {
        "name": "Eva Verona",
        "image": "https://alchetron.com/cdn/eva-verona-a1a66a4b-4cf9-40a9-a552-3af8792a7cf-resize-750.jpg",
        "years": "1905-1997",
        "contribution": "Fue co-arquitecta de los Principios de París, aportando una perspectiva europea. Autoridad en catálogos alfabéticos."
      }
    }
  }
}

Prompt generado en lenguaje natural (siempre funcionará mejor la versión en JSON)

"Actúa como un desarrollador experto en visualización de información. Utiliza el archivo de datos estructurado proporcionado (el JSON aumentado completo) para generar un único archivo digital auto-contenido. La estructura principal será una línea de tiempo vertical y cronológica basada en cada evento. Cada evento debe ser un elemento interactivo. Para cada evento, genera una tarjeta visual que muestre su title, description e image. Si un evento tiene el atributo type con valor major-milestone, aplícale un estilo visual destacado. Asigna a cada evento una etiqueta de categoría basada en su atributo category. Implementa un sistema de filtros que permita al usuario mostrar u ocultar eventos según estas categorías. Al hacer clic en un evento, se debe mostrar una ficha descriptiva (modal) con la información contenida en details. Dentro de esta ficha, los nombres de los teóricos deben ser enlaces interactivos. Al hacer clic en el enlace de un teórico, se debe mostrar una segunda ficha biográfica con la información correspondiente a ese teórico, extraída del objeto theorists. Toda la presentación debe ser limpia, con una paleta de colores suaves y una tipografía legible. La organización final de los eventos debe ser estrictamente ascendente por año."

Este conjunto de instrucciones, codificado en la propia estructura de los datos, fue el único insumo necesario para la siguiente fase.

3.3. Fase III: Generación e Implementación técnica del Artefacto

En esta fase, el modelo de IA actuó como un motor de construcción, traduciendo el prompt estructurado en los componentes funcionales del artefacto digital.

1. Generación de la estructura de contenido: El modelo iteró sobre los datos del JSON y generó los elementos estructurales para cada evento de la línea de tiempo. También generó la estructura base para los modales (fichas) y el sistema de filtros, preparando el esqueleto del artefacto.

2. Generación de la capa de presentación: El modelo creó las reglas de estilo visual. De forma precisa, asoció las clases de comando del JSON (ej. category-estandares, major-milestone) con los atributos visuales (colores, tamaños, bordes), materializando la función cognitiva del diseño.

3. Generación de la Lógica de Interactividad: El modelo generó el componente funcional que dota de vida al artefacto. Esto incluyó la lógica para:
   

   • Gestionar el sistema de filtros, respondiendo a las selecciones del usuario para mostrar u ocultar elementos.

   • Manejar la apertura de los modales, leyendo el identificador del elemento seleccionado, buscando sus datos en la estructura de datos interna y poblando dinámicamente el contenido de la ficha antes de hacerla visible.

   
   

El resultado fue un único artefacto digital que encapsulaba de manera integrada la estructura, la presentación y la lógica de la aplicación.

4. Análisis Funcional del Artefacto Resultante

El artefacto producido fue evaluado en función de los cuatro atributos definidos en el marco metodológico.

• Contexto acotado: El artefacto opera de manera exitosa dentro de los límites del capítulo "Pasado". Toda la información presentada es verificable contra la fuente original, y no existen enlaces o referencias a conocimiento externo.

• Navegación semántica y no Lineal: Este atributo se implementó con un alto grado de sofisticación. El usuario no está forzado a un recorrido secuencial. Puede navegar cronológicamente a través de la línea de tiempo, o puede navegar temáticamente utilizando el sistema de filtros por categorías (Personas, Estándares, etc.), lo que le permite crear vistas personalizadas de la narrativa histórica.

• Interactividad centrada en el usuario: La interactividad va más allá de la simple navegación. El usuario puede pasar de una vista general (la línea de tiempo) a una vista detallada (el modal de un evento) y, desde allí, a una vista aún más específica (el modal biográfico de un teórico). Esta interactividad por capas permite una exploración profunda y activa del corpus.

• Trazabilidad y verificabilidad: Aunque el artefacto no enlaza a un PDF del documento original, sí cumple con el principio de trazabilidad conceptual. Cada evento sintetizado presenta de forma explícita los teóricos involucrados y los documentos clave asociados, permitiendo al usuario verificar las conexiones y la base de cada hito presentado.

La ejecución se distingue del ejemplo base presentado en el artículo de referencia de Castillo-Velásquez (2024), por su mayor complejidad relacional. Mientras que el ejemplo se centra en deconstruir un único texto, este estudio de caso demuestra que la metodología es escalable para sintetizar, relacionar y visualizar un dominio de conocimiento completo con múltiples entidades interconectadas.

Artefacto en función:

5. Discusión

5.1. Implicaciones Pedagógicas

La aplicación de esta metodología en un entorno de aprendizaje de la Ciencia de la Información presenta implicaciones significativas.

El proceso exige que los estudiantes pasen de ser consumidores pasivos de información a ser arquitectos activos del conocimiento.

Deben deconstruir un texto, identificar sus componentes semánticos, modelar relaciones y diseñar una experiencia de usuario. Este ejercicio fomenta habilidades de pensamiento crítico, análisis estructural, modelado abstracto y diseño de sistemas de información, competencias fundamentales para el profesional del siglo XXI.

5.2. Ventajas y Limitaciones del Enfoque

La principal ventaja observada fue la capacidad de producir un artefacto de alta complejidad funcional a partir de una única instrucción precisa, validando la eficacia de la "Cadena de Mando Cero". La metodología impone un rigor en la fase de planificación que se traduce en un resultado predecible y de alta calidad. Sin embargo, se identifican las mismas limitaciones advertidas por la metodología:

• Dependencia del Prompt: La calidad del artefacto es directamente proporcional a la calidad del JSON Prompt. Un modelo de datos mal diseñado o instrucciones ambiguas hubieran resultado en un producto deficiente.

• Supervisión humana obligatoria: La fase de curación y modelado es intensiva en trabajo humano y no puede ser completamente automatizada. La validación del conocimiento extraído es un paso indispensable para garantizar la exactitud.

• Competencia conceptual: Si bien la fase de implementación técnica puede ser delegada a la IA, la fase de diseño del modelo de datos requiere una alta competencia conceptual y de dominio por parte del equipo humano.

5.3. El Profesional de la Información como Arquitecto del Conocimiento

Este estudio de caso refuerza la visión del profesional de la información como un "arquitecto del conocimiento". Su rol no se limita a gestionar documentos, sino a diseñar los sistemas y experiencias a través de los cuales se accede y se interactúa con la información. La metodología proporciona un marco formal para ejercer este rol de manera sistemática y eficaz.

6. Conclusión

Este estudio de caso ha demostrado la aplicación exitosa de la "Metodología para la Creación de Artefactos de Conocimiento" en un contexto académico real. Se logró transformar una actividad estática en un sistema de información interactivo, semánticamente navegable y funcionalmente complejo. El uso de un prompt estructurado en formato JSON, bajo un enfoque de "Cadena de Mando Cero", probó ser un método altamente efectivo para dirigir un modelo de IA hacia la generación de un producto predecible y de alta calidad.

El proceso completo valida que la combinación de una rigurosa curación y modelado de conocimiento por parte de expertos humanos, con la capacidad de generación técnica de la IA, constituye un flujo de trabajo potente y replicable. Este enfoque no solo representa una mejora incremental sobre los formatos de documentos tradicionales, sino un cambio cualitativo en la forma en que el conocimiento puede ser representado, explorado y comprendido, abriendo nuevas vías para la pedagogía y la práctica profesional en la Ciencia de la Información.

7. Referencias

• Castillo-Velasquez, J. A. (2023, diciembre 1). Guía definitiva del OCR: Extrae el texto de imágenes, videos, PDF y todo lo que aparezca en pantalla. info[rage]. https://www.inforage.info/post/gu%C3%ADa-definitiva-del-ocr-extrae-el-texto-de-im%C3%A1genes-videos-pdf-y-todo-lo-que-aparezca-en-pantalla

• Castillo-Velasquez, J. A. (2024a, mayo 27). Métodos de Ingeniería de Prompts y la estructura JSON para mejorar la precisión en tus órdenes a la IA generativa como ChatGPT, Copilot y Gemini. Sácale el jugo en modo profesional. info[rage]. https://www.inforage.info/post/m%C3%A9todos-de-ingenier%C3%ADa-de-prompts-y-la-estructura-json-para-precisi%C3%B3n-en-tus-%C3%B3rdenes-a-ia-generativa

• Castillo-Velasquez, J. A. (2024b, junio 2). info[template]: Plantilla para la creación de un prompt efectivo para cualquier IA. info[rage]. https://www.inforage.info/post/info-template-plantilla-para-la-creaci%C3%B3n-de-un-prompt-efectivo-para-cualquier-ia

• Castillo-Velásquez, J. A. (2025, 23 de julio). Metodología para la Creación de Artefactos de Conocimiento: no más documentos planos o Presentaciones simples. Inforage. https://www.inforage.info/post/metodolog%C3%ADa-para-la-creaci%C3%B3n-de-artefactos-de-conocimiento-no-m%C3%A1s-documentos-planos-o-presentacione