Uso responsable y profesional de Inteligencia Artificial en el curso
Este documento establece las pautas para el uso ético, reflexivo y técnicamente riguroso de herramientas de Inteligencia Artificial (IA) en el contexto del desarrollo de software y hardware embebido.
Aprovechar herramientas de IA como apoyo en el aprendizaje técnico, la documentación y la exploración de código, sin sustituir la validación experimental, el razonamiento ingenieril ni el trabajo personal sobre plataformas de hardware reales.
- Solicitar explicaciones de conceptos clave: comunicación UART, I2C, SPI, interrupciones, timers, ADC, DMA.
- Generar ejemplos de código de referencia en C, C++ o ensamblador.
- Explorar variantes en la implementación de controladores, protocolos o rutinas de bajo nivel.
- Apoyarse en IA para generar comentarios explicativos o documentación técnica del código.
- Traducir o resumir secciones complejas de manuales técnicos o datasheets.
- Entregar código generado por IA sin comprender su funcionamiento ni realizar pruebas en hardware.
- Utilizar IA para diseñar esquemas eléctricos o temporizaciones sin consultar fuentes oficiales ni validar experimentalmente.
- Delegar en IA la selección de componentes o estimación de consumo energético sin análisis ingenieril.
-
Valida en hardware real
La IA puede generar código que compila, pero solo tú puedes verificar su funcionamiento en un entorno físico. -
Consulta siempre el datasheet
Usa la IA como apoyo complementario, pero la fuente oficial es el fabricante. -
Transparencia profesional
Declara claramente qué parte de tu trabajo fue asistida por IA. -
Prompts técnicos y reflexión
Formula preguntas específicas y registra tus prompts. Evalúa críticamente las respuestas. -
Explora con criterio múltiples herramientas
Puedes usar ChatGPT, Copilot, Perplexity, etc., pero sé selectivo y consciente de sus limitaciones. -
Incluye reflexión final
Comenta qué aprendiste, qué ajustaste y cómo validaste tus resultados.
### Asistencia de Inteligencia Artificial
- **Prompts utilizados**:
- "¿Cómo configurar el módulo ADC del PIC18F4550 en modo continuo con interrupciones?"
- "Genera un ejemplo de manejo de SPI en STM32 con HAL."
- **Herramientas utilizadas**:
- ChatGPT (GPT-4o)
- GitHub Copilot
- **Cambios y validación**:
- El código generado fue modificado para adaptarse al compilador XC8.
- Se realizaron pruebas en protoboard con señales de entrada reales.
- Verifiqué el funcionamiento usando lógica de test con LEDs y osciloscopio.
- **Reflexión personal**:
La IA me ayudó a clarificar la configuración inicial, pero tuve que corregir errores de temporización. Esto reforzó mi entendimiento del ciclo de reloj y del manejo de interrupciones.
- **Fecha**: 2025-09-18
- **Plataforma de hardware utilizada**: PIC18F4550 en protoboard, oscilador de 20 MHz
---
Perfecto 👌. Aquí tienes la versión lista para integrar en tu AI_GUIDELINE.md, adaptada a cursos de Ingeniería en Sistemas y con un checklist crítico que los estudiantes deben aplicar cuando usen un LLM en sus prácticas:
⸻
🧠 Pensamiento Crítico y Uso Responsable de IA
Guía para Ingeniería en Sistemas
🎯 Objetivo
Orientar al estudiante en el uso crítico y reflexivo de LLMs (modelos de lenguaje como ChatGPT) en prácticas y proyectos académicos, asegurando que el contenido generado sea comprendido, verificado y mejorado antes de entregarlo.
⸻
🔹 Checklist de Preguntas Críticas
👤 QUIÉN
• ¿Quién se beneficia de este diseño, código o propuesta?
• ¿Quién sería responsable si falla este sistema?
• ¿Quién falta en el análisis (usuarios finales, cliente, equipo de soporte)?
• ¿Quién ya resolvió un problema similar (estándares, frameworks, bibliografía)?
📌 QUÉ
• ¿Qué problema técnico estoy intentando resolver realmente?
• ¿Qué parte de la respuesta de la IA son hechos comprobables y qué son suposiciones?
• ¿Qué está asumiendo la IA sin que yo lo haya validado (plataforma, librerías, contexto)?
• ¿Qué información o detalle falta (diagramas, dependencias, pruebas)?
🕒 CUÁNDO
• ¿Cuándo debe tomarse esta decisión técnica?
• ¿Cuándo en el ciclo de vida del software es más apropiado aplicar esta solución?
• ¿Cuándo he visto errores similares en otros proyectos?
• ¿Cuándo sería riesgoso implementar lo que propone la IA?
🌍 DÓNDE
• ¿De dónde provienen los datos o ejemplos que usó la IA?
• ¿Dónde se implementará este sistema (nube, local, IoT) y cambia eso la validez?
• ¿Dónde puede fallar este diseño (rendimiento, seguridad, escalabilidad)?
• ¿Dónde encuentro documentación oficial o pruebas que lo respalden?
❓ POR QUÉ
• ¿Por qué este enfoque es mejor que otras alternativas?
• ¿Por qué creo que la salida es correcta y no un error del modelo?
• ¿Por qué otros podrían verlo distinto (otro lenguaje, paradigma, contexto)?
• ¿Por qué no hemos resuelto esto con técnicas tradicionales ya conocidas?
⚙️ CÓMO
• ¿Cómo mediré el éxito de implementar esta propuesta (tests, benchmarks, validación)?
• ¿Cómo podría fallar este código en producción?
• ¿Cómo pruebo la validez de lo que me dio la IA antes de usarlo?
• ¿Cómo explicaré mi decisión de usar IA a mis compañeros, profesor o cliente?
⸻
📌 Ejemplos de aplicación en cursos
• Lenguajes de Interfaz (ARM/Assembly):
Si la IA genera un programa, preguntar:
“¿Qué registros preserva y dónde lo verifico en el ABI oficial de ARM?”
• Patrones de Diseño (GoF en C#):
Si la IA sugiere Singleton, cuestionar:
“¿Por qué elegir este patrón y no otro? ¿Dónde sería un antipatrón en sistemas distribuidos?”
• Bases de Datos:
Si la IA entrega un query SQL:
“¿Cómo afectará el rendimiento en tablas grandes? ¿Qué índices faltan?”
• Cultura Digital – IoT con micro:bit:
Si la IA genera un script:
“¿Cómo sé que maneja errores de hardware? ¿Dónde lo pruebo antes de cargarlo al dispositivo?”
⸻
📝 Responsabilidad académica
1. Documentar en ANEXO.md:
• Prompts utilizados.
• Cambios o mejoras realizadas tras usar pensamiento crítico.
• Referencias oficiales o pruebas adicionales consultadas.
2. Reflexionar:
• ¿Qué sesgos, errores o vacíos encontré en la respuesta de la IA?
• ¿Qué aprendí del proceso de revisión?