M1.- Kit profesional de IA para audiovisual (criterios, seguridad, verificación).
Objetivos específicos:
 Alinear expectativas: dónde aporta valor hoy y dónde exige control humano.
 Aplicar criterios de calidad, verificación y control de versiones.
 Establecer reglas básicas de seguridad y confidencialidad con materiales sensibles.
Contenidos:
 Capacidades y límites de modelos (texto y multimodal): errores típicos y detección.
 Método reproducible: brief, iteración, evaluación, verificación y registro de decisiones.
 Privacidad y seguridad: clasificación de materiales, anonimización y buenas prácticas.
 Trazabilidad mínima desde el día 1 (qué registrar y por qué).
Práctica y dinámica:
 Laboratorio guiado: definición de 3 tareas reales por participante y diseño de mini-proceso repetible (plantilla de prompt + checklist).
Evidencias/entregables:
 Backlog inicial de casos de uso (3–5 por participante).
 Checklist de verificación y calidad para outputs de IA.
 Plantillas de prompt reutilizables (por rol o tarea).

M2.- Estado de la cuestión, flujos de trabajo y AI for Good (Flora / Gemini).
Objetivos específicos:
 Comprender usos actuales de IA en la industria audiovisual real.
 Identificar flujos profesionales donde la IA aporta valor.
 Introducir AI for Good aplicado al audiovisual: interés público, memoria y transparencia.
Contenidos:
 Panorama de adopción y tendencias (desarrollo, post, análisis, entrega).
 Mapeo de procesos, decisiones y responsabilidades con Flora.
 Gemini Studio/AI Studio como entorno de ideación, análisis y prototipado.
Práctica y dinámica:
 Mapeo de un proceso real: pasos, puntos de control humano, riesgos y evidencias.
 Ejercicio: ‘de la pregunta a la prueba’ (cómo formular hipótesis y diseñar verificación).
Evidencias/entregables:
 Mapa inicial del workflow en Flora (versión 0).
 Lista de verificaciones y fuentes para sostener decisiones.

M3.- IA en desarrollo: investigación, guion, pitch y packaging.
Objetivos específicos:
 Usar IA para investigación y generación de materiales de desarrollo sin perder control autoral.
 Optimizar iteraciones de guion, pitch y packaging manteniendo consistencia y trazabilidad.
Contenidos:
 IA para investigación: síntesis, contraste de fuentes y detección de alucinaciones.
 Desarrollo de guion: estructura, versiones, coherencia de personajes y tono.
 Pitch: loglines, sinopsis, comparables y dossier con declaración de uso de IA.
Práctica y dinámica:
 Taller: prototipado rápido de pitch (brief → iteración → verificación → versión).
Evidencias/entregables:
 Documento de pitch (borrador) con trazabilidad mínima (qué herramientas se usaron y por qué).

M4.- IA analítica I: análisis de contenido audiovisual y archivo.
Objetivos específicos:
 Explorar la IA como herramienta de lectura y análisis, no solo de generación.
 Aplicar IA al análisis de grandes volúmenes de material audiovisual.
 Comprender límites, sesgos y condiciones de validez en análisis automatizados.
Contenidos:
 Transcripción, etiquetado y extracción de entidades a escala.
 Análisis de archivo: búsqueda semántica, clustering y recuperación de evidencias.
 Diseño de prompts para análisis y construcción de ‘dossiers analíticos’.
Práctica y dinámica:
 Laboratorio: pipeline mínimo (transcripción → etiquetas → hallazgos → evidencias).
Evidencias/entregables:
 Dossier analítico (1–2 páginas) con hallazgos + evidencias y límites.

M5.- IA en preproducción y producción: desglose, planificación y riesgos.
Objetivos específicos:
 Aplicar IA a tareas de desglose, planificación y gestión de producción con control humano.
 Integrar IA en matrices de riesgo y comunicación interna.
Contenidos:
 Desglose automatizado, listas y estimaciones (con revisión humana).
 Planificación: alternativas, escenarios y ‘what-if’ con criterios.
 Gestión de riesgos: privacidad, permisos, reputación y contratos.
Práctica y dinámica:
 Caso práctico: desglose y planning con una checklist de verificación.
Evidencias/entregables:
 Paquete de producción (desglose + planning) con registro de decisiones y riesgos.

M6.- IA analítica II: inferencia, riesgo y responsabilidad.
Objetivos específicos:
 Diseñar dispositivos analíticos responsables y defendibles.
 Distinguir inferencia algorítmica vs. interpretación autoral.
Contenidos:
 Sesgos, falsas correlaciones, sobre-autoridad del modelo y errores de ‘lectura’.
 Protocolos de validación y triangulación de evidencias.
 Buenas prácticas de comunicación de resultados (limitaciones, supuestos, incertidumbre).
Práctica y dinámica:
 Clínica de análisis: revisión crítica de un caso y depuración del pipeline.
Evidencias/entregables:
 Protocolo de validación (checklist) y nota metodológica de límites.

M7.- IA en postproducción y entrega: accesibilidad, QC y versiones.
Objetivos específicos:
 Optimizar tareas de postproducción con IA sin comprometer calidad ni seguridad.
 Incorporar accesibilidad y QC como parte del workflow defendible.
Contenidos:
 Subtitulación, transcripción y accesibilidad (buenas prácticas y revisión).
 QC automatizable y control de versiones/entregables.
 Gestión de archivos y metadatos para trazabilidad.
Práctica y dinámica:
 Ejercicio: subtítulos + QC + checklist de entrega.
Evidencias/entregables:
 Paquete de entrega con elementos de accesibilidad y registro de versiones.

M8.- Autoría, legalidad y protocolos de trazabilidad y declaración de uso.
Objetivos específicos:
 Comprender implicaciones legales y de autoría en procesos híbridos humano–IA.
 Aprender a documentar y declarar el uso de IA de forma clara y defendible.
Contenidos:
 Autoría, responsabilidad, derechos y licencias (marco general).
 Protocolos de trazabilidad: qué registrar (prompts, versiones, fuentes, datasets) y cómo.
 Modelos de declaración de uso para instituciones, festivales y clientes.
Práctica y dinámica:
 Taller: creación de la declaración de uso + matriz de riesgos para un caso real.
Evidencias/entregables:
 Declaración de uso de IA (borrador) y matriz de riesgos con mitigaciones.

M9.- Implantación en empresa/proyecto: política, ROI, compras, compliance y reputación.
Objetivos específicos:
 Pasar del prototipo a la implantación: políticas internas y criterios de compra/uso.
 Definir métricas de ROI y control de calidad.
Contenidos:
 Política de uso: permisos, seguridad, clasificación de materiales y trazabilidad mínima.
 Compras y compliance: evaluación de proveedores, términos, privacidad y sostenibilidad.
 Reputación: cómo comunicar el uso de IA y gestionar riesgos.
Práctica y dinámica:
 Diseño del AI Playbook del proyecto/organización (1–2 páginas).
Evidencias/entregables:
 AI Playbook completo (versión 1).

M10.- Cierre: presentación y defensa del workflow + clínica final.
Objetivos específicos:
 Sintetizar aprendizajes y cerrar el workflow con evidencias mínimas.
 Entrenar la defensa ante terceros (comités, jurados, clientes).
Contenidos:
 Presentación de workflows defendibles: estructura de exposición y documentación adjunta.
 Clínica final de revisión por pares: puntos débiles, riesgos y mejoras.
 Checklist final de entrega (qué debe quedar trazado).
Práctica y dinámica:
 Presentaciones breves por participante + feedback estructurado del grupo.
 Cierre y sesión abierta de preguntas y respuestas.
Evidencias/entregables:
 Proyecto final entregado (workflow + anexos) y presentación final