Aprender inteligencia artificial en 12 meses desde cero es realista si dedicas unas 10–15 horas por semana y sigues un orden claro: tres meses de fundamentos (Python y datos), tres de machine learning con las matemáticas necesarias, tres de deep learning y Transformers, y tres de aplicaciones con modelos de lenguaje (LLMs). Cada etapa termina con un proyecto que demuestra lo aprendido.
Si tu objetivo es construir aplicaciones con LLMs cuanto antes, existe una vía rápida: después de los fundamentos puedes saltar directamente a las aplicaciones y volver más tarde a las bases teóricas. Este plan es una orientación, no un calendario obligatorio: si tienes menos tiempo, estíralo; si ya programas, acórtalo. Lo importante es el orden y los proyectos, no la fecha.
Antes de empezar: cómo usar este plan
Tres ideas para que el plan te sirva de verdad:
- Un mes no es una frontera rígida. Si un tema se te atraganta, dale dos semanas más. Es mejor avanzar algo más despacio que acumular huecos que te frenarán después.
- Cada etapa tiene un hito y un proyecto. El hito te dice si puedes pasar a la siguiente; el proyecto es la prueba. Si no puedes hacer el proyecto sin copiar, todavía no es momento de avanzar.
- Constancia antes que intensidad. Una hora y media casi todos los días funciona mejor que un maratón de diez horas el domingo. Repasar lo anterior de vez en cuando evita olvidarlo.
Si todavía no tienes claro qué significa «trabajar en IA», te conviene leer antes Qué es un AI engineer y qué hace, y para una visión general más breve, Cómo aprender inteligencia artificial desde cero.
El plan mes a mes
| Mes | Foco | Proyecto de ejemplo |
|---|---|---|
| 1 | Ordenador, terminal, Git y primeros pasos en Python | Un script que ordena los archivos de una carpeta por tipo |
| 2 | Python de ingeniería: funciones, clases, errores, tests; algoritmos y estructuras de datos básicos | Una pequeña herramienta de línea de comandos con sus tests |
| 3 | Datos: NumPy, pandas, SQL y visualización | Análisis exploratorio de un dataset público con gráficos y conclusiones |
| 4 | Puente de matemáticas y matemáticas para IA: vectores, derivadas, probabilidad | Descenso de gradiente programado desde cero |
| 5 | Machine learning: regresión, clasificación y evaluación honesta | Clasificar especies de pingüinos con scikit-learn |
| 6 | Árboles, clustering; ética, sesgos y regulación | Un modelo completo con informe de evaluación y análisis de sesgos |
| 7 | Redes neuronales, backpropagation y PyTorch | Una red que reconoce dígitos escritos a mano, primero desde cero y luego en PyTorch |
| 8 | Visión por computador o procesamiento del lenguaje (NLP) | Un clasificador de imágenes o de textos entrenado en una GPU gratuita en la nube |
| 9 | Transformers pieza a pieza | Tu propio mini-GPT que genera texto carácter a carácter |
| 10 | APIs y servicios para IA (por ejemplo, con FastAPI) | Una API que resume o clasifica textos usando un LLM |
| 11 | RAG: búsqueda y respuestas sobre tus documentos | Un asistente que responde sobre un conjunto de documentos citando sus fuentes |
| 12 | Agentes y producción: evaluación, guardrails, coste, observabilidad | Proyecto final: un asistente con RAG y herramientas, con sus evals, listo para enseñar |
Ahora, etapa por etapa.
Meses 1–3: fundamentos de programación y datos
Es la etapa menos vistosa y la más importante. Sin una base sólida de programación, todo lo demás se convierte en copiar y pegar código que no entiendes.
Mes 1. Aprende a moverte por la terminal, a usar Git para guardar versiones de tu trabajo y los fundamentos de Python: variables, condicionales, bucles, listas y diccionarios, funciones. Este mes es para perder el miedo.
Mes 2. Pasa de «escribir scripts» a «escribir código que se puede mantener»: funciones bien diseñadas, clases, manejo de errores y tests automáticos. Añade algo de algoritmos y estructuras de datos: saber por qué buscar en un diccionario es más rápido que en una lista te ahorrará muchos problemas.
Mes 3. Entra en el mundo de los datos: NumPy para trabajar con arrays, pandas para tablas, SQL para consultar bases de datos y una librería de gráficos para visualizar. Aquí aprendes algo que se olvida a menudo: la mayor parte del trabajo real en IA consiste en limpiar y entender datos.
Hito del trimestre: puedes coger un archivo CSV que no conoces, cargarlo, limpiarlo, hacer preguntas con pandas o SQL y explicar lo que encuentras con dos o tres gráficos.
Para profundizar en esta etapa tienes Python para IA: por dónde empezar.
Meses 4–6: matemáticas útiles y machine learning
Mes 4. Las matemáticas justas, siempre en código: funciones, logaritmos y sumatorios; vectores y matrices; derivadas, gradientes y la intuición de la regla de la cadena; probabilidad y estadística básicas. No hace falta que te conviertas en matemático. En Matemáticas necesarias para IA (y las que no) tienes el detalle de qué necesitas y qué puedes posponer.
Mes 5. Tus primeros modelos: regresión lineal y logística, clasificación, y sobre todo evaluación honesta: separar datos de entrenamiento y de prueba, validación cruzada, métricas adecuadas y desconfiar de los resultados demasiado buenos. Merece la pena implementar algún algoritmo sencillo desde cero antes de usar scikit-learn, para saber qué hay dentro.
Mes 6. Árboles de decisión, random forests, clustering y reducción de dimensionalidad. Dedica también tiempo a la ética: sesgos en los datos, explicabilidad y el marco legal, como el Reglamento Europeo de IA. No es un añadido decorativo: un modelo que discrimina es un modelo que falla.
Hito del trimestre: ante un problema de datos tabulares, sabes elegir un modelo razonable, entrenarlo, evaluarlo correctamente y explicar sus límites.
Meses 7–9: deep learning y Transformers
Mes 7. Entiende una red neuronal por dentro: la neurona, las capas, la función de pérdida y el backpropagation, calculado a mano al menos una vez. Después pasa a PyTorch, que es la librería que usarás en la práctica. Tu proyecto: una red que reconoce dígitos escritos a mano, primero con NumPy y luego con PyTorch.
Mes 8. Elige una rama para practicar: visión por computador (convoluciones, redes convolucionales, transfer learning) o procesamiento del lenguaje (tokenización, embeddings, redes recurrentes). No necesitas las dos a fondo ahora mismo. Para entrenar, las GPU gratuitas de servicios en la nube como Google Colab son suficientes para proyectos de aprendizaje.
Mes 9. El Transformer, la arquitectura que presentó el artículo «Attention Is All You Need» (2017) y en la que se basan los LLMs actuales: atención, cabezas, bloques, decodificador. El proyecto estrella: entrenar un pequeño modelo tipo GPT que genere texto. No competirá con los grandes, pero entenderás de verdad cómo funcionan. Si quieres la versión conceptual, lee Qué es un LLM y cómo funciona.
Hito del trimestre: puedes explicar, con un dibujo y con código, cómo aprende una red neuronal y qué hace la atención en un Transformer.
Meses 10–12: aplicaciones con LLMs
Mes 10. Aprende a construir servicios: APIs con FastAPI, llamadas a modelos de lenguaje a través de sus APIs, gestión de claves, errores y límites. Tu proyecto: una API propia que usa un LLM para resumir o clasificar textos.
Mes 11. RAG (generación aumentada con recuperación): trocear documentos, crear embeddings, buscar los fragmentos relevantes y dárselos al modelo para que responda con fuentes. Es de los patrones más usados en aplicaciones reales. Te lo explico en Qué es RAG y para qué sirve.
Mes 12. Agentes que usan herramientas y, sobre todo, producción: evaluar las respuestas de forma sistemática (evals), poner barreras de seguridad (guardrails), controlar el coste y observar qué pasa en cada petición. Cierra el año con un proyecto final completo y bien documentado en tu repositorio de Git.
Hito del año: tienes varios proyectos propios que puedes enseñar y explicar, desde un análisis de datos hasta un asistente con RAG evaluado.
La vía rápida: aplicaciones con LLMs primero
Si tu meta principal es construir productos con modelos de lenguaje (un chatbot para una empresa, un asistente sobre documentos, automatizaciones con agentes), puedes reordenar el plan:
- Meses 1–3: fundamentos. Esto no se salta. Sin Python sólido y sin saber manejar datos, las aplicaciones con LLMs se vuelven frágiles.
- Meses 4–6: aplicaciones con LLMs. APIs, RAG, agentes y producción, con el ritmo de los meses 10–12 del plan completo.
- Meses 7–12: vuelta a las bases. Machine learning, matemáticas y deep learning, ahora con la motivación de entender qué pasa dentro de las herramientas que ya usas.
Ventaja: construyes cosas útiles antes. Inconveniente: durante un tiempo usarás modelos sin entenderlos del todo, y algunos problemas (por qué falla una búsqueda por embeddings, cómo evaluar bien) se entienden mejor con las bases. Por eso la vía rápida funciona mejor si no se queda ahí y vuelves después a los fundamentos de ML.
Errores habituales al seguir una ruta de 12 meses
- Saltarse los fundamentos por impaciencia. Es el error más caro: se paga con meses de confusión más adelante.
- Acumular cursos sin proyectos. Ver vídeos da sensación de avance; construir es lo que lo consolida.
- Querer aprenderlo todo a la vez. Cada semana aparece una herramienta nueva. Céntrate en los conceptos, que cambian mucho más despacio.
- Compararte con otros. Tu ritmo depende de tu punto de partida y de tu tiempo disponible.
- No repasar. Lo que no se usa se olvida.
Recursos gratuitos para complementar: la documentación oficial de Python, NumPy, pandas, scikit-learn y PyTorch incluye tutoriales para principiantes de muy buena calidad, y muchos proveedores de LLMs publican guías gratuitas sobre sus APIs.
Si quieres un camino guiado
Esta ruta sigue el mismo orden que el temario de Marsof Academy: Fundamentos: programación y datos, Machine learning, Deep learning y Transformers y Aplicaciones con LLMs, que puedes empezar justo después del primer curso si prefieres la vía rápida. Las lecciones son cortas, con Python real que se ejecuta en el navegador sin instalar nada, se avanza demostrando dominio con tests y retos, y un tutor IA te orienta con preguntas en lugar de darte la solución.
El plan anual (349 €/año; también hay suscripción mensual de 49 €/mes, IVA incluido, cancelable cuando quieras) se plantea como un reto de 12 meses, pero es solo una forma de organizarte: no hay plazos obligatorios y cada persona avanza a su ritmo. Tienes los detalles en precios. Es una opción más; con los recursos gratuitos y mucha constancia también puedes recorrer esta ruta por tu cuenta.
Preguntas frecuentes
¿De verdad se puede aprender IA en 12 meses?
Se pueden aprender los fundamentos y construir proyectos propios en ese tiempo con unas 10–15 horas semanales y constancia. La IA es un campo amplio: al cabo de un año tendrás una base sólida, no un dominio de todo.
¿Y si solo tengo 5 horas a la semana?
Sigue el mismo orden y estira los plazos: cada «mes» del plan puede convertirse en dos. Lo importante es no saltarse etapas ni los proyectos.
¿Necesito saber programar antes de empezar?
No. El plan empieza desde cero, con el ordenador, la terminal y Python. Si ya programas, puedes pasar más rápido por los primeros meses.
¿Tengo que hacer todo el plan si solo quiero crear chatbots?
No necesariamente. La vía rápida te lleva a las aplicaciones con LLMs tras los fundamentos. Aun así, volver después al machine learning y al deep learning te ayudará a entender y resolver mejor los problemas que encuentres.