16. ANEXOS

ANEXO A · DATOS VERIFICADOS

La regla del libro: cifras recientes, medidas exactas; cifras viejas, de memoria y prudentes

("más de dos docenas"); nunca al revés. Una cifra inventada en una entrevista es una puerta que se

cierra sola.

Biografía laboral, Hito, Dato,, Inicio, 29-sep-1997, Valen Computer (informática hospitalaria) — 29 años (10.626 días),, 2006–2012, migraciones MUMPS → InterSystems Caché: ~15 hospitales y 50 clínicas,, En paralelo, prototipos sanitarios Java /.NET / web / WPF,, Aguas de Reus, 6 meses en la etapa; cifras oficiales de hoy: 42.000 clientes, 335 km de distribución, 24 sectores — fórmula prudente: "más de dos docenas de puntos de control con sus arquetas",, Werfen, +40 hospitales, guardias 24/7,, Santa Tecla, 40 TB de imagen médica,, La capa de 2007, capa Python sobre Caché para colegas sin MUMPS — traducción técnica/técnica, Cifras medidas (2026), Sistema, Cifra,, Batería de evaluación, 419 rondas (12-ago → 2-nov) · 6 agentes · cada 6 h · 70 fallos técnicos (33×401, 19×timeout, 18×DNS) · media 6,18 → 5,98 · 18 regresiones fuertes,, %RAG.m, 41 líneas · 2.255 documentos · 1,79 M caracteres · 302 ms,, Zalo KB, bge-m3 + Vectorize topK 30 → FTS5 15 → LIKE · dedup por contenthash,, LUMEN, 204 tests, 0 fallos · 44 % de ahorro (21 payloads) · hasta 58 % heartbeats · 22 KB WASM · 20.908 llamadas/s (p50 0,05 ms),, Cloudflare (30 días), +1.000.000 de peticiones, coste cero en el borde,, ResonIA, 8.660 líneas · 8 reglas duras · 3 salidas del validador,, MCP, 18 servidores de agente/herramienta + 7 puentes = 25 entradas,, Neferu, armv7l · 242 MB RAM · proceso MVM 43,8 MB RSS · HTTP:8140,, Danae, QPU QuTech · entrelazamiento S = 0,9994,, Multa Uber, 824.990.000 € (AP holandesa) = 4 % de la facturación mundial · decisiones automatizadas · 171 conductores franceses, Los umbrales que se dicen en voz alta: recall@5 ≥ 0,85 para desplegar · tolerancia cero

en fuga de permisos · umbral de regresión 2,0 puntos entre rondas. Y lo que falta, dicho antes

de que lo pregunten: la firma humana con bandeja, el sesgo por subgrupo, la auditoría externa.

(Extracto estructurado y fiel de la oferta recibida por chat — el texto literal se añade cuando

se pegue la JD completa.)

Puesto: AI Expert / Generative AI Engineer · Getnet · vía Serquo · esperando fecha.

Responsabilidades: identificación de casos de uso y selección de enfoque/modelo/arquitectura ·

diseño e implementación de soluciones LLM · arquitecturas RAG para conocimiento corporativo ·

AI Agents y flujos de trabajo · integración de modelos por APIs con aplicaciones existentes ·

modelos comerciales y open source (Azure OpenAI, OpenAI, Anthropic, Llama, Mistral) ·

evaluación de respuestas: calidad, precisión y comportamiento · prompt engineering ·

embeddings, búsqueda semántica y vector databases · industrialización y puesta en producción ·

colaboración con Software Engineers, Arquitectura, Data, Seguridad y Producto · documentación de

arquitecturas y decisiones · mantenerse actualizado · prototipado rápido.

Conocimientos: Python, APIs REST, Git, librerías y frameworks de IA, microservicios,

metodologías ágiles.

Valorable: Azure OpenAI / AI Foundry · OpenAI APIs · LangChain / LlamaIndex · Semantic Kernel ·

vector DBs · Docker y Kubernetes · CI/CD · Azure · MLflow.

Se valorará especialmente — AI Governance & Security: Responsible AI · seguridad y privacidad

en IA · gestión de información sensible · control de acceso a fuentes RAG · evaluación y

monitorización · guardrails sobre respuestas · explicabilidad, trazabilidad y gobierno.

Requisito: ≥ 3 años en IA/GenAI y formación técnica.

La lectura que importa: la oferta tiene tres bloques de decisión — RAG con control de

acceso (capítulo 3), evaluación (capítulo 7) y governance (capítulo 8) — más el transversal

(capítulo 11). Los cuatro son exactamente los capítulos donde el libro tiene más munición.

> "La IA que no se puede auditar no se puede desplegar." — apertura de governance (cap. 8)

> "Si el control está en el prompt, un cambio de redacción o un modelo distinto lo tira. Si está

> en la consulta, no hay prompt que lo desactive." — control de acceso RAG (cap. 3)

> "Escribir primero, ejecutar después, reconciliar siempre." — validador de tres salidas (cap. 8)

> "Los nombres han cambiado; los problemas son los mismos." — de MUMPS a LLMs, 29 años (cap. 2)

> "Un medidor que nunca baja la nota no sirve. El mío bajó: 6,18 a 5,98." — evaluación (cap. 7)

> "En solitario, pero nunca solo: coordino un equipo de agentes con roles y medición cada seis

> horas — el mismo oficio que con personas." — transversal (cap. 11)

> "Si el filtro es el número de años en una nómina, no lo paso. Si es si puedo construir esto y

> responder de ello, sí." — el filtro de los 3 años (motivación)

> "Elijo la nube por coste y por comprador, no por preferencia." — cloud (cap. 10)

El método de ensayo: pregunta → libro cerrado → un minuto en voz alta → comparar con el capítulo., #, Pregunta, Capítulo,, 1, ¿Open source o modelo comercial?, 1,, 2, ¿Cómo estás al día de los modelos?, 1,, 3, ¿Cuánto te cuesta un mes de modelos?, 1,, 4, ¿Cómo decides si un caso merece IA?, 2,, 5, Cuéntame un caso de idea a producción, 2,, 6, ¿Prototipas rápido o diseñas primero?, 2,, 7, ¿Cómo controlas los permisos en un RAG?, 3,, 8, ¿Cómo troceas los documentos?, 3,, 9, ¿Qué haces si la búsqueda no encuentra?, 3,, 10, ¿Qué métricas usarías para el RAG?, 3,, 11, ¿Qué vector database usas?, 4,, 12, ¿Vectorial o keyword?, 4,, 13, ¿Cómo eliges el modelo de embeddings?, 4,, 14, ¿Qué es un embedding? (si lo preguntan), 4,, 15, ¿Qué es para ti un agente?, 5,, 16, ¿Cómo evitas los bucles infinitos?, 5,, 17, ¿Cuándo agente y cuándo prompt?, 5,, 18, ¿Has trabajado con LangGraph?, 5,, 19, ¿Cómo optimizas un prompt?, 6,, 20, ¿Cómo versionas los prompts?, 6,, 21, ¿Tu truco favorito de prompt engineering?, 6,, 22, ¿Dónde pones los límites, prompt o sistema?, 6,, 23, ¿Cómo sabes que el sistema funciona?, 7,, 24, ¿Usas un LLM para evaluar a otro?, 7,, 25, Dame un fallo real detectado, 7,, 26, ¿Cómo evitas la degradación silenciosa?, 7,, 27, ¿Cómo plantearías Responsible AI en Getnet?, 8,, 28, ¿Conoces la AI Act y su impacto?, 8,, 29, ¿Cómo proteges la información sensible?, 8,, 30, ¿Cómo evitas el prompt injection?, 8,, 31, ¿Cómo pones una solución de IA en producción?, 9,, 32, ¿Has trabajado con Kubernetes?, 9,, 33, ¿Has usado MLflow?, 9,, 34, ¿Cómo documentas las decisiones?, 9,, 35, ¿Por qué Azure para este puesto?, 10,, 36, ¿Cuánto te cuesta tu stack al mes?, 10,, 37, ¿Usarías Cloudflare en un banco?, 10,, 38, ¿Cómo controlas el coste a escala?, 10,, 39, Has trabajado solo: ¿cómo en equipo?, 11,, 40, ¿Cómo explicas IA a no técnicos?, 11,, 41, ¿Cómo colaborarías con Seguridad?, 11,, 42, ¿Cómo documentas las decisiones?, 11,, 43, Los 3 años de experiencia, Motivación, ## ANEXO F · LA CHULETA DEL DÍA D

Veinte minutos antes de entrar, nada más. Un buen material de entrevista parece escaso.

Apertura: "La última vez hablamos de RAG y no te conté bien lo que tengo." → RAG primero,

evaluación solo cuando pregunten cómo se mide.

Los tres casos: el control de acceso en la consulta (no en el prompt) · los 70 fallos y el 401 ·

el validador de tres salidas con desviación registrada.

Palabras clave: RAG · CONTROL DE ACCESO · EVALUACIÓN · GOVERNANCE · LAS TRES SALIDAS · ×1,15 /

×0,70 · 419 RONDAS · 29 AÑOS.

NO decir: nada de transporte binario ni protocolo propio salvo que pregunten · ningún

"depende" sin criterio · ninguna cifra inventada · nada de "me lo he construido todo".

El cierre: "Si el filtro es años en nómina, no lo paso. Si es si puedo construir esto y

responder de ello, sí."