IA de aprendizaje adaptativo · Formación en cumplimiento

Tu LMS registra la finalización. Attest registra la competencia.

Dos empleados terminan el mismo módulo de recertificación AML y el LMS muestra dos marcas de verificación verdes idénticas. Attest lee el flujo bruto de interacción de cada alumno con un modelo real de trazado del conocimiento, certifica solo los conceptos que puede demostrar y te entrega un Certificado de Competencia firmado en lugar de una marca de verificación.

51.9%

Reducción del tiempo de asiento de la cohorte

Cohorte simulada de 500 alumnos, calculada en vivo

0.83 AUC

Calidad hold-out del modelo SAKT

Nuestro benchmark sintético de KT con semilla

0 de 18

Certificados para un alumno que amañó con IA

Puerta de competencia, salida en vivo de la app

Una demo ejecutable, no un despliegue. La cohorte y los registros de interacción son sintéticos, y cada cifra de esta página la calcula la app en ejecución.

La finalización no es competencia

Una marca de verificación verde te dice que un empleado vio un vídeo. No te dice que aprendió.

SCORM informa «Completado». Los auditores quieren evidencia de dominio. Un analista senior de BSA que ya conoce el material y un gerente de sucursal con seis meses y lagunas reales cursan el mismo curso AML de 4 horas y obtienen la misma marca de verificación. El registro no puede distinguirlos, porque nunca midió lo que sabe cada uno.

Los proveedores establecidos que se venden como «adaptativos» en su mayoría ejecutan filtrado colaborativo («personas como tú tomaron el Curso X a continuación»), no trazado del conocimiento a nivel de concepto («no has dominado el concepto Y»). Y los empleados usan cada vez más asistentes de IA para pasar los módulos de un soplo, de modo que el registro de finalización dice «formado» cuando el aprendizaje nunca se consolidó.

En el trabajo regulado, esa brecha es un pasivo que un auditor puede cuantificar. La formación corporativa en EE. UU. gasta unos $102.8B al año a unos $874 por alumno (Training Magazine, 2025), y gran parte compra un registro de finalización en lugar de prueba de competencia. Donde una laguna formativa conlleva consecuencia regulatoria, en la recertificación AML y BSA o bajo las normas de alfabetización en IA por roles del EU AI Act artículo 4 que comienzan el 2 de agosto de 2026, una marca de verificación verde es exactamente la evidencia equivocada que presentar.

Panel de Attest para una cohorte de recertificación AML en la que cada alumno inscrito figura como SCORM Completado, mostrado junto al mapa de dominio a nivel de concepto de Attest para el analista senior de BSA, con 16 de 18 conceptos certificados y un 80.3% de tiempo de asiento reducido.
El mismo curso, la misma marca de verificación SCORM. Attest lee el dominio a nivel de concepto que hay debajo.

Cómo funciona: los agentes aconsejan, el código decide

Cuatro etapas convierten un curso plano en dominio por concepto y un certificado firmado. Un LLM hace la lectura; el código determinista toma cada decisión que importa.

El agente de mapeo de conceptos convierte un curso en 18 conceptos trazables

Descompone un único curso plano de «AML Training» en una taxonomía de 18 conceptos (diligencia debida del cliente, calidad narrativa de SAR, detección de transacciones estructuradas, TBML por sobre y subfacturación, cribado de sanciones OFAC, y más) y etiqueta cada lección con sus conceptos. El etiquetado de contenido es el paso que el campo llama la razón número uno por la que fallan los proyectos de aprendizaje adaptativo, y esto lo automatiza. El agente está construido sobre Pydantic AI, con proveedor intercambiable entre Anthropic, OpenAI, Gemini y Ollama, por defecto claude-opus-4-8, con un respaldo offline de taxonomía en caché para que la demo funcione sin clave de API.

Un modelo SAKT real infiere lo que cada alumno sabe de verdad

El núcleo es un transformer real de trazado del conocimiento con autoatención: 119,809 parámetros, PyTorch, se entrena en CPU en unos 90 segundos y luego se cachea. Reproduce la secuencia de interacción de cada alumno e infiere una probabilidad de dominio por concepto condicionada a todo el historial. No es un LLM ni un agente. Es el núcleo durable de machine learning que hace de esto trazado del conocimiento de verdad, no un libro de calificaciones.

Un secuenciador determinista Flow-Zone decide la ruta

Python puro, sin modelo en el bucle. Para cada concepto, una probabilidad de dominio igual o superior a 0.67 se enruta a omitir y verificar, de 0.38 a 0.67 se enruta a flujo, y por debajo de 0.38 se enruta a andamiaje. El secuenciador calcula el tiempo de asiento adaptativo frente al plano y el ROI de la cohorte. Los umbrales se ajustaron por validación cruzada a partir de la cohorte etiquetada, respaldados por un A/B de 5 pliegues que mejora de forma estricta el respaldo fijado a mano, no números mágicos afinados a mano.

Una puerta de competencia que el modelo no puede anular decide qué se certifica

Esto es gobernanza, no personalización. La puerta certifica un concepto solo cuando el dominio es al menos 0.747, la evidencia es suficiente (al menos 3 interacciones) y el patrón de respuesta no es anómalo. En caso contrario marca el concepto «requiere-prueba» y emite un desafío de verificación. Nunca certifica con evidencia escasa o anómala.

El resultado es un Certificado de Competencia firmado (HMAC-SHA256): dominio por concepto, el rastro de evidencia, nombre del modelo, versión y AUC de benchmark, los umbrales Flow-Zone aplicados, tiempo de asiento adaptativo frente a plano, el mapeo regulatorio y un pie de limitaciones honestas. Es lo que entregas a un regulador en lugar de una marca de verificación. El principio de punta a punta: certificamos lo que podemos demostrar, y nunca fingimos un visto verde.

Modal del temario del curso de Attest que lista la taxonomía de 18 conceptos que produjo el agente de mapeo de conceptos a partir de un único curso plano de AML Training, cada concepto etiquetado con su regulación, como 31 CFR 1020.220 y FATF TBML Guidance.
El agente de mapeo de conceptos descompone un curso en 18 lecciones mapeadas a regulación.
Panel Under the Hood de Attest que muestra la ejecución de entrenamiento medida: corpus KT sintético generado por PFA, 2,500 estudiantes, AUC hold-out 0.8315, exactitud de siguiente paso 0.771, más la lógica de decisión determinista de Flow-Zone y de la puerta de competencia leída en vivo desde el checkpoint cargado.
Cada valor del panel del motor se lee en vivo desde el checkpoint y la configuración cargados, no está fijado en el código de la página.

Tres alumnos, un veredicto honesto para cada uno

Cada cifra de abajo es la salida real de la app en ejecución sobre alumnos sintéticos.

El analista senior de BSA (8 años en el puesto) sale en verde casi en todas partes, débil solo en Trade-Based Money Laundering y en un concepto de bandera roja de SAR. Attest certifica 16 de 18 conceptos, enruta 2 a requiere-prueba y no marca la evidencia. El tiempo de asiento baja de 240 minutos planos a 47.3 minutos adaptativos, un 80.3% ahorrado. Este es el caso de «ya sabe la mayor parte, omite lo que está demostrado».

El Certificado de Competencia firmado del analista senior de BSA: 16 de 18 conceptos certificados, 80.3% de reducción de tiempo de asiento, AUC hold-out del modelo 0.8315, una tabla por concepto con probabilidad de dominio, recuento de evidencia y estado certificado o requiere-prueba, y una firma HMAC-SHA256.
El certificado firmado del analista: dos conceptos quedan por debajo del umbral de certificación 0.747 y se enrutan a requiere-prueba en lugar de dejarse pasar.

El nuevo gerente de sucursal (6 meses tras el traslado) tiene lagunas reales en narrativa de SAR y TBML. El modelo infiere dominio bajo en varios conceptos y los enruta a flujo o andamiaje en lugar de omitir. Attest certifica 10 de 18 conceptos, enruta 8 a requiere-prueba y recorta el tiempo de asiento de 240 a 146.7 minutos, un 38.9% ahorrado. Menos conceptos certificados que el analista, porque este alumno necesita de verdad la formación. El ahorro sigue al dominio, no a un descuento plano.

Consola del pipeline en vivo de Attest para el nuevo gerente de sucursal que muestra inferencia SAKT, secuenciación Flow-Zone con 10 omitir, 5 flujo, 3 andamiaje, y un resultado de la puerta de competencia de 10 certificados y 8 en requiere-prueba, con 38.9% de tiempo de asiento ahorrado y 10 de 18 certificados.
El pipeline en vivo del gerente de sucursal: un mapa de dominio más rojo significa menos omisiones y un ahorro menor y honesto.

El asociado de operaciones es el caso difícil. Este alumno respondió rápido y perfecto en 18 conceptos no relacionados, una distribución de tiempos de respuesta inconsistente con un recuerdo genuino. El dominio aparente se ve alto, pero la puerta de competencia marca la evidencia y certifica 0 de 18. Los 18 se enrutan a requiere-prueba, la evidencia queda marcada y el tiempo de asiento se retiene pendiente de verificación. Lo planteamos como valor, no como un «te pillé»: solo certificamos lo que podemos demostrar.

Puerta de competencia de Attest que marca al asociado de operaciones por exactitud casi perfecta a tiempos de respuesta inverosímilmente rápidos en 18 conceptos no relacionados, inconsistente con un recuerdo genuino, y retiene la credencial con 0 de 18 certificados y el tiempo de asiento anulado.
El caso de amaño con IA: el dominio aparente es alto, pero la puerta retiene cada credencial en lugar de fingir un visto verde.

El resultado de la cohorte, calculado en vivo

Sobre una cohorte anual de recertificación de 500 personas genuinamente simulada a un salario con costes completos de $75 por hora, Attest calcula una reducción de tiempo de asiento de la cohorte de alrededor del 51.9% (2,000 horas planas bajando a unas 962 horas adaptativas, unas 1,038 horas recuperadas), unos $77,872 recuperados en este único módulo, y unos $389,362 anualizados al escalar a un programa típico de cumplimiento de 20 horas. Las cifras en dólares se calculan a partir de las salidas del modelo, y el número anualizado está etiquetado en pantalla como proyección.

Benchmark en vivo de cohorte de Attest que puntúa los 500 alumnos sintéticos en 1.28 segundos, informando 51.9% de reducción media de tiempo de asiento, 1,038 horas recuperadas en este módulo, $77,872 de valor recuperado y una proyección anualizada etiquetada de $389,362.
Quinientos alumnos puntuados en vivo: la reducción se calcula pasando cada historial de interacción por el modelo, no se asume.

El benchmark del modelo, el ancla independiente

El AUC hold-out es 0.8315 sobre un corpus KT sintético generado por PFA, con semilla y reproducible (2,000 estudiantes de entrenamiento y 500 de prueba, 18 conceptos, 12 epochs), con exactitud de siguiente paso 0.771. Como el proceso generador de datos (Performance Factors Analysis, un modelo clásico logístico del alumno) es una familia de modelos distinta del transformer que entrenamos, el AUC hold-out muestra que SAKT recuperó estructura latente real de aprendizaje en lugar de calificar sus propias hipótesis. Como contexto externo, el AUC publicado de SAKT en el conjunto público ASSISTments es de unos 0.80 (Pandey & Karypis, 2019). El titular durable sigue siendo el porcentaje de tiempo de asiento ahorrado y el porcentaje autocertificado, que se mantienen a cualquier calidad de modelo. El AUC prueba que el modelo es trazado del conocimiento real, no la cifra estrella del producto.

Dónde encaja Attest, y lo que esta demo no hace

Tanto el seguimiento de finalización como los motores de recomendación dejan al auditor con las manos vacías. El trazado del conocimiento más la gobernanza, no.

Enfoque Qué mide Qué puedes entregar a un auditor
Finalización SCORM / LMS Si el alumno abrió y terminó el contenido Una marca de verificación verde, sin evidencia de dominio
«Adaptativo» vía filtrado colaborativo Qué tomaron o hicieron a continuación alumnos similares Una recomendación de curso, aún sin prueba a nivel de concepto
Attest (trazado del conocimiento más gobernanza) Dominio por concepto inferido a partir de las interacciones de cada alumno Un Certificado de Competencia firmado con el rastro completo de evidencia

Como ejemplo de mercado con nombre, el «Adaptive Learning Agent» de Cornerstone de marzo de 2026 usa filtrado colaborativo en lugar de trazado del conocimiento a nivel de concepto (Cornerstone product announcement, March 2026). La distinción es el punto entero: una recomendación no es una estimación de dominio, y ninguna de las dos es un artefacto de auditoría.

Lo que esta demo NO hace

  • El propio LMS y los conectores Cornerstone-REST y SAP-BTP son stubs de fixture, no integraciones en vivo. Una construcción de producción se cablearía a tu sistema de registro real.
  • La cohorte de 500 personas y los registros de interacción son sintéticos, realistas y modelados sobre la tabla de investigación, no empleados reales. Los tres alumnos con nombre también son sintéticos.
  • El certificado es HTML-first, con exportación a PDF de mejor esfuerzo. El contenido del desafío de verificación lo genera un LLM bajo demanda.
  • Las probabilidades de dominio son evidencia, no una garantía de retención. El AUC mide predicción del siguiente ítem, no retención a largo plazo, lo que el propio pie de limitaciones del certificado afirma.
  • Esta es una demo que prueba el mecanismo. No es un pipeline desplegado.

Preguntas que hacen los compradores

¿El «aprendizaje adaptativo» no es solo recomendaciones de cursos con una etiqueta nueva?

La mayoría de las herramientas comercializadas como adaptativas ejecutan filtrado colaborativo: recomiendan lo que tomaron a continuación alumnos similares. Eso es un motor de recomendación, no trazado del conocimiento. Attest usa un transformer real de trazado del conocimiento con autoatención (SAKT) que infiere una probabilidad de dominio por concepto a partir del propio historial de interacción de cada alumno. El Adaptive Learning Agent de Cornerstone de marzo de 2026, como un ejemplo con nombre, usa filtrado colaborativo en lugar de trazado a nivel de concepto (Cornerstone product announcement, March 2026).

¿Puede un empleado amañar esto usando un asistente de IA para responder rápido?

Ese es exactamente el caso para el que está construida la puerta de competencia. En la demo, un alumno que respondió rápido y perfecto en 18 conceptos no relacionados dispara la regla de anomalía, y la puerta certifica 0 de 18, enrutando cada concepto a requiere-prueba con el tiempo de asiento retenido. La puerta certifica solo cuando el dominio, la suficiencia de evidencia y la comprobación del patrón de respuesta pasan todos, de modo que la perfección inverosímilmente rápida se rechaza en lugar de recompensarse.

¿Qué entregamos realmente a un auditor?

Un Certificado de Competencia firmado, no una marca de verificación. Lista la probabilidad de dominio de cada concepto y el estado certificado o requiere-prueba, el rastro de evidencia de qué interacciones y marcas de tiempo produjeron cada estimación, el nombre del modelo, la versión y el AUC de benchmark, los umbrales Flow-Zone aplicados, el tiempo de asiento adaptativo frente al plano, el mapeo regulatorio y un pie de limitaciones honestas, todo bajo una firma HMAC-SHA256.

¿Esto sustituye nuestro LMS?

No. Attest es una capa de inteligencia que lee el flujo de interacción que tu LMS ya produce, no un LMS nuevo. En esta demo el LMS y los conectores Cornerstone-REST y SAP-BTP son stubs simulados, y una construcción de producción se conectaría a tu sistema de registro real. Tu LMS sigue registrando la finalización mientras Attest añade el dominio a nivel de concepto y el certificado.

¿De dónde sale la reducción del 51.9% de tiempo de asiento? ¿Es un resultado real de cliente?

Se calcula en vivo sobre una cohorte sintética de recertificación de 500 personas, no se mide en clientes reales. Attest pasa el historial de interacción de cada alumno simulado por el modelo SAKT y el secuenciador Flow-Zone e informa la reducción agregada de alrededor del 51.9%, las horas recuperadas y una proyección anualizada etiquetada. La afirmación anclada de forma independiente es la calidad del modelo (AUC 0.83), no la cifra en dólares.

¿El AUC de 0.83 se mide en un conjunto de datos público?

No. El AUC hold-out de 0.8315 se mide en nuestro propio corpus KT sintético generado por PFA, con semilla y reproducible, no en un benchmark público. Importa porque el corpus lo genera una familia de modelos distinta (PFA logístico) del transformer que entrenamos, así que un AUC hold-out alto muestra que el modelo recuperó estructura real de aprendizaje. Los resultados publicados de SAKT en el conjunto público ASSISTments son de unos 0.80 (Pandey & Karypis, 2019), citados solo como contexto externo.

Investigación técnica

La investigación detrás de esta demo: la arquitectura, el diseño de verificación y el plano empresarial.

Solución completa

Explorar la solución de IA de aprendizaje adaptativo →

Lleva evidencia de competencia a tu formación en cumplimiento

Para directores de aprendizaje, directores de L&D y líderes de cumplimiento que ejecutan recertificación obligatoria.

Si tu equipo está sopesando cómo demostrar dominio, no solo finalización, para un programa de formación regulado, nos gustaría comparar notas sobre lo que eso exige. El problema es de toda la industria y las respuestas también lo serán.

Evaluación de aseguramiento de la formación

  • ✓ Análisis de brechas de dominio a nivel de concepto en un módulo
  • ✓ Modelado de tiempo de asiento y ROI de cohorte con tus cifras
  • ✓ Revisión de artefacto de auditoría y mapeo regulatorio
  • ✓ Una lectura honesta de dónde ayuda el trazado del conocimiento y dónde no

Construcción a medida

  • ✓ Agente de mapeo de conceptos afinado a tu material didáctico
  • ✓ Trazado del conocimiento SAKT sobre tus datos de interacción
  • ✓ Secuenciador Flow-Zone determinista y puerta de competencia
  • ✓ Certificado de Competencia firmado cableado a tu sistema de registro
Conectar por WhatsApp Enviar un correo a nuestro equipo
Redes sociales

También publicado en

LinkedIn · EmpresaLinkedIn · FundadorYouTubeMediumDev.toSubstackInstagramFacebookX
WhatsApp
Chatea al instante
Reservar una llamada
Agenda vía Calendly
Correo electrónico
[email protected]