iSAQB CPSA-A AGENTA

Descripción

Asistir al curso iSAQB® CPSA-A Architecture for Agentic Software Engineering Contexts (AGENTA) proporciona a los participantes 20 puntos de Competencia Metodológica (MC) y 10 puntos de Competencia Técnica (TC) de los 70 puntos necesarios para cumplir los requisitos para presentarse al examen iSAQB CPSA-A con Brightest. Es importante recordar que, de los 70 puntos necesarios para realizar el examen iSAQB CPSA-A con Brightest, se necesitan al menos diez puntos de competencia en cada una de las siguientes áreas: 

• Competencia Técnica (TC)
• Competencia Metodológica (MC)
• Competencia Comunicativa (CC)

La formación acreditada iSAQB® AGENTA - Architecture for Agentic Software Engineering Contexts (CPSA-A) se basa en el currículo actual de iSAQB®:

Parte 1 - Introducción y fundamentos

• Comprender las relaciones entre inteligencia artificial, aprendizaje automático, IA generativa y modelos de lenguaje de gran tamaño
• Distinguir entre programación asistida por IA, aumentada por IA y agéntica
• Comprender la orquestación de IA, los flujos de trabajo agénticos y la ingeniería agéntica
• Reconocer las diferencias entre ingeniería agéntica y vibe coding
• Comprender las capacidades y limitaciones de los modelos de lenguaje de gran tamaño, incluidas las alucinaciones, los sesgos, los límites de conocimiento y las limitaciones de contexto
• Explicar la influencia de la ingeniería de prompts y la ingeniería de contexto en la calidad de los resultados generados por IA
• Distinguir entre asistentes de IA y agentes de IA
• Comprender los bucles agénticos, el uso de herramientas, la gestión del estado, la planificación, los subagentes y los enfoques human-in-the-loop
• Clasificar los diferentes niveles de autonomía en la ingeniería agéntica
• Conocer enfoques como Spec-Driven Development, los enjambres de agentes y la programación conversacional
• Decidir si una tarea debe ser realizada por una persona, una herramienta de software tradicional o un agente de IA
• Comprender cómo los asistentes y agentes de IA pueden apoyar las actividades de arquitectura de software, preservando al mismo tiempo el criterio arquitectónico humano

Parte 2 - Toma de decisiones arquitectónicas asistida por IA

• Comprender el ciclo de vida de las decisiones arquitectónicas y cómo la ingeniería agéntica lo afecta
• Establecer ciclos continuos de retroalimentación entre arquitectura, desarrollo, pruebas y operaciones
• Utilizar la IA para apoyar la toma de decisiones arquitectónicas continua y basada en evidencias
• Convertir los objetivos de calidad en impulsores arquitectónicos evaluables y escenarios de calidad
• Identificar conflictos entre objetivos de calidad, restricciones e intenciones arquitectónicas
• Identificar debilidades estructurales, desviaciones arquitectónicas, deuda técnica y complejidad emergente
• Combinar herramientas de análisis consolidadas con revisiones y evaluaciones de arquitectura asistidas por IA
• Utilizar la IA para generar, perfeccionar y comparar alternativas arquitectónicas
• Evaluar opciones arquitectónicas frente a impulsores, restricciones, principios y decisiones existentes
• Tratar las decisiones arquitectónicas como hipótesis comprobables, con supuestos explícitos y criterios de validación
• Diseñar experimentos ligeros, prototipos, simulaciones, spikes y comparaciones directas
• Reconocer las limitaciones y los riesgos del razonamiento arquitectónico asistido por IA
• Definir puntos de revisión, guardrails y límites para las decisiones arquitectónicas de mayor impacto
• Pasar de prescribir detalles de implementación a orquestar objetivos, restricciones y criterios de aceptación
• Reconocer y contener riesgos de orquestación como agentes descontrolados, bucles infinitos y errores en cascada
• Considerar el coste y la sostenibilidad al diseñar flujos de trabajo agénticos

Parte 3 - Proporcionar conocimiento arquitectónico a los agentes

• Comprender cómo la información disponible para un agente de IA influye en la calidad y la coherencia arquitectónica de sus resultados
• Tratar la provisión de conocimiento arquitectónico a los agentes como un desafío de ingeniería y diseño
• Identificar las decisiones arquitectónicas, restricciones, objetivos de calidad, principios, conceptos de dominio y límites del sistema relevantes para los agentes de IA
• Diseñar representaciones precisas, mantenibles y eficaces del conocimiento arquitectónico orientadas a los agentes
• Utilizar formatos como Architecture Decision Records, reglas de arquitectura, archivos de contexto, bases de conocimiento, índices de recuperación, diagramas como código y restricciones estructuradas
• Seleccionar mecanismos adecuados para proporcionar conocimiento arquitectónico a los agentes en el momento oportuno
• Evaluar estrategias como Retrieval-Augmented Generation y las habilidades reutilizables de los agentes
• Comprender las implicaciones arquitectónicas de protocolos estandarizados de integración entre agentes y herramientas, como el Model Context Protocol
• Evaluar si el conocimiento arquitectónico disponible para los agentes es suficiente y está estructurado adecuadamente
• Equilibrar un contexto arquitectónico completo con el riesgo de información irrelevante o contradictoria
• Mejorar de forma iterativa la entrega de conocimiento observando y evaluando el comportamiento de los agentes
• Reconocer que una documentación compartida no crea automáticamente un entendimiento compartido

Parte 4 - Mantener a los agentes alineados con los objetivos arquitectónicos

• Comprender por qué los agentes de IA necesitan controles y restricciones arquitectónicas explícitos
• Reconocer cómo el trabajo generado por IA sin restricciones puede introducir inconsistencias, deuda técnica y desviaciones arquitectónicas
• Comprender por qué el conocimiento arquitectónico por sí solo no es suficiente para controlar el comportamiento de los agentes
• Diseñar controles preventivos y detectivos que mantengan el trabajo generado por IA dentro de los límites arquitectónicos
• Evaluar los compromisos entre precisión y cobertura, así como entre velocidad y profundidad del análisis
• Seleccionar mecanismos de aplicación adecuados para reglas estructurales y características de calidad más amplias
• Utilizar pruebas de arquitectura, análisis estático, linters, reglas de dependencias, comprobaciones de políticas, puntos de control, sandboxing y flujos de aprobación
• Situar los controles arquitectónicos en los puntos adecuados del proceso de desarrollo y entrega
• Establecer una verificación arquitectónica continua para bases de código que evolucionan rápidamente con asistencia de IA
• Evaluar si una base de código y una pila tecnológica existentes son adecuadas para controlar arquitectónicamente a los agentes de IA
• Introducir controles arquitectónicos de forma gradual en sistemas existentes
• Equilibrar el esfuerzo necesario para establecer controles con los riesgos de operar agentes sin ellos
• Utilizar los fallos del trabajo generado por IA para mejorar los controles arquitectónicos con el tiempo
• Determinar dónde pueden automatizarse las mejoras de control y dónde sigue siendo esencial el criterio humano

Parte 5 - Extracción de información arquitectónica

• Distinguir entre la documentación de la arquitectura actual y la arquitectura futura
• Distinguir entre información arquitectónica orientada a personas y orientada a agentes
• Comprender dónde puede la IA apoyar la documentación arquitectónica y dónde sigue siendo necesaria la colaboración humana
• Crear representaciones concisas y legibles por máquinas para flujos de trabajo asistidos por IA
• Mantener las decisiones y la documentación arquitectónicas durante los ciclos de desarrollo agéntico
• Detectar cuándo el desarrollo agéntico modifica implícitamente o se aleja de las decisiones arquitectónicas existentes
• Utilizar Architecture Decision Records para registrar decisiones, alternativas, justificación y consecuencias
• Utilizar IA para redactar ADR a partir de registros de contexto, resultados de guardrails, conversaciones, correos electrónicos y actas de reuniones
• Establecer puntos de revisión humana para preservar la trazabilidad y la responsabilidad
• Extraer información arquitectónica del código fuente, repositorios, interfaces, configuración, pruebas y descriptores de despliegue
• Combinar conocimientos generados por IA con análisis estáticos y dinámicos
• Detectar tecnologías, frameworks, patrones arquitectónicos, patrones de diseño y posibles reglas de negocio
• Identificar lagunas, inconsistencias e incertidumbres en la información arquitectónica recuperada
• Generar y mantener vistas arquitectónicas a partir de artefactos de desarrollo
• Utilizar formatos basados en texto como Mermaid y Structurizr para documentación viva y controlada por versiones
• Validar la documentación generada frente al conocimiento de los desarrolladores y el comportamiento real del sistema

Parte 6 - Gobernanza y controles de calidad para el uso de IA

• Comprender las consideraciones sobre derechos de autor y licencias de software al utilizar código y artefactos generados por IA
• Establecer controles que reduzcan los riesgos relacionados con los derechos de autor en el desarrollo asistido por IA
• Evaluar el tratamiento de datos personales y sensibles al utilizar herramientas de IA
• Comprender los roles y responsabilidades en materia de protección de datos
• Aplicar los roles básicos, la lógica de riesgos y los requisitos progresivos de la Ley de IA de la UE a escenarios habituales de uso de herramientas de IA
• Identificar cuándo deben participar las partes interesadas en protección de datos, seguridad de la información, aspectos legales y otras áreas
• Documentar las decisiones relacionadas con la IA de forma preparada para auditorías y orientada a la toma de decisiones
• Garantizar la trazabilidad y procedencia de los resultados generados por IA
• Utilizar registros estructurados, referencias de contexto, citas, versionado, trazabilidad y monitorización
• Escalar la gobernanza de la IA de forma coherente entre equipos y procesos de desarrollo
• Comparar modelos de costes de IA basados en tokens y en suscripciones
• Considerar la dependencia de proveedores, la flexibilidad entre proveedores y la soberanía de los datos al seleccionar servicios de IA
• Utilizar guardrails, procesos de aprobación y listas de permitidos para integraciones de agentes y herramientas
• Comprender el impacto medioambiental del desarrollo asistido por IA y del desarrollo agéntico
• Desarrollar estrategias de uso sostenible basadas en el tamaño del modelo, el diseño del flujo de trabajo y el consumo de recursos
• Definir reglas seguras y conformes con la protección de datos para seleccionar y utilizar herramientas de IA
• Comprender riesgos de seguridad como la inyección de prompts, el uso indebido de herramientas y los ataques de tipo confused-deputy
• Aplicar medidas como el principio de mínimo privilegio, credenciales con alcance limitado, aprobaciones explícitas y monitorización
• Seleccionar estrategias adecuadas de sandboxing basadas en contenedores o máquinas virtuales

Parte 7 - La evolución de la disciplina de la arquitectura de software

• Mantener la responsabilidad y la propiedad sobre el código generado por IA y los resultados de ingeniería
• Reconocer y abordar el riesgo de pérdida de habilidades de ingeniería debido a una dependencia excesiva de la IA
• Utilizar la práctica deliberada, el razonamiento centrado en las personas y el aprendizaje asistido por IA para preservar las habilidades fundamentales
• Aplicar pensamiento crítico al revisar y validar resultados generados por IA
• Distinguir entre razonamiento asistido por IA y delegación de la toma de decisiones
• Identificar las actividades arquitectónicas que deben permanecer bajo responsabilidad humana
• Utilizar terminología compartida y vocabularios de dominio para mejorar la coherencia de las decisiones de los agentes
• Medir si los equipos están mejorando su capacidad arquitectónica en lugar de limitarse a producir resultados más rápidamente
• Adoptar el desarrollo asistido por IA mediante hipótesis explícitas, experimentos controlados y resultados medibles
• Comprender la adopción de la IA como un proceso continuo de acceso, adopción, competencia, cambios en las prácticas de trabajo y desarrollo organizativo
• Apoyar la adopción mediante formación, experimentación, responsabilidades claras y seguridad psicológica
• Utilizar indicadores significativos como el lead time, la tasa de fallos de cambios, las métricas DORA y las señales de experiencia del desarrollador
• Aplicar patrones de colaboración que combinen personas e IA, manteniendo una comunicación eficaz entre los miembros del equipo
• Comprender topologías de agentes como agentes individuales, subagentes y equipos de agentes
• Adaptar roles, estructuras de equipo, prácticas de ingeniería y responsabilidades arquitectónicas al desarrollo asistido por IA
• Pasar de la implementación a nivel de línea de código a un pensamiento arquitectónico, orientado al producto y centrado en los resultados
• Comprender cómo la IA afecta a la arquitectura de software, de soluciones y empresarial