¿Hace falta saber matemáticas o programar para aprender IA?

Se puede aprender inteligencia artificial sin saber programar ni matemáticas, siempre que lo que quieras sea usarla o, en muchos casos, aplicarla a tu trabajo. Solo para construirla, es decir, para crear modelos o programar aplicaciones con IA, hay que programar y manejar algo de matemáticas.

Lo que se ofrece como IA para no programadores cabe en los dos primeros caminos. La tabla siguiente te dice en cuál estás, y los apartados que vienen después, qué te pide cada uno según los requisitos que publican programas reales, no según generalidades.

¿Qué tres caminos hay para aprender IA?

Hay tres caminos para aprender IA: usarla, aplicarla y construirla. Solo el tercero pide programar y matemáticas como regla, y se recorren por orden: puedes quedarte en el que te sirva y pasar al siguiente cuando quieras.

¿Qué pide el camino de usar la IA?

Usar la IA no pide casi nada técnico: escribir con claridad, comprobar lo que te devuelve y saber qué datos no compartir. Elements of AI, un curso gratuito de MinnaLearn y la Universidad de Helsinki, está pensado para quien no es experto y no exige programar ni matemáticas complicadas. El módulo de Microsoft Learn sobre IA con Copilot, en español, no pide nada previo.

Lo que se aprende en este camino es oficio: pedir con contexto (en el glosario lo llaman prompt), contrastar la respuesta y entender por qué a veces se inventa cosas. Entre las personas de la UE que no usaron IA generativa en 2025, un 14 % dijo que no estaba seguro de cómo usarla (Eurostat). Eso se resuelve con un curso introductorio y práctica, como los de arriba, no con un título.

¿Qué pide el camino de aplicar la IA?

Aplicar la IA pide entender conceptos y tener criterio de negocio. Los programas de este camino que hemos revisado no piden saber programar de antemano, pero algunos piden base numérica, y la ficha de cada uno lo dice. Tres ejemplos de la tabla:

• El programa de IESE no requiere conocimientos previos en TI, pero como norma general pide al menos diez años de experiencia profesional y un cargo directivo o de responsabilidad en los últimos cinco.
• El máster de IEBS se cursa, según su propia web, sin escribir código, con herramientas visuales como Make, n8n o Softr.
• El máster de EADA se imparte en inglés y enseña Python, análisis de datos y machine learning. Para quien no viene de un ámbito STEM, su perfil de acceso describe una fuerte aptitud para las matemáticas y la modelización, aunque no experiencia previa en datos o IA (EADA).

Así que «negocio» en el nombre no garantiza que no haya números. Compruébalo tú con un programa que te interese: abre su temario y cuenta cuántas asignaturas nombran Python, estadística o machine learning, y cuántas hablan de no-code, gobernanza o casos de negocio. Si ganan las primeras, habrá código y cálculo. Si ganan las segundas, probablemente no. Qué puestos salen de este camino lo cuenta el post sobre trabajar en IA sin programar.

¿Qué matemáticas y qué programación hacen falta para construir IA?

Para construir IA, los programas técnicos que hemos revisado piden matemáticas de bachillerato como mínimo y, según el programa, álgebra lineal, probabilidad y estadística, además de una base de programación que va desde empezar de cero con una preparación previa hasta acreditar cientos de horas.

Dichas sin jerga, esas matemáticas son tres cosas:

• Álgebra lineal: trabajar con tablas grandes de números y combinarlas, que es como los modelos guardan y mueven los datos.
• Probabilidad y estadística: medir la incertidumbre y comprobar si un resultado es fiable o casual.
• Cálculo, en concreto derivadas: saber cómo cambia una cantidad cuando cambia otra, que es lo que permite a un modelo corregirse poco a poco mientras aprende.

No siempre hay que llegar con todo sabido. Unos programas las enseñan sobre la marcha y otros las piden acreditadas antes de entrar. Estos son los requisitos publicados por tres de ellos:

Los datos salen de las webs de fast.ai, Le Wagon y la UOC. «Bachillerato» traduce el «high school» que usan fast.ai y Le Wagon. En la UOC, quien no acredite esos conocimientos puede hacer un curso preparatorio.

Ese preparatorio son seis asignaturas de 6 créditos ECTS cada una, 36 créditos. La web no da las horas, pero con la regla típica de entre 25 y 30 horas de trabajo por crédito (Comisión Europea, que la presenta como estimación) salen entre 900 y 1.080 horas, según nuestro cálculo. Es una medida orientativa de lo que supone llegar sin base a un máster oficial técnico, y conviene tenerla presente antes de matricularte.

Hay vías para empezar sin experiencia, con letra pequeña. El bootcamp AI Software Development de Le Wagon dice no pedir experiencia técnica ni de programación previa, pero exige 40 horas de preparación online de HTML, CSS, JavaScript y Git antes de empezar, además de una titulación mínima (nivel 4 con un año de experiencia profesional, o nivel 5 o superior). Y existe una vía oficial de FP: el curso de especialización en Inteligencia Artificial y Big Data tiene 600 horas y 36 créditos ECTS, y solo se accede con uno de seis títulos de Técnico Superior, entre ellos Desarrollo de Aplicaciones Web y Desarrollo de Aplicaciones Multiplataforma (Real Decreto 279/2021).

¿Qué más conviene mirar antes de matricularte en un programa técnico?

Antes de matricularte, mira también el idioma, el tiempo y la titulación previa: son requisitos que no siempre se leen a tiempo.

• Idioma. fast.ai, el máster de EADA y el máster en Inteligencia Artificial de la UPC se imparten en inglés, según sus fichas. En el buscador puedes filtrar por idioma antes de dedicarle tiempo a un programa.
• Tiempo. Un crédito ECTS suele equivaler a entre 25 y 30 horas de trabajo (Comisión Europea), así que el glosario y la cuenta de arriba te sirven para ver si cabe en tu semana.
• Titulación previa. El posgrado en AI Engineering de UPC School da título propio solo a quien tiene titulación universitaria previa; sin ella, expide un certificado de aprovechamiento, según su ficha.

¿Cómo saber cuál es tu camino?

Para saber cuál es tu camino, contesta con sinceridad a tres preguntas:

1. ¿Te basta con trabajar mejor en lo que ya haces? Entonces tu camino es usar.
2. ¿Quieres decidir dónde y cómo entra la IA en un equipo o una empresa? Entonces es aplicar.
3. ¿Prefieres montar la herramienta que decidir para qué sirve? Entonces es construir.

Si dudas entre las dos últimas, haz una prueba barata. Kaggle Learn ofrece, en inglés y gratis, un microcurso de introducción a la programación pensado para quien no ha programado nunca, y otro de Python que continúa sobre él. Dedícale una tarde al primero y, al acabar, mira dos cosas: si te ha costado dejarlo y si, cuando algo fallaba, tenías ganas de encontrar el porqué. Si las dos respuestas son sí, construir es una opción real. Si te ha agotado, aplicar sigue siendo trabajar con IA, y hay varios perfiles que no piden código: los describe el post sobre perfiles.

Y si todavía no sabes si la IA te gusta, resuelve primero eso con el experimento de una semana. Las matemáticas y la programación pueden esperar.

¿Se puede pasar de un camino a otro?

Sí, se puede pasar de usar a aplicar y de aplicar a construir, y la propia oferta gratuita lo facilita. Building AI es el segundo curso de Elements of AI y está disponible en inglés: recomienda algunos conocimientos básicos de programación en Python para aprovecharlo al máximo. Une entender la IA con empezar a construirla, y no cuesta nada intentarlo.

Lo razonable es avanzar por tramos. Empieza usando, aplica en tu trabajo lo que aprendas y sube a construir solo si el tramo anterior te lo pide. Así no pagas un tramo hasta haber comprobado que el anterior te interesa.

Si quieres que alguien ordene estas opciones según tu situación, el recomendador te hace unas preguntas rápidas y te propone un siguiente paso con programas concretos. Si prefieres mirar tú, el listado de formación gratuita es el sitio para probar sin pagar, y cursos y másteres están separados para comparar los de pago.