Proyecto de Beca ANFAIA 2026
SkillNet: Plataforma Multiagente de Formación Interna y Mapas de Talento
Becas de Verano ANFAIA 2026 · Duración: 2 meses (8 semanas) · Periodo de ejecución: Julio – Agosto 2026
Resumen Ejecutivo
SkillNet aborda un problema estructural de las pequeñas y medianas
empresas: la imposibilidad de encontrar talento experto en el mercado
las obliga a formarlo internamente, chocando sistemáticamente con tres
barreras críticas — el tiempo que exige detener al personal más
productivo para enseñar, la ineficiencia pedagógica de un tutor forzado
que no es profesor, y la falta de trazabilidad sobre el conocimiento
real de la plantilla.
El proyecto consiste en el diseño y desarrollo de una plataforma open
source que convierte el conocimiento interno de una organización
(manuales, procesos operativos y documentación de producto) en un
sistema activo de formación y talento, mediante agentes de Inteligencia
Artificial. Combina sistemas de conocimiento (RAG, Knowledge Graph y
Fine-Tuning), modelos expertos y una capa de trazabilidad
individualizada del aprendizaje.
Como el resto de becas ANFAIA 2026, el proyecto persigue un triple
objetivo: ayudar al becado a crecer y dominar el uso de las últimas
tecnologías en IA; desarrollar una solución open source que aporte valor
a un grupo real de usuarios; y enriquecer la comunidad de
desarrolladores y científicos de datos de Galicia, España y el ámbito
global. Los agentes de IA son una pieza central, tanto en el desarrollo
(asistencia al equipo) como en la operación autónoma del sistema.
Objetivos Principales
Desarrollar una solución accesible, escalable y sostenible para el
problema descrito, que permita al becado crecer profesionalmente a la
vez que genera un impacto claro y medible en la organización donde se
aplique.
-
Ayudar al becado a crecer y entender el uso de las últimas tecnologías
relacionadas con la Inteligencia Artificial.
-
Desarrollar una solución open source que ayude a un grupo de
potenciales usuarios, comunidad o sociedad.
-
Enriquecer la comunidad de desarrolladores, científicos de datos e
Inteligencia Artificial de Galicia, España y el ámbito global.
-
Incorporar agentes de IA como pieza central, tanto en el desarrollo
(asistencia al equipo) como en la operación autónoma del sistema.
Enfoque Basado en Agentes
El proyecto utiliza agentes de IA de forma transversal en dos planos
complementarios: el desarrollo del propio proyecto y el funcionamiento
del sistema una vez entregado.
Agentes en el desarrollo del proyecto
-
Uso de agentes de codificación y asistencia (Claude Code, Codex,
OpenCode u otros) para acelerar el desarrollo, la generación de
pruebas y la documentación.
-
Agentes de revisión de código y control de calidad integrados en el
flujo de trabajo.
-
Agentes de investigación y documentación para recopilar referencias,
sintetizar literatura y mantener la documentación actualizada.
-
Orquestación de tareas repetitivas (CI/CD, refactorización, generación
de boilerplate) mediante agentes.
Agentes en el funcionamiento del sistema
-
Arquitectura multiagente en tiempo de ejecución, con agentes
especializados que cooperan para cumplir las funciones del sistema:
ingesta de documentación, orquestación de conocimiento, generación de
contenido, tutoría y evaluación.
-
Agentes responsables de percepción/recopilación de datos,
análisis/toma de decisiones y actuación/respuesta, según el dominio
del proyecto.
-
Capacidad de operación autónoma y coordinación entre agentes, con
mecanismos de supervisión humana (human-in-the-loop) para decisiones
críticas de diseño pedagógico y técnico.
-
Aplicación de la plataforma a casos reales de formación interna de una
organización con más de 25 años de experiencia operativa en gestión de
eventos y formación de personal eventual, que aporta los datos y la
mentoría de producto.
Investigaciones o Proyectos Relacionados
Como referencia para el estado del arte en arquitecturas multiagente,
gobernanza de sistemas agénticos y orquestación de conocimiento, se
recomiendan las siguientes fuentes:
El becado, junto con sus mentores, mantendrá esta lista abierta durante
el proyecto, añadiendo y comentando las referencias que sustenten las
decisiones de diseño que se vayan tomando.
Cronograma de Desarrollo
Mes 1: Fundamentos, Arquitectura y Agentes de Ingesta de Conocimiento
Semana 1-2
-
Diseño de la arquitectura multiagente, cubriendo ingesta de
documentación, orquestación de conocimiento, generación de contenido y
evaluación.
-
Diseño del sistema de balanceo dinámico entre RAG / Knowledge Graphs,
modelos expertos y fine-tuning, en función de la temática y la
naturaleza del contenido.
-
Configuración del entorno de desarrollo asistido por agentes y del
repositorio open source del proyecto.
Semana 3-4
-
Implementación del pipeline de conocimiento sobre documentación
interna (manuales, procesos, temarios).
-
Primera versión de los tutores virtuales (agentes conversacionales de
voz/texto) con datos sintéticos.
-
Primera iteración del entorno de validación en coordinación con la
organización partner, sobre datos anonimizados cuando proceda.
Mes 2: Generación de Contenido, Trazabilidad y MVP
Semana 5-6
-
Agentes de generación automática de cursos y ejercicios prácticos a
partir del conocimiento interno.
-
Primera versión del sistema de trazabilidad (Skill Graph y mapa DAFO
individual por persona).
-
Mejora de la interfaz y de los protocolos de comunicación entre
agentes.
Semana 7-8
-
Testing integral del sistema multiagente y de la orquestación de
conocimiento.
-
Mejoras basadas en feedback de mentores y de la organización partner.
-
Optimización de rendimiento y plan de escalabilidad.
-
Documentación técnica completa y preparación del repositorio open
source (licencia Apache 2.0).
Hitos de Evaluación
-
Semana 2: Revisión de la arquitectura multiagente y del esquema de
orquestación de conocimiento (RAG / Knowledge Graphs / modelos
expertos / fine-tuning).
-
Semana 4: Demo de la prueba de concepto inicial con el pipeline RAG y
los primeros tutores virtuales.
-
Semana 6: Presentación del sistema integrado de generación de cursos,
ejercicios y primer Skill Graph.
-
Semana 8: Testing del MVP, validación preliminar con la organización
partner y revisión de la documentación técnica final.
Componentes Técnicos
Software
-
Stack tecnológico principal en Python, con framework de agentes /
orquestación a elegir entre opciones como LangGraph, CrewAI, MCP u
otra alternativa justificada por el becado al inicio del proyecto.
-
Bases de datos vectoriales y grafos de conocimiento para la capa de
RAG y Knowledge Graph (p. ej. pgvector, Neo4j, etc.).
-
Herramientas de desarrollo asistido por agentes (Claude Code, Codex,
OpenCode u otras equivalentes), integradas en el flujo de trabajo
diario.
-
Suite de pruebas (unitarias, integración y end-to-end), con foco
particular en los agentes y el pipeline de orquestación.
Servicios
-
Servicios cloud, APIs o infraestructura externa necesarios para el
despliegue y la monitorización de la plataforma.
-
Acceso a modelos de IA para los agentes, tanto locales (modelos open
weight) como remotos (APIs comerciales), seleccionando la combinación
que mejor se adapte a cada caso de uso.
-
Entorno de validación con datos sintéticos y, cuando proceda, con
documentación real anonimizada de la organización partner.
Consideraciones Éticas y de Impacto
Sostenibilidad
-
Medición de eficiencia de recursos consumidos por los agentes.
-
Optimización del consumo computacional de los agentes y del pipeline
de orquestación.
-
Diseño para durabilidad, mantenibilidad y bajo impacto, alineado con
la naturaleza open source del proyecto.
Accesibilidad
-
Los tutores virtuales se diseñarán para adaptarse a cualquier perfil
de usuario, incluyendo personas con capacidades reducidas o
neurodiversidad.
-
Documentación multilingüe y diseño inclusivo de interfaz.
-
Costos accesibles de implementación y operación para pymes.
Transparencia
-
Código fuente abierto, basado en licencia Apache 2.0.
-
Metodología documentada y reproducible, de modo que otras
organizaciones puedan replicar el enfoque.
-
Datos sintéticos y/o anonimizados, abiertos y auditables, para
alimentar el pipeline de conocimiento.
-
Trazabilidad y explicabilidad de las decisiones tomadas por los
agentes (por qué un tutor da una respuesta concreta, qué documento la
sustenta, cómo se ha evolucionado el Skill Graph de un usuario).
-
Anonimización y seudonimización de la documentación interna real
utilizada en desarrollo y validación, presumiendo el uso de datos
sintéticos siempre que sea posible.
-
Cumplimiento estricto del RGPD y de las normativas aplicables de
protección de datos.
Resultados Esperados
-
Entregable funcional principal: prototipo o caso de uso demostrable
del sistema multiagente de formación interna.
-
Interfaz, dashboard o herramienta de visualización para el usuario
final.
-
API/MCP documentada para integración con sistemas externos.
-
Sistema multiagente funcional y documentado, incluyendo el ciclo
completo ingesta de conocimiento → generación de curso → evaluación →
Skill Graph.
-
Documentación técnica completa para replicación del proyecto.
-
Repositorio público en GitHub bajo licencia Apache 2.0, con código
documentado y testeado.
Métricas de Éxito
-
Proyecto completamente open source en GitHub.
-
Uso intensivo de agentes de IA y búsqueda de la máxima autonomía en el
funcionamiento de la solución.
-
Cobertura de pruebas automatizadas > 80% del código de agentes y
pipeline.
-
Fiabilidad / tasa de éxito en las tareas ejecutadas por los agentes.
-
Métricas de adopción o comunidad: número de contribuidores activos,
etc.
Como métricas específicas adicionales, acordadas con la organización
partner:
-
Precisión de las respuestas generadas por los tutores virtuales frente
a la documentación fuente: > 90% de exactitud factual en el dataset
de validación.
-
Latencia de generación de un curso completo a partir de documentación
interna: < 60 segundos.
-
Fiabilidad de los agentes de ingesta de conocimiento (contenido
correctamente procesado e indexado): > 95% en el dataset de
validación.
Plan de Sostenibilidad
-
Plan de comunidad y base de usuarios, iniciado ya durante el periodo
de la beca con la publicación de releases etiquetadas y ejemplos de
uso.
-
Documentación de casos de uso y mejores prácticas extraídas del
proyecto.
-
Programa de mentorías para nuevos contribuidores, apoyado en ANFAIA y
en la comunidad open source de IA agéntica.
-
Planes de mantenimiento a largo plazo: roadmap público, gestión de
issues y política de releases que permita a otras organizaciones
adoptar la plataforma.
Este documento es la base de trabajo del becado con sus mentores. Se
irá refinando a medida que se ejecuten las semanas del proyecto.
Proyecto de Beca ANFAIA 2026
SkillNet: Plataforma Multiagente de Formación Interna y Mapas de Talento
Becas de Verano ANFAIA 2026 · Duración: 2 meses (8 semanas) · Periodo de ejecución: Julio – Agosto 2026
Resumen Ejecutivo
SkillNet aborda un problema estructural de las pequeñas y medianas
empresas: la imposibilidad de encontrar talento experto en el mercado
las obliga a formarlo internamente, chocando sistemáticamente con tres
barreras críticas — el tiempo que exige detener al personal más
productivo para enseñar, la ineficiencia pedagógica de un tutor forzado
que no es profesor, y la falta de trazabilidad sobre el conocimiento
real de la plantilla.
El proyecto consiste en el diseño y desarrollo de una plataforma open
source que convierte el conocimiento interno de una organización
(manuales, procesos operativos y documentación de producto) en un
sistema activo de formación y talento, mediante agentes de Inteligencia
Artificial. Combina sistemas de conocimiento (RAG, Knowledge Graph y
Fine-Tuning), modelos expertos y una capa de trazabilidad
individualizada del aprendizaje.
Como el resto de becas ANFAIA 2026, el proyecto persigue un triple
objetivo: ayudar al becado a crecer y dominar el uso de las últimas
tecnologías en IA; desarrollar una solución open source que aporte valor
a un grupo real de usuarios; y enriquecer la comunidad de
desarrolladores y científicos de datos de Galicia, España y el ámbito
global. Los agentes de IA son una pieza central, tanto en el desarrollo
(asistencia al equipo) como en la operación autónoma del sistema.
Objetivos Principales
Desarrollar una solución accesible, escalable y sostenible para el
problema descrito, que permita al becado crecer profesionalmente a la
vez que genera un impacto claro y medible en la organización donde se
aplique.
Ayudar al becado a crecer y entender el uso de las últimas tecnologías
relacionadas con la Inteligencia Artificial.
Desarrollar una solución open source que ayude a un grupo de
potenciales usuarios, comunidad o sociedad.
Enriquecer la comunidad de desarrolladores, científicos de datos e
Inteligencia Artificial de Galicia, España y el ámbito global.
Incorporar agentes de IA como pieza central, tanto en el desarrollo
(asistencia al equipo) como en la operación autónoma del sistema.
Enfoque Basado en Agentes
El proyecto utiliza agentes de IA de forma transversal en dos planos
complementarios: el desarrollo del propio proyecto y el funcionamiento
del sistema una vez entregado.
Agentes en el desarrollo del proyecto
Uso de agentes de codificación y asistencia (Claude Code, Codex,
OpenCode u otros) para acelerar el desarrollo, la generación de
pruebas y la documentación.
Agentes de revisión de código y control de calidad integrados en el
flujo de trabajo.
Agentes de investigación y documentación para recopilar referencias,
sintetizar literatura y mantener la documentación actualizada.
Orquestación de tareas repetitivas (CI/CD, refactorización, generación
de boilerplate) mediante agentes.
Agentes en el funcionamiento del sistema
Arquitectura multiagente en tiempo de ejecución, con agentes
especializados que cooperan para cumplir las funciones del sistema:
ingesta de documentación, orquestación de conocimiento, generación de
contenido, tutoría y evaluación.
Agentes responsables de percepción/recopilación de datos,
análisis/toma de decisiones y actuación/respuesta, según el dominio
del proyecto.
Capacidad de operación autónoma y coordinación entre agentes, con
mecanismos de supervisión humana (human-in-the-loop) para decisiones
críticas de diseño pedagógico y técnico.
Aplicación de la plataforma a casos reales de formación interna de una
organización con más de 25 años de experiencia operativa en gestión de
eventos y formación de personal eventual, que aporta los datos y la
mentoría de producto.
Investigaciones o Proyectos Relacionados
Como referencia para el estado del arte en arquitecturas multiagente,
gobernanza de sistemas agénticos y orquestación de conocimiento, se
recomiendan las siguientes fuentes:
AutoGen / arquitecturas
multiagente
(https://arxiv.org/pdf/2508.07407)
Practices for Governing Agentic AI Systems
(OpenAI)
(https://cdn.openai.com/papers/practices-for-governing-agentic-ai-systems.pdf)
Multi-Agent Design: Optimizing Agents with Better Prompts and
Topologies (Google
Research)
(https://research.google/pubs/multi-agent-design-optimizing-agents-with-better-prompts-and-topologies/)
Open Scientist /
AutoScientists
(https://autoscientists.openscientist.ai)
Hermes Agent
(https://hermes-agent.ai/)
El becado, junto con sus mentores, mantendrá esta lista abierta durante
el proyecto, añadiendo y comentando las referencias que sustenten las
decisiones de diseño que se vayan tomando.
Cronograma de Desarrollo
Mes 1: Fundamentos, Arquitectura y Agentes de Ingesta de Conocimiento
Semana 1-2
Diseño de la arquitectura multiagente, cubriendo ingesta de
documentación, orquestación de conocimiento, generación de contenido y
evaluación.
Diseño del sistema de balanceo dinámico entre RAG / Knowledge Graphs,
modelos expertos y fine-tuning, en función de la temática y la
naturaleza del contenido.
Configuración del entorno de desarrollo asistido por agentes y del
repositorio open source del proyecto.
Semana 3-4
Implementación del pipeline de conocimiento sobre documentación
interna (manuales, procesos, temarios).
Primera versión de los tutores virtuales (agentes conversacionales de
voz/texto) con datos sintéticos.
Primera iteración del entorno de validación en coordinación con la
organización partner, sobre datos anonimizados cuando proceda.
Mes 2: Generación de Contenido, Trazabilidad y MVP
Semana 5-6
Agentes de generación automática de cursos y ejercicios prácticos a
partir del conocimiento interno.
Primera versión del sistema de trazabilidad (Skill Graph y mapa DAFO
individual por persona).
Mejora de la interfaz y de los protocolos de comunicación entre
agentes.
Semana 7-8
Testing integral del sistema multiagente y de la orquestación de
conocimiento.
Mejoras basadas en feedback de mentores y de la organización partner.
Optimización de rendimiento y plan de escalabilidad.
Documentación técnica completa y preparación del repositorio open
source (licencia Apache 2.0).
Hitos de Evaluación
Semana 2: Revisión de la arquitectura multiagente y del esquema de
orquestación de conocimiento (RAG / Knowledge Graphs / modelos
expertos / fine-tuning).
Semana 4: Demo de la prueba de concepto inicial con el pipeline RAG y
los primeros tutores virtuales.
Semana 6: Presentación del sistema integrado de generación de cursos,
ejercicios y primer Skill Graph.
Semana 8: Testing del MVP, validación preliminar con la organización
partner y revisión de la documentación técnica final.
Componentes Técnicos
Software
Stack tecnológico principal en Python, con framework de agentes /
orquestación a elegir entre opciones como LangGraph, CrewAI, MCP u
otra alternativa justificada por el becado al inicio del proyecto.
Bases de datos vectoriales y grafos de conocimiento para la capa de
RAG y Knowledge Graph (p. ej. pgvector, Neo4j, etc.).
Herramientas de desarrollo asistido por agentes (Claude Code, Codex,
OpenCode u otras equivalentes), integradas en el flujo de trabajo
diario.
Suite de pruebas (unitarias, integración y end-to-end), con foco
particular en los agentes y el pipeline de orquestación.
Servicios
Servicios cloud, APIs o infraestructura externa necesarios para el
despliegue y la monitorización de la plataforma.
Acceso a modelos de IA para los agentes, tanto locales (modelos open
weight) como remotos (APIs comerciales), seleccionando la combinación
que mejor se adapte a cada caso de uso.
Entorno de validación con datos sintéticos y, cuando proceda, con
documentación real anonimizada de la organización partner.
Consideraciones Éticas y de Impacto
Sostenibilidad
Medición de eficiencia de recursos consumidos por los agentes.
Optimización del consumo computacional de los agentes y del pipeline
de orquestación.
Diseño para durabilidad, mantenibilidad y bajo impacto, alineado con
la naturaleza open source del proyecto.
Accesibilidad
Los tutores virtuales se diseñarán para adaptarse a cualquier perfil
de usuario, incluyendo personas con capacidades reducidas o
neurodiversidad.
Documentación multilingüe y diseño inclusivo de interfaz.
Costos accesibles de implementación y operación para pymes.
Transparencia
Código fuente abierto, basado en licencia Apache 2.0.
Metodología documentada y reproducible, de modo que otras
organizaciones puedan replicar el enfoque.
Datos sintéticos y/o anonimizados, abiertos y auditables, para
alimentar el pipeline de conocimiento.
Trazabilidad y explicabilidad de las decisiones tomadas por los
agentes (por qué un tutor da una respuesta concreta, qué documento la
sustenta, cómo se ha evolucionado el Skill Graph de un usuario).
Anonimización y seudonimización de la documentación interna real
utilizada en desarrollo y validación, presumiendo el uso de datos
sintéticos siempre que sea posible.
Cumplimiento estricto del RGPD y de las normativas aplicables de
protección de datos.
Resultados Esperados
Entregable funcional principal: prototipo o caso de uso demostrable
del sistema multiagente de formación interna.
Interfaz, dashboard o herramienta de visualización para el usuario
final.
API/MCP documentada para integración con sistemas externos.
Sistema multiagente funcional y documentado, incluyendo el ciclo
completo ingesta de conocimiento → generación de curso → evaluación →
Skill Graph.
Documentación técnica completa para replicación del proyecto.
Repositorio público en GitHub bajo licencia Apache 2.0, con código
documentado y testeado.
Métricas de Éxito
Proyecto completamente open source en GitHub.
Uso intensivo de agentes de IA y búsqueda de la máxima autonomía en el
funcionamiento de la solución.
Cobertura de pruebas automatizadas > 80% del código de agentes y
pipeline.
Fiabilidad / tasa de éxito en las tareas ejecutadas por los agentes.
Métricas de adopción o comunidad: número de contribuidores activos,
etc.
Como métricas específicas adicionales, acordadas con la organización
partner:
Precisión de las respuestas generadas por los tutores virtuales frente
a la documentación fuente: > 90% de exactitud factual en el dataset
de validación.
Latencia de generación de un curso completo a partir de documentación
interna: < 60 segundos.
Fiabilidad de los agentes de ingesta de conocimiento (contenido
correctamente procesado e indexado): > 95% en el dataset de
validación.
Plan de Sostenibilidad
Plan de comunidad y base de usuarios, iniciado ya durante el periodo
de la beca con la publicación de releases etiquetadas y ejemplos de
uso.
Documentación de casos de uso y mejores prácticas extraídas del
proyecto.
Programa de mentorías para nuevos contribuidores, apoyado en ANFAIA y
en la comunidad open source de IA agéntica.
Planes de mantenimiento a largo plazo: roadmap público, gestión de
issues y política de releases que permita a otras organizaciones
adoptar la plataforma.
Este documento es la base de trabajo del becado con sus mentores. Se
irá refinando a medida que se ejecuten las semanas del proyecto.