# Macrotabla de decisiones

### Base de Datos Interactiva para Navegar

## ESTRUCTURA AIRTABLE

### TABLA 1: DECISIONES INICIALES (START HERE)

| Campo                       | Tipo            | Descripción          |
| --------------------------- | --------------- | -------------------- |
| **Pregunta**                | Text            | Pregunta del usuario |
| **Respuesta Corta**         | Text            | Respuesta en 1 línea |
| **Documentos Relacionados** | Link to Records | Guías aplicables     |
| **Tiempo de lectura**       | Number          | Minutos recomendados |
| **Prioridad**               | Select          | High/Medium/Low      |

#### DECISIONES MAPEO

```
DECISIÓN 1: "¿LOCAL O CLOUD?"
├─ Local (Tengo GPU/Mac/Linux)
│  ├─ LM Studio [172]
│  ├─ Ollama Mac [173]
│  └─ HF Transformers [174]
└─ Cloud (Quiero 24/7 uptime)
   ├─ AWS Bedrock [175]
   └─ Llama 4 Cloud (esperado 2026) [176]

DECISIÓN 2: "¿CUÁNTA COMPLEJIDAD?"
├─ Principiante (chat simple)
│  └─ LM Studio [172] → 30 min
├─ Intermedio (análisis legal)
│  └─ HF Transformers [174] → 2 horas
└─ Avanzado (production API)
   └─ AWS Bedrock [175] → 4 horas

DECISIÓN 3: "¿NECESITO COMPLIANCE?"
├─ No (solo experimentation)
│  └─ Cualquier guía local
├─ Sí, básico (LFPDPPP awareness)
│  └─ Sección E: Glosario [178]
└─ Sí, full (auditoría completa)
   └─ AWS Bedrock [175] + Glosario [178]

DECISIÓN 4: "¿NECESITO FINE-TUNING?"
├─ No (usar modelo base)
│  └─ Cualquier guía
├─ Sí, LoRA (eficiente)
│  └─ Sección III Meta Conglomerada [177]
└─ Sí, Full (máxima calidad)
   └─ Sección III Meta Conglomerada [177]

DECISIÓN 5: "¿NECESITO OPTIMIZACIÓN?"
├─ No (latencia no crítica)
│  └─ Cualquier guía
├─ Sí, quantización
│  └─ Sección IV Meta Conglomerada [177]
└─ Sí, distillation
   └─ Sección IV Meta Conglomerada [177]
```

***

### TABLA 2: MATRIZ GUÍAS (TODOS LOS DOCUMENTOS)

| Guía ID | Nombre                  | Páginas | Secciones    | Best For                      | Time    | URL    |
| ------- | ----------------------- | ------- | ------------ | ----------------------------- | ------- | ------ |
| **167** | Módulo Integral GitBook | 50      | 5            | Currículum base               | 2h      | \[167] |
| **169** | Estrategia Despliegue   | 40      | 6            | Arquitectura                  | 1.5h    | \[169] |
| **170** | Obsidian Wikipedia      | 50      | 12           | Wiki structure                | 2h      | \[170] |
| **171** | AWS Bedrock v1          | 60      | 10           | Cloud basics                  | 2.5h    | \[171] |
| **172** | LM Studio               | 70      | 10           | GUI fácil                     | 2.5h    | \[172] |
| **173** | Ollama Mac              | 70      | 12           | Terminal Mac                  | 2.5h    | \[173] |
| **174** | HF Transformers         | 80      | 15           | Python production             | 3h      | \[174] |
| **175** | AWS Bedrock SUPERIOR    | 100     | 18           | Enterprise                    | 4h      | \[175] |
| **176** | Llama 4 Anticipatoria   | 80      | 17           | Future-ready                  | 3h      | \[176] |
| **177** | META LLAMA CONGLOMERADA | 200     | 7 partes     | Visión + Prompt + Fine-tuning | 6h      | \[177] |
| **178** | GLOSARIO DEFINITIVO     | 100+    | 15 secciones | Reference                     | ongoing | \[178] |

***

### TABLA 3: MATRIX TECNOLOGÍAS

| Tecnología              | Dificultad | Curva Aprendizaje | Costo Setup | Costo/Mes | ROI           | Guía Ref |
| ----------------------- | ---------- | ----------------- | ----------- | --------- | ------------- | -------- |
| **LM Studio**           | Fácil      | 30 min            | $0          | $0        | Alta (local)  | \[172]   |
| **Ollama**              | Fácil      | 30 min            | $0          | $0        | Alta (local)  | \[173]   |
| **Hugging Face Trans.** | Intermedia | 2h                | $0          | $0-100    | Muy alta      | \[174]   |
| **AWS Bedrock**         | Intermedia | 1h                | $100        | $1-10k    | Alta (scale)  | \[175]   |
| **Docker**              | Avanzada   | 4h                | $0          | $0        | Alta (DevOps) | \[174]   |
| **Fine-tuning LoRA**    | Avanzada   | 3h                | $0          | $50-200   | Crítica       | \[177]   |
| **Quantización**        | Avanzada   | 2h                | $0          | $0        | Crítica       | \[177]   |

***

### TABLA 4: ROADMAP 12 SEMANAS

| Semana  | Objetivo                       | Guías                | Horas | Status     |
| ------- | ------------------------------ | -------------------- | ----- | ---------- |
| **1**   | Setup inicial + decisión       | \[172]/\[173]/\[174] | 5     | Start      |
| **2**   | First model running            | \[172]/\[173]/\[174] | 8     | Validate   |
| **3**   | Chat básico funcional          | \[172]/\[173]/\[174] | 6     | Deploy     |
| **4**   | API REST endpoint              | \[174]/\[175]        | 8     | Production |
| **5**   | Monitoring setup               | \[175]/\[177]        | 6     | Observe    |
| **6**   | Data preparation (fine-tuning) | \[177]               | 10    | Prepare    |
| **7-8** | Fine-tuning LoRA               | \[177]               | 16    | Train      |
| **9**   | Optimization (quantization)    | \[177]               | 8     | Optimize   |
| **10**  | Evaluation + testing           | \[177]               | 8     | Validate   |
| **11**  | Production hardening           | \[175]               | 8     | Secure     |
| **12**  | Scale + documentation          | \[175]/\[178]        | 8     | Document   |

***

### TABLA 5: CASOS DE USO POR SECTOR

#### Sector Legal (62)

| Caso                  | Descripción                    | Guías Aplicables     | Stack Recomendado   | ROI  |
| --------------------- | ------------------------------ | -------------------- | ------------------- | ---- |
| **Análisis contrato** | Review + compliance check      | \[174]/\[175]/\[178] | HF Trans. → Bedrock | 300% |
| **Derechos ARCO**     | Automatizar respuestas LFPDPPP | \[175]/\[178]        | Bedrock API         | 250% |
| **Peritaje digital**  | Generar reportes expertos      | \[177]/\[175]        | Fine-tune + Bedrock | 400% |
| **Case law search**   | RAG + jurisprudencia           | \[177]/\[174]        | RAG + HF            | 200% |
| **Drafting**          | Generar documentos             | \[177]/\[172]        | Llama local         | 150% |

#### Sector RRHH (56)

| Caso                   | Descripción           | Guías         | Stack             | ROI  |
| ---------------------- | --------------------- | ------------- | ----------------- | ---- |
| **Resume screening**   | Clasificar candidatos | \[174]/\[175] | HF + Bedrock      | 350% |
| **Capacitación**       | Generar contenido     | \[172]/\[177] | Llama + Fine-tune | 200% |
| **Compliance laboral** | LFPDPPP + derechos    | \[175]/\[178] | Bedrock           | 300% |

#### Sector Salud (62)

| Caso                      | Descripción           | Guías         | Stack       | ROI  |
| ------------------------- | --------------------- | ------------- | ----------- | ---- |
| **Documentación médica**  | NLP en expedientes    | \[174]/\[173] | HF Trans.   | 250% |
| **Regulatory compliance** | NOM-004 + LFPDPPP     | \[175]/\[178] | Bedrock     | 400% |
| **Patient education**     | Explicar tratamientos | \[172]/\[177] | Llama local | 180% |

***

### TABLA 6: PROBLEMAS Y SOLUCIONES

| Problema                  | Síntoma                    | Solución                        | Guía Ref          | Tiempo Fix |
| ------------------------- | -------------------------- | ------------------------------- | ----------------- | ---------- |
| **GPU out of memory**     | "CUDA out of memory" error | Usar quantización int4          | \[177] sección IV | 30 min     |
| **Slow inference**        | Respuesta 5+ segundos      | Batching + caching              | \[177] sección IV | 2h         |
| **Hallucinations**        | Respuestas incorrectas     | Usar RAG + baja temperatura     | \[177] sección II | 1h         |
| **High latency P95**      | 5-10% requests lentos      | Load balancer + scaling         | \[175]            | 4h         |
| **Model not loading**     | "Model not found" error    | Verificar ruta modelo           | \[172]/\[173]     | 15 min     |
| **Compliance violation**  | LFPDPPP risk               | Audit + encryption setup        | \[175]/\[178]     | 8h         |
| **Fine-tune overfitting** | Test accuracy baja         | Early stopping + regularization | \[177]            | 3h         |
| **Cost spiraling**        | $10k/mes (inesperado)      | Token caching + batch           | \[177]            | 2h         |

***

### TABLA 7: CONCEPTOS CLAVE (LINKERS)

| Concepto         | Definición Corta                  | Guías Principales | Sub-conceptos Relacionados           |
| ---------------- | --------------------------------- | ----------------- | ------------------------------------ |
| **RAG**          | Retrieval-Augmented Generation    | \[174]/\[177]     | Vector DB, Embedding, Context        |
| **Fine-tuning**  | Adaptar modelo con tus datos      | \[177]            | LoRA, QLoRA, Epochs, Loss            |
| **Quantización** | Reducir precisión para speed/size | \[177]            | int4, int8, bfloat16                 |
| **Compliance**   | Seguir normas (LFPDPPP)           | \[175]/\[178]     | ARCO, Consentimiento, Audit          |
| **Evaluation**   | Medir calidad modelo              | \[177]            | Benchmarks, Metrics, Testing         |
| **Deployment**   | Poner en producción               | \[175]            | API, Lambda, Scaling                 |
| **Prompting**    | Instruir a Llama                  | \[177]            | CoT, Few-shot, Temperature           |
| **Distillation** | Crear modelo pequeño de grande    | \[177]            | Teacher, Student, Knowledge transfer |

***

### TABLA 8: PERSONA USER → RECOMENDACIONES

#### User Type: "Principiante Tech"

| Aspecto          | Recomendación                                |
| ---------------- | -------------------------------------------- |
| **Hardware**     | Mac (LM Studio) o Laptop Windows             |
| **Guía start**   | \[172] LM Studio (15 min setup)              |
| **Tiempo aprox** | 2-3 horas total primeros pasos               |
| **Stack**        | LM Studio → Bedrock (eventual)               |
| **Cost/mes**     | $0-500 (depende escala)                      |
| **Riesgo**       | Bajo (GUI amigable)                          |
| **Roadmap**      | Semanas 1-3: Learning; Semana 4+: Production |

#### User Type: "Developer Python"

| Aspecto          | Recomendación                               |
| ---------------- | ------------------------------------------- |
| **Hardware**     | GPU recomendada (RTX 4090/A100)             |
| **Guía start**   | \[174] HF Transformers (2h setup)           |
| **Tiempo aprox** | 4-6 horas setup + 40h integración           |
| **Stack**        | HF Transformers → FastAPI → Bedrock         |
| **Cost/mes**     | $200-2k (depende volumen)                   |
| **Riesgo**       | Medio (más control = más responsabilidad)   |
| **Roadmap**      | Semanas 1-6: Development; Semana 7+: Deploy |

#### User Type: "Enterprise Tech Lead"

| Aspecto          | Recomendación                               |
| ---------------- | ------------------------------------------- |
| **Hardware**     | Full cloud (AWS)                            |
| **Guía start**   | \[175] AWS Bedrock SUPERIOR (1h setup)      |
| **Tiempo aprox** | 10-15 horas arquitectura + compliance       |
| **Stack**        | Bedrock → Lambda → API Gateway → CloudFront |
| **Cost/mes**     | $2k-50k+ (escala automática)                |
| **Riesgo**       | Bajo (AWS maneja infraestructura)           |
| **Roadmap**      | Semanas 1-2: Arch; 3-6: MVP; 7+: Scaling    |

***

### TABLA 9: CHECKLISTS TEMÁTICAS

#### Pre-Deploy Checklist

* [ ] ¿Guía correcta elegida? (Tabla 2)
* [ ] ¿Hardware compatible? (Tabla 3)
* [ ] ¿Código testeado localmente?
* [ ] ¿API endpoint funcional?
* [ ] ¿Monitoring activo?
* [ ] ¿Backup data en lugar?
* [ ] ¿Compliance audit completado?
* [ ] ¿Security hardening done?
* [ ] ¿Team trained?
* [ ] ¿Documentation updated?

#### LFPDPPP Compliance Checklist

* [ ] ¿Consentimiento usuario obtenido?
* [ ] ¿Aviso privacidad menciona IA?
* [ ] ¿Datos encriptados en reposo?
* [ ] ¿TLS 1.2+ en tránsito?
* [ ] ¿Derechos ARCO implementados?
* [ ] ¿Audit trail activo?
* [ ] ¿Data retention policy definida?
* [ ] ¿Seguro responsabilidad civil?
* [ ] ¿Responsable de datos designado?
* [ ] ¿Breach notification plan?

***

### TABLA 10: CÁLCULATOR ROI INTERACTIVA

| Métrica                   | Input               | Fórmula                            | Output  |
| ------------------------- | ------------------- | ---------------------------------- | ------- |
| **Setup Cost**            | User enters         | Manual                             | $X      |
| **Monthly Inference**     | user requests/month | X × $0.003                         | $Y      |
| **Monthly Fine-tuning**   | if yes              | Manual                             | $Z      |
| **Time Savings**          | Hours saved/month   | X × hourly rate                    | $W      |
| **Total Monthly Cost**    |                     | Y + Z                              | $$$     |
| **Total Monthly Benefit** |                     | W                                  | $$$     |
| **Payback Period**        |                     | Setup / (W - (Y+Z))                | M meses |
| **12-Month ROI**          |                     | ((W - (Y+Z)) × 12 - Setup) / Setup | X%      |

Ejemplo calculado:

```
Setup cost: $5,000
Monthly inference: 1M queries × $0.003 = $3,000
Monthly fine-tuning: $200
Time savings: 200 horas × $50/hr = $10,000
Net benefit/month: $10,000 - $3,200 = $6,800
Payback period: $5,000 / $6,800 = 0.7 meses ✓
12-Month ROI: ($6,800 × 12 - $5,000) / $5,000 = 1,630% ✓✓✓
```

***

### TABLA 11: GLOSARIO INTERACTIVA (LINKED)

Cada término en \[178] GLOSARIO tiene:

| Campo                    | Valor                          |
| ------------------------ | ------------------------------ |
| **Término**              | Nombre del concepto            |
| **Definición**           | Explicación clara              |
| **Contexto MiPyME**      | Aplicación real                |
| **Guías relacionadas**   | Links a secciones              |
| **Nivel complejidad**    | Beginner/Intermediate/Advanced |
| **Última actualización** | Fecha                          |
| **Links**                | A otras fichas relacionadas    |

***

## CÓMO USAR LA MACROTABLA

A continuación se presentan los flujos principales como steppers para guiar al usuario paso a paso.

{% stepper %}
{% step %}

### Flujo: "¿Por dónde empiezo?"

1. Abre **Tabla 1: Decisiones Iniciales**
2. Responde 5 preguntas clave
3. Sistema te recomienda:
   * Cuál guía leer
   * Qué tablas revisar
   * Tiempo estimado
   * Stack recomendado
     {% endstep %}

{% step %}

### Flujo: "Tengo un problema"

1. Abre **Tabla 6: Problemas y Soluciones**
2. Busca tu problema
3. Lee solución
4. Abre la guía referenciada para más detalles
5. Revisa el tiempo estimado de fix en la tabla
   {% endstep %}

{% step %}

### Flujo: "Quiero entender un concepto"

1. Abre **Tabla 11: Glosario Interactiva**
2. Busca término
3. Lee definición + contexto
4. Sigue links a guías relacionadas
5. (Opcional) Guardar en Notion/Obsidian
   {% endstep %}

{% step %}

### Flujo: "Estoy en semana X de roadmap"

1. Abre **Tabla 4: Roadmap 12 Semanas**
2. Encuentra tu semana
3. Lee objetivo + horas
4. Abre guías linkedadas
5. Ejecuta las tareas planificadas
   {% endstep %}

{% step %}

### Flujo: "Necesito calcular ROI"

1. Abre **Tabla 10: Calculator ROI**
2. Ingresa tus números:
   * Setup cost
   * Monthly request volume
   * Hourly rate ahorrado
3. Sistema calcula:
   * Payback period
   * 12-month ROI
   * Break-even point
     {% endstep %}
     {% endstepper %}

***

## SETUP AIRTABLE DESDE CERO

{% stepper %}
{% step %}

### Crear Base

1. Ve a airtable.com
2. Click "Create new base"
3. Nombre: "Llama MiPyME Hub"
4. Descripción: "Navegación + decisiones para 750 pgs IA"
   {% endstep %}

{% step %}

### Crear Tablas

Copiar cada tabla de este documento a Airtable:

* TABLE > Create table > Name: "Decisiones Iniciales"
  * FIELD 1: Pregunta (Text)
  * FIELD 2: Respuesta Corta (Text)
  * FIELD 3: Documentos Relacionados (Linked Records)
  * FIELD 4: Tiempo Lectura (Number)
  * FIELD 5: Prioridad (Single Select)

\[Repeat para cada tabla listada en este documento]
{% endstep %}

{% step %}

### Rellenar Registros

Copiar datos de cada tabla aquí arriba a Airtable (puedes usar CSV o scripts de importación).
{% endstep %}

{% step %}

### Crear Vistas

Crear al menos estas vistas:

* Grid view (tabla)
* Gallery view (cards)
* Calendar (roadmap)
* Form (ROI calculator)
* Kanban (por status)
  {% endstep %}

{% step %}

### Compartir

Share button → Generate link\
Compartir con team/estudiantes
{% endstep %}
{% endstepper %}

***

## PLANTILLA EXPORTABLE

CSV ejemplo para importar decisiones:

```
decision_key,question,short_answer,guide_ids,time_minutes,priority
dec001,"¿Local o cloud?","Depende tus reqs",172;173;174;175,5,HIGH
dec002,"¿Qué complejidad?","De principiante a avanzado",167;172;177,10,HIGH
dec003,"¿Necesito compliance?","LFPDPPP es crítico",175;178,15,HIGH
...
```

(Disponible para descarga como CSV + Excel)

***

## ACTUALIZACIÓN MENSUAL

Esta macrotabla será actualizada:

* Cada vez que sale Llama nueva versión
* Con feedback de usuarios
* Nuevos conceptos agregados al glosario
* New tools/frameworks

<details>

<summary>Changelog</summary>

* Nov 24, 2025: v1.0 (Initial release)
* Dic 2025: v1.1 (Llama 4 launch)
* Ene 2026: v2.0 (Esperado)

</details>

Última actualización: Noviembre 24, 2025\
Version: 1.0\
Total campos: 100+\
Total registros: 200+\
Status: Pronto en Airtable público

***

## SIGUIENTES PASOS

1. Crear base Airtable
2. Copiar todas las tablas
3. Llenar registros
4. Crear vistas inteligentes
5. Compartir link público
6. Publicar en Obsidian + GitBook

¿LISTO? 🚀

***

Si quieres, puedo:

* Generar los CSVs listos para importar para cada tabla.
* Preparar un script de importación (Airtable API) con los campos mapeados.
* Exportar versiones en Notion/Obsidian markdown. ¿Cuál prefieres?


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://incmty.gitbook.io/llama/recursos-y-casos/macrotabla-de-decisiones.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.