Dos años después de mis 7 cursos de Andrew Ng: el camino que realmente tomaría en 2026
Todavía me escriben preguntando si los 7 cursos de Andrew Ng que recomendé en 2023 siguen siendo el camino correcto hoy. Respuesta corta: la mayoría sí, pero con una roadmap distinta alrededor. Aquí va mi actualización de 2026, con un veredicto por curso y un camino que se bifurca para builders y operators.
La gente me sigue escribiendo por el post de 2023. La pregunta más frecuente, casi palabra por palabra: "¿sigue siendo este el camino correcto en 2026?"
Tengo que admitir que estuve postergando una respuesta completa, porque la respuesta honesta tiene varias capas. La mayoría de los cursos de Andrew Ng siguen en pie. La roadmap que armé alrededor, no. Este post es la actualización que te debo.
Si estás arrancando desde cero hoy, como yo en 2023, la parte de foundation de esta roadmap todavía se aplica a ti. Solo vas a necesitar menos de lo que yo necesité, por razones que desarrollo más abajo.
Un aviso antes de empezar: puede que me equivoque con algunos de estos veredictos, y me gustaría escuchar de verdad si tu experiencia no coincide con la mía. Sigo siendo alumno en este tema. Lo único es que pasé los últimos dos años tratando de shippear cosas con lo que aprendí.
1. Lo que esos 7 cursos realmente me dieron
Mirando hacia atrás con dos años más de contexto, creo que los cursos de 2023 me dieron dos cosas muy claras, y me dejaron corto en una tercera.
Me dieron vocabulario. Prompt engineering, retrieval-augmented generation, embeddings, function calling, chain-of-thought reasoning. Siguen siendo los términos que uso en casi todas las conversaciones técnicas que tengo. Cuando le estoy explicando un bug complicado a alguien del equipo que es más nuevo en AI, compartimos un idioma. Ese idioma vino de Andrew.
Me dieron confianza. Vengo de un background no técnico. Sin la estructura de esos cursos, no sé si hubiera tenido el nervio de empezar a construir. Un buen curso puede hacer eso. No enseñarte todo, pero convencerte de que el próximo paso está al alcance.
Lo que no pudieron darme fue criterio: la sensación de cuándo un prompt va a ser frágil, cuándo un eval realmente está midiendo lo que te importa, cuándo un patrón de costos está a punto de explotarte en producción. Eso solo vino de romper cosas frente a usuarios reales. Sobre el primer año de eso escribí en este post de 2024 — tres meses dentro y todavía atascándome. Dos años después, me atasco en cosas distintas, pero me sigo atascando.
Los cursos me llevaron hasta "puedo leer los docs sin entrar en pánico". Todo lo que vino después vino de shippear.
2. Por qué la vieja roadmap envejece más rápido ahora
Esta es la parte del post de 2023 que más me gustaría reescribir.
Encuadré los siete cursos como una rampa de entrada completa. No lo son, y nunca lo fueron. Son una capa de foundation. La roadmap alrededor cambió más en los últimos dos años que los cursos mismos.
Mi tesis corta: el AI pair-programming comprimió la ejecución más rápido de lo que comprimió el criterio. Por eso los cursos de foundation todavía enseñan cosas buenas (el criterio envejece despacio) y por eso casi nada más en mi stack de aprendizaje se parece a lo que era en 2023.
Aquí va mi propia línea de tiempo, en lenguaje llano:
- Finales de 2022: ChatGPT se lanza. Todo el mundo se vuelve prompter.
- Marzo de 2025: Google Gemini 2.5 Pro se convierte en mi daily driver para programar. El modelo empieza a escribir código que yo realmente shippearía.
- Alrededor de marzo de 2025: me suscribo a Claude Max, el plan premium de Anthropic. Eso me da Claude Code, un AI coding assistant basado en terminal que escribe y edita código al lado tuyo, dentro de tu propio proyecto. Rápidamente se queda con una parte importante de mi trabajo diario.
- Marzo de 2026: empiezo a usar Codex, el coding assistant equivalente de OpenAI, en paralelo con Claude Code.
- Abril de 2026: cancelo Claude Max después de 13 meses y me paso principalmente a Codex. Experimento de 30 días. Todavía sin veredicto.
Cada paso de esa lista fue un cambio de workflow, no un curso que tomé. Lo que no se puede sacar de una clase en el navegador es la experiencia de ver a un AI assistant refactorizar tu propio repositorio mientras estás leyendo la sugerencia. Eso se parece más a un code review bajo presión que a programar, y es donde en 2026 pasa mucho del aprendizaje real.
Para lo que vale, también hice la parte de construir. Entre el post de 2023 y ahora shippeé tres cosas: DIALOGUE, un generador de podcast con AI; STRATUM, una plataforma de marketing de 9 agentes; y la plataforma del curso en este sitio. También seguí tomando algún curso de vez en cuando, sobre todo rellenos de foundation como Google IT Automation with Python y Google Cybersecurity Specialization. Los cursos me mantuvieron literate. Los productos me hicieron competente.
Una implicación práctica de todo esto: dónde va el dinero que inviertes en aprender es distinto ahora. En 2023 pagabas por clases estructuradas y construías sobre el free tier de un puñado de APIs. En 2026, las clases son una parte chica de la factura; las herramientas con las que escribes código son un gasto recurrente más grande. Si estás armando un presupuesto para aprender AI ahora, presupuesta también las herramientas, no solo los cursos.
Si no eres builder, si eres un líder de marketing o un operator que nunca va a correr Claude Code por sí mismo, la implicación es la misma dicha de otra manera: lo que realmente estás comprando en un learning path de 2026 es criterio sobre las herramientas, no fluidez con ninguna en particular. Las herramientas van a rotar. El criterio sobre cuándo confiar en ellas, cuándo cuestionar su output y cuándo poner un humano en el loop, esa es la parte durable.
3. El veredicto por curso en 2026
Esta es la sección que creo que te va a ser más útil, así que voy a ser directo, con los veredictos matizados donde la respuesta honesta depende de quién eres.
Para quién es esto: cualquiera que esté decidiendo qué tomar hoy. Ya seas un operator de marketing que necesita suficiente AI literacy para liderar un equipo, o un builder que quiere shippear, los veredictos de abajo distinguen los dos donde importa.
| Curso 2023 | Veredicto 2026 | Por qué |
|---|---|---|
| Machine Learning Specialization | Time-box: 1–2 semanas, saltear la matemática | Vocabulario solamente para la mayoría de lectores. Las derivaciones con mucha matemática valen la pena si vas hacia research. Si no, saltéalas. |
| Generative AI for Everyone | Sigue valiendo, para todo el mundo | El mejor marco no técnico de AI generativa que vi. Envejece con gracia. Dáselo de verdad a tu CEO. |
| ChatGPT Prompt Engineering for Developers | Sigue valiendo, pero combínalo con los cookbooks | Los patrones centrales siguen aplicándose. Combina con los cookbooks de Anthropic y OpenAI para APIs de la era 2026. |
| Building Systems with the ChatGPT API | Tómalo por el modelo mental; no confíes en los detalles de la API | Moderación, chain-of-thought, chained prompts, output checks. Sigue siendo correcto. La superficie específica de la API se movió más de una vez. |
| Neural Networks and Deep Learning | Saltar, a menos que vayas hacia research | Ya marqué la redundancia con la ML Specialization en 2023, y hoy la marcaría más fuerte, tanto para builders como para operators. |
| Functions, Tools, and Agents with LangChain | Revisa el estado actual antes de comprometerte | Cuando construí una plataforma de 9 agentes en 2025, no usé LangChain. Antes ese año probé un agente con LangGraph y me topé con techos de performance que me empujaron a una orquestación más simple. Los patrones agénticos son la lección real; la elección de framework específica es tuya, y el campo se movió desde mi experiencia de 2025. No descartaría del todo LangChain sin volver a mirarlo en fresco. |
| Vector Databases: from Embeddings to Applications | Sigue valiendo, mantenlo corto | Estos son los patrones que mueven la búsqueda de este sitio ahora mismo. Saltéate los capítulos específicos de proveedor que quedaron viejos. |
Tomá esto como la visión de un builder, no como un ranking universal. Si vienes con otro objetivo (research, un stack muy específico), tu tabla puede verse distinta.
4. Lo que agregaría ahora, y cómo se bifurca el camino
En este punto el camino se bifurca. Un operator y un builder necesitan segundas capas distintas.
Si eres líder de marketing u operator
Tier 1. Toma las filas de "sigue valiendo" de arriba. Concéntrate en Generative AI for Everyone y Prompt Engineering for Developers. Estás comprando vocabulario e instinto.
Tier 2. Aprende lo suficiente sobre evaluations (una forma de medir si un output de AI realmente es bueno, y no solo plausible) y agent design (cómo encadenar varios pasos de AI en un workflow confiable) para tomar decisiones de equipo. No necesitas construir esto tú mismo. Sí necesitas saber qué preguntas hacer. ¿Qué estamos midiendo exactamente? ¿Cómo se ve el fallo? ¿Dónde viven los traces? ¿Cuántas veces revisamos outputs reales? Si nadie en tu equipo puede contestar eso claro, probablemente estás mirando una demo, no un sistema durable. Y si alguien te dice "la AI lo va a resolver", pregunta en qué materiales crudos está grounded. Un modelo fuerte puede ayudar a convertir traces reales, outputs aceptados, casos de fallo y documentos internos en criterios de eval borrador y un dataset inicial. Eso es útil. Pero sigue necesitando un humano que revise la rubric y calibre el estándar.
Tier 3. Rediseña un workflow. Toma la cosa más chica y real en la semana de tu equipo, un reporte semanal, un brief intake, un QA review, y reconstrúyela con AI en el loop. Vuelvo a cómo encuadraría esa reconstrucción al final del post, pero el trabajo en sí es tuyo de cualquier manera.
Si eres builder
Tier 1. Los mismos cursos de foundation de la tabla de arriba.
Tier 2.
Empieza construyendo, no estudiando. Abre una cuenta gratuita de GitHub y crea tu primer repositorio. Aprende suficiente Git como para hacer commits pequeños y dar marcha atrás limpio cuando rompes algo. Después empieza a construir en un proyecto real con uno de los coding assistants líderes. Yo usé tanto Claude Code con Opus 4.7 como OpenAI Codex con GPT-5.4. El walkthrough es el trabajo, y si esperas a sentirte listo antes de empezar, no vas a empezar. Lee los docs de la herramienta que tienes delante cuando te trabes, y no conviertas "estudiar el stack" en una demora más.
Una vez que algo está corriendo, empieza a aprender evals de la manera práctica. Guarda inputs y outputs reales. Junta algunos materiales de ground-truth. Decide cómo se ven bueno y malo en cada paso del workflow. Después usa un coding assistant fuerte, Claude Code con Opus 4.7 en xhigh thinking, o Codex con GPT-5.4 en xhigh thinking, para que te ayude a armar el scaffold del eval framework, proponer criterios, y generar un dataset inicial grounded en esos materiales. La AI puede hacer mucho de ese trabajo de setup. Lo que no debería hacer es definirte el estándar en silencio. Revisa la rubric tú.
Después aprende los básicos de MCP, el Model Context Protocol: la capa que deja que una herramienta como Codex hable directo con el resto de tu stack. En mi propio workflow en este repo, eso hoy significa Chrome DevTools, Playwright, Supabase, GitHub, Stripe, Resend y Cloudflare. MCP no existía en 2023, y ahora es parte de cómo construyo.
Tier 3. Construye algo que use otra persona. No un tutorial. No una copia de una demo. Algo con un usuario real, aunque ese usuario sea una persona de tu propio equipo.
Los dos caminos comparten una regla: no has terminado hasta que algo real esté corriendo.
Una nota práctica, porque la plata importa: si 20 dólares al mes en un coding assistant no te los puedes permitir ahora, sáltate el tier de herramientas por un rato. Los cursos de foundation más API keys de free tier siguen funcionando. Así arranqué yo en 2023, y sigue siendo un camino real.
5. Lo que saltaría o metería en time-box ahora
Tres trampas, todas fáciles de caer porque se sienten como progreso.
- Coleccionar certificaciones como procrastinación. Yo lo hice. Se siente productivo. No es un sustituto de shippear. Toma los certificados de foundation, y después deja de contarlos.
- Cursos sobre el framework del mes. Si un curso está muy atado a un framework específico que tiene menos de dos años, ten cuidado. Lee los docs del framework y vuelve a los cursos cuando el campo se haya asentado.
- Teoría de deep learning con mucha matemática, a menos que te estés metiendo en research. Un builder no necesita derivar backpropagation. Un líder tampoco.
6. El curso que terminé construyendo
Después de los cursos de foundation, el hueco con el que seguía chocando no era técnico. Era criterio a nivel operator. ¿Cómo rediseñas un equipo de marketing alrededor de AI, en lugar de solo llamar un par de APIs? ¿Cómo decides qué deberían seguir haciendo los humanos, y qué se ganó finalmente la máquina? Nadie estaba enseñando eso de una manera que encajara con lo que yo veía en el trabajo.
Así que construí el curso que me hubiera gustado poder tomar después de los siete de Andrew Ng. Se llama AI-Native Media Operations y vive en este sitio. 7 módulos, 16 templates, alrededor de 3 horas de video, tuyo para siempre. Es el framework hacia el cual apunto el track de operators, porque creo en él.
Un link, un pitch. Si los siete cursos de Andrew Ng hicieron su trabajo contigo, y los veredictos de arriba te ayudaron a recortar la roadmap, el próximo peldaño es trabajo real, tomes mi curso o no.
Si te hiciste la lista de 2023, me encantaría de verdad saber cuál te rindió más y cuál te hubiera gustado saltarte. Si estás arrancando hoy, ¿qué te está haciendo dudar?
Eso es todo por mi parte.
Un abrazo, Chandler
