Glosario de IA: los términos que de verdad hay que entender

La IA ha generado su propio vocabulario, y buena parte de él se usa mal, se usa de más, o se usa para sonar sofisticado sin decir nada concreto. Este glosario reúne los términos que más aparecen en conversaciones reales sobre IA en la empresa, explicados sin rodeos. Lo iremos ampliando con el tiempo.

Fundamentos

Inteligencia artificial (IA) Término general para sistemas capaces de realizar tareas que normalmente requieren inteligencia humana: reconocer voz, resolver problemas, aprender de la experiencia, tomar decisiones. Es un paraguas, no una tecnología concreta. Bajo ese paraguas caben desde sistemas de reglas simples hasta los modelos más sofisticados del mercado.

Machine learning (aprendizaje automático) Una rama concreta de la IA en la que el sistema aprende patrones a partir de datos, en lugar de seguir instrucciones programadas paso a paso. No se le dice “si pasa esto, haz aquello”: se le dan ejemplos y aprende a generalizar.

Deep learning (aprendizaje profundo) Un tipo de machine learning que usa redes neuronales con muchas capas apiladas (“profundas”), inspiradas de forma muy laxa en cómo funcionan las neuronas biológicas. Es la técnica detrás de la mayoría de avances recientes en visión por ordenador, voz y lenguaje.

Modelo El resultado de entrenar un sistema de IA con datos. Es el archivo o conjunto de parámetros que, dado un input, produce un output. Cuando se habla de “usar IA”, casi siempre se está hablando de usar un modelo ya entrenado.

Parámetros Los valores numéricos internos que un modelo ajusta durante el entrenamiento para representar patrones del lenguaje o los datos. Más parámetros no siempre significa mejor resultado, pero suele significar más coste y más lentitud.

Automatización basada en reglas Un sistema que sigue lógica explícita del tipo “si ocurre esto, haz aquello”, escrita por una persona. Es transparente y fácil de auditar, pero solo hace exactamente lo que se le ha programado. No es inteligencia artificial en sentido estricto, aunque a menudo se vende como tal.

Modelos de lenguaje

LLM (Large Language Model, modelo de lenguaje grande) Un modelo entrenado con enormes cantidades de texto para predecir qué palabra es más probable que venga a continuación de otra. De ahí surge su capacidad para escribir, resumir, traducir o mantener una conversación.

Modelo fundacional (foundation model) Un modelo entrenado con datos muy amplios y variados, pensado para servir de base a muchas aplicaciones distintas, en lugar de resolver una sola tarea. La mayoría de LLM comerciales son modelos fundacionales.

Modelo de frontera (frontier model) El término que designa a los modelos más capaces y recientes disponibles en un momento dado, normalmente entrenados por un grupo reducido de laboratorios con el capital y la infraestructura necesarios para hacerlo. Es una etiqueta relativa: el modelo de frontera de 2024 es hoy un modelo de gama media. La pregunta que importa no es si un modelo es “de frontera”, sino si esa capacidad extra es necesaria para la tarea que se quiere resolver.

Ventana de contexto La cantidad de texto que un modelo puede “tener en cuenta” a la vez al generar una respuesta, medida en tokens. Una ventana de contexto grande permite trabajar con documentos largos sin que el modelo “olvide” el principio.

Token La unidad mínima en la que un modelo de lenguaje procesa el texto. No siempre es una palabra completa: puede ser una sílaba, un signo de puntuación o un fragmento de palabra. El coste de usar un LLM se mide casi siempre en tokens procesados.

Alucinación Cuando un modelo genera información que suena convincente pero es incorrecta o inventada. No es un fallo aleatorio de “mala suerte”: suele estar relacionado con cómo se le ha dado el contexto o con preguntarle algo fuera de lo que puede responder con fiabilidad.

Fine-tuning (ajuste fino) El proceso de tomar un modelo ya entrenado y seguir entrenándolo con datos específicos de un dominio o una empresa, para que se especialice en una tarea concreta sin empezar de cero.

Prompt La instrucción o pregunta que se le da a un modelo de IA. La calidad de un prompt (qué contexto incluye, qué formato pide, qué ejemplos da) afecta directamente a la calidad de la respuesta.

RAG (Retrieval-Augmented Generation, generación aumentada por recuperación) Una técnica que permite a un modelo responder usando documentos propios de una empresa, sin haber sido entrenado con ellos. El sistema busca primero la información relevante en una base de datos propia, y luego se la pasa al modelo junto con la pregunta para que genere la respuesta.

Embedding Una representación numérica del significado de un texto, que permite comparar qué tan parecidos son dos fragmentos de contenido. Es la tecnología que hace posible que un sistema de RAG encuentre el documento correcto entre miles.

Agentes y automatización

IA agéntica (agentic AI) Un sistema de IA que no solo genera texto, sino que persigue un objetivo por su cuenta: planifica pasos, usa herramientas reales (buscar en internet, llamar a una API, editar un archivo), observa el resultado y ajusta su siguiente acción, repitiendo el proceso hasta completar la tarea. La “agencia” es un espectro, no un sí o un no: un asistente que solo busca en la web es levemente agéntico, un sistema que gestiona un proceso completo de ventas sin supervisión es altamente agéntico.

Agente La instancia concreta de un sistema de IA agéntica configurada para una tarea o un rol específico, por ejemplo, un agente de atención al cliente o un agente que clasifica facturas entrantes.

Orquestación de agentes La coordinación de varios agentes especializados que colaboran en una tarea compleja, cada uno encargado de una parte: uno recupera información, otro la analiza, un tercero redacta la respuesta.

Human in the loop (humano en el bucle) Un diseño en el que una persona revisa o aprueba las decisiones de un sistema de IA antes de que se ejecuten, especialmente en tareas de alto riesgo. Es lo contrario de la autonomía total.

MCP (Model Context Protocol) Un estándar abierto que permite a un modelo de IA conectarse de forma ordenada con herramientas externas (calendarios, bases de datos, correo) sin tener que construir una integración distinta para cada una.

Voz y conversación

STT (Speech to Text) La tecnología que convierte audio hablado en texto escrito. Es el primer paso de cualquier asistente de voz.

TTS (Text to Speech) La tecnología inversa: convierte texto escrito en voz generada. Determina qué tan natural suena un agente de voz al hablar.

Latencia El tiempo que tarda un sistema en responder desde que recibe una entrada. En una llamada de voz, una latencia alta se nota como un silencio incómodo antes de que el agente conteste, y es una de las razones por las que muchos agentes de voz suenan artificiales.

Datos y gobernanza

Sesgo (bias) Cuando un modelo reproduce o amplifica patrones injustos presentes en los datos con los que fue entrenado. No es un defecto exclusivo de la IA: refleja los datos de origen, que a su vez reflejan decisiones humanas previas.

Explicabilidad La capacidad de entender por qué un modelo tomó una decisión concreta. Los sistemas de reglas son fáciles de explicar por diseño; muchos modelos de IA moderna son más difíciles de interpretar, lo que genera fricción en sectores regulados.

Gobernanza de IA El conjunto de normas internas, responsabilidades y procesos que una organización establece para decidir qué sistemas de IA usa, con qué datos, bajo qué supervisión y con qué límites.

AI washing Una práctica de marketing que consiste en exagerar o inventar el papel real que la inteligencia artificial juega en un producto o servicio, para parecer más innovador de lo que se es en realidad.


Este glosario se irá ampliando con nuevos términos. Si buscas un concepto de IA que no está aquí, dínoslo y lo añadimos.

Fuentes

Prepara a tu equipo para trabajar con IA.

Formación en IA para equipos Reservar primera reunión