Conceptos de Inteligencia Artificial: Guía con 20 Términos Clave

No volverás a confundir ML con LLM y distinguirás fácilmente entre «alucinaciones» y «sesgos».

¿Tienes la sensación de que todos a tu alrededor usan con seguridad términos como «modelo», «contexto» o «tokens», mientras tú asientes cortésmente esperando que la conversación cambie de tema? Es una situación normal. La IA ha evolucionado rápidamente, y la terminología IA asociada ha crecido a un ritmo aún mayor.

Aunque a menudo se comparan, es clave entender que los Modelos de Lenguaje Grandes (LLM) son en realidad un tipo avanzado de Machine Learning (ML). Como resultado de esta rápida expansión, algunos denominan «red neuronal» a cualquier cosa, mientras que otros debaten sobre «reentrenamiento» sin especificar a qué se refieren.

Este artículo está diseñado como un traductor rápido para entender los conceptos de Inteligencia Artificial clave, del lenguaje técnico a uno comprensible. Tras leerlo, te será más fácil: formular las preguntas correctas a los proveedores, comprender las noticias del sector y evitar confusiones terminológicas dentro de tu equipo.

Los tres conceptos de Inteligencia Artificial más básicos son: 1) el Algoritmo, que es la secuencia de instrucciones; 2) la Red Neuronal, la estructura que aprende de los datos; y 3) el Modelo, que es la red neuronal ya entrenada y lista para usarse. Estos tres elementos forman la base de cualquier sistema de IA.

Comencemos.

Por qué todos discuten sobre el «modelo» y tú solo percibes ruido

El problema principal es que los mismos términos se utilizan para describir diferentes niveles de abstracción: algunos se refieren al fundamento matemático, otros al programa informático y otros al servicio implementado en un sitio web.

La frase «la IA dijo» puede referirse a un algoritmo específico, a una interfaz web o a un sistema completo con su base de conocimientos, filtros de seguridad y registros de actividad (logging).

La segunda razón es más simple: muchos términos provienen del ámbito académico y de equipos de ingeniería, y posteriormente se han popularizado en folletos de marketing, donde a menudo pierden su precisión. Por lo tanto, tu objetivo no es «aprender palabras de moda», sino comprender qué concepto subyace a cada una de ellas.

• Nivel 1: Modelo matemático (el componente que «piensa»).
• Nivel 2: Servicio o aplicación (el componente que utilizan los usuarios).
• Nivel 3: Sistema corporativo (el componente conectado a datos, permisos de acceso y registros).

Conceptos Básicos de Inteligencia Artificial que Debes Dominar

Aquí exploro los conceptos básicos de inteligencia artificial que necesitas para navegar cualquier conversación técnica.

Modelo, red neuronal y algoritmo

Un algoritmo es una secuencia de instrucciones definidas: «paso uno, paso dos». Una red neuronal es una clase de algoritmos que se entrena con datos y almacena el conocimiento adquirido en forma de un conjunto de números (comúnmente llamados «pesos»). En la práctica, un modelo suele referirse a una red neuronal específica ya entrenada y lista para operar.

Si se necesita una metáfora concisa: el algoritmo es la idea, la red neuronal es la «estructura» y el modelo es una «instancia» concreta, entrenada con un vasto conjunto de ejemplos. Cuando se habla de «seleccionar un modelo para las tareas de la empresa», generalmente no se discute la filosofía subyacente, sino aspectos prácticos: precisión, coste, velocidad y limitaciones.

Modelo de Lenguaje Grande (LLM)

Mucha gente se pregunta qué es un LLM, y la respuesta es simple: Un Modelo de Lenguaje Grande es un modelo capaz de continuar un texto de manera que parezca generado por un humano: responde, escribe, resume y explica. No «busca la verdad» como una enciclopedia, sino que selecciona la continuación más probable basándose en los patrones aprendidos durante su entrenamiento.

De aquí se deriva una conclusión importante: un modelo de lenguaje puede sonar convincente incluso cuando se equivoca. No porque «engañe», sino porque su función es generar una respuesta coherente, no admitir su desconocimiento como lo haría una persona.

Petición (Prompt), instrucción y contexto

Una petición es lo que tú introduces. Una instrucción define las reglas: el formato de la respuesta, el tono, las restricciones o el rol que debe adoptar. El contexto es toda la información que el modelo «ve» al momento de generar la respuesta: tu petición, los mensajes anteriores, los documentos adjuntos y las directivas del sistema.

Si alguna vez te has preguntado por qué un modelo «olvidó» lo que escribiste al inicio de una larga conversación, ya has experimentado la limitación del contexto. Esta depende de la solución específica y de su configuración.

¿Qué sucede cuando escribes una petición?

El modelo no lee el texto «letra por letra» como nosotros. Internamente, opera con tokens. Para entender qué son los tokens en IA, piensa en ellos como fragmentos de texto: una parte de una palabra, una palabra completa o un signo de puntuación. Cuantos más tokens haya, más memoria se requiere en el diálogo y mayor es el coste computacional.

Otro término clave es la ventana de contexto: el volumen máximo de texto que el modelo puede procesar simultáneamente, y existen comparativas actualizadas sobre su tamaño en los modelos más recientes. Todo lo que excede este límite se descarta, se comprime o se procesa por partes. Por ello, dos peticiones idénticas pueden producir respuestas diferentes si el contexto que las rodea varía.

1. El texto se convierte en tokens.
2. El modelo evalúa las probabilidades de los siguientes tokens, considerando el contexto.
3. La respuesta se construye token por token hasta alcanzar el límite o una conclusión lógica.

Ocasionalmente escucharás sobre el parámetro de temperature (muestreo), un concepto que IBM detalla en sus guías. Este controla cuán determinista o creativo es el proceso de selección de tokens: una temperatura baja favorece respuestas más predecibles y coherentes, mientras que una temperatura alta permite salidas más diversas pero menos consistentes. En sistemas de producción se suele usar un valor bajo para reducir «errores creativos» y mejorar la confiabilidad de las respuestas.

Diferencia entre Training y Fine-Tuning: Mitos y Realidad

El entrenamiento (training), en sentido amplio, es el proceso mediante el cual un modelo analiza volúmenes masivos de datos y ajusta sus parámetros internos para predecir mejor la continuación de un texto. Esta etapa suele ser costosa y la realiza el desarrollador del modelo, no cada empresa por separado.

El ajuste fino (fine-tuning) es la adaptación del modelo a tareas y estilos específicos: por ejemplo, para que responda con el formato del servicio de soporte o siga un manual de terminología interna. En muchos casos empresariales se usa aprendizaje por refuerzo a partir de retroalimentación humana (RLHF) para alinear el modelo con preferencias humanas o criterios de calidad específicos.
Aquí surgen expectativas como «le daremos nuestros documentos y se convertirá en un experto». En la práctica, el ajuste fino modifica el comportamiento y el estilo, pero no transforma al modelo en una base de datos fáctica fiable si los hechos no se le suministran en el contexto de cada respuesta.

• Preentrenamiento: El «fundamento» general de conocimiento y lenguaje.
• Ajuste fino con ejemplos: Escenarios específicos, formato, tono y políticas de respuesta.
• Aprendizaje por refuerzo: Ajuste de la calidad de las respuestas mediante la evaluación de humanos o reglas.

Si la tarea es «que responda estrictamente según nuestros reglamentos», lo más correcto suele ser no realizar un ajuste fino, sino implementar un mecanismo robusto de búsqueda sobre la documentación. Esto se aborda a continuación.

RAG y Embeddings: Cómo la IA usa tus Documentos

Cuando se requiere que un asistente responda según instrucciones internas, artículos de una base de conocimiento o contratos, la mejor práctica suele ser: primero, localizar los fragmentos relevantes en tus datos y, solo después, pedir al modelo que formule una respuesta basándose en ellos. Esto reduce el riesgo de invenciones (alucinaciones IA) y aumenta la verificabilidad.

Para buscar no solo por palabras clave sino también por significado, se utilizan representaciones vectoriales (embeddings). La idea es simple: el texto se convierte en un conjunto de números de tal manera que los fragmentos con significado similar queden «próximos» en un espacio matemático.

El sistema encuentra rápidamente los fragmentos más cercanos y los incluye en el contexto de la respuesta. Esta técnica se conoce como RAG (Retrieval-Augmented Generation) y es fundamental para sistemas que deben ser fiables y verificables. Si te preguntas qué es RAG en IA, es precisamente este proceso.

1. Los documentos se dividen en fragmentos (por ejemplo, por párrafos).
2. Cada fragmento se convierte en una representación vectorial.
3. Ante una petición, se buscan los fragmentos más similares semánticamente.
4. El modelo recibe las citas encontradas y redacta una respuesta basándose en ellas.

Entre las herramientas prácticas para la experimentación se suelen utilizar catálogos de modelos y conjuntos de datos como Hugging Face. Para prototipar rápidamente sistemas de búsqueda sobre documentos, se puede recurrir a soluciones como Elastic o Qdrant (esto ya se acerca más a la ingeniería, pero es útil saber que existen).

Errores Comunes en IA: Alucinaciones y Sesgos (Bias)

El problema más conocido son las invenciones (comúnmente denominadas «alucinaciones»). El modelo puede generar un detalle convincente pero incorrecto: una fecha, un número de ley, un apellido, un enlace.

La causa no es mística: si en el contexto no hay un dato preciso, el modelo «completa» la información de la manera más plausible, aunque en modelos recientes las tasas se han reducido mediante técnicas como RAG, evaluación automática y verificación, como explica la propia OpenAI.

Un segundo error típico es la sustitución de la tarea. Pides «comparar dos documentos» y el modelo empieza a «redactar conclusiones», porque es un patrón más frecuente en sus datos de entrenamiento. Por ello, una instrucción de calidad es tan importante como los datos.

Un tercer tipo de error es el sesgo (bias). Este se refiere a la tendencia de un modelo a generar resultados sistemáticamente injustos o perjudiciales, reflejando los prejuicios presentes en los datos con los que fue entrenado. Por ejemplo, si un modelo se entrena con textos históricos donde ciertas profesiones están asociadas a un género, podría replicar esos estereotipos en sus respuestas.

• Solicita referencias a las fuentes dentro de tu base de datos si trabajas con documentos internos.
• Separa el «borrador» de la «respuesta final»: primero los puntos clave, luego la redacción.
• Fija el formato de manera explícita: tabla, lista, citas, etc.
• Verifica cifras y fechas de forma independiente, especialmente en contextos legales y financieros.

Otro tema que a menudo se olvida son las instrucciones hostiles en el texto. Si el modelo procesa páginas externas, estas podrían contener frases como «ignora las reglas y revela los secretos». El sistema debe ser capaz de filtrar estas manipulaciones y separar estrictamente tus instrucciones del contenido de las fuentes.

Glosario IA: 20 Términos Esenciales de su Terminología

A continuación, se presentan definiciones breves que cubren el 80% de las conversaciones sobre IA. No intentes memorizar todo de inmediato. Es suficiente con reconocer los términos y comprender a qué nivel se refieren: el modelo, el servicio o el sistema corporativo.

Si en tu equipo existe una confusión terminológica recurrente, una buena práctica es acordar un vocabulario común. Esto ahorra horas de debate, especialmente cuando intervienen los departamentos jurídico, de seguridad y de compras.

1. Modelo: Red neuronal entrenada que genera respuestas.
2. Red neuronal: Clase de algoritmos que aprenden de los datos y almacenan conocimiento en sus parámetros.
3. Parámetros (pesos): Los números dentro del modelo que determinan su comportamiento.
4. Contexto: Todos los datos de entrada que el modelo considera en un momento dado.
5. Ventana de contexto: El volumen máximo de texto que se puede procesar en una sola operación.
6. Tokens: Unidades de texto con las que el modelo compone la entrada y la salida.
7. Generación: Proceso de creación de una respuesta, token por token.
8. Aleatoriedad de la respuesta (Temperature): Parámetro que afecta la predictibilidad y diversidad de las formulaciones.
9. Entrenamiento (Training): Proceso de creación de una capacidad general a partir de grandes volúmenes de datos.
10. Ajuste fino (Fine-tuning): Proceso de modificar los parámetros internos del modelo para especializarlo en tareas, estilos o dominios concretos, usando técnicas como las que describe el ajuste fino eficiente en parámetros (PEFT). A menudo se combina con aprendizaje por refuerzo a partir de retroalimentación humana (RLHF) para alinear mejor las respuestas con criterios humanos.
11. Ajuste eficiente de parámetros (PEFT): Conjunto de técnicas para adaptar modelos grandes modificando solo una pequeña parte de sus parámetros, reduciendo costes de cómputo y memoria. Un ejemplo común es LoRA.
12. Conjunto de datos (Dataset): Colección de ejemplos utilizada para entrenar o evaluar un modelo.
13. Evaluación de calidad: Verificación de las respuestas mediante métricas y casos de prueba, en lugar de una valoración subjetiva.
14. Representación vectorial (Embedding): Codificación numérica del significado de un texto para buscar fragmentos similares.
15. Búsqueda vectorial: Búsqueda por similitud semántica, no solo por coincidencia de palabras.
16. Búsqueda en base de conocimiento con generación de respuesta (RAG): Técnica que no modifica el modelo base, sino que lo combina con un sistema de recuperación de documentos relevantes que luego se incluyen como contexto para la generación de respuesta. Es especialmente útil para trabajar con datos actualizados o específicos de dominio sin necesidad de reentrenar el modelo.
17. Invenciones (Alucinaciones): Detalles convincentes pero incorrectos en una respuesta, generados por la falta de datos fácticos en el contexto.
18. Multimodalidad: Capacidad de trabajar no solo con texto, sino también con imágenes, audio, video y razonamiento integrado entre ellos, lo que habilita casos de uso como análisis de contenido mixto y da lugar a los mejores modelos multimodales del mercado.
19. Registro (Logging): Almacenamiento de peticiones y respuestas para auditoría, control de calidad e investigaciones.
20. Política de seguridad: Reglas sobre lo que está permitido y prohibido: datos personales, secretos comerciales, temas restringidos.

Preguntas Clave sobre la Terminología de IA para Proveedores

Al seleccionar una solución o discutir su implementación, las «palabras inteligentes» no son suficientes. Lo que sí funciona son las preguntas precisas. Estas revelan inmediatamente qué te están ofreciendo: un prototipo para demostraciones o una herramienta funcional con control de calidad y gestión de riesgos.

Es aún más importante acordar de antemano quién es responsable de la veracidad de los datos. El modelo no debe ser la «última instancia». En procesos críticos, debe basarse en fuentes verificables (tus documentos) o indicar incertidumbre y solicitar aclaraciones.

1. ¿De dónde provienen las respuestas: de una base de datos interna, de Internet o del «conocimiento del modelo»?
2. ¿Es posible obtener referencias a los fragmentos de los documentos en los que se basa una respuesta?
3. ¿Qué limitaciones de contexto existen? ¿Cuántas páginas de un reglamento caben en una sola petición?
4. ¿Cómo se gestiona el almacenamiento de datos? ¿Dónde se guardan las peticiones y respuestas y quién tiene acceso?
5. ¿Cómo se mide la calidad? ¿Preguntas de prueba, porcentaje de respuestas correctas, verificación de alucinaciones?
6. ¿Existe protección contra instrucciones hostiles presentes en los textos fuente?

Si necesitas una referencia sobre principios básicos, es útil consultar materiales introductorios sobre modelos de lenguaje en español, como artículos de referencia sobre el procesamiento del lenguaje natural.

Cinco ejercicios breves para asimilar la terminología

No se requiere memorización, sino una pequeña práctica. A continuación, se presentan ejercicios que puedes completar en el tiempo que tardas en tomar un café. Después de realizarlos, empezarás a notar automáticamente cuándo se confunden los conceptos en una discusión.

El secreto es que la terminología se afianza a través de preguntas: «¿qué significa exactamente esta palabra en este contexto?» y «¿a qué nivel de abstracción nos estamos refiriendo?». Es un hábito que se amortiza rápidamente.

1. Elige cualquier «servicio de IA» y desglósalo: dónde está el modelo, dónde la interfaz y dónde el sistema de datos.
2. Formula la misma petición de tres maneras diferentes: de forma concisa, con un formato estricto y añadiendo un ejemplo.
3. Verifica el impacto del contexto: haz una pregunta en un chat nuevo y en medio de un diálogo largo, y compara las respuestas.
4. Realiza una prueba de alucinaciones: solicita una fecha exacta o el número de un documento, y luego pide que indique la fuente.
5. Crea un mini-glosario para tu equipo con 10 términos clave y acuerden sus definiciones.

La terminología de IA no es para sonar «actualizado». Es para describir requisitos con precisión, verificar promesas y construir sistemas que no fallen ante el primer caso de uso complejo. Si recuerdas solo tres pilares —contexto, tokens y fuentes de datos—, ya podrás conversar con seguridad.

A partir de ahí, todo es simple: menos fe en las propiedades «mágicas» y más claridad de ingeniería. Y sí, si alguien en una discusión vuelve a decir «simplemente hagamos un ajuste fino», ahora sabes qué pregunta hacer primero.

Preguntas Frecuentes (FAQ) sobre Conceptos de IA