Definiciones claras y ejemplos útiles para entender mejor cómo se habla de inteligencia artificial hoy.
Esta página no está pensada para impresionar con jerga, sino para ayudarte a entender términos frecuentes que aparecen en herramientas, comparativas, guías y conversaciones sobre IA.
Puede servir tanto si empiezas desde cero como si ya conoces parte de esta terminología y quieres ordenar conceptos antes de seguir por otras secciones del proyecto.
Puedes buscar un término exacto si ya sabes lo que necesitas localizar.
Si vas empezando, conviene leer primero los conceptos base y luego avanzar a los más técnicos.
Cada ficha incluye una definición y un contexto práctico para conectar el término con una situación real.
El buscador y los filtros ayudan a moverte, pero el contenido sigue siendo útil aunque no los uses.
No todos los términos se usan siempre con el mismo nivel de precisión. Este glosario busca ofrecer una explicación clara y útil, no una definición académica cerrada para cada caso.
Errores comunes al hablar de IA
Pensar que una respuesta convincente siempre es correcta.
Confundir IA general con una herramienta especializada.
Asumir que más longitud equivale a más precisión.
Hablar de “entender” como si el modelo razonara igual que una persona.
Términos que suelen confundirse
IA vs automatización: no toda automatización usa IA ni toda IA automatiza un proceso completo.
LLM vs chatbot: el LLM es el modelo; el chatbot es la interfaz o producto que lo usa.
Modelo vs asistente: el modelo procesa; el asistente añade instrucciones, interfaz y reglas de uso.
Prompt vs system prompt: uno lo escribe el usuario; el otro fija el marco general del asistente.
Token vs palabra: un token no equivale siempre a una palabra completa.
Agente vs flujo automatizado: un agente puede decidir pasos y usar herramientas; un flujo fijo sigue reglas cerradas.
Qué conviene entender antes de usar prompts
Ayuda mucho saber qué objetivo persigues, qué contexto falta, qué formato necesitas y qué parte de la respuesta tendrás que revisar después.
Mostrando todos los conceptos
Puedes buscar por alias habitual, término en inglés o palabra clave. Los filtros solo ayudan a ordenar la lectura: el glosario ya está visible en HTML desde el inicio.
Inteligencia Artificial (IA / AI)
Básico
Alias o términos relacionados: Artificial Intelligence
La inteligencia artificial es el conjunto de técnicas que permite a un sistema realizar tareas como clasificar, predecir, reconocer patrones o generar contenido a partir de datos. No es una sola herramienta, sino una familia de métodos y modelos.
Contexto práctico: Es un término paraguas: incluye desde filtros automáticos de correo hasta modelos capaces de generar texto, imagen o audio. Conviene entenderlo como una familia de técnicas, no como una sola herramienta.
LLM (Large Language Model)
Básico
Alias o términos relacionados: Modelo de Lenguaje Grande, Large Language Models
Un LLM es un modelo entrenado con grandes cantidades de texto para comprender y generar lenguaje natural. Por eso puede conversar, resumir, clasificar información o ayudarte a redactar.
Contexto práctico: ChatGPT, Claude o LLaMA son ejemplos conocidos. Entender este término ayuda a no confundir la interfaz de una herramienta con el modelo que la hace funcionar.
Prompt
Básico
Alias o términos relacionados: Entrada, Instrucción, Comando
Un prompt es la instrucción que das a un modelo para que responda o realice una tarea. Cuanto más claro esté el objetivo, el contexto y el formato esperado, más útil suele ser el resultado.
Contexto práctico: Un prompt breve puede bastar para tareas simples, pero uno más concreto suele mejorar el formato, el enfoque y la utilidad del resultado.
GPT (Generative Pre-trained Transformer)
Básico
Alias o términos relacionados: Transformador Generativo Pre-entrenado
GPT es una familia de modelos de lenguaje creada por OpenAI. "Generative" indica que puede generar contenido; "Pre-trained" que pasa por una fase previa de entrenamiento con grandes cantidades de texto; y "Transformer" que usa una arquitectura capaz de manejar bien el contexto entre palabras.
Contexto práctico: Muchas personas usan "GPT" como sinónimo de asistente conversacional, pero en realidad se refiere a una familia concreta de modelos. Conviene distinguir entre el modelo y la herramienta que lo usa.
Alucinación (Hallucination)
Básico
Alias o términos relacionados: Error de hecho, Confabulación, IA Inventing
Una alucinación ocurre cuando una IA responde con seguridad, pero el contenido es incorrecto, inventado o mezcla datos reales con errores. El problema no siempre está en el tono, sino en que la respuesta parece fiable aunque no lo sea.
Contexto práctico: Conviene revisar especialmente nombres, fechas, referencias legales, cifras y fuentes. Una respuesta fluida no garantiza que el contenido esté bien.
API (Application Programming Interface)
Básico
Alias o términos relacionados: Interfaz de Programación de Aplicaciones
Una API es un conjunto de reglas que permite que dos aplicaciones se comuniquen entre sí. En IA, suele ser la vía por la que una web o una app conecta con un modelo externo sin tener que alojarlo por su cuenta.
Contexto práctico: Permite que una web o aplicación use capacidades de IA sin alojar el modelo por su cuenta. Por eso muchas herramientas especializadas conectan con modelos externos a través de una API.
Red Neuronal (Neural Network)
Intermedio
Alias o términos relacionados: ANN, Redes Neuronales Artificiales
Una red neuronal es un sistema formado por capas de unidades conectadas que ajustan sus pesos durante el entrenamiento para reconocer patrones. Es una de las bases técnicas del aprendizaje profundo.
Contexto práctico: Se usa en tareas como reconocer imágenes, detectar patrones en audio o procesar lenguaje. No hace falta entender todos sus detalles matemáticos para saber por qué aparece tanto en IA moderna.
System Prompt
Intermedio
Alias o términos relacionados: Instrucciones de Sistema, Directrices de Comportamiento
El system prompt es una instrucción de nivel superior que fija el tono, las reglas y los límites de un asistente antes de que el usuario escriba. Sirve para marcar el marco general de comportamiento del modelo.
Contexto práctico: Se usa para fijar el marco de comportamiento de una herramienta antes de que el usuario escriba su instrucción. Ayuda a mantener el tono, el rol o los límites de una tarea concreta.
Tokens y ventana de contexto
Avanzado
Alias o términos relacionados: Ventana de Contexto, Longitud de Contexto, Tokens
Un token es una unidad de texto que el modelo procesa internamente. La ventana de contexto es la cantidad total de tokens que puede tener en cuenta a la vez en una conversación o tarea.
Contexto práctico: Este límite afecta a cuánto texto puedes enviar, cuánto puede recordar el modelo dentro de una interacción y cuánto puede costar una consulta larga.
Machine Learning (Aprendizaje Automático)
Básico
Alias o términos relacionados: ML, Aprendizaje Computacional
El Machine Learning es una rama de la IA que permite a las máquinas aprender de los datos sin ser programadas explícitamente para cada tarea. En lugar de reglas fijas ('si pasa A, haz B'), el sistema utiliza algoritmos estadísticos para identificar patrones en grandes conjuntos de datos y mejorar su rendimiento a medida que recibe más información.
Contexto práctico: Es lo que hace que tu correo sepa qué es spam o que Netflix te recomiende series. Cuantos más datos procesa, más precisas se vuelven sus predicciones.
Deep Learning (Aprendizaje Profundo)
Básico
Alias o términos relacionados: DL, Redes Neuronales Profundas
Se trata de una subcategoría del Machine Learning basada en redes neuronales con muchas capas (por eso es 'profundo'). Esta estructura permite a la IA aprender representaciones jerárquicas de los datos, siendo capaz de procesar información no estructurada como imágenes, sonido y texto.
Contexto práctico: Es el motor detrás de los grandes avances actuales: desde coches autónomos hasta IAs que traducen idiomas con matices culturales.
IA Generativa
Básico
Alias o términos relacionados: GenAI, Inteligencia Artificial Creadora
A diferencia de la IA tradicional que clasifica o predice datos existentes, la IA Generativa es capaz de crear contenido nuevo y original, ya sea texto, imágenes, audio, video o incluso código. Lo hace aprendiendo los patrones de sus datos de entrenamiento para generar secuencias que parecen creadas por humanos.
Contexto práctico: ChatGPT, Midjourney o los generadores de voz entran en esta categoría. Son ejemplos de sistemas que crean contenido nuevo a partir de patrones aprendidos.
Dataset (Conjunto de Datos)
Básico
Alias o términos relacionados: Datos de Entrenamiento, Base de Datos IA
Un dataset es una colección organizada de información utilizada para entrenar, probar y validar modelos de IA. Un conjunto de datos puede contener millones de ejemplos (fotos, artículos, código). La calidad y diversidad del dataset son factores críticos para el éxito del modelo.
Contexto práctico: La calidad y el equilibrio del dataset influyen mucho en el resultado final. Si los datos están sesgados o incompletos, el modelo también puede estarlo.
Modelo
Básico
Alias o términos relacionados: Algoritmo Entrenado, Cerebro IA
En IA, un modelo es el resultado de un proceso de entrenamiento. Es la estructura matemática que ha aprendido a relacionar entradas y salidas para responder, clasificar, resumir o predecir.
Contexto práctico: Cuando usas GPT-4o o Claude 3.5, estás interactuando con un 'modelo' específico con sus propias capacidades.
Modelo abierto / modelo cerrado
Básico
Alias o términos relacionados: Open Model, Closed Model, Modelo Propietario
Un modelo abierto suele permitir más acceso a sus pesos, a su despliegue o a su modificación. Un modelo cerrado depende del proveedor y ofrece menos visibilidad interna, aunque puede ser más sencillo de usar como servicio.
Contexto práctico: Esta diferencia importa cuando comparas control, coste, privacidad, personalización y dependencia del proveedor. No siempre “abierto” es mejor ni “cerrado” es peor: depende del caso de uso.
Entrenamiento (Training)
Básico
Alias o términos relacionados: Aprendizaje de Modelo, Fase de Carga
El entrenamiento es el proceso de 'enseñar' a un modelo de IA. Durante esta fase, el algoritmo analiza el dataset y ajusta millones de parámetros internos para minimizar el error. Es una fase que consume mucha potencia de cálculo (GPUs).
Contexto práctico: Es similar a estudiar para un examen: la IA lee billones de páginas para aprender cómo se estructuran las frases.
Inferencia (Inference)
Básico
Alias o términos relacionados: Uso del Modelo, Ejecución de IA
La inferencia es el proceso de usar un modelo de IA ya entrenado para predecir un resultado sobre nuevos datos. Es el momento en que le haces una pregunta a ChatGPT y él responde; aplicando lo que ya sabe.
Contexto práctico: Ocurre cada vez que un usuario interactúa con la IA. Es la fase donde buscamos rapidez y baja latencia.
Automatización
Básico
Alias o términos relacionados: Workflow Automation, Procesos Automáticos
Es el uso de tecnología para realizar tareas sin intervención humana constante. Con la IA, hemos pasado de una automatización rígida a una 'inteligente' capaz de tomar decisiones basadas en el contexto.
Contexto práctico: Se nota en tareas repetitivas que antes requerían supervisión constante, como clasificar mensajes, resumir textos o encadenar varios pasos de un flujo de trabajo.
Procesamiento del Lenguaje Natural (PLN / NLP)
Básico
Alias o términos relacionados: Natural Language Processing, IA Lingüística
Rama de la IA que se ocupa de la interacción entre computadoras y el lenguaje humano. Su objetivo es que las máquinas puedan leer, entender y generar lenguaje de manera valiosa y coherente para nosotros.
Contexto práctico: Permite que un chatbot no parezca una máquina de escribir, sino alguien que realmente entiende tu intención.
Visión por Computador
Básico
Alias o términos relacionados: Computer Vision, Percepción Visual IA
Capacidad de las IAs para 'ver' y comprender información del mundo visual (imágenes y videos). No solo ve píxeles, identifica objetos, personas o detecta enfermedades en radiografías.
Contexto práctico: Desde el desbloqueo facial hasta drones autónomos, es la tecnología que dota a las máquinas del sentido de la vista.
Reconocimiento de Voz
Básico
Alias o términos relacionados: Speech Recognition, ASR
Tecnología que permite a una IA convertir el habla humana en texto digital. Involucra procesar ondas sonoras y aplicar modelos lingüísticos para saber qué palabras se pronuncian.
Contexto práctico: Base de asistentes como Siri y herramientas de dictado instantáneo para transcribir reuniones o mensajes.
Texto a Voz (TTS)
Básico
Alias o términos relacionados: Text-to-Speech, Síntesis de Voz
Proceso inverso al reconocimiento de voz: convierte texto escrito en habla artificial. Las voces actuales pueden sonar más naturales y expresivas que hace unos años.
Contexto práctico: Se usa para audiolibros automáticos y narración en videos, mejorando la accesibilidad universal.
Voz a Texto (STT)
Básico
Alias o términos relacionados: Speech-to-Text, Transcripción Automática
Enfocado en la transcripción literal y rápida de grandes bloques de audio. Los modelos avanzados pueden identificar a diferentes hablantes (diarización).
Contexto práctico: Resulta útil cuando necesitas transcribir reuniones, entrevistas o notas de voz sin hacerlo a mano.
Clasificación
Básico
Alias o términos relacionados: Categorización, Etiquetado Algorítmico
Asignar una categoría a un dato basándose en lo aprendido. Por ejemplo, clasificar un correo como 'Prioritario' o 'Spam'. Tarea común del aprendizaje supervisado.
Contexto práctico: Es la lógica de orden de la IA, permitiendo organizar miles de archivos en segundos sin esfuerzo manual.
Predicción
Básico
Alias o términos relacionados: Forecasting, Estimación IA
Uso de modelos estadísticos para estimar un valor futuro basándose en datos históricos. No es adivinar, es calcular probabilidades de eventos próximos.
Contexto práctico: Las empresas predicen la demanda de stock o el comportamiento de compra de sus clientes para adelantarse al mercado.
Etiquetado de Datos (Data Labeling)
Básico
Alias o términos relacionados: Annotation, Anotación de Datos
Proceso de añadir etiquetas descriptivas a datos brutos para que la IA sepa qué representas (ej: marcar señales de tráfico en fotos). Fundamental para el aprendizaje supervisado.
Contexto práctico: Sin etiquetas de calidad, un modelo supervisado aprende mal o aprende lo que no toca. Por eso esta fase suele ser menos visible que el entrenamiento, pero igual de decisiva.
Preprocesamiento de Datos
Básico
Alias o términos relacionados: Data Cleaning, Limpieza de Datos
Fase de 'limpieza' antes del entrenamiento. Normaliza datos, elimina duplicados y prepara la información para que el algoritmo trabaje eficientemente.
Contexto práctico: Es como preparar los ingredientes antes de cocinar. Datos 'sucios' producen resultados inconsistentes.
Sesgo Algorítmico (Bias)
Básico
Alias o términos relacionados: Algorithmic Bias, Prejuicio de IA
Ocurre cuando una IA produce resultados injustos porque sus datos de entrenamiento reflejaban prejuicios sociales humanos. Es uno de los grandes retos éticos actuales.
Contexto práctico: Se trabaja constantemente para mitigar estos sesgos y asegurar que la tecnología sea justa e inclusiva para todos.
Fine-tuning (Ajuste Fino)
Básico
Alias o términos relacionados: Especialización de Modelo
Consiste en tomar un modelo ya entrenado y ajustarlo con datos de un dominio o tarea más específica. Se usa para afinar comportamiento, vocabulario o rendimiento en un contexto concreto.
Contexto práctico: Sirve para adaptar un modelo general a un tipo de lenguaje, tarea o dominio concreto. No siempre hace falta: a veces basta con mejores instrucciones o con una base documental bien preparada.
Embeddings (Incrustaciones)
Básico
Alias o términos relacionados: Vectores Numéricos, Significado Virtual
Los embeddings son representaciones numéricas que ayudan a una IA a situar palabras, frases o documentos según su significado. Elementos parecidos quedan más cerca entre sí en ese espacio matemático.
Contexto práctico: Gracias a ellos, una búsqueda puede encontrar contenido relacionado aunque no uses exactamente las mismas palabras que aparecen en el documento.
Multimodalidad
Básico
Alias o términos relacionados: Multimodal AI, Multi-entrada
Capacidad de un modelo para procesar diferentes tipos de datos (texto, imagen, audio) simultáneamente. Un modelo multimodal puede 'ver' y 'explicar' al mismo tiempo.
Contexto práctico: Se nota cuando una herramienta puede leer una imagen, escuchar audio o analizar un documento visual además de responder por texto. No todos los modelos trabajan igual con cada formato.
RAG (Retrieval-Augmented Generation)
Básico
Alias o términos relacionados: Generación con Recuperación
Conecta un LLM con fuentes de datos externas (PDFs, manuales). Primero busca la información real y luego la IA redacta basándose en esos datos específicos.
Contexto práctico: Se usa cuando quieres que un modelo responda apoyándose en documentos concretos en lugar de depender solo de su entrenamiento general. Reduce errores, pero no elimina por completo la necesidad de revisar.
Base de Datos Vectorial
Básico
Alias o términos relacionados: Vector Database, Almacén Semántico
Base de datos diseñada para buscar embeddings por similaridad semántica, no solo por coincidencias exactas de palabras. Suele usarse en sistemas RAG y búsquedas basadas en significado.
Contexto práctico: Herramientas como Pinecone permiten buscar entre millones de documentos basándose en el significado de la intención de búsqueda.
Ingeniería de Prompts
Básico
Alias o términos relacionados: Prompt Engineering, Diseño de Instrucciones
Es la práctica de diseñar y ajustar instrucciones para obtener respuestas más claras, útiles y consistentes. Incluye decidir qué contexto dar, qué formato pedir y qué detalles conviene concretar.
Contexto práctico: Se nota cuando una misma tarea mejora mucho al pasar de un pedido vago a una instrucción bien delimitada con objetivo, contexto y salida esperada.
Zero-shot
Básico
Alias o términos relacionados: Inferencia directa, Capacidad Nativa
Es pedir una tarea a la IA sin darle ejemplos previos. El modelo se apoya solo en su entrenamiento general y en la instrucción que recibe en ese momento.
Contexto práctico: Puede funcionar bien en tareas simples o conocidas, pero si el formato importa mucho suele ser mejor añadir ejemplos o instrucciones más precisas.
Few-shot
Básico
Alias o términos relacionados: Aprendizaje con ejemplos, In-context Learning
Proporcionar unos pocos ejemplos (2-5) a la IA de cómo quieres la respuesta. Ayuda a captar el formato y estilo específico que buscas con precisión.
Contexto práctico: Suele funcionar bien cuando el formato importa mucho: por ejemplo, clasificar mensajes, extraer campos o responder con una estructura concreta.
Agente IA (AI Agent)
Básico
Alias o términos relacionados: Asistentes Autónomos, AI Agents
Un agente es un sistema que no solo responde, sino que puede planificar pasos, usar herramientas y encadenar acciones para intentar cumplir un objetivo.
Contexto práctico: Se nota cuando una herramienta no se limita a contestar, sino que busca información, llama a funciones o ejecuta varias tareas antes de devolver un resultado.
Function Calling
Básico
Alias o términos relacionados: Llamada a Funciones, Tool Use
Capacidad técnica de los modelos para detectar cuándo necesitan una herramienta externa (clima, banco) y devolver una respuesta estructurada para ejecutarla.
Contexto práctico: Puente entre el lenguaje humano y el código, permitiendo que la IA interactúe con el mundo real de forma segura.
Temperatura
Básico
Alias o términos relacionados: Creatividad, Aleatoriedad
Parámetro que controla la aleatoriedad de las respuestas. Baja (0.1) es previsible y lógica; alta (0.8+) es creativa e impredecible.
Contexto práctico: Una temperatura baja suele ayudar en tareas donde importa más la consistencia. Una más alta puede servir para lluvia de ideas o variaciones creativas.
Top-p (Nucleus Sampling)
Básico
Alias o términos relacionados: Diversidad de vocabulario
Método alternativo para controlar la diversidad. El modelo solo considera las palabras cuyas probabilidades acumuladas suman el valor 'p'.
Contexto práctico: Mando que ajusta qué tan aventurera es la IA al elegir vocabulario, complementando el efecto de la temperatura.
Guardrails (Barandillas)
Básico
Alias o términos relacionados: Filtros de Seguridad
Sistemas de control que aseguran respuestas seguras y éticas, evitando contenido tóxico, consejos ilegales o filtraciones de datos sensibles.
Contexto práctico: Normas de comportamiento impuestas que evitan que la IA sea manipulada para fines maliciosos o peligrosos.
Salida Estructurada (Structured Output)
Básico
Alias o términos relacionados: JSON Output, Formato Programático
Forzar a la IA a entregar su respuesta en un formato rígido (como JSON) para que otras máquinas lo procesen automáticamente sin errores.
Contexto práctico: Esencial para extraer datos de textos y guardarlos en bases de datos sin necesidad de limpieza manual posterior.
Benchmark
Básico
Alias o términos relacionados: Prueba Estándar
Prueba estándar para medir capacidades como razonamiento, matemáticas, comprensión o código. Sirve para comparar modelos, aunque no siempre refleja por completo el uso real.
Contexto práctico: Los benchmarks ayudan a orientarse al comparar modelos, pero conviene no tomarlos como la única medida de calidad.
Evals
Básico
Alias o términos relacionados: Evaluación de Modelos
Pruebas diseñadas para medir si una IA responde bien en un caso de uso concreto. A diferencia de un benchmark general, se centran en la tarea real que quieres resolver.
Contexto práctico: Sirven para comprobar si un cambio mejora o empeora la experiencia en una tarea concreta, por ejemplo resumir, clasificar o extraer datos.
Memoria Persistente
Básico
Alias o términos relacionados: Long-term Memory
Capacidad de recordar información propia de un usuario a través de diferentes sesiones de chat separadas, manteniendo preferencias a largo plazo.
Contexto práctico: Permite que la IA 'conozca' tu estilo de trabajo o tus gustos sin que se los repitas en cada conversación.
Base de Conocimiento
Básico
Alias o términos relacionados: Wiki IA, Knowledge Base
Conjunto de documentos específicos que se ponen a disposición de una IA (vía RAG) para ampliar su saber más allá de su entrenamiento base.
Contexto práctico: Sirve para que una IA responda apoyándose en manuales, normas o documentación concreta en lugar de depender solo de su conocimiento general.
Transformer
Intermedio
Alias o términos relacionados: Arquitectura de Atención
Arquitectura de red neuronal de 2017. Su innovación es el mecanismo de 'atención', que permite entender relaciones entre todas las palabras de un texto simultáneamente.
Contexto práctico: La 'T' de GPT. Gracias a ella, la IA entiende contextos gramaticales complejos sin importar la longitud de la frase.
Attention (Mecanismo de Atención)
Intermedio
Alias o términos relacionados: Self-Attention
Componente del Transformer que decide qué partes de la entrada son más importantes para generar la salida, focalizando recursos en palabras clave.
Contexto práctico: Igual que la visión humana, la IA se centra en lo relevante para construir sentido, ignorando el resto del ruido.
Tokenización
Intermedio
Alias o términos relacionados: Fragmentación de Texto
Proceso de romper el texto en 'tokens'. Una IA procesa códigos numéricos que representan fragmentos comunes de caracteres (sílabas, palabras cortas).
Contexto práctico: Crítico para entender los límites de memoria de los modelos. Una buena tokenización ahorra recursos y mejora la velocidad.
Grounding (Anclaje)
Intermedio
Alias o términos relacionados: Anclaje en Realidad
Asegurar que las respuestas de la IA estén basadas en fuentes de verdad verificables, evitando la generación libre que causa alucinaciones.
Contexto práctico: Se nota cuando una respuesta se apoya en documentos o datos concretos y no solo en lo que el modelo aprendió durante su entrenamiento.
Alignment (Alineación)
Intermedio
Alias o términos relacionados: AI Alignment
Asegurar que objetivos y comportamientos de la IA coincidan con las intenciones y valores éticos humanos. Evita ejecuciones literales peligrosas.
Contexto práctico: Aparece cuando se habla de límites, seguridad y comportamiento esperado de un asistente, sobre todo en tareas sensibles.
RLHF (Reinforcement Learning from Human Feedback)
Intermedio
Alias o términos relacionados: Ajuste por Refuerzo Humano
Técnica donde humanos puntúan respuestas de la IA. El modelo aprende a preferir las respuestas que nosotros consideramos útiles y seguras.
Contexto práctico: Ayuda a que los modelos respondan de forma más útil, segura y alineada con expectativas humanas de uso.
Latencia (Latency)
Intermedio
Alias o términos relacionados: Tiempo de Respuesta
Tiempo que pasa desde que envías un prompt hasta que recibes la primera parte de la respuesta. Afecta mucho a la sensación de fluidez.
Contexto práctico: Se nota especialmente en chat, voz o asistentes donde unos segundos de espera cambian la percepción de uso.
Throughput
Intermedio
Alias o términos relacionados: Tokens per second
Medida de cuántos tokens genera un modelo por segundo una vez empezado. Fundamental para procesar volúmenes masivos de documentos.
Contexto práctico: Un throughput alto permite procesar más contenido en menos tiempo cuando hay mucho volumen de peticiones o documentos.
Cuantización (Quantization)
Intermedio
Alias o términos relacionados: Compresión de Modelo
Reducir la precisión matemática de los pesos del modelo para que ocupe menos RAM y sea más rápido, perdiendo mínima inteligencia.
Contexto práctico: Puede ayudar a ejecutar modelos en equipos con menos recursos, aunque a veces obliga a aceptar pequeñas pérdidas de calidad.
Destilación de Modelos
Intermedio
Alias o términos relacionados: Teacher-Student Training
Técnica en la que un modelo grande sirve de referencia para entrenar otro más pequeño, con la idea de mantener una calidad razonable usando menos recursos.
Contexto práctico: Es una forma habitual de obtener modelos más ligeros para tareas donde importa el equilibrio entre coste, velocidad y calidad.
LoRA (Low-Rank Adaptation)
Intermedio
Alias o términos relacionados: Adaptación Ligera
Entrenar solo una pequeña capa adicional de parámetros, dejando el modelo original intacto. Increíblemente rápido y barato de implementar.
Contexto práctico: Permite que un desarrollador personalice una IA con su propio estilo creativo en minutos y con recursos modestos.
PEFT (Parameter-Efficient Fine-Tuning)
Intermedio
Alias o términos relacionados: Ajuste Fino Eficiente
Paraguas de técnicas cuyo objetivo es adaptar grandes modelos con el mínimo coste computacional posible tocando lo mínimo necesario.
Contexto práctico: Base de la personalización corporativa masiva, permitiendo miles de especializaciones sin costes de entrenamiento prohibitivos.
Reranking
Intermedio
Alias o términos relacionados: Refinamiento de Búsqueda
Proceso de volver a ordenar resultados de búsqueda con un modelo adicional para priorizar los fragmentos más útiles o relevantes.
Contexto práctico: Suele mejorar sistemas RAG cuando la búsqueda inicial recupera varios textos parecidos y conviene decidir mejor cuáles leer primero.
Chunking
Intermedio
Alias o términos relacionados: Document Splitting
Dividir documentos largos en fragmentos manejables para que puedan recuperarse y leerse mejor dentro de un sistema de búsqueda o RAG.
Contexto práctico: Un buen chunking ayuda a que la IA recupere fragmentos útiles sin perder contexto ni traer demasiado ruido documental.
Búsqueda Semántica
Intermedio
Alias o términos relacionados: Semantic Search
Entiende la intención y significado del usuario, buscando conceptos por similaridad en lugar de palabras clave exactas.
Contexto práctico: Permite encontrar 'soluciones para el calor' buscando 'aires acondicionados' sin que la palabra coincida.
Búsqueda Híbrida
Intermedio
Alias o términos relacionados: Hybrid Search
Combina búsqueda tradicional (BM25) con búsqueda semántica (IA). Precisión total para códigos técnicos y flexibilidad para conceptos abstractos.
Contexto práctico: Ayuda cuando una consulta mezcla términos exactos y significado general, por ejemplo al buscar artículos, manuales o soporte técnico.
Similaridad Coseno
Intermedio
Alias o términos relacionados: Medida de Distancia Vectorial
Fórmula matemática para medir qué tan parecidos son dos vectores de significado. Cuanto menor el ángulo, más similares son conceptos.
Contexto práctico: El termómetro de la IA: le indica con precisión matemática qué información es la respuesta potencial a tu duda.
Observabilidad de IA
Intermedio
Alias o términos relacionados: LLM Monitoring
Monitorización y depuración de IAs en producción. Analiza qué se pregunta, qué se responde y si el razonamiento es correcto.
Contexto práctico: Imprescindible para detectar intentos de hackeo o bajadas de calidad en el comportamiento del sistema real.
Mixture of Experts (MoE)
Avanzado
Alias o términos relacionados: Mezcla de Expertos
Arquitectura donde el sistema activa solo sub-redes especialistas para cada tarea, ahorrando energía y ganando en velocidad de procesamiento.
Contexto práctico: Se usa para repartir el trabajo entre submodelos especializados y activar solo los necesarios en cada petición.
Enrutamiento de Modelos
Avanzado
Alias o términos relacionados: Intelligent Routing
Capa lógica que decide a qué nivel de IA enviar la duda según su dificultad, optimizando costos sin sacrificar la calidad final.
Contexto práctico: Sirve para asignar cada petición al modelo más adecuado según coste, velocidad o complejidad.
Orquestación de Agentes
Avanzado
Alias o términos relacionados: Multi-agent Systems
Gestionar varios agentes especializados que colaboran internamente (ej: Escritor -> Editor -> Validador) para resolver un objetivo complejo.
Contexto práctico: Se aplica cuando varias etapas distintas deben coordinarse, por ejemplo buscar, redactar y revisar antes de entregar un resultado.
Caché de Contexto (Prompt Caching)
Avanzado
Alias o términos relacionados: Context Caching
Técnica para que el servidor 'recuerde' partes fijas de un prompt masivo para no re-procesarlas ni cobrarlas cada vez por separado.
Contexto práctico: Reduce drásticamente costos y latencia al trabajar sobre libros o bases de código completas de forma recurrente.
Model Serving
Avanzado
Alias o términos relacionados: Producción de IA
Infraestructura para alojar modelos y exponerlos vía API para miles de usuarios simultáneos, gestionando recursos GPU de forma eficiente.
Contexto práctico: Sin buen model serving, incluso la mejor IA del mundo se bloquea ante el tráfico masivo de usuarios reales en internet.
Inference Endpoint
Avanzado
Alias o términos relacionados: API Dedicada
Dirección o punto de acceso dedicado desde el que se consulta un modelo en producción. Puede ofrecer más control sobre capacidad, configuración o aislamiento del servicio.
Contexto práctico: Esencial para aplicaciones que no permiten caídas ni variaciones de velocidad por el tráfico de otros usuarios públicos.
Batch Inference
Avanzado
Alias o términos relacionados: Procesamiento en Lote
Procesar muchas peticiones de una vez en un modo no inmediato. Suele usarse cuando importa más el coste o el volumen que la respuesta al instante.
Contexto práctico: Ideal para clasificar millones de reseñas o traducir bibliotecas completas de forma económica y masiva.
Inferencia en Tiempo Real
Avanzado
Alias o términos relacionados: Real-time AI
Despliegue optimizado para respuestas instantáneas (streaming), crítico para voz o asistentes de atención al cliente humano-máquina.
Contexto práctico: Importa sobre todo en chat en vivo, asistentes de voz o experiencias donde una espera de pocos segundos ya se nota demasiado.
Rate Limits
Avanzado
Alias o términos relacionados: Throttle
Restricciones para controlar el volumen de uso y prevenir colapsos. Gestionan cuántas peticiones se permiten por minuto/usuario.
Contexto práctico: Un desarrollador debe gestionarlos para evitar que los usuarios finales sufran errores de servicio en momentos de alta demanda.
Datos Sintéticos (Synthetic Data)
Avanzado
Alias o términos relacionados: Entrenamiento Artificial
Datos generados por una IA para entrenar a otra. Útiles cuando los datos reales son escasos o contienen información privada sensible.
Contexto práctico: Pueden ser útiles cuando faltan datos reales o cuando conviene proteger información sensible, aunque siempre requieren revisión de calidad.
Human-in-the-loop (HITL)
Avanzado
Alias o términos relacionados: Supervisión de Ciclo
Modelo donde la IA hace el grueso del trabajo pero el humano interfiere para validar o corregir el resultado final ético.
Contexto práctico: Fundamental en medicina o derecho: la IA propone y el humano experto siempre tiene la última palabra decisiva.
Safety Layer
Avanzado
Alias o términos relacionados: Capa de Seguridad
Arquitectura de seguridad multinivel que analiza peticiones y respuestas para detectar intenciones maliciosas antes de que lleguen al usuario.
Contexto práctico: Se usa para revisar entradas y salidas antes de mostrarlas, sobre todo en herramientas donde importa limitar fraude, abuso o instrucciones peligrosas.
Red Teaming
Avanzado
Alias o términos relacionados: Simulación de Ataque
Pruebas en las que un equipo intenta encontrar fallos, respuestas inseguras o usos no previstos antes de que la herramienta llegue a usuarios reales.
Contexto práctico: Ayuda a detectar fallos antes del despliegue público, sobre todo en seguridad, instrucciones peligrosas o usos no previstos.
Gobernanza de IA
Avanzado
Alias o términos relacionados: AI Governance
Marco normativo corporativo para asegurar que el uso de la IA sea transparente, ético y cumpla leyes internacionales (como EU AI Act).
Contexto práctico: Suele aparecer en organizaciones que necesitan documentar criterios de uso, revisión y responsabilidad sobre sistemas de IA.
Prompt Injection
Avanzado
Alias o términos relacionados: Inyección de Instrucciones
Ataque donde el usuario intenta engañar al sistema para anular sus reglas previas mediante comandos de texto que se camuflan.
Contexto práctico: Equivalente a inyección SQL. Los desarrolladores deben usar capas seguras para que los usuarios no tomen el control del bot.
Jailbreak
Avanzado
Alias o términos relacionados: Bypass de Seguridad
Intento de saltarse las restricciones de una IA mediante instrucciones diseñadas para que ignore sus límites o reglas internas.
Contexto práctico: Es un concepto importante cuando se habla de seguridad de asistentes y moderación de respuestas. Por eso suele aparecer junto a términos como prompt injection o guardrails.
No encontramos términos que coincidan con tu búsqueda o filtro.
Este glosario se actualiza de forma editorial. Su objetivo es ayudarte a entender mejor conceptos de IA antes de pasar a comparativas, recursos o herramientas del proyecto.
Si vienes de cero, este glosario te ayuda a entender conceptos. El resto del proyecto puede ayudarte a aplicarlos, compararlos o encontrar mejor tu siguiente paso.