Glosario de Inteligencia Artificial: más de 60 términos explicados sin tecnicismos

Si cada vez que lees sobre Inteligencia Artificial te encuentras con palabras como «prompt», «LLM» o «alucinación» y no tienes muy claro qué significan, este glosario está pensado para ti. Hemos reunido más de 60 términos, desde los más básicos hasta los que están ganando protagonismo ahora mismo, explicados sin jerga innecesaria, con ejemplos cotidianos y casos prácticos que muestran cómo se conectan entre sí.

Conceptos básicos

Inteligencia Artificial (IA): capacidad de un sistema informático para realizar tareas que normalmente requerirían inteligencia humana, como entender lenguaje, reconocer imágenes o tomar decisiones.

Modelo: el «cerebro» entrenado que hace posible que una IA genere respuestas. Es el resultado de todo el proceso de entrenamiento con datos.

LLM (Large Language Model / Modelo de Lenguaje Grande): tipo de modelo de IA entrenado con enormes cantidades de texto, capaz de generar y entender lenguaje natural. ChatGPT, por ejemplo, se basa en un LLM.

IA generativa: tipo de Inteligencia Artificial capaz de crear contenido nuevo (texto, imágenes, audio, vídeo) en lugar de solo analizar datos existentes.

Cómo interactuamos con la IA

Prompt: la instrucción o pregunta que le escribes a una IA para obtener una respuesta.

Prompt engineering (ingeniería de prompts): la práctica de escribir instrucciones cada vez mejores para obtener resultados más precisos de una IA.

Contexto / ventana de contexto: la cantidad de conversación anterior que una IA es capaz de «recordar» al generar su siguiente respuesta.

Token: la unidad mínima de texto que procesa un modelo de lenguaje (puede ser una palabra completa o un fragmento de ella). Los modelos «piensan» y se les cobra el uso en tokens, no en palabras.

Cómo funciona por dentro (sin matemáticas)

Entrenamiento: proceso mediante el cual un modelo aprende patrones a partir de una gran cantidad de datos, antes de estar listo para usarse.

Datos de entrenamiento: el conjunto de texto, imágenes u otro contenido que se usó para enseñar al modelo.

Parámetros: los «ajustes internos» que el modelo aprende durante el entrenamiento. Cuantos más tiene, generalmente más complejo y capaz es, aunque no es la única medida de calidad.

Inferencia: el momento en el que el modelo, ya entrenado, genera una respuesta a partir de lo que le preguntas.

Fine-tuning (ajuste fino): proceso de especializar un modelo ya entrenado para que se le dé mejor una tarea concreta, entrenándolo un poco más con datos específicos.

Errores y limitaciones

Alucinación: cuando una IA genera información incorrecta o inventada con total naturalidad y aparente seguridad. Es una de las limitaciones más importantes a tener en cuenta.

Sesgo (bias): tendencia de un modelo a reproducir patrones injustos o desequilibrados presentes en sus datos de entrenamiento.

Sobreajuste (overfitting): cuando un modelo «memoriza» demasiado sus datos de entrenamiento y falla al generalizar con información nueva.

Tipos de IA y modelos

Chatbot: programa diseñado para mantener conversaciones con personas, con o sin IA avanzada detrás.

Asistente de IA: chatbot avanzado capaz de realizar tareas además de conversar, como buscar información o ejecutar acciones.

Modelo multimodal: IA capaz de entender y/o generar más de un tipo de contenido (texto, imagen, audio, vídeo) al mismo tiempo.

Agente de IA: sistema de IA capaz de tomar decisiones y ejecutar varios pasos de forma autónoma para cumplir un objetivo, no solo responder una pregunta puntual.

Modelo de código abierto (open source): modelo de IA cuyo funcionamiento interno se publica para que cualquiera pueda usarlo, estudiarlo o modificarlo, a diferencia de los modelos cerrados o propietarios.

Imagen, audio y vídeo

Generador de imágenes: herramienta de IA que crea imágenes nuevas a partir de una descripción de texto.

Upscaling (escalado): proceso de aumentar la resolución de una imagen o vídeo usando IA, añadiendo detalle de forma artificial.

Voz sintética / clonación de voz: generación de audio con IA que imita una voz humana, ya sea genérica o clonada a partir de una voz real (normalmente requiere consentimiento).

Deepfake: contenido de vídeo o imagen manipulado con IA para mostrar a una persona diciendo o haciendo algo que no ocurrió realmente. Su uso sin consentimiento plantea serios problemas éticos y, en muchos países, legales.

Términos de negocio y planes

API: la «puerta de conexión» que permite que una aplicación externa use un modelo de IA sin pasar por su interfaz habitual. La usan los desarrolladores para integrar IA en sus propios programas.

Créditos / tokens de uso: la unidad con la que muchas plataformas de IA miden y cobran el consumo de sus servicios.

Plan freemium: modelo de negocio que combina una versión gratuita limitada con planes de pago que desbloquean más funciones o capacidad.

Ética y regulación

IA responsable: conjunto de principios y prácticas orientadas a que el desarrollo y uso de la IA sea seguro, transparente y respetuoso con los derechos de las personas.

Watermarking (marca de agua digital): técnica para identificar contenido generado por IA, de forma visible o invisible, con el objetivo de distinguirlo del contenido creado por humanos.

Consentimiento informado (en IA): principio según el cual una persona debe saber y aceptar cuándo sus datos, voz o imagen se usan para entrenar o generar contenido con IA.

Alineación (alignment): el trabajo de diseñar modelos de IA para que su comportamiento se ajuste a las intenciones y valores humanos, evitando resultados dañinos o no deseados.

Términos que oirás cada vez más a menudo

Modelo de razonamiento: tipo de modelo que, antes de responder, genera pasos intermedios de «pensamiento» para resolver problemas complejos con más precisión, a costa de tardar más en responder.

RAG (Retrieval-Augmented Generation / Generación aumentada por recuperación): técnica que combina un modelo de lenguaje con una búsqueda en documentos o bases de datos externas, para que la respuesta se base en información concreta y verificable en vez de solo en lo que el modelo «recuerda» de su entrenamiento.

Ventana de contexto larga: capacidad de algunos modelos recientes de «leer» documentos muy extensos (cientos de páginas) de una sola vez sin perder el hilo del principio.

Agente autónomo: evolución del concepto de «agente de IA» en la que el sistema encadena varias herramientas y decisiones por sí mismo durante un periodo prolongado, con supervisión humana puntual en vez de constante.

Modelo local: modelo de IA que se ejecuta directamente en tu ordenador o móvil, sin enviar datos a un servidor externo, lo que mejora la privacidad a cambio normalmente de menor potencia que los modelos alojados en la nube.

Destilación (distillation): técnica para crear una versión más pequeña y rápida de un modelo grande, conservando la mayor parte de su capacidad con muchos menos recursos.

Benchmark: prueba estandarizada que se usa para medir y comparar el rendimiento de distintos modelos de IA en tareas concretas (matemáticas, programación, comprensión lectora).

Jailbreak (en IA): intento de manipular un modelo con instrucciones especialmente diseñadas para que se salte sus propias normas de seguridad o uso.

Embeddings (incrustaciones): representación numérica del significado de un texto, imagen o dato, que permite a un sistema de IA comparar y buscar contenido por similitud de significado en vez de por palabras exactas.

Ventana de herramientas (tool use / function calling): capacidad de un modelo de IA de decidir cuándo usar una herramienta externa (una calculadora, un buscador, una API) en vez de intentar responder todo por sí mismo.

Cuantización (quantization): técnica para reducir el tamaño de un modelo simplificando la precisión numérica de sus parámetros, permitiendo que funcione en dispositivos con menos recursos con una pérdida de calidad mínima.

Modelo de frontera (frontier model): forma de referirse a los modelos más avanzados y capaces disponibles en un momento dado, normalmente los más caros y recién publicados por los grandes laboratorios de IA.

Términos sobre hardware e infraestructura

GPU (unidad de procesamiento gráfico): el tipo de chip especializado que, por su capacidad de hacer muchos cálculos en paralelo, se usa para entrenar y ejecutar modelos de IA de forma mucho más eficiente que un procesador normal.

Clúster de entrenamiento: conjunto de miles de GPUs conectadas entre sí que trabajan juntas para entrenar los modelos más grandes, un proceso que puede durar semanas o meses y consumir cantidades enormes de electricidad.

Latencia: el tiempo que tarda un modelo en empezar a responder tras recibir una pregunta. Una latencia baja es clave en aplicaciones en tiempo real como el modo de voz.

Rendimiento por vatio: medida de cuánta capacidad de cálculo de IA se obtiene por cada unidad de energía consumida, un factor cada vez más relevante a medida que crece el coste energético de entrenar modelos grandes.

Términos sobre evaluación y seguridad

Red-teaming: práctica de poner a prueba deliberadamente un modelo de IA con peticiones maliciosas o límite, para encontrar y corregir vulnerabilidades antes de que el modelo se publique públicamente.

Guardrails (barreras de seguridad): conjunto de reglas y filtros añadidos a un sistema de IA para evitar que genere contenido dañino, ilegal o fuera de los límites previstos de uso.

Explicabilidad (explainability): capacidad de entender y justificar por qué un modelo de IA ha llegado a una conclusión concreta, especialmente relevante en sectores regulados como la banca o la sanidad.

Deriva de modelo (model drift): fenómeno por el cual el rendimiento de un modelo se degrada con el tiempo a medida que el mundo real cambia y deja de parecerse a los datos con los que se entrenó originalmente.

Términos sobre el negocio de la IA

Foso competitivo (moat): ventaja sostenible que una empresa de IA tiene frente a sus competidores, ya sea por datos propietarios, infraestructura, talento o relación con clientes, más allá de la calidad puntual de su modelo.

Coste de inferencia: lo que cuesta, en recursos computacionales, generar cada respuesta individual de un modelo ya entrenado — determina en gran parte el precio que pagan los usuarios por usar el servicio.

Integración vertical: estrategia de una empresa de controlar varias capas de la cadena de valor de la IA (chips, modelos, aplicaciones) en vez de depender de proveedores externos para cada una.

Términos sobre arquitectura de modelos

Transformer: la arquitectura de red neuronal en la que se basan la mayoría de los modelos de lenguaje actuales, capaz de procesar el texto completo de una vez prestando distinta «atención» a cada parte según su relevancia para el resto.

Mecanismo de atención: el componente técnico que permite a un modelo decidir qué partes de la entrada son más relevantes para generar cada palabra de la respuesta.

Mezcla de expertos (Mixture of Experts): técnica de arquitectura donde un modelo grande se divide internamente en varios «submodelos» especializados, activando solo los relevantes para cada tarea concreta en vez de usar toda su capacidad para cada petición, lo que mejora la eficiencia.

Preentrenamiento y post-entrenamiento: el preentrenamiento es la fase inicial donde el modelo aprende patrones generales del lenguaje con enormes cantidades de texto; el post-entrenamiento ajusta ese modelo base para seguir instrucciones, ser más útil y seguro, normalmente con ejemplos revisados por humanos.

Términos sobre aplicaciones emergentes

IA encarnada (embodied AI): sistemas de IA que controlan un cuerpo físico, como un robot, combinando percepción del entorno con toma de decisiones en tiempo real.

Gemelo digital: réplica virtual de un sistema, proceso o producto real, usada para simular y predecir su comportamiento con ayuda de IA antes de aplicar cambios en el mundo físico.

IA de código (code AI): modelos especializados en generar, explicar y depurar código de programación, cada vez más integrados directamente en los editores de desarrollo.

Tres ejemplos que conectan varios términos entre sí

Para ver cómo encajan estos conceptos en la práctica, aquí tienes tres situaciones reales:

• Ejemplo 1: preguntas a un asistente de IA por noticias de hoy. Si usa RAG para buscar información actual en vez de responder solo con lo que aprendió en su entrenamiento, la respuesta será más fiable y estará menos expuesta a la alucinación.
• Ejemplo 2: una empresa quiere un asistente especializado en sus propios productos. En vez de entrenar un modelo desde cero, aplica fine-tuning sobre un modelo ya existente con sus propios documentos, algo mucho más barato y rápido.
• Ejemplo 3: una aplicación de móvil ofrece un asistente de IA que funciona sin conexión a internet. Probablemente use un modelo local, posiblemente obtenido por destilación o cuantización de un modelo más grande, para que quepa y funcione con la potencia limitada de un teléfono.

Conclusión

Con estos más de 60 términos ya puedes seguir cualquier conversación o noticia sobre Inteligencia Artificial sin sentirte perdido. Si quieres poner en práctica varios de estos conceptos, te recomendamos empezar por nuestra guía de qué es ChatGPT y cómo usarlo paso a paso.