Diccionario de la IA: los términos que salen en todas las noticias

Cómo leer este diccionario de inteligencia artificial

El glosario de NIST advierte de que el significado de muchos términos de inteligencia artificial depende del contexto. Esta página sirve para reconocerlos en una noticia y distinguir la tecnología de las etiquetas comerciales. Cuando dos frases no bastan, los enlaces llevan a una explicación completa.

Inteligencia artificial (IA): nombre amplio para sistemas que realizan tareas asociadas a capacidades humanas, como reconocer imágenes, generar texto o elegir entre opciones. IA generativa: crea texto, imágenes, audio, vídeo o código a partir de los patrones aprendidos durante el entrenamiento. AGI: idea todavía discutida de una IA capaz de rendir bien en una gama muy amplia de tareas. No existe una prueba universal que certifique que una empresa ha alcanzado la AGI.

Machine learning: métodos que aprenden relaciones a partir de datos. Deep learning: tipo de aprendizaje automático que usa redes neuronales con muchas capas. Red neuronal: estructura matemática inspirada de forma lejana en las conexiones del cerebro. No es un cerebro digital.

Modelo: sistema matemático entrenado para transformar una entrada en una salida. LLM: modelo de lenguaje grande que predice y genera secuencias de texto. ChatGPT es un producto que puede utilizar distintos modelos. Nuestra guía sobre cómo funciona ChatGPT por dentro explica esa diferencia.

Entrenamiento: proceso de ajustar los valores internos del modelo mediante datos y cálculo. Pretraining: aprendizaje general inicial. Fine-tuning: ajuste posterior con ejemplos más específicos. Post-training: técnicas que orientan el comportamiento, la utilidad y la seguridad después del entrenamiento base.

Prompt, token y ventana de contexto

Inferencia: momento en el que un modelo ya entrenado procesa una petición y genera una respuesta. Parámetro: valor interno que el modelo aprende durante el entrenamiento. El conjunto de esos valores suele llamarse pesos. Tener más parámetros no garantiza por sí solo un producto mejor. Checkpoint: copia guardada de los pesos en un punto concreto del entrenamiento.

Prompt: conjunto de información e instrucciones que recibe el modelo. Puede incluir texto, imágenes, archivos, reglas del sistema y resultados de herramientas, no solo la frase que escribes. Prompt engineering: diseño de esa entrada para obtener respuestas más fiables mediante instrucciones claras, contexto y ejemplos.

Token: unidad en la que el modelo divide la información. Puede ser una palabra, una parte de ella o un signo, como explica la guía de OpenAI sobre tokens. Aquí contamos qué son los tokens y por qué importan. Ventana de contexto: cantidad de información que el modelo puede considerar en una petición. Si una conversación larga empieza a perder instrucciones, consulta por qué la IA se olvida.

Contexto largo: capacidad de procesar entradas muy grandes. Context caching: reutilización de una entrada repetida para reducir coste o tiempo. Output tokens: unidades generadas como respuesta.

Embeddings, RAG y bases de conocimiento

Embedding: lista de números que representa un texto, una imagen u otro contenido de forma que los elementos parecidos queden cerca entre sí. Base de datos vectorial: sistema preparado para guardar esas representaciones y buscar por similitud.

RAG: siglas de retrieval-augmented generation. Antes de responder, el sistema busca fragmentos relevantes en documentos y los añade al contexto. RAG no reentrena el modelo. Google explica este proceso como una forma de apoyar la respuesta en información externa. Grounding: conexión de la respuesta con fuentes o datos concretos para reducir afirmaciones inventadas.

Knowledge cutoff: fecha aproximada hasta la que llegan determinados datos de entrenamiento. No marca la información más reciente que un producto puede usar, porque la búsqueda web, los archivos y RAG pueden aportar datos posteriores.

Agentes, herramientas y automatización

Agente de IA: sistema que recibe un objetivo, decide los pasos y utiliza herramientas para avanzar con cierta autonomía. Un chatbot que responde una vez no es automáticamente un agente. La guía de OpenAI para crear agentes separa sus tres piezas principales, que son modelo, herramientas e instrucciones. Nuestra explicación sobre qué son los agentes de IA recorre el ciclo completo.

Tool use o function calling: capacidad de pedir a otra herramienta una búsqueda, un cálculo o una acción estructurada. No implica autonomía completa. Workflow: secuencia definida de pasos que puede incluir IA sin dejar que decida el recorrido. Orchestrator: componente que reparte trabajo entre modelos, herramientas o procesos.

Human in the loop: una persona revisa o autoriza puntos sensibles. Autonomía: grado de libertad para actuar sin intervención. Más autonomía no significa automáticamente más inteligencia ni más seguridad.

Texto, imagen, audio y vídeo

Multimodal: modelo o sistema que trabaja con varios tipos de información, como texto e imagen. Vision: capacidad de interpretar imágenes o vídeo. Speech-to-text: conversión de voz en texto. Text-to-speech: generación de voz a partir de texto. Native audio: procesamiento o generación de audio dentro del propio modelo en vez de encadenar varios sistemas.

Diffusion model: familia de modelos generativos muy usada para imágenes y vídeo. Aprende a crear contenido revirtiendo ruido de forma gradual. Latent space: representación comprimida donde el modelo organiza rasgos. Upscaling: aumento de la resolución de una imagen. Puede reconstruir detalle, pero no recuperar información que nunca existió.

Deepfake: contenido sintético o manipulado que imita la apariencia o la voz de una persona. Nuestra guía para detectar texto e imágenes de IA explica por qué ningún detector ofrece certeza total.

Razonamiento, alucinaciones y evaluaciones

Reasoning model: modelo optimizado para dedicar más cálculo a problemas complejos antes de responder. Chain of thought: pasos internos o expuestos del razonamiento. Una explicación convincente no demuestra que la respuesta sea correcta. Test-time compute: cálculo utilizado durante la inferencia para buscar, verificar o trabajar más tiempo en una respuesta.

Alucinación: respuesta falsa o no respaldada que el sistema presenta como válida. No implica intención de mentir. Confabulación: término que a veces se usa como alternativa. Calibration: correspondencia entre la confianza expresada y la probabilidad real de acertar. Uncertainty: reconocimiento explícito de los límites o de varias posibilidades.

Benchmark: conjunto de pruebas para comparar sistemas. Eval: evaluación diseñada para una capacidad o riesgo. Leaderboard: clasificación pública. Una mejora de dos puntos solo importa si la prueba representa la tarea real y evita contaminación.

Open source: software distribuido con una licencia abierta. Open weights: modelo cuyos pesos están disponibles aunque los datos, el código o la licencia mantengan restricciones. Los dos términos no son sinónimos. Proprietary o closed model: modelo cuyo acceso controla el proveedor, normalmente mediante un producto o una API.

Guardrails: controles destinados a limitar resultados o acciones. Jailbreak: técnica para intentar saltarlos. Prompt injection: instrucciones maliciosas escondidas en contenido que un sistema procesa. Red teaming: pruebas adversarias para descubrir fallos antes o después del lanzamiento.

Copilot: asistente que acompaña a una persona. Es una marca en algunos productos y una metáfora en otros. Frontier model: etiqueta para modelos cercanos al máximo nivel disponible, sin una frontera objetiva común. State of the art: mejor resultado conocido en una prueba concreta, no la mejor IA para todo. Nuestra guía de mejores IA gratuitas permite elegir según la tarea y el precio.