Si has empezado a usar herramientas de inteligencia artificial, seguramente te topaste con un muro de palabras raras: prompt, token, modelo, fine-tuning, alucinación. Este glosario de IA reúne los términos que más vas a encontrar y los explica en lenguaje claro, sin fórmulas ni jerga innecesaria, para que dejes de asentir sin entender y empieces a saber realmente de qué se habla.

No es un diccionario académico. Está pensado para alguien que usa ChatGPT, Gemini o Claude en su día a día, que lee noticias sobre IA y quiere seguir la conversación, o que está evaluando qué herramienta contratar. Agrupé los conceptos por temas para que puedas leerlo de corrido o saltar directo al que necesitas.

Un consejo antes de empezar: no hace falta memorizar nada. Con entender la idea general de cada término te alcanza para moverte con soltura. Los conceptos técnicos aparecen explicados con ejemplos cotidianos siempre que se puede.

Conceptos fundamentales de la inteligencia artificial

Inteligencia artificial (IA)

Es el campo que busca que las máquinas realicen tareas que asociamos con la inteligencia humana: reconocer imágenes, entender lenguaje, tomar decisiones o resolver problemas. Es un término paraguas enorme, así que cuando alguien dice «IA» casi siempre se refiere a alguna aplicación concreta y no a una mente artificial general. Si quieres el panorama completo desde cero, tenemos una guía introductoria sobre qué es la IA y cómo funciona.

Machine learning (aprendizaje automático)

Una rama de la IA donde el sistema aprende patrones a partir de ejemplos en lugar de que un programador le escriba reglas una por una. En vez de decirle «un gato tiene bigotes y orejas puntiagudas», le muestras miles de fotos de gatos y el sistema descubre solo qué los caracteriza. Casi toda la IA que usas hoy funciona así.

Deep learning (aprendizaje profundo)

Un tipo de machine learning que usa redes neuronales con muchas capas apiladas. Cada capa detecta patrones cada vez más complejos: las primeras ven bordes y colores, las últimas reconocen caras o palabras completas. Es la tecnología detrás de los avances más llamativos de los últimos años, desde la traducción automática hasta los generadores de imágenes.

Red neuronal

Un modelo inspirado —muy libremente— en cómo se conectan las neuronas del cerebro. Está formada por nodos conectados que se pasan señales y ajustan su «peso» durante el entrenamiento. No piensa como un cerebro humano, pero la metáfora ayuda a imaginar por qué es capaz de aprender relaciones complicadas.

Algoritmo

Una serie de pasos para resolver un problema. En IA, el algoritmo es la receta que define cómo el sistema aprende de los datos y genera respuestas. Es un término anterior a la IA y mucho más amplio: una receta de cocina también es, técnicamente, un algoritmo.

Modelos y tipos de IA

Modelo

El resultado de entrenar un algoritmo con datos. Cuando terminas el entrenamiento, obtienes un «modelo»: un archivo que ya sabe hacer algo, como responder preguntas o clasificar correos. GPT, Gemini o Llama son nombres de modelos. Piensa en el modelo como el cerebro ya formado, listo para usarse.

Modelo de lenguaje grande (LLM)

Del inglés Large Language Model. Es un modelo entrenado con cantidades enormes de texto para predecir qué palabra viene después. De esa capacidad, aparentemente simple, surge todo lo que hacen ChatGPT y similares: redactar, resumir, traducir o programar. La sigla LLM aparece en casi cualquier noticia de IA, así que vale la pena tenerla clara.

IA generativa

La categoría de modelos que crea contenido nuevo: texto, imágenes, audio, video o código. Se diferencia de la IA «clásica», que sobre todo clasificaba o predecía. Es la familia a la que pertenecen ChatGPT, Midjourney y compañía. Si quieres entender bien cómo genera contenido desde cero, revisa nuestra explicación sencilla de la IA generativa.

Modelo multimodal

Un modelo que entiende y combina varios tipos de información a la vez: texto, imágenes, audio y video. Puedes mostrarle una foto y pedirle que la describa, o darle un gráfico y pedirle que lo interprete. La mayoría de los modelos punteros actuales son multimodales.

IA general (AGI)

Artificial General Intelligence: una IA hipotética capaz de igualar la inteligencia humana en cualquier tarea, no solo en las específicas para las que fue entrenada. Todavía no existe y hay debate sobre si llegará y cuándo. Cuando leas titulares sobre AGI, recuerda que hoy es un objetivo, no una realidad. Para ordenar estas categorías, ayuda la guía sobre tipos de inteligencia artificial y ejemplos.

Cómo se entrena una IA

Datos de entrenamiento

El conjunto de ejemplos con el que aprende un modelo. Su calidad y variedad determinan lo bueno (y lo sesgado) que será el resultado. Si entrenas un modelo con datos incompletos o parciales, arrastrará esos defectos. De ahí la frase clásica en el rubro: «basura entra, basura sale».

Parámetros

Los valores internos que el modelo ajusta durante el entrenamiento y que guardan lo aprendido. Cuando escuchas que un modelo tiene «miles de millones de parámetros», es una medida aproximada de su tamaño y capacidad. Más parámetros no siempre significan mejor resultado, pero da una idea de la escala.

Entrenamiento e inferencia

Son las dos grandes fases. El entrenamiento es cuando el modelo aprende, un proceso caro y lento que consume mucho cómputo. La inferencia es cuando ya entrenado responde a tus preguntas: cada vez que escribes en ChatGPT y recibes una respuesta, eso es inferencia.

Fine-tuning (ajuste fino)

Tomar un modelo ya entrenado y afinarlo con datos específicos para una tarea o dominio concreto. Por ejemplo, ajustar un modelo general con documentos legales para que responda mejor en ese ámbito. Es mucho más barato que entrenar desde cero.

RLHF (aprendizaje por refuerzo con retroalimentación humana)

Una técnica donde personas evalúan las respuestas del modelo y esas valoraciones lo guían para responder de forma más útil y menos problemática. Es parte de por qué los asistentes actuales suenan más naturales y educados que sus versiones crudas.

Términos que aparecen cuando usas IA a diario

Prompt

La instrucción o pregunta que le das a una IA. Puede ser tan simple como «resume este texto» o tan detallado como un párrafo con contexto, formato y ejemplos. La calidad del prompt influye muchísimo en la respuesta: aprender a redactarlos bien es probablemente la habilidad más rentable con estas herramientas. Tenemos una guía dedicada a cómo escribir prompts efectivos.

Prompt engineering

El arte y la técnica de diseñar buenos prompts. Incluye trucos como dar ejemplos, pedir que el modelo razone paso a paso o asignarle un rol («actúa como un profesor de historia»). No es magia, pero marca una diferencia real en los resultados.

Token

La unidad mínima de texto que procesa un modelo. Un token puede ser una palabra corta, un fragmento de palabra o un signo de puntuación. Los modelos miden su capacidad —y a veces su precio— en tokens. En español, una regla aproximada es que una palabra equivale a algo más de un token.

Ventana de contexto

La cantidad de texto que un modelo puede tener «en mente» a la vez, medida en tokens. Incluye tu conversación y los documentos que le pegues. Si una charla es muy larga, el modelo puede empezar a olvidar lo que dijiste al principio porque se sale de la ventana. Los modelos con ventanas grandes manejan libros enteros sin perder el hilo.

Alucinación

Cuando la IA inventa información y la presenta con seguridad: fechas falsas, estudios inexistentes, citas que nunca ocurrieron. No miente en sentido humano; simplemente predice texto plausible aunque sea incorrecto. Por eso conviene verificar cualquier dato importante, sobre todo cifras, nombres y fuentes.

Temperatura

Un ajuste que controla qué tan creativa o predecible es la respuesta. Una temperatura baja da respuestas más conservadoras y consistentes; una alta, más variadas y arriesgadas. Aparece sobre todo cuando usas modelos a través de sus herramientas para desarrolladores.

API

Application Programming Interface. Es la puerta técnica que permite que otras aplicaciones se conecten a un modelo de IA sin usar su interfaz web. Gracias a las API, una empresa puede integrar un asistente en su propia app o sitio. Si nunca vas a programar, basta con saber que es «el enchufe» por donde los desarrolladores acceden a la IA.

IA aplicada: agentes, asistentes y automatización

Chatbot y asistente de IA

Un programa que conversa contigo en lenguaje natural. Los asistentes modernos, como ChatGPT o Gemini, van más allá del chat básico: buscan en internet, analizan archivos y ejecutan tareas. Si estás eligiendo cuál usar, compara opciones en nuestra guía de mejores asistentes y chatbots de IA para uso diario.

Agente de IA

Un paso más allá del asistente: un sistema que no solo responde, sino que actúa para cumplir un objetivo, encadenando varios pasos y usando herramientas por su cuenta. Puede, por ejemplo, buscar información, redactar un correo y agendarlo sin que le indiques cada acción. Es uno de los conceptos más comentados hoy; lo explicamos a fondo en la guía sobre qué es un agente de IA y para qué sirve.

RAG (generación aumentada por recuperación)

Retrieval-Augmented Generation. Una técnica donde el modelo consulta una base de documentos externa antes de responder, en lugar de depender solo de lo que memorizó. Sirve para que un asistente responda con información actualizada o privada de una empresa, reduciendo las alucinaciones. Es la base de muchos chatbots corporativos que «conocen» los documentos de la compañía.

Automatización con IA

Usar modelos para encadenar tareas repetitivas y ejecutarlas solas: clasificar correos, extraer datos de facturas, responder mensajes frecuentes. Hoy existen plataformas que permiten armar estos flujos sin escribir código, como mostramos en la guía de cómo automatizar tareas con IA sin programar.

Text-to-image y text-to-speech

Dos familias de generación a partir de texto. Text-to-image convierte una descripción en una imagen (Midjourney, DALL·E). Text-to-speech transforma texto escrito en voz hablada, cada vez más natural. Son la puerta de entrada de muchos creadores de contenido a la IA generativa.

Riesgos, límites y conceptos éticos

Sesgo (bias)

Cuando un modelo refleja o amplifica prejuicios presentes en sus datos de entrenamiento. Si los datos sobrerepresentan un grupo o punto de vista, las respuestas lo arrastrarán. El sesgo puede ser sutil y no siempre es evidente, por lo que es un tema central en el uso responsable de la IA.

Datos de entrenamiento y privacidad

Muchos modelos se entrenaron con textos e imágenes de internet, lo que abre preguntas sobre derechos de autor y datos personales. Como usuario, importa saber si lo que escribes en una herramienta puede usarse para entrenar futuros modelos: la mayoría permite desactivar esa opción en su configuración.

Deepfake

Contenido falso —normalmente video o audio— generado con IA para hacer parecer que alguien dijo o hizo algo que nunca ocurrió. Es una de las aplicaciones más problemáticas de la tecnología. Aprender a reconocer material sintético es cada vez más útil; para eso escribimos una guía sobre cómo detectar textos e imágenes hechos con IA.

Marca de agua (watermark)

Una señal, visible o invisible, que se añade al contenido generado por IA para identificar su origen. La idea es ayudar a distinguir lo real de lo sintético, aunque todavía no es un sistema infalible ni universal.

Código abierto (open source)

Modelos cuyos pesos y detalles se publican para que cualquiera los use, estudie o modifique, como Llama o varios modelos chinos. Se contraponen a los modelos cerrados, cuyo funcionamiento interno no se comparte. La distinción influye en costos, privacidad y en quién controla la tecnología. Si te interesa esa competencia, mira nuestra cobertura sobre las mejores inteligencias artificiales chinas.

Cómo usar este glosario para aprender más rápido

La mejor forma de fijar estos términos no es memorizarlos, sino toparte con ellos usando las herramientas. Cuando ChatGPT te avise que se acabó el contexto, recordarás qué es la ventana de contexto. Cuando una imagen generada salga rara, entenderás por qué el prompt importaba tanto.

Si estás empezando, un buen orden es este: primero domina el uso básico de un asistente —tenemos una guía para usar ChatGPT desde cero—, luego experimenta con prompts más elaborados y, cuando te sientas cómodo, explora agentes y automatización. No necesitas entender el entrenamiento de un modelo para sacarle provecho, igual que no hace falta saber mecánica para conducir.

Guarda esta página como referencia. La terminología de la IA se mueve rápido y aparecen palabras nuevas cada cierto tiempo, pero los conceptos base de este glosario —modelo, prompt, token, alucinación, agente— seguirán siendo la columna vertebral para entender casi todo lo demás.

Preguntas frecuentes

¿Cuál es la diferencia entre IA, machine learning y deep learning?

La inteligencia artificial es el campo general; el machine learning es una rama que aprende de datos en lugar de seguir reglas fijas; y el deep learning es un tipo de machine learning basado en redes neuronales con muchas capas. Es como círculos concéntricos: el deep learning está dentro del machine learning, que a su vez está dentro de la IA.

¿Qué es un token en inteligencia artificial?

Un token es la unidad mínima de texto que procesa un modelo de lenguaje: puede ser una palabra, parte de una palabra o un signo. Los modelos miden su capacidad y a veces su precio en tokens, así que entenderlos ayuda a calcular cuánto texto puedes enviar y recibir.

¿Qué significa que una IA «alucina»?

Se dice que una IA alucina cuando genera información falsa pero la presenta con total seguridad, como datos, citas o fuentes inventadas. Por eso conviene verificar siempre los datos importantes que entrega un modelo.

¿Necesito saber programar para entender estos términos?

No. La mayoría de conceptos de este glosario se pueden comprender sin escribir una línea de código. Saber programar ayuda si quieres construir aplicaciones, pero para usar herramientas de IA basta con entender qué hace cada término.

Con estos términos claros, leer noticias de IA o comparar herramientas deja de ser un ejercicio de traducción constante. Empieza por los conceptos que más aparezcan en lo que tú haces —si escribes, enfócate en prompts y contexto; si te interesa la automatización, en agentes y API— y deja que el resto llegue a su ritmo. Entender el vocabulario es el primer paso para usar la inteligencia artificial con criterio en lugar de dejarte llevar por la moda.