Glosario de IA aplicada: el vocabulario que necesitas para crear sistemas útiles
Si trabajas con inteligencia artificial, o quieres empezar a hacerlo, encontrarás muchos términos que se usan sin precisión. Unas veces se exagera lo que hace la IA. Otras veces se usa una jerga técnica difícil de seguir. Esto complica mucho decidir bien.
En esta guía tienes un glosario de IA aplicada organizado por capas: el motor, la memoria, la acción y la estrategia. No pretende ser una enciclopedia. Te da un mapa práctico para entender cómo funciona un sistema de IA y diseñarlo con criterio.
Por qué importa usar bien los términos
El mayor obstáculo para adoptar la IA de forma estratégica no suele ser la complejidad matemática. Es la confusión con el lenguaje.
El marketing tecnológico suele hablar del software como si fuera una persona. Dice que los modelos «piensan», «entienden», «imaginan» o «tienen intenciones». Pero un modelo de lenguaje no tiene consciencia ni intenciones propias. Es un sistema que predice secuencias de texto a partir de patrones aprendidos a gran escala.
Confundir un texto fluido con un razonamiento humano lleva a dos errores frecuentes en las empresas:
- Confiar demasiado: dejar decisiones críticas en manos del modelo sin supervisión ni controles.
- Quedarse corto: usar la IA solo para redactar textos sencillos porque no se entiende todo lo que puede hacer dentro de un sistema bien diseñado.
Si quieres pasar de vender horas a construir sistemas escalables, necesitas un vocabulario preciso. Ese es el objetivo de este glosario.
Motores y cómputo: la capa de inferencia
Esta capa explica qué es el «motor» de un sistema de IA y cómo procesa la información.
LLM (Large Language Model o modelo de lenguaje extenso)
Es una red neuronal profunda entrenada con enormes cantidades de texto, del orden de billones de tokens. Su función básica es calcular qué token tiene más probabilidad de venir a continuación según el contexto que recibe.
Dentro de un sistema, funciona como el motor que procesa el lenguaje y genera las respuestas.
SLM (Small Language Model o modelo de lenguaje pequeño)
Son modelos más compactos y a menudo especializados. Necesitan mucha menos capacidad de cómputo que un LLM.
Funcionan muy bien en tareas acotadas, como clasificar mensajes o extraer datos concretos de un documento. Son una buena opción cuando necesitas respuestas rápidas y un coste bajo.
Inferencia (inference)
Es el proceso por el que un modelo ya entrenado recibe una entrada (input) y genera una respuesta (output).
Durante la inferencia el modelo no aprende ni cambia sus pesos internos. Solo aplica lo que aprendió durante el entrenamiento.
Token
Es la unidad básica con la que trabaja un modelo. No es exactamente una palabra. Puede ser una palabra corta, un trozo de palabra o un signo.
Como referencia, 1.000 palabras en español suelen equivaler a unos 1.300–1.500 tokens. La cifra exacta depende del modelo y de su tokenizador.
Los tokens importan porque los precios y los límites de uso se miden con ellos. Se distinguen dos tipos:
- Tokens de entrada (prompt tokens): lo que envías al modelo.
- Tokens de salida (completion tokens): lo que el modelo genera.
Ventana de contexto (context window)
Es la cantidad máxima de tokens que el modelo puede tener en cuenta en una sola interacción. Funciona como su «memoria de trabajo».
Todo cuenta para ese límite: las instrucciones, los documentos adjuntos y el historial de la conversación. Si lo superas, según el sistema, el modelo da un error o deja de tener en cuenta parte de la información, normalmente la más antigua.
Temperatura (temperature)
Es un parámetro que controla cuánta variación hay al elegir el siguiente token. Suele ir de 0 a 1 o de 0 a 2, según la plataforma.
- Valores cercanos a 0: respuestas más previsibles, consistentes y fáciles de repetir. Son útiles para análisis, extracción de datos o clasificación.
- Valores altos: respuestas más variadas y creativas. Son útiles para generar ideas o redactar con más libertad.
Una temperatura baja no garantiza que las respuestas sean siempre idénticas, pero sí las hace mucho más estables.
Memoria y conocimiento: la capa contextual
Esta capa explica cómo se le da contexto al modelo y por qué a veces se equivoca.
Instrucciones de sistema (system instructions o system prompt)
Son las indicaciones de base que definen cómo debe comportarse el modelo antes de hablar con el usuario. Suelen incluir:
- Su rol o identidad.
- Las restricciones éticas y profesionales.
- El tono y el formato de las respuestas.
- La forma de razonar o el método que debe seguir.
Son el primer nivel de control de cualquier sistema de IA.
Alucinación (o confabulación)
Ocurre cuando el modelo genera afirmaciones falsas, citas que no existen o datos distorsionados, y los presenta con total seguridad.
Pasa porque el modelo está optimizado para producir textos coherentes y probables, no para comprobar si algo es cierto. Por eso conviene verificar siempre la información crítica.
RAG (Retrieval-Augmented Generation o generación aumentada por recuperación)
Es una arquitectura que conecta el modelo con una base de conocimiento externa, como un repositorio documental o un Brain.
Funciona en dos pasos:
- El sistema busca los fragmentos de documentos más relevantes para la pregunta.
- Se los entrega al modelo como contexto para que construya su respuesta a partir de ellos.
El RAG reduce mucho las alucinaciones, aunque no las elimina por completo. La calidad del resultado depende de la calidad de los documentos y de la búsqueda.
Embeddings (incrustaciones vectoriales)
Son representaciones numéricas de textos o conceptos. Cada fragmento se convierte en un conjunto de números que refleja su significado.
Gracias a ellos, un sistema puede medir lo parecidas que son dos ideas aunque usen palabras distintas. Por ejemplo, puede relacionar «baja laboral» con «incapacidad temporal». Son la base de la búsqueda semántica que utiliza el RAG.
Arquitectura y autonomía: la capa de acción
Aquí la IA deja de solo generar texto y empieza a ejecutar tareas.
Agente de IA (AI agent)
Es un sistema formado por un modelo base con:
- Instrucciones específicas.
- Acceso a bases de conocimiento delimitadas.
- Capacidad para usar herramientas externas, paso a paso, hasta cumplir un objetivo.
La diferencia con un chat normal es que el agente no solo responde. También actúa dentro de los límites que le hayas marcado.
Llamada a funciones o herramientas (function calling / tools)
Es la capacidad del modelo para decidir qué herramienta externa necesita y preparar los datos para usarla. Puede ser una calculadora, una búsqueda web, una conexión a una base de datos o un script.
Es lo que conecta el texto con la acción.
Orquestación de flujos (workflows)
Consiste en diseñar procesos donde el resultado de un paso se convierte en la entrada del siguiente.
Así, una tarea compleja se divide en pasos modulares, más previsibles y fáciles de revisar. Por ejemplo: extraer datos de un documento, clasificarlos, redactar un informe y enviarlo a revisión.
Human-in-the-loop (HITL o control humano en el bucle)
Es un principio de diseño en el que una persona debe validar de forma explícita las decisiones críticas, las revisiones intermedias o la aprobación final antes de que el sistema actúe.
Es la mejor protección frente al exceso de confianza del que hablábamos al principio.
Viabilidad, privacidad y gobernanza: la capa estratégica
Esta capa reúne los criterios que deciden si un sistema es seguro, rentable y sostenible.
Soberanía del dato
Es el control sobre dónde se guardan los datos, cómo se tratan y quién puede usarlos.
En la práctica profesional, hay que distinguir dos situaciones:
- Herramientas de consumo general: según el proveedor y la configuración, pueden usar tus conversaciones para mejorar o entrenar sus modelos.
- Acceso por API o entornos empresariales: suelen ofrecer más garantías, como el compromiso de no entrenar con tus datos o de no conservarlos.
Antes de procesar información sensible, revisa siempre las condiciones del proveedor.
Latencia
Es el tiempo que pasa desde que envías una petición hasta que recibes la respuesta.
Influye en la experiencia de usuario y también en la viabilidad económica. En un flujo con muchos pasos, los retrasos pequeños se acumulan.
Degradación del contexto (context drift)
Es la pérdida de precisión que sufre un modelo en conversaciones o flujos muy largos, cuando el contexto se llena de información poco relevante.
Para evitarla, conviene dividir las tareas largas en etapas, resumir lo importante y dar al modelo solo la información que necesita en cada paso.
Conclusión
Conocer estos términos con precisión te ayuda a ver la IA como lo que es: una tecnología muy potente que da buenos resultados cuando se diseña con criterio, con controles y con objetivos claros. Con este vocabulario puedes hablar con más seguridad con proveedores y equipos técnicos. También puedes empezar a convertir tu experiencia en sistemas que trabajen a escala.
¿Quieres poner en práctica estos conceptos? Visita libertadia.com y regístrate en la aplicación.