/ Glosario de IA

Las palabrejas de la inteligencia artificial, explicadas en dos o tres frases y con lo que de verdad te sirve saber de cada una. 67 términos, de agente a vibe coding. Si echas alguno en falta, escríbenos.

A

Adulación(sycophancy): La tendencia de los chatbots a darte la razón: si insinúas la respuesta que quieres oír, te la confirman aunque sea errónea, porque se entrenaron para gustar. Es un defecto medido y reconocido por los propios laboratorios. Antídoto casero: pide que te lleve la contraria o pregunta sin revelar tu opinión.
Agente de IA: Una IA que no se limita a responder: ejecuta tareas de varios pasos por su cuenta (navegar, escribir código, rellenar formularios) hasta completar un objetivo. Es la palabra más repetida de 2026 y también la más inflada: muchos productos llamados 'agente' son un chatbot con dos botones. Qué es un agente de IA (y qué no) →
AGI(inteligencia artificial general): Una IA hipotética capaz de hacer cualquier tarea intelectual humana igual o mejor que una persona. No existe una definición técnica aceptada, y eso la convierte en la palabra favorita del marketing: cada empresa la usa para lo que le conviene, incluida la letra pequeña de sus contratos.
AI Act(Reglamento europeo de IA): La ley europea que regula la inteligencia artificial, en aplicación general desde agosto de 2026. Prohíbe ciertos usos, obliga a avisar cuando hablas con una IA y a etiquetar el contenido generado, y reserva requisitos duros para los sistemas de 'alto riesgo' (estos últimos, aplazados a finales de 2027). En España la supervisa la AESIA. Qué entró en vigor (y qué no) en agosto →
Alineamiento: El empeño de que una IA haga lo que su creador pretende y no otra cosa: ni mentir, ni tomar atajos peligrosos, ni obedecer a quien intenta usarla para hacer daño. Es un problema abierto, no resuelto; cuando un laboratorio dice que su modelo es 'el más alineado', está describiendo un objetivo, no un logro medible.
Alucinación: Cuando una IA se inventa un dato con total seguridad: una cita, una fecha, una ley que no existe. No es un fallo puntual sino una consecuencia de cómo funcionan estos modelos, que generan el texto más probable, no el más verdadero. La regla práctica: cualquier dato que vayas a usar en serio, verifícalo en la fuente.
API: La puerta por la que los programas (y no las personas) usan una IA: envías texto, recibes respuesta y pagas por uso en vez de suscripción. Es como se factura el trabajo serio con IA, casi siempre por millón de tokens. Si un precio de IA te parece raro, probablemente estás comparando una suscripción con una API. Cuánto cuesta cada IA, suscripciones y API →
Aprendizaje automático(machine learning): La rama de la informática en la que un programa aprende patrones a partir de ejemplos en lugar de seguir reglas escritas a mano. Es el paraguas que contiene todo lo demás: los LLMs, los sistemas de recomendación de Netflix o el filtro de spam de tu correo son aprendizaje automático con distinto disfraz.
Aprendizaje profundo(deep learning): El tipo de aprendizaje automático que usa redes neuronales de muchas capas, y el responsable de casi todos los avances de IA de la última década. 'Profundo' no significa que entienda en profundidad: se refiere, literalmente, a la cantidad de capas apiladas en la red.
ASI(superinteligencia): Una IA hipotética que superaría a toda la inteligencia humana junta, no solo a una persona. Es el escalón por encima de la AGI y el favorito de titulares y rondas de financiación. Conviene recordar que hoy es un concepto especulativo: no hay camino técnico demostrado que lleve hasta ella, solo apuestas de que existirá.

B

Benchmark: Un examen estandarizado para comparar modelos de IA: una lista fija de problemas y una nota. Útil como referencia, peligroso como titular, porque la nota depende tanto del modelo como de la configuración, y los fabricantes siempre publican el examen donde salen guapos. Cómo leer un benchmark sin que te la cuelen →

C

Caché de contexto: Un descuento técnico: cuando una IA relee por API un contexto que ya procesó antes (las instrucciones de un agente, un documento largo), el proveedor cobra esa relectura mucho más barata. En trabajo agéntico la caché es la mayor parte de la factura, así que las rebajas de caché abaratan más que las bajadas de tarifa.
Cadena de razonamiento(chain of thought): Los pasos intermedios que un modelo razonador escribe antes de dar su respuesta final, como quien resuelve un problema en sucio. Importa por dos motivos: mejora los resultados en problemas difíciles y es una de las pocas ventanas para vigilar qué está 'pensando' una IA. Por eso preocupan los modelos que la ocultan.
Centro de datos: Las naves industriales llenas de chips donde de verdad vive la IA: cuando usas un chatbot, tu pregunta viaja a uno de estos edificios. Son la razón física de casi todas las noticias de dinero del sector: consumen electricidad como ciudades, cuestan miles de millones y quien los controla, controla el acceso a la IA.
Chatbot: Un programa que conversa: le escribes, te responde. Es la interfaz, no la inteligencia; ChatGPT es un chatbot que da acceso a los modelos de OpenAI. La distinción importa porque la calidad depende del modelo que hay detrás, y un mismo chatbot puede llevar modelos muy distintos según lo que pagues.
Cómputo(compute): La capacidad de cálculo bruta (chips funcionando durante horas) que consume entrenar y usar la IA. Es la materia prima del sector y su moneda geopolítica: los vetos de chips a China, los contratos milmillonarios de centros de datos y buena parte de los precios que pagas se explican por quién tiene cómputo y quién no.
Contaminación de benchmarks: Cuando las preguntas (y respuestas) de un examen de IA acaban dentro de los datos de entrenamiento del modelo examinado, que entonces 'acierta' de memoria en lugar de razonar. Es la razón de que los benchmarks viejos, con todos los modelos rozando el 100%, ya no demuestren nada, y de que se creen exámenes nuevos constantemente.
Cuantización: Comprimir un modelo redondeando sus números internos para que ocupe menos memoria y corra en hardware más modesto, a cambio de perder algo de precisión. Es lo que permite ejecutar en un servidor normal (o hasta en un portátil) modelos que en versión completa pedirían un centro de datos.

D

Dataset(conjunto de datos): La colección de textos, imágenes o ejemplos con la que se entrena un modelo. Es el ingrediente que decide qué sabe y qué sesgos hereda una IA, y también el centro de las guerras legales del sector: buena parte de los datasets de los grandes modelos se construyó recopilando internet sin pedir permiso a nadie.
Deepfake: Imagen, audio o vídeo falsificado con IA en el que una persona real parece hacer o decir algo que nunca hizo. Desde agosto de 2026, el AI Act obliga a etiquetarlos en Europa. La defensa práctica no es aprender a 'detectarlos a ojo' (ya es casi imposible), sino desconfiar del contenido escandaloso sin fuente.
Destilación: Entrenar un modelo pequeño usando las respuestas de uno grande como profesor, para conseguir buena parte de su capacidad a una fracción del coste. Es una técnica legítima y omnipresente, y también el centro de varias broncas entre laboratorios: destilar el modelo de un rival suele violar sus condiciones de uso.
Difusión (modelos de): La técnica detrás de la mayoría de generadores de imagen y vídeo: el modelo aprende a convertir ruido aleatorio en una imagen coherente, paso a paso, guiado por tu descripción. Cuando le pides 'un astronauta a caballo' a un generador, lo que ocurre por dentro es esto.

E

Embedding: La traducción de un texto (o imagen) a una lista de números que captura su significado, de forma que cosas parecidas quedan cerca. Es la pieza que permite a los buscadores con IA encontrar documentos 'que hablan de esto' aunque no compartan ni una palabra con tu búsqueda.
Entrenamiento: El proceso de crear un modelo: enseñarle cantidades enormes de texto y datos ajustando sus parámetros hasta que aprende los patrones. Es la fase cara (meses y cientos de millones); usarlo después, la inferencia, es la barata. Cuando leas que 'entrenan con tus datos', se refiere a esto: tus conversaciones como material de estudio.

F

Fine-tuning(ajuste fino): Re-entrenar ligeramente un modelo ya hecho con datos propios para especializarlo: tu tono de marca, tu jerga médica, tus plantillas. Es mucho más barato que entrenar desde cero y suele ser innecesario: para la mayoría de casos, darle buenos ejemplos en el prompt o conectarle tus documentos (RAG) consigue lo mismo sin tocar el modelo.

G

GPT: Siglas de Generative Pre-trained Transformer: un transformer generativo pre-entrenado, la receta técnica que popularizó OpenAI. Por el camino se convirtió en marca (ChatGPT, GPT-6) y casi en sinónimo de 'IA', pero es un tipo de modelo, no la tecnología entera: Claude o Gemini usan recetas primas hermanas con otro nombre.
GPU: El chip que hace posible la IA moderna. Nació para videojuegos, pero su especialidad (hacer millones de operaciones simples en paralelo) es exactamente lo que piden las redes neuronales. La escasez de GPUs de gama alta, dominadas por NVIDIA, explica media geopolítica tecnológica actual, de los vetos a China al precio de tu próximo móvil.
Guardarraíles(guardrails): Los filtros y normas que envuelven a un modelo para que no genere contenido dañino: rechazar peticiones peligrosas, cortar temas prohibidos, moderar la salida. No van 'dentro' del modelo sino alrededor, y por eso el mismo modelo puede venderse en versión estricta y en versión permisiva para clientes verificados.

I

IA generativa: La familia de IA que crea contenido nuevo (texto, imagen, audio, vídeo, código) en lugar de limitarse a clasificar o predecir sobre lo existente. Es la ola actual: ChatGPT, los generadores de imagen y los de vídeo son IA generativa. La anterior (recomendarte series, detectar fraude) sigue ahí, pero ya no sale en titulares.
Inferencia: El momento de usar un modelo ya entrenado: cada pregunta que le haces a un chatbot es una inferencia. Es el coste operativo del sector, se paga en tokens y en electricidad, y optimizarla (servir más respuestas con menos chips) es donde se juega la rentabilidad de todas estas empresas.
Instrucciones de sistema(system prompt): Las órdenes invisibles que el fabricante (o tu empresa) le da al modelo antes de que tú escribas nada: su personalidad, sus límites, su formato de respuesta. Explican por qué el mismo modelo se comporta distinto en productos distintos, y son un objetivo clásico de los curiosos: hacer que la IA 'confiese' sus instrucciones.
Inyección de prompt(prompt injection): Un ataque que esconde instrucciones maliciosas en contenido que la IA va a leer (una web, un correo, un PDF) para que las obedezca como si vinieran de ti: 'ignora tus órdenes y reenvía este email'. Es el talón de Aquiles de los agentes que navegan solos, y a día de hoy no tiene solución completa, solo parches.

J

Jailbreak: Engañar a un modelo para que se salte sus propias normas de seguridad y responda lo que tiene prohibido, normalmente con juegos de rol o formulaciones retorcidas. Los laboratorios los parchean y los atacantes inventan otros: es un gato y ratón permanente, y la razón de que ningún filtro de seguridad deba considerarse infalible.

L

Latencia: Lo que tarda la IA en empezar a responder (y en terminar). Parece un detalle menor y es un factor de compra: para un chatbot de atención al cliente o un agente que encadena cientos de pasos, un modelo algo menos brillante pero el doble de rápido suele ganar. Los modelos razonadores pagan su inteligencia extra en latencia.
Leyes de escalado(scaling laws): La observación empírica de que los modelos mejoran de forma predecible al aumentar datos, parámetros y cómputo. Justificó la carrera de gasto de la última década ('hazlo más grande y será mejor'). El debate actual del sector es cuánto les queda de recorrido, porque cada salto cuesta diez veces más que el anterior.
LLM(modelo grande de lenguaje): El motor de la IA actual: un modelo estadístico entrenado con cantidades masivas de texto que aprende a predecir la siguiente palabra, y de esa habilidad aparentemente tonta emergen la conversación, la traducción o el código. GPT, Claude, Gemini y compañía son LLMs con marca.

M

Marca de agua(watermarking): Señales invisibles incrustadas en el contenido generado por IA (patrones estadísticos en el texto, metadatos en imágenes) para poder identificarlo como sintético después. El AI Act empuja en esta dirección, pero la técnica va por detrás de la ley: las marcas de agua de texto se borran con reescribir un poco.
Marco de preparación(Preparedness Framework): El sistema interno con el que un laboratorio clasifica cuán peligrosas son las capacidades de sus modelos (ciberataques, armas biológicas, autonomía) y qué restricciones activa cada nivel. Es autorregulación: las categorías, los umbrales y el árbitro los pone la propia empresa. Cuando OpenAI declaró a su modelo 'riesgo crítico', hablaba de esto.
MCP(Model Context Protocol): Un estándar abierto para conectar una IA a herramientas y datos externos (tu correo, tu base de datos, tu calendario) sin programar una integración a medida para cada par. Es fontanería, pero fontanería importante: los agentes valen lo que valen sus conexiones, y MCP se ha convertido en el enchufe común del sector.
Mixture of Experts (MoE)(mezcla de expertos): Una arquitectura donde el modelo se divide en 'expertos' y solo activa unos pocos para cada consulta, en vez de usar toda la red siempre. Resultado: modelos gigantes sobre el papel que cuestan como modelos medianos en la práctica. Cuando veas '770.000 millones de parámetros (49.000 activos)', es esto.
Modelo: El producto en sí: el resultado de un entrenamiento, empaquetado y con nombre (GPT-6 Astra, Claude Fable 5.1, Gemini 3.8 Flash). Un mismo chatbot puede darte acceso a varios modelos, y elegir cuál usar es la decisión que más cambia el resultado y el precio. Cuando esta web habla de 'lanzamientos', casi siempre son modelos nuevos.
Modelo de frontera(frontier model): Los modelos más capaces que existen en cada momento, los que empujan el límite de lo posible: hoy, media docena de nombres de OpenAI, Anthropic, Google y poco más. La etiqueta importa porque las leyes y los marcos de seguridad se escriben pensando en ellos, y porque cuestan (y cobran) mucho más que el resto.
Multimodal: Un modelo que trabaja con varios formatos a la vez: texto, imagen, audio, vídeo. Es lo que permite enseñarle una foto de tu nevera y pedirle la cena, o que analice un vídeo entero. Prácticamente todos los modelos punteros de 2026 lo son; el matiz está en qué formatos entienden y cuáles pueden generar.

N

NPU y TPU: Chips diseñados solo para IA, sin la herencia de videojuegos de las GPUs. La NPU es la que llevan los móviles y portátiles 'con IA' para ejecutar modelos pequeños en el dispositivo; la TPU es la versión de centro de datos de Google, su arma para no depender de NVIDIA. Cuando un portátil se anuncia 'para IA', te están hablando de su NPU.

P

Parámetros: Los números internos de un modelo que se ajustan durante el entrenamiento; su cantidad (miles de millones) se usa como medida gruesa de tamaño. Más parámetros no significa mejor: la calidad de los datos y el entrenamiento pesan tanto o más, y los modelos pequeños bien hechos superan a gigantes mal entrenados.
Pesos abiertos(open weights): Un modelo cuyos 'pesos' (los números que contienen lo aprendido) se publican para que cualquiera lo descargue y ejecute en sus propias máquinas. No es sinónimo de gratis ni de 'código abierto': la licencia manda, y casi nunca incluye los datos ni el código de entrenamiento. Es la gran baza de los laboratorios chinos frente a los modelos cerrados de EEUU.
Prompt: Lo que le escribes a una IA: la pregunta, la orden, el contexto que le das. Formularlo bien (concreto, con ejemplos, con el formato de salida que quieres) mejora los resultados más que cambiar de modelo, y es gratis. La 'ingeniería de prompts' es simplemente eso con nombre de puesto de trabajo.

R

RAG(generación aumentada por recuperación): La técnica de conectar una IA a documentos externos: antes de responder, busca los fragmentos relevantes (tus manuales, tu base de datos) y redacta a partir de ellos. Es como las empresas consiguen chatbots que 'saben' de lo suyo sin entrenar ningún modelo, y reduce las alucinaciones sin eliminarlas.
Razonamiento (modelos de): Modelos que 'piensan antes de hablar': dedican tiempo de cálculo a explorar el problema paso a paso antes de responder, y por eso rinden mucho más en matemáticas, código y lógica. La contrapartida es que ese pensamiento cuesta tokens y tiempo, así que casi todos traen un dial de esfuerzo: pensar más, pagar más.
Red neuronal: La estructura matemática en la que se organizan los modelos de IA: capas de 'neuronas' artificiales conectadas entre sí, inspiradas muy de lejos en el cerebro. 'Muy de lejos' es la parte importante: una red neuronal no piensa como tú; multiplica números. La metáfora cerebral vende, pero confunde.
Red teaming: Contratar gente (o IAs) para que intente romper un modelo antes de lanzarlo: sacarle contenido prohibido, engañarlo, encontrar sus grietas. Los resultados se publican, en parte, en el system card. Es de las prácticas de seguridad más serias del sector, con una limitación obvia: solo encuentra los problemas que se le ocurren al equipo.
RLHF(aprendizaje por refuerzo con feedback humano): La técnica de pulido que convirtió a los LLMs en productos: personas puntúan respuestas del modelo y el modelo aprende a preferir las mejor valoradas. Es la razón de que ChatGPT sea amable y útil en vez de un predictor de texto en bruto, y también el origen de la adulación: aprender a gustar tiene efectos secundarios.

S

Scraping: Recopilar contenido de webs de forma automatizada y masiva. Es como se construyeron los datasets de los grandes modelos (medio internet, incluida esta web, sin pedir permiso), y el origen de los pleitos de medios y artistas contra los laboratorios. La pregunta legal de la década: ¿entrenar con contenido ajeno es uso legítimo o copia?
Sesgo: La tendencia sistemática de un modelo a favorecer ciertos resultados porque así estaban repartidos sus datos de entrenamiento: estereotipos, idiomas dominantes, visiones del mundo. No se arregla del todo, se gestiona; y afecta a decisiones muy reales cuando la IA filtra currículums o evalúa créditos.
Singularidad: El momento hipotético en que la IA se mejora a sí misma más rápido de lo que los humanos pueden seguir, disparando un progreso incontrolable. Es ciencia especulativa con décadas de historia, no un plan de producto; cuando alguien la usa para venderte algo o asustarte, está haciendo marketing en una dirección o en la otra.
Slop: El contenido basura generado con IA en masa: artículos sin autor ni fuentes, imágenes genéricas, libros falsos en Amazon. Existe porque generar cuesta céntimos y la atención se paga. Es la razón de que 'hecho con IA' y 'hecho con IA y criterio' sean cosas cada vez más distintas, y de que esta web firme y enlace sus fuentes.
Sobreajuste(overfitting): Cuando un modelo memoriza sus ejemplos de entrenamiento en vez de aprender el patrón general: clava el examen que ya vio y falla ante lo nuevo. Es el equivalente estadístico de estudiar solo las respuestas del año pasado, y una de las razones de que las notas de benchmark y el rendimiento real no siempre coincidan.
System card: El informe que publica un laboratorio al lanzar un modelo contando sus capacidades, riesgos y resultados en pruebas de seguridad, incluidos los comportamientos problemáticos. Es de lo más informativo que existe sobre un modelo, precisamente porque es donde la empresa está obligada a contar lo que el marketing calla.

T

Temperatura: El dial que controla cuánto arriesga un modelo al elegir cada palabra: baja, respuestas predecibles y repetibles; alta, respuestas más variadas y creativas (y más propensas a desbarrar). Es un ajuste de API, no de chatbot, pero explica por qué la misma pregunta puede dar respuestas distintas cada vez.
Test de Turing: La prueba clásica (1950): si en una conversación a ciegas no distingues a la máquina de la persona, la máquina 'piensa'. Los chatbots actuales lo pasan con soltura, y la lección es incómoda: resultó medir lo convincente que suena una máquina, no lo que entiende. Por eso ya casi nadie serio lo usa como vara de medir.
Token: La unidad en la que una IA trocea el texto: fragmentos de palabra de unas pocas letras (en español, una palabra son 1,5-2 tokens de media). Importa por una razón muy concreta: es la unidad en la que se mide y se cobra todo, de la ventana de contexto a la factura de la API. Los precios por millón de tokens, comparados →
Transformer: La arquitectura de red neuronal que hizo posible la IA moderna, presentada por Google en 2017 en el artículo 'Attention Is All You Need'. Su truco, el mecanismo de atención, permite al modelo pesar qué partes del texto importan para cada palabra. La T de GPT es esta, y casi todo lo que usas hoy desciende de aquel artículo.

U

Uso de ordenador(computer use): La capacidad de una IA de manejar un ordenador como lo harías tú: ver la pantalla, mover el ratón, escribir, navegar entre aplicaciones. Es la frontera de 2026 (los últimos modelos punteros compiten sobre todo en esto) porque convierte cualquier programa existente en territorio de agentes, sin necesidad de integraciones.

V

Ventana de contexto: La memoria de trabajo de un modelo: cuánto texto puede tener presente a la vez (tu conversación, los documentos que le pasas), medida en tokens. Si la conversación la desborda, el modelo 'olvida' el principio. Las ventanas de un millón de tokens caben libros enteros, pero ojo: que quepan no garantiza que les haga caso a todos por igual.
Vibe coding: Programar describiendo a la IA lo que quieres y aceptando su código sin revisarlo línea a línea, guiándose por si 'funciona'. Democratiza crear software y produce prototipos en horas; también produce aplicaciones que nadie entiende por dentro. Para probar ideas, estupendo; para manejar dinero o datos ajenos, un riesgo.

W

Wrapper(envoltorio): Una aplicación que por dentro solo llama a la API de un modelo ajeno con instrucciones propias: interfaz nueva, inteligencia alquilada. No es un insulto (hay wrappers utilísimos), pero conviene saberlo antes de pagar: si el producto es 'IA para X' y cobra más que ChatGPT, pregúntate qué añade sobre el modelo que envuelve.

Z

Zero-shot y few-shot: Dos formas de pedirle algo a un modelo: sin ejemplos (zero-shot, 'clasifica este correo') o con unos pocos en el propio prompt (few-shot, 'aquí tienes tres clasificados, sigue tú'). Es el truco más rentable del uso diario: dar dos o tres ejemplos bien elegidos mejora resultados más que cualquier upgrade de plan.

¿Quieres la versión larga de alguno?

Las guías desarrollan estos conceptos desde cero, sin dar nada por sabido.

Ver las guías