Glosario de IA: todos los términos que necesitas conocer en 2026
Diccionario completo de inteligencia artificial en español. Definiciones claras de LLM, RAG, tokens, prompts, AGI y más de 40 términos explicados sin tecnicismos.
Publicidad
El mundo de la inteligencia artificial tiene su propio idioma. Cada semana aparecen nuevos acrónimos, modelos y conceptos que se dan por conocidos en los artículos técnicos. Este glosario es la referencia que deberías guardar: todas las definiciones que necesitas, explicadas en lenguaje normal.
Conceptos fundamentales
Inteligencia Artificial (IA)
Capacidad de los sistemas informáticos para realizar tareas que normalmente requieren inteligencia humana: razonar, aprender, reconocer imágenes, entender lenguaje, tomar decisiones. No es magia ni ciencia ficción: es matemática avanzada aplicada a grandes cantidades de datos.
Machine Learning (Aprendizaje Automático)
Subcampo de la IA donde los sistemas aprenden de los datos sin ser programados explícitamente para cada tarea. En lugar de escribir reglas manualmente ("si el email contiene esta palabra, es spam"), el sistema aprende las reglas por sí mismo a partir de miles de ejemplos.
Deep Learning (Aprendizaje Profundo)
Técnica de Machine Learning que usa redes neuronales artificiales con múltiples capas ("profundas") para procesar datos complejos. Es lo que hay detrás de los modelos de lenguaje, el reconocimiento de voz y la generación de imágenes.
Red Neuronal
Sistema computacional inspirado (de forma muy simplificada) en el funcionamiento del cerebro humano. Consiste en capas de nodos interconectados que procesan y transforman información. Las redes neuronales profundas son la base de la IA moderna.
Algoritmo
Conjunto de instrucciones o reglas que sigue un sistema para resolver un problema o tomar una decisión. En IA, los algoritmos aprenden de los datos para mejorar sus predicciones.
Modelos de lenguaje
LLM (Large Language Model — Modelo de Lenguaje Grande)
La tecnología detrás de ChatGPT, Claude, Gemini y similares. Un LLM es un sistema entrenado en cantidades masivas de texto que aprende a predecir qué palabra viene después de otra. El resultado es un sistema que puede mantener conversaciones, escribir textos, resumir documentos y responder preguntas con coherencia sorprendente.
GPT (Generative Pre-trained Transformer)
Arquitectura de LLM desarrollada por OpenAI. GPT-4, GPT-4o, GPT-4o mini son versiones de esta arquitectura. El nombre describe cómo funciona: genera texto (Generative), aprende antes de usarse con datos de entrenamiento (Pre-trained) y usa la arquitectura Transformer.
Transformer
Arquitectura de red neuronal introducida en 2017 que revolucionó el procesamiento de lenguaje. La clave del Transformer es el mecanismo de "atención" que le permite entender el contexto de cada palabra en relación con todas las demás del texto, no solo con las adyacentes.
Token
La unidad básica en la que los LLMs dividen el texto. No son exactamente palabras ni letras. Una palabra larga puede ser varios tokens; una palabra corta puede ser uno. En inglés, 1 token ≈ 0.75 palabras. Los costes de las APIs de IA se miden en tokens.
Ventana de Contexto (Context Window)
La cantidad máxima de tokens que un modelo puede procesar en una sola conversación. Es como la "memoria de trabajo" del modelo: todo lo que queda fuera de la ventana de contexto, el modelo lo "olvida". GPT-4o tiene 128K tokens ≈ unas 300 páginas de texto. Claude llega a 200K tokens.
Alucinación
Cuando un modelo de IA genera información falsa con total confianza. El modelo "inventa" datos, citas bibliográficas, estadísticas o hechos que no existen. No es un bug en el sentido técnico: es una limitación inherente a cómo funcionan los LLMs. Siempre verifica datos importantes que te dé una IA.
Multimodal
Un modelo que puede procesar diferentes tipos de datos: texto, imágenes, audio, vídeo. GPT-4o es multimodal porque puede "ver" imágenes y responder sobre ellas. Los primeros LLMs solo procesaban texto.
Conceptos de uso y entrenamiento
Prompt
La instrucción o pregunta que le das a un modelo de IA. La calidad del prompt determina en gran medida la calidad de la respuesta. "Prompt engineering" es el arte de escribir instrucciones efectivas para obtener mejores resultados.
Temperatura
Parámetro que controla cuánta aleatoriedad tiene el modelo en sus respuestas. Temperatura 0 = respuestas muy predecibles y consistentes. Temperatura 1 = más variedad y creatividad. Para tareas factuales, temperatura baja. Para escritura creativa, temperatura alta.
Fine-tuning
Proceso de entrenar adicionalmente un modelo base con datos específicos para que se especialice en un dominio concreto. Por ejemplo, coger GPT-4 y entrenarlo adicionalmente con miles de textos legales para crear un asistente legal más especializado.
RAG (Retrieval Augmented Generation)
Técnica que combina un LLM con una base de datos externa. En lugar de depender solo de lo que aprendió durante el entrenamiento, el modelo puede buscar información actualizada antes de responder. Así se evita el problema de la "fecha de corte" del conocimiento.
Embedding
Representación matemática de texto (o imágenes, audio) en forma de vectores numéricos. Los embeddings capturan el "significado" semántico: textos similares tienen vectores similares. Son la base de los sistemas de búsqueda semántica y RAG.
Zero-shot
Capacidad de un modelo para realizar una tarea que no ha visto durante el entrenamiento, sin ejemplos previos. Le pides que traduzca un idioma que no está en sus datos de entrenamiento y lo hace razonablemente bien.
Few-shot
Darle al modelo 2-5 ejemplos de lo que quieres antes de pedir la tarea real. "Aquí hay 3 ejemplos de cómo quiero que respondas. Ahora responde a esta pregunta de la misma forma." Mejora significativamente los resultados.
Chain of Thought (Cadena de Pensamiento)
Técnica de prompting donde se le pide al modelo que piense paso a paso antes de dar la respuesta final. "Razona este problema paso a paso" produce respuestas más precisas en matemáticas, lógica y problemas complejos que ir directo a la respuesta.
RLHF (Reinforcement Learning from Human Feedback)
Técnica de entrenamiento donde humanos evalúan las respuestas del modelo y esas evaluaciones se usan para mejorar el modelo. Es lo que hace que ChatGPT sea "agradable" y evite respuestas dañinas: humanos entrenaron al modelo sobre qué respuestas son mejores.
Tipos de IA y sistemas
IA Generativa
Categoría de IA que crea contenido nuevo: texto, imágenes, audio, vídeo, código. ChatGPT, DALL-E, Midjourney y Sora son ejemplos de IA generativa. Se diferencia de la IA discriminativa, que clasifica o predice pero no crea.
Agente de IA (AI Agent)
Un sistema de IA que puede tomar acciones autónomas en el mundo real para cumplir un objetivo. Más allá de responder preguntas, un agente puede navegar por internet, ejecutar código, enviar emails o controlar aplicaciones. OpenAI Operator y Claude Computer Use son ejemplos.
Modelo Base (Foundation Model)
Un modelo de IA grande, entrenado en datos masivos y de propósito general, que sirve como punto de partida para construir aplicaciones específicas. GPT-4, Llama, Claude son foundation models. Se especializan mediante fine-tuning o prompting.
Modelo Open-Source
Modelo de IA cuyo código y pesos de entrenamiento están disponibles públicamente. Llama de Meta y Mistral son los más importantes. Cualquiera puede descargarlo, ejecutarlo en su propio hardware y modificarlo sin pagar a OpenAI o Anthropic.
SLM (Small Language Model)
Versiones más pequeñas y eficientes de los LLMs. Menos capaces que los modelos grandes, pero pueden correr en dispositivos locales sin internet. Phi-3 de Microsoft y Gemini Nano de Google son SLMs diseñados para móviles.
El futuro: términos que verás más
AGI (Artificial General Intelligence — Inteligencia Artificial General)
Una hipotética IA con capacidad cognitiva equivalente o superior a la humana en todas las áreas. No existe todavía. Los LLMs actuales son estrechos: muy buenos en lenguaje pero sin comprensión real del mundo. OpenAI dice que su misión es crear AGI de forma segura.
ASI (Artificial Superintelligence — Superinteligencia Artificial)
Un nivel hipotético de IA muy superior a la inteligencia humana en todos los aspectos. Completamente teórico. Aparece frecuentemente en debates filosóficos y de seguridad sobre el largo plazo de la IA.
Alignment (Alineación)
El problema de asegurarse de que los sistemas de IA actúan de acuerdo con los valores e intenciones humanas. Un modelo superinteligente mal alineado podría perseguir objetivos que no queremos. Es el área de investigación principal de Anthropic y DeepMind.
Benchmark
Prueba estandarizada para medir el rendimiento de los modelos de IA. MMLU mide conocimiento general. HumanEval mide programación. GPQA mide razonamiento científico. Los benchmarks permiten comparar modelos objetivamente, aunque cada laboratorio tiende a publicar los que les hacen quedar mejor.
Inference (Inferencia)
El proceso de usar un modelo ya entrenado para generar respuestas. Cuando le haces una pregunta a ChatGPT, el servidor está haciendo inferencia. Es diferente del entrenamiento (cuando el modelo aprende de los datos).
Latencia
El tiempo que tarda el modelo en empezar a generar texto desde que envías tu mensaje. Modelos más grandes suelen tener mayor latencia. Para aplicaciones en tiempo real (asistentes de voz, chats), la latencia baja es crítica.
API (Application Programming Interface)
Interfaz que permite a los desarrolladores integrar las capacidades de IA en sus propias aplicaciones. La API de OpenAI es lo que usa cualquier app que "funciona con ChatGPT" sin ser ChatGPT directamente. Se cobra por tokens procesados.
Este glosario se actualiza regularmente. El sector de la IA evoluciona tan rápido que nuevos términos aparecen cada mes. Si hay algún concepto que no encuentras aquí o que quieres que expliquemos con más detalle, déjalo en los comentarios.
Sin spam. Cancela cuando quieras.