Glosario de IA: 50 términos que todo líder debería conocer

Las conversaciones sobre IA están llenas de jerga. Este glosario de IA es el antídoto: 50 términos que todo líder debería conocer, explicados en una o dos frases sencillas. Guárdalo en favoritos, compártelo con tu equipo y sigue los enlaces cuando quieras profundizar.

Por qué entender la IA empieza por su vocabulario

La alfabetización en IA es la base que cualquier profesional necesita hoy: saber qué puede hacer la IA, dónde falla y cómo guiarla. Y casi siempre empieza por las palabras.

En los talleres que imparto veo lo mismo una y otra vez. Un equipo directivo quiere hablar de estrategia de IA, pero la mitad de la sala se pregunta en silencio qué es realmente un «LLM» o una «alucinación». Nadie pregunta. La conversación se queda en generalidades. Las decisiones se aplazan.

Un vocabulario compartido lo resuelve. Cuando todos entienden lo mismo por «agente», «fine-tuning» o «RAG», por fin podéis hablar de las preguntas importantes: qué trabajo debería cambiar, qué es seguro y por dónde empezar.

Por eso he escrito este glosario. Úsalo de tres formas:

• Como base para tu equipo: compártelo antes de vuestra próxima reunión sobre IA para que todos partáis de la misma base.
• Para descifrar la jerga: tenlo abierto cuando leas noticias sobre IA o propuestas de proveedores.
• Como ruta de aprendizaje: sigue los enlaces a las guías más completas cuando un término sea importante para tu trabajo.

Si quieres pasar del vocabulario a entender de verdad la IA —y usar estos conceptos en tu día a día—, mi curso gratuito 10-day AI Crash Course es el siguiente paso.

Conceptos básicos del glosario de IA

Inteligencia artificial (IA) — Máquinas que hacen cosas que normalmente requieren inteligencia humana: entender el lenguaje, reconocer imágenes, tomar decisiones.

Machine learning (ML) — La principal forma de crear IA hoy: en vez de escribir reglas, dejamos que los sistemas aprendan patrones a partir de datos. Consulta IA, ML y deep learning: diferencias.

Deep learning — Machine learning con redes neuronales de muchas capas que aprenden por sí mismas qué características extraer de los datos en bruto. El motor del auge actual de la IA.

Red neuronal — Un modelo formado por capas de unidades sencillas que se transmiten señales entre sí, inspirado a grandes rasgos en el cerebro.

Algoritmo — Una receta: el procedimiento que sigue un ordenador, paso a paso.

Modelo — Lo que obtienes tras el entrenamiento: el «cerebro» que ha aprendido a convertir lo que recibe en predicciones o texto.

Entrenamiento — El proceso de mostrar datos a un modelo para que aprenda patrones.

Inferencia — Usar un modelo entrenado para obtener respuestas. El entrenamiento es la escuela; la inferencia, el trabajo.

Cómo aprenden las máquinas

Aprendizaje supervisado — Aprender a partir de ejemplos etiquetados: la máquina ve los datos de entrada y las respuestas correctas. Mi guía: Aprendizaje supervisado.

Aprendizaje no supervisado — Encontrar estructura en datos sin etiquetar, como agrupar clientes similares. Guía: Aprendizaje no supervisado.

Aprendizaje semisupervisado — Una vía intermedia y práctica: unas pocas etiquetas y muchos datos sin etiquetar. Guía: Aprendizaje semisupervisado.

Aprendizaje por refuerzo (RL) — Aprender por ensayo y error, con recompensas como guía: así dominó la IA el Go y así se perfeccionan los chatbots. Guía: Aprendizaje por refuerzo.

Clasificación — Predecir una categoría: spam o no, abandono o permanencia de un cliente. Guía: Modelos de clasificación.

Regresión — Predecir un número: un precio, una previsión, una puntuación de riesgo. Guía: La regresión, explicada.

Datos de entrenamiento — Los ejemplos de los que aprende un modelo. Su calidad marca el límite de la calidad del modelo.

Sobreajuste — Cuando un modelo memoriza sus datos de entrenamiento en lugar de aprender el patrón: genial en el laboratorio, inútil en el mundo real.

Sesgo (en IA) — Trato injusto y sistemático que un modelo adquiere de sus datos o de su diseño.

Modelos de lenguaje & chatbots

Gran modelo de lenguaje (LLM) — Un modelo de deep learning entrenado con enormes cantidades de texto para entender y generar lenguaje. Guía completa: ¿Qué es un LLM?

IA generativa — IA que crea contenido nuevo —texto, imágenes, audio, vídeo, código— en lugar de limitarse a analizar lo que ya existe.

Prompt — Lo que escribes a una IA: la instrucción y su contexto. La calidad del prompt determina la calidad de la respuesta.

Ingeniería de prompts — El arte de escribir prompts que consiguen grandes resultados. Mis 10 patrones: Fundamentos de ingeniería de prompts.

Token — Los fragmentos de texto que un modelo lee y escribe realmente: cada uno equivale, aproximadamente, a tres cuartas partes de una palabra. Los precios y los límites se calculan en tokens.

Ventana de contexto — Cuánto puede «tener en mente» un modelo a la vez. Una ventana más grande permite documentos y conversaciones más largos.

Alucinación — Cuando la IA afirma algo falso con total seguridad (más sobre las alucinaciones de la IA). Por eso la revisión sigue en manos humanas.

Fine-tuning — Continuar el entrenamiento de un modelo con tus propios ejemplos para que se adapte a tu ámbito o estilo.

RAG (generación aumentada por recuperación) — Permitir que un modelo consulte tus documentos antes de responder: información más reciente y mejor fundamentada que si solo recurre a su memoria.

RLHF — Aprendizaje por refuerzo a partir de comentarios humanos: las personas valoran las respuestas y esas valoraciones enseñan al modelo a ser más útil y seguro.

Prompt de sistema — Las instrucciones permanentes que recibe un modelo antes de tu mensaje: la descripción de su puesto de trabajo.

IA multimodal — Modelos que manejan algo más que texto: imágenes, audio, vídeo, código, tanto al recibirlos como al generarlos.

Agentes & la nueva base tecnológica

Esta es la parte del glosario de IA que más rápido cambia. Los términos que vienen ahora están cambiando cómo se hace el trabajo de verdad.

Agente de IA — IA que persigue un objetivo: planifica, usa herramientas, comprueba resultados y repite el proceso. Guía: ¿Qué es la IA agéntica?

IA agéntica — El término que engloba este cambio: pasar de responder a actuar.

MCP (Model Context Protocol) — El estándar abierto que permite conectar la IA con herramientas y datos: el USB-C de la IA. Guía: ¿Qué es MCP?

Uso de herramientas / llamadas a funciones — La capacidad de un modelo para manejar programas —buscar, ejecutar código, actualizar un CRM— en lugar de limitarse a escribir texto.

Orquestación — Coordinar varios modelos, herramientas y agentes en un único sistema que funcione.

Human-in-the-loop — Diseñar procesos en los que las personas aprueban o corrigen los resultados de la IA en puntos de control definidos. La esencia de la automatización responsable.

Barreras de seguridad — Los límites y controles que mantienen a los sistemas de IA dentro de un comportamiento seguro y previsto.

Modelo de razonamiento — Un modelo entrenado para pensar paso a paso antes de responder: más lento, pero más capaz ante problemas difíciles.

Modelo del mundo / inteligencia espacial — IA que entiende el mundo físico en 3D, no solo el texto: la frontera que impulsa la robótica.

Niveles de capacidad & conceptos para entender el panorama

AGI (inteligencia artificial general) — IA hipotética que iguala la capacidad humana en la mayoría de los ámbitos. Comparación en IA, AGI y ASI: diferencias.

ASI (superinteligencia artificial) — El paso más allá de la AGI: superar la capacidad humana en todos los ámbitos.

IA estrecha — La realidad de hoy: sistemas brillantes en tareas concretas, pero que no se enteran de nada fuera de ellas.

Alineamiento — El reto de investigación que busca que una IA potente persiga, de forma fiable, lo que las personas pretenden.

Test de Turing — La pregunta de Alan Turing en 1950: ¿puede una máquina conversar sin que se la distinga de una persona? Descubre la historia completa en mi Cronología de la IA.

Capacidad de cómputo — La potencia de procesamiento que se usa para entrenar y ejecutar modelos: el combustible físico de la IA, medido en chips y energía.

GPU — La familia de chips que hizo viable el deep learning; el pico de la fiebre del oro de la IA.

Modelos abiertos frente a cerrados — Los modelos abiertos publican sus pesos para que cualquiera pueda ejecutarlos y adaptarlos; a los modelos cerrados se accede a través de una API.

API — La puerta que usan quienes desarrollan software para crear productos sobre el modelo de otra persona o empresa.

La IA en el trabajo

Automatización — Tecnología que realiza una tarea sin intervención humana. La IA amplía lo que se puede automatizar: de lo rutinario a lo cognitivo.

Aumento de capacidades — IA que ayuda a las personas a hacer mejor su trabajo en lugar de sustituirlas: el enfoque que me resulta más útil para los equipos. Más en Trabajos que la IA no puede sustituir.

Adopción de IA — El trabajo que hace una organización para sacar valor real de la IA: habilidades, procesos, normas y responsabilidades, no solo licencias. Empieza aquí: Cómo prepararte para adoptar la IA.

Alfabetización en IA — Los conocimientos básicos que cualquier profesional necesita hoy: qué puede hacer la IA, dónde falla y cómo guiarla. Es lo que enseño en el curso gratuito AI Crash Course.

IA en la sombra — Empleados que usan herramientas de IA no autorizadas sin que la organización lo sepa: una señal de que hay demanda y un asunto pendiente de normas y control.

Sigue aprendiendo

Este glosario de IA es el mapa, no el territorio.

Si quieres explorar el territorio: haz el curso gratuito 10-day AI Crash Course, únete al 30-Day AI Challenge o empieza por ¿Qué es un LLM?, el término que hay detrás de todos los demás.

¿Quieres ir más allá de las definiciones? Estos son los mejores blogs de IA que sigo para entender qué está pasando de verdad.