Vocabulario de la IA: 40 términos, y los seis que ya son ley

El vocabulario de la IA tiene un problema: mezcla términos técnicos precisos con palabras de marketing que no significan gran cosa. Esta lista separa unos de otros. Cada término va explicado en dos o tres frases, sin fórmulas y sin dar por hecho que sabes nada de programación.

Está ordenada por bloques, no alfabéticamente, porque los conceptos se entienden mejor en cadena. Si solo tienes cinco minutos, lee el primer bloque: con esos ocho términos ya puedes seguir casi cualquier conversación sobre el tema.

Y hay un bloque final que no encontrarás en un glosario cualquiera. Desde 2024 una parte de este vocabulario ya no es jerga de sector: es derecho en vigor. El Reglamento europeo de inteligencia artificial define por escrito qué es un sistema de IA, quién es proveedor y quién responsable, y hasta cómo se llama oficialmente en español lo que todo el mundo llama deepfake. Esas definiciones van al final, citadas del texto oficial.

Los ocho términos del primer día

Inteligencia artificial (IA)

Etiqueta genérica para programas que hacen tareas que asociamos con la inteligencia humana. Es tan amplia que hoy sirve de poco: incluye desde el filtro de spam de tu correo hasta ChatGPT. Cuando alguien dice "usamos IA", la pregunta útil es "¿para qué exactamente?".

Modelo

El programa concreto que hace el trabajo, resultado de un proceso de entrenamiento. GPT, Gemini, Claude o Llama son familias de modelos. Un mismo producto puede usar varios modelos distintos según lo que le pidas.

LLM (modelo grande de lenguaje)

El tipo de modelo detrás de los chatbots de texto. Su única operación es predecir qué fragmento de texto viene después del anterior, repetida muchísimas veces. Todo lo demás (traducir, resumir, programar) sale de esa misma operación.

Prompt

Lo que le escribes al modelo: la instrucción, la pregunta y el material que le pegas. No hay palabras mágicas, pero sí hay prompts mejores que otros: los que dan contexto, ejemplos y un formato de salida concreto. Es la diferencia entre "escribe un correo" y "escribe un correo de tres párrafos a un cliente que lleva dos meses sin pagar, tono cordial pero firme".

Token

La unidad en la que el modelo trocea el texto: puede ser una palabra, un trozo de palabra o un signo de puntuación. La documentación de OpenAI da una regla aproximada para el inglés: un token son unos cuatro caracteres, alrededor de tres cuartos de palabra. Importa porque los límites y los precios se miden en tokens, no en palabras.

Contexto (o ventana de contexto)

Todo el texto que el modelo tiene delante mientras genera la respuesta: instrucciones del fabricante, tu conversación, archivos subidos, resultados de búsqueda. Es su memoria de trabajo, y tiene un tamaño máximo medido en tokens. Lo que se sale de esa ventana deja de existir para el modelo.

Inferencia

El momento en que usas el modelo, frente al entrenamiento, que es cuando se construyó. Cada respuesta que pides consume cómputo real en un centro de datos. Por eso las versiones de pago ofrecen más mensajes: lo que compras es capacidad de inferencia.

Alucinación

Cuando el modelo afirma con normalidad algo que no es cierto: una cita inventada, una fecha falsa, un enlace que no existe. No es una avería, sino una consecuencia de generar texto plausible sin verificar nada. Un análisis de OpenAI y Georgia Tech publicado en 2025 lo atribuye a presiones estadísticas del entrenamiento y a evaluaciones que premian adivinar antes que decir "no lo sé".

Cómo se fabrica un modelo

Entrenamiento (preentrenamiento)

La fase inicial, en la que el modelo procesa cantidades enormes de texto y ajusta sus números internos para fallar lo menos posible al predecir. Es cara, lenta y se hace una vez. El modelo resultante sabe mucho pero todavía no sabe comportarse como asistente.

Parámetros (o pesos)

Los números internos que se ajustan durante el entrenamiento y que contienen todo lo que el modelo "sabe". Se cuentan por miles de millones. Las grandes empresas ya no publican cuántos tienen sus modelos comerciales, así que desconfía de cualquier cifra concreta que leas por ahí.

Transformer

La arquitectura que hizo posibles los modelos actuales, publicada por investigadores de Google en 2017. Su idea central es el mecanismo de atención, que permite al modelo ponderar qué partes del texto anterior son relevantes para cada palabra que genera. La T de GPT viene de ahí.

Post-entrenamiento y RLHF

La segunda fase, en la que se enseña al modelo a responder como un asistente: seguir instrucciones, mantener un tono, negarse a ciertas peticiones. RLHF significa aprendizaje por refuerzo con retroalimentación humana, y consiste en premiar unas respuestas y penalizar otras a partir de valoraciones de personas. Es la fase que da la personalidad servicial que reconoces.

Fine-tuning (ajuste fino)

Coger un modelo ya entrenado y seguir entrenándolo con un conjunto de ejemplos específicos para especializarlo en un tono, un formato o un dominio. Cambia el comportamiento, no añade conocimiento fresco de forma fiable. Para "que conozca mis documentos", casi siempre es mejor idea el RAG.

Corte de conocimiento

La fecha hasta la que llega el material con el que se entrenó el modelo. Sin buscador conectado, todo lo posterior a esa fecha le es desconocido, aunque a veces responda igualmente. Es la causa habitual de respuestas desactualizadas con aire de seguridad.

GPU y cómputo

Las GPU son los chips especializados donde se entrenan y ejecutan los modelos. "Cómputo" es la cantidad de cálculo disponible, y es el cuello de botella real del sector: explica los límites de uso, las listas de espera y buena parte de los precios.

Destilación

Entrenar un modelo pequeño para que imite el comportamiento de uno grande. Sale un modelo más barato y rápido, con parte de la calidad del original. Las versiones "mini", "flash" o "lite" suelen ir por ahí.

Cuantización

Reducir la precisión numérica de los pesos para que el modelo ocupe menos y corra en hardware modesto. Permite ejecutar modelos en un portátil a cambio de perder algo de calidad. Es lo que hace viable la IA local.

Código abierto y pesos abiertos

La mayoría de modelos que se llaman "open source" son en realidad de pesos abiertos: puedes descargarlos y ejecutarlos, pero no se publican los datos ni el proceso completo de entrenamiento, y la licencia puede tener restricciones. La diferencia práctica sí importa: con pesos abiertos puedes usar el modelo sin enviar nada a un servidor ajeno.

Lo que pasa cuando pulsas enviar

Temperatura

Un ajuste que controla cuánto se arriesga el modelo al elegir cada token. Baja, produce respuestas más previsibles y repetitivas; alta, más variadas y más propensas a irse por las ramas. En los chats de consumo no suele estar accesible, pero explica por qué la misma pregunta da respuestas distintas.

Modelo de razonamiento (cadena de pensamiento)

Modelos entrenados para generar pasos intermedios antes de contestar, lo que mejora resultados en matemáticas, lógica y código. El detalle importante: esos pasos también son texto generado, no un registro fiel de lo que ocurre dentro. La investigación de interpretabilidad de Anthropic mostró que un modelo puede explicar un cálculo de una forma y haberlo hecho internamente de otra.

Embedding

Una representación de un texto (o una imagen) como una lista larga de números, colocada de forma que los significados parecidos quedan cerca. Es lo que permite buscar "por sentido" y no por palabras exactas: "coche averiado" y "vehículo estropeado" caen en la misma zona.

Base de datos vectorial

El almacén donde se guardan esos embeddings para poder buscar rápido lo más parecido a una consulta. Es la pieza que hay debajo de casi cualquier "chat con tus documentos".

RAG (generación aumentada por recuperación)

La técnica de buscar primero fragmentos relevantes en una fuente externa y pasárselos al modelo dentro del contexto antes de que responda. El término viene de un trabajo de Lewis y sus coautores de 2020. Reduce las invenciones porque cambia "recordar" por "leer", pero no las elimina: el modelo aún puede resumir mal lo que ha leído.

Memoria

Función de producto que guarda notas sobre ti entre conversaciones y las vuelve a insertar en el contexto. No implica que el modelo aprenda: sus parámetros siguen congelados. Se puede consultar y borrar en los ajustes de cada servicio.

Multimodal

Un modelo capaz de manejar más de un tipo de dato: texto, imagen, audio, vídeo. En la práctica significa que puedes subirle una foto de una factura o hablarle en voz alta. La calidad varía mucho entre modalidades dentro del mismo producto.

Difusión

El mecanismo detrás de la mayoría de generadores de imagen. Parten de ruido aleatorio y lo van limpiando paso a paso, guiados por tu descripción, hasta que queda una imagen coherente. Nada que ver con predecir palabras, aunque el resultado se llame igual de "generativo".

API

La vía por la que otros programas usan el modelo sin pasar por el chat. Se paga por tokens consumidos, no por suscripción. Es lo que hay detrás de casi cualquier aplicación que dice tener IA integrada.

Agente

Un montaje en el que el modelo no solo responde, sino que ejecuta pasos: busca, abre páginas, escribe archivos, llama a otros programas. La palabra está muy inflada por el marketing. Pregunta siempre qué acciones concretas puede realizar y qué pasa cuando se equivoca en una.

La letra pequeña: riesgos y seguridad

Alineamiento y guardarraíles

El conjunto de técnicas y filtros con los que se intenta que el modelo se comporte según ciertas normas y rechace peticiones dañinas. Funcionan la mayor parte del tiempo y no son infalibles. No confundas un rechazo con una imposibilidad técnica.

Jailbreak

Un prompt diseñado para saltarse esas normas, normalmente pidiendo el contenido prohibido dentro de una ficción o un juego de roles. Es un problema conocido y sin solución definitiva.

Inyección de prompt (prompt injection)

Instrucciones ocultas dentro de un contenido que el modelo va a leer (una página web, un PDF, un correo) que consiguen que haga algo que tú no le has pedido. Es el riesgo más serio de los agentes que navegan o leen tu correo, porque el modelo no distingue bien entre "datos que debo leer" e "instrucciones que debo obedecer".

Deepfake

Imagen, audio o vídeo sintético que imita a una persona real. La estafa más frecuente hoy no es un vídeo elaborado, sino una llamada con una voz clonada a partir de unos segundos de audio público. Acordar una palabra clave en familia es una defensa barata y eficaz. En el texto legal europeo esta palabra no existe: allí se llama ultrasuplantación, y la definición está en el último bloque.

Benchmark

Una prueba estandarizada con la que se comparan modelos. Sirven de orientación y se saturan rápido, además de crear incentivos raros: un modelo que responde siempre puede puntuar mejor que uno prudente aunque acierte parecido. Léelos como indicios, no como veredictos.

AGI

Siglas de inteligencia artificial general: un sistema hipotético con capacidad comparable a la humana en cualquier tarea intelectual. No existe una definición operativa aceptada, ni un consenso sobre cuándo llegaría. Cuando aparezca en un titular, traduce mentalmente por "concepto en disputa".

Las palabras que ya son ley

Los términos de arriba los fija el uso. Los de aquí los fija un reglamento, y eso cambia lo que significan: no son una manera de hablar, son el texto con el que se decide quién responde de qué. Están tomados del artículo 3 del Reglamento (UE) 2024/1689, el reglamento europeo de inteligencia artificial, en su versión oficial en español.

Conviene una advertencia antes de seguir: esto es divulgación, no asesoramiento jurídico. Las definiciones son literales; lo que viene después de cada una es una traducción al castellano llano, y para saber si te aplican a ti hace falta un abogado.

Sistema de IA

La definición oficial es «un sistema basado en una máquina que está diseñado para funcionar con distintos niveles de autonomía y que puede mostrar capacidad de adaptación tras el despliegue, y que, para objetivos explícitos o implícitos, infiere de la información de entrada que recibe la manera de generar resultados de salida, como predicciones, contenidos, recomendaciones o decisiones, que pueden influir en entornos físicos o virtuales».

Fíjate en lo que no dice: no menciona redes neuronales, ni modelos de lenguaje, ni aprendizaje profundo. La palabra que hace el trabajo es infiere. Un programa que aplica reglas que alguien escribió a mano no infiere nada; uno que deduce la salida a partir de la entrada, sí. Esa frase es la puerta de entrada a todo lo demás.

Proveedor y responsable del despliegue

Es la distinción más práctica de todo el reglamento, porque decide de qué lado de la mesa estás. Proveedor es «una persona física o jurídica, autoridad pública, órgano u organismo que desarrolle un sistema de IA o un modelo de IA de uso general o para el que se desarrolle un sistema de IA o un modelo de IA de uso general y lo introduzca en el mercado o ponga en servicio el sistema de IA con su propio nombre o marca, previo pago o gratuitamente».

Responsable del despliegue es «una persona física o jurídica, o autoridad pública, órgano u organismo que utilice un sistema de IA bajo su propia autoridad, salvo cuando su uso se enmarque en una actividad personal de carácter no profesional».

Traducido: si usas una herramienta de IA en tu negocio, lo más probable es que seas responsable del despliegue, no proveedor. Y repara en la excepción final, que es la que mucha gente pasa por alto: queda fuera el uso personal y no profesional. Usar un chatbot para organizar tus vacaciones no te mete en esto. Usarlo para atender a tus clientes, sí.

Modelo de IA de uso general

Su definición: «un modelo de IA, también uno entrenado con un gran volumen de datos utilizando autosupervisión a gran escala, que presenta un grado considerable de generalidad y es capaz de realizar de manera competente una gran variedad de tareas distintas, independientemente de la manera en que el modelo se introduzca en el mercado, y que puede integrarse en diversos sistemas o aplicaciones posteriores».

Es la categoría donde caen los modelos grandes detrás de los asistentes que usas. Importa porque el reglamento les pone obligaciones propias a quien los fabrica, separadas de las del sistema concreto que tú utilizas.

Riesgo sistémico

Su definición: «un riesgo específico de las capacidades de gran impacto de los modelos de IA de uso general, que tienen unas repercusiones considerables en el mercado de la Unión debido a su alcance o a los efectos negativos reales o razonablemente previsibles en la salud pública, la seguridad, la seguridad pública, los derechos fundamentales o la sociedad en su conjunto».

Es la etiqueta reservada a los modelos más potentes. No es un término de marketing: arrastra obligaciones concretas para quien los pone en el mercado.

Datos de entrenamiento

Su definición: «los datos usados para entrenar un sistema de IA mediante el ajuste de sus parámetros entrenables». Es la versión jurídica de lo que más arriba llamábamos entrenamiento, y el reglamento la separa de los datos de validación y de prueba, que tienen su propia definición.

Ultrasuplantación

Esta es la palabra que casi nadie conoce, y es la oficial. Donde todo el mundo dice deepfake, el texto español dice ultrasuplantación, y la define como «un contenido de imagen, audio o vídeo generado o manipulado por una IA que se asemeja a personas, objetos, lugares, entidades o sucesos reales y que puede inducir a una persona a pensar erróneamente que son auténticos o verídicos».

No se queda en el nombre. El artículo 50 del mismo reglamento establece que «Los responsables del despliegue de un sistema de IA que genere o manipule imágenes o contenidos de audio o vídeo que constituyan una ultrasuplantación harán público que estos contenidos o imágenes han sido generados o manipulados de manera artificial», con excepciones previstas en el propio texto. Dicho de otro modo: es una obligación de avisar, y recae sobre quien usa la herramienta, no sobre quien la fabrica.

Si quieres el detalle de a quién obliga el reglamento y desde cuándo, está en el reglamento europeo de IA explicado para autónomos.

Con estos términos puedes leer casi cualquier anuncio del sector y distinguir lo que describe un mecanismo de lo que solo describe una intención. Es, en buena medida, todo el truco.