Glosario IA

Ajustar un modelo de IA de propósito general para que funcione bien en un campo especializado, como el legal, el sanitario o el asegurador, con su lenguaje y sus reglas.

La adaptación de dominio consiste en conseguir que un modelo de propósito general funcione bien en un dominio especializado, como documentos legales, historias clínicas o siniestros de seguros. Los modelos generales saben mucho, pero pueden fallar con el vocabulario, los formatos y las reglas de un sector o de una empresa. Las opciones van desde darle contexto del dominio en cada consulta con generación aumentada por recuperación (RAG), hasta hacer fine-tuning con ejemplos del dominio o seguir su preentrenamiento con mucho texto del sector. Cuál encaja depende de si lo que falta es conocimiento, comportamiento o lenguaje.

El plan vivo de un agente de IA: los próximos pasos en orden, las subtareas abiertas, lo bloqueado y los puntos de control hacia un objetivo.

La agenda de un agente es el plan de trabajo que mantiene un agente de IA mientras ejecuta una tarea. Recoge las próximas acciones, las subtareas abiertas, lo que está bloqueado a la espera de datos o de una aprobación y los pasos ya hechos, y se actualiza según llegan los resultados de las herramientas. Sale de dividir el objetivo en pasos y revisarlos a medida que el agente aprende más, un enfoque estudiado en la investigación sobre planificar antes de actuar y sobre alternar razonamiento y acciones. Mostrar la agenda en la interfaz y en los registros hace que la ejecución del agente se pueda inspeccionar y contrastar con los requisitos y los criterios de aceptación.

Software que persigue un objetivo decidiendo sus propios pasos, usando herramientas y datos, y actuando sobre sistemas con poca intervención humana.

Un agente de IA es un software que recibe un objetivo, decide los pasos para llegar a él y los ejecuta. Hoy la mayoría usa un modelo de lenguaje grande como núcleo de razonamiento: el modelo lee la situación, elige qué herramienta llamar (una búsqueda, una API, una consulta a base de datos, un cálculo), mira el resultado y decide qué hacer después. El ciclo se repite hasta cumplir el objetivo, llegar a un límite o necesitar a una persona. Lo que lo distingue de un script es que el camino no está fijado de antemano: el modelo lo elige en cada ejecución.

Arquitectura de IA que usa agentes autónomos para buscar, evaluar y sintetizar información de forma iterativa en varias fuentes hasta responder una pregunta compleja.

El agentic RAG va más allá de la recuperación de documentos en un solo paso del RAG tradicional. En lugar de extraer datos una sola vez a partir de la petición inicial, da autonomía a un agente de IA para dividir una tarea compleja, formular sus propias consultas y evaluar el contexto que recupera. Si la información inicial está incompleta, el agente ajusta su enfoque y vuelve a buscar en distintos sistemas de la empresa. Este proceso iterativo permite a la IA realizar razonamientos en varios pasos y conectar datos fragmentados.

Inventario legible por máquina de todo aquello con lo que se construye un sistema de IA: modelos, datasets, dependencias, licencias y su linaje.

Un AI bill of materials (AI BOM) es un inventario de los componentes de un sistema de IA: modelos base y sus versiones, adaptadores y ajustes finos, datasets de entrenamiento y evaluación, librerías de software, contenedores y las licencias y la procedencia de cada uno. Lleva a la IA la idea del software bill of materials (SBOM). Con él, los equipos de seguridad, legal y riesgos ven de qué depende un sistema, valoran la exposición cuando un modelo o una librería tiene un problema y responden a auditores y reguladores. Estándares como OWASP CycloneDX (ML-BOM) y SPDX 3.0 (perfiles de IA y de datasets) definen formatos para él.

Cuando un modelo de lenguaje produce información que suena verosímil pero es falsa, inventada o no está respaldada por sus fuentes.

Una alucinación de la IA es una salida de un modelo de lenguaje que se lee segura y fluida pero es errónea: un dato inventado, una cita que no existe, una cifra que no está en el documento o una afirmación que contradice el contexto que recibió el modelo. Ocurre porque estos modelos generan las palabras más probables, no hechos verificados, y cuando les falta información lo convierten en una suposición verosímil en lugar de reconocerlo. No se pueden eliminar del todo, pero anclar el modelo a fuentes (por ejemplo con RAG), dar instrucciones claras, pedir citas y comprobar la confianza las reduce en producción.

Uso de la IA para identificar el tono o la emoción de un texto, como positivo, negativo o neutro, y a menudo a qué se refiere.

El análisis de sentimiento clasifica la actitud que expresa un texto: si una reseña, un mensaje o una respuesta de encuesta es positiva, negativa o neutra, y a veces qué emoción muestra, como frustración o satisfacción. Las versiones más detalladas, el análisis de sentimiento por aspectos, ligan cada opinión a lo que se refiere; por ejemplo, un cliente al que le gusta el producto pero se queja de la entrega. Empezó con listas de palabras y aprendizaje automático clásico; hoy los modelos de lenguaje entienden mejor la ironía, el contexto y las opiniones mezcladas. Las empresas lo usan para seguir a escala las opiniones de clientes, las redes sociales, la percepción de marca y la calidad del servicio.

Uso de datos históricos, estadística y machine learning para estimar qué es probable que pase: demanda, bajas de clientes, averías, fraude o ventas.

El analytics predictivo usa datos históricos junto con modelos estadísticos y de machine learning para estimar resultados futuros o valores desconocidos. Las preguntas típicas son cuánta demanda habrá el mes que viene, qué clientes es probable que se vayan, qué máquina puede averiarse o qué transacción parece fraudulenta. El resultado suele ser una probabilidad o una previsión, que sirve para actuar antes: ajustar el stock, llamar a un cliente o programar un mantenimiento. Está entre la analítica descriptiva, que explica lo que pasó, y la prescriptiva, que recomienda qué hacer.

Interfaz definida que permite a un sistema pedir datos o acciones a otro; es la forma en que las aplicaciones llaman a los modelos de IA y los conectan con los sistemas de negocio.

Una interfaz de programación de aplicaciones (API) es un contrato entre dos programas: dice qué peticiones puede enviar un sistema, en qué formato y qué recibirá a cambio. La mayoría de las APIs actuales funcionan por la web, con peticiones y respuestas en JSON, y a menudo se describen con un formato estándar como la OpenAPI Specification. En IA, las APIs son la vía para que las aplicaciones llamen a los grandes modelos de lenguaje (de proveedores como OpenAI o Anthropic), generen embeddings y usen otros servicios de IA. También son la vía para que los agentes de IA lleguen a los sistemas propios de la organización, como un CRM, un ERP o una herramienta de incidencias, para leer datos y ejecutar acciones.

Forma de entrenar un modelo común entre muchos dispositivos u organizaciones dejando los datos donde están y compartiendo solo actualizaciones del modelo.

El aprendizaje federado entrena un modelo de aprendizaje automático entre muchos poseedores de datos separados, como móviles, hospitales u oficinas bancarias, sin reunir sus datos en bruto en un solo sitio. Cada participante entrena el modelo actual con sus propios datos y devuelve solo la actualización resultante; un servidor coordinador combina esas actualizaciones en un nuevo modelo común y repite el proceso. Lo propusieron investigadores de Google, cuyo algoritmo de promediado federado sigue siendo la referencia. Encaja en sectores regulados y casos con datos sensibles en los que los datos no pueden o no deben salir de su origen.

Conseguir que un modelo haga una tarea a partir de muy pocos ejemplos, algo que los modelos de lenguaje grandes logran leyendo esos ejemplos en el prompt.

El aprendizaje few-shot consiste en que un modelo resuelva una tarea a partir de muy pocos ejemplos etiquetados, algo útil cuando esos datos escasean o son caros. Con los modelos de lenguaje grandes suele hacerse mediante aprendizaje en contexto: se ponen unos pocos ejemplos de entrada y salida en el prompt y el modelo continúa el patrón, sin reentrenarlo. La idea se popularizó cuando unos investigadores mostraron que un modelo de lenguaje lo bastante grande podía hacer muchas tareas así. Es rápido de montar y fácil de cambiar, pero el resultado depende mucho de qué ejemplos eliges.

Forma de entrenar a un agente por prueba y error: actúa, recibe recompensas o penalizaciones y aprende a maximizar la recompensa total a lo largo del tiempo.

El aprendizaje por refuerzo (RL, por sus siglas en inglés) es una rama del machine learning en la que un agente aprende interactuando con un entorno. En cada paso observa la situación, toma una acción y recibe una recompensa o una penalización; tras muchos intentos aprende una política que maximiza la recompensa acumulada. A diferencia del aprendizaje supervisado, nadie le da la respuesta correcta en cada caso: tiene que descubrir qué acciones compensan, a veces mucho después. Se usa en robótica, juegos, control y optimización, y una variante con feedback humano es un paso clave en el entrenamiento de los modelos de chat actuales.

Arquitectura que separa el contenido y la lógica de negocio de la presentación y los entrega mediante APIs a cualquier canal.

La arquitectura headless desacopla el back end, donde viven el contenido, los datos y la lógica de negocio, del front end que los muestra. El back end no tiene capa de presentación propia, la «cabeza»; en su lugar lo expone todo mediante APIs, normalmente REST o GraphQL. Así, webs, apps móviles, quioscos, asistentes de voz y agentes de IA pueden consumir el mismo contenido y los mismos servicios y presentarlos a su manera. Esto facilita las experiencias omnicanal y deja añadir canales nuevos, personalización e IA sin rehacer el núcleo.

Diseño de software en el que los sistemas se comunican publicando eventos, como «pedido realizado», y reaccionando a ellos, en lugar de llamarse directamente.

En una arquitectura orientada a eventos, el componente que detecta un cambio (un pedido realizado, un pago fallido, una lectura de un sensor) publica un evento, y los componentes a los que les interesa reaccionan por su cuenta. Los eventos viajan por un broker o una plataforma de streaming, así que quien los produce no necesita saber quién los consume. Esto desacopla los sistemas, permite que varios consumidores actúen sobre el mismo evento y facilita procesar casi en tiempo real y a gran escala. En IA, es la forma de que los modelos y los agentes se activen con lo que pasa en el negocio, sin esperar a un proceso nocturno o a que un usuario pregunte.

Que el software ejecute tareas sin que una persona haga cada paso, cada vez más con IA para decidir y entender datos no estructurados.

La automatización es la ejecución de tareas o procesos por software o máquinas sin que una persona haga cada paso. La automatización clásica sigue reglas fijas: si pasa esto, haz aquello. Con IA, puede leer documentos, entender peticiones, clasificar casos y tomar decisiones acotadas, así que llega a trabajo que antes pedía criterio humano. La hiperautomatización amplía esto de tareas sueltas a procesos de negocio completos, combinando flujos, RPA, modelos de IA y personas.

Un repositorio estructurado de la información de una organización, como documentos, preguntas frecuentes y políticas, en el que personas y asistentes de IA buscan respuestas.

Una base de conocimiento es un repositorio estructurado del conocimiento de una organización: documentos, preguntas frecuentes, políticas, procedimientos, fichas de producto y casos resueltos. Antes era sobre todo un centro de ayuda en el que buscaban las personas; hoy también es la fuente de la que tiran los sistemas de generación aumentada por recuperación (RAG) y los asistentes de IA para responder con datos de la empresa. Para eso, el contenido se divide en fragmentos, se indexa (a menudo como embeddings en una base de datos vectorial) y se guarda con sus metadatos y permisos de acceso. Thinkia Knowledge Core es un ejemplo de este tipo de sistema.

Base de datos pensada para guardar embeddings y devolver, rápido y a escala, los vectores más parecidos a un vector de consulta.

Una base de datos vectorial guarda embeddings: listas de números que representan el significado de un texto, una imagen u otro elemento. Con una consulta convertida en embedding, devuelve los elementos cuyos vectores están más cerca, que suelen ser los más parecidos en significado. Para hacerlo rápido sobre millones de elementos usa índices de vecinos más cercanos aproximados, como HNSW, que sacrifican un poco de precisión a cambio de velocidad. Es una pieza básica de la búsqueda semántica y de la generación aumentada por recuperación (RAG), y casi todos los productos guardan también metadatos para filtrar por fecha, origen o permisos.

Modelo de lenguaje Transformer de Google, preentrenado para leer el contexto en ambas direcciones; muy usado en búsqueda, clasificación y embeddings.

BERT (Bidirectional Encoder Representations from Transformers) es un modelo de lenguaje que presentaron investigadores de Google en 2018. Se preentrena con grandes cantidades de texto sin etiquetar ocultando algunas palabras y aprendiendo a predecirlas a partir de las que tienen a ambos lados, lo que le da una buena comprensión del contexto. Después, un BERT preentrenado se ajusta con una sola capa de salida adicional para tareas como responder preguntas, clasificar o reconocer entidades. Lee y representa el texto en lugar de generarlo, y los codificadores tipo BERT siguen siendo la base de muchos sistemas de búsqueda semántica y embeddings.

Conjuntos de datos tan grandes, rápidos o variados que las bases de datos y herramientas tradicionales no pueden guardarlos ni procesarlos con eficiencia; materia prima de la IA.

Big data son conjuntos de datos cuyo tamaño, velocidad o variedad superan lo que las bases de datos y herramientas tradicionales manejan con eficiencia. Incluye transacciones, registros de sistemas, lecturas de sensores, navegación web, documentos, imágenes y audio. Trabajar con ellos pide almacenamiento y procesamiento distribuidos, como data lakes, lakehouses y plataformas de datos en la nube. Para la IA, el big data es la materia prima: sirve para entrenar y evaluar modelos y para alimentar aplicaciones con información actual. El volumen por sí solo no da valor; lo dan la calidad, la gobernanza y un uso claro.

Software que automatiza conversaciones o tareas repetitivas, como un chatbot que responde por escrito o un voicebot que habla.

Un bot es software que hace tareas conversacionales o repetitivas de forma automática. Un chatbot habla por texto en una web, una app o un canal de mensajería; un voicebot habla por voz, por ejemplo en una línea telefónica. Los bots antiguos seguían reglas fijas y árboles de decisión; los actuales suelen usar grandes modelos de lenguaje (LLM) para entender texto libre y responder con lenguaje natural, a menudo con acceso al conocimiento y los sistemas de la empresa. En atención al cliente y soporte interno resuelven las peticiones frecuentes y pasan los casos complejos a una persona.

Forma de recuperar información que combina la búsqueda por palabras clave (como BM25) con la búsqueda semántica vectorial y fusiona ambas listas.

La búsqueda híbrida lanza dos tipos de recuperación sobre el mismo contenido y une los resultados. La búsqueda por palabras clave, normalmente con una función de ranking como BM25, encuentra documentos que contienen las palabras exactas de la consulta, algo clave para códigos de producto, números de póliza, nombres y jerga. La búsqueda vectorial encuentra documentos con un significado parecido aunque usen otras palabras. Combinarlas cubre más que cualquiera de las dos por separado; por eso la búsqueda híbrida es una opción por defecto habitual en buscadores empresariales y en la generación aumentada por recuperación (RAG).

Búsqueda que encuentra contenido por lo que significa y no por coincidencia exacta de palabras, normalmente comparando embeddings de la consulta y los documentos.

La búsqueda semántica recupera contenido según su significado, no por coincidencias literales de palabras. Las consultas y los documentos se convierten en embeddings, y el sistema devuelve los documentos cuyos vectores están más cerca del de la consulta. Así encuentra la política de «permisos retribuidos» cuando alguien pregunta por «días libres», o un documento escrito en otro idioma. Es la capa de recuperación de la mayoría de asistentes corporativos y sistemas RAG, a menudo combinada con búsqueda por palabras clave y filtros de metadatos.

Forma de pedir o entrenar a un modelo de lenguaje para que escriba los pasos intermedios de su razonamiento antes de dar la respuesta final.

La cadena de razonamiento (chain-of-thought, CoT) es una técnica en la que un modelo de lenguaje grande escribe pasos intermedios antes de responder, en lugar de contestar directamente. Nació como técnica de prompting: enseñar al modelo unos pocos ejemplos con el razonamiento resuelto mejoraba sus resultados en problemas aritméticos, de sentido común y simbólicos. Hoy muchos modelos están entrenados para razonar paso a paso por sí solos. Se usa en la planificación de agentes y la elección de herramientas, y los pasos escritos ayudan a revisar cómo se llegó a una respuesta, aunque no son un registro garantizado del proceso interno del modelo.

Escenario de negocio concreto en el que se aplica la IA a una tarea específica, para unos usuarios concretos y con un resultado medible.

Un caso de uso de IA es un escenario de negocio concreto en el que se aplica la IA a una tarea definida: por ejemplo, automatizar la primera línea de atención al cliente, resumir expedientes de siniestros o predecir averías de equipos. Un caso de uso bien definido dice quién lo usa, qué problema resuelve, qué datos y sistemas necesita y cómo se va a medir el éxito. Identificar y priorizar casos de uso es el paso que convierte una estrategia de IA en proyectos. El término viene de la ingeniería de software, donde un caso de uso describe cómo interactúa un usuario con un sistema para lograr un objetivo.

Registro gobernado de las skills que pueden usar los agentes de IA, con nombres, versiones, responsables, herramientas necesarias y dependencias.

Un catálogo de skills es el registro donde una organización controla las skills que pueden cargar sus agentes de IA: paquetes de instrucciones, scripts y recursos que enseñan a un agente a hacer una tarea concreta. De cada skill recoge qué hace, quién la mantiene, qué versión está vigente, qué herramientas y permisos necesita y cómo se combina con otras. Evita que proliferen prompts sin control entre equipos (prompts en la sombra), hace las skills reutilizables y auditables y encaja con el cambio spec-driven: primero se actualiza la especificación, luego el paquete de skill y después los despliegues que lo usan.

Asistente conversacional que habla con los usuarios por texto, guiado por reglas predefinidas o por un modelo de lenguaje grande.

Un chatbot es un software que mantiene una conversación con los usuarios por texto y, a veces, por voz. Los chatbots de reglas reconocen la intención del mensaje y responden con respuestas o flujos ya definidos. Los chatbots basados en LLM usan un modelo de lenguaje grande para entender preguntas abiertas y generar respuestas naturales, a menudo apoyadas en documentos de la empresa mediante recuperación. Se usan en atención al cliente, ventas y herramientas internas: allí donde la gente necesita una respuesta o una gestión sencilla sin esperar a una persona.

Asistente de IA integrado en una aplicación o flujo de trabajo que ayuda a una persona a escribir, programar o analizar, mientras ella mantiene el control.

Un copilot es un asistente de IA integrado en las herramientas que la gente ya usa, como un editor de código, una suite ofimática o una aplicación de negocio. Sugiere texto, código o acciones, responde preguntas sobre el contenido del usuario y automatiza pequeños pasos, pero es la persona quien decide qué acepta. Ejemplos conocidos son GitHub Copilot para desarrollo de software y Microsoft Copilot en las aplicaciones de Office. El término se ha vuelto genérico para la asistencia de IA en contexto, frente a los agentes que hacen el trabajo por su cuenta.

Conjunto de documentos o textos que se usa para entrenar un modelo o como base de conocimiento de la que un sistema de IA recupera información, como en RAG.

Un corpus es una colección estructurada de documentos reunida con un fin. En IA cumple dos papeles: como datos de entrenamiento, el texto del que aprende un modelo de lenguaje, y como base de conocimiento, los documentos en los que busca un sistema de generación aumentada por recuperación (RAG) para fundamentar sus respuestas. En una empresa, el corpus suele ser el conjunto de políticas, manuales, contratos, tickets o fichas de producto que un asistente puede usar. Su calidad, cobertura, actualización y estructura afectan directamente a lo bien que recupera el sistema y a la precisión de sus respuestas.

Condiciones comprobables que definen cuándo una funcionalidad o la salida de un modelo está terminada y es correcta, para que «hecho» se compruebe en vez de discutirse.

Los criterios de aceptación son las condiciones concretas y observables que un trabajo debe cumplir para darse por aceptado. En software suelen ir unidos a una historia de usuario y se redactan para que cualquiera pueda comprobarlos, a menudo con la forma Given-When-Then (dado, cuando, entonces). En sistemas de IA traducen los requisitos en comprobaciones medibles: la salida sigue un esquema, las respuestas coinciden con un conjunto de respuestas de referencia, se citan las fuentes, se respetan las reglas de seguridad y la calidad se mantiene por encima de un umbral acordado. Sostienen los entornos de evaluación, las pruebas de regresión y la revisión humana, y enlazan la especificación con una calidad medible.

Gestión de relaciones con clientes: la estrategia y el software para gestionar datos e interacciones con clientes; la IA añade predicción, automatización y asistentes.

CRM son las siglas en inglés de gestión de relaciones con clientes. El término abarca dos cosas: una estrategia para gestionar la relación con clientes y potenciales clientes durante todo su ciclo de vida, y el software que la soporta, donde se guardan contactos, cuentas, oportunidades, casos y cada interacción. Un CRM da a ventas, marketing y servicio una visión común de cada cliente. La IA lo amplía con predicciones (qué leads priorizar, qué clientes pueden irse), automatización de tareas rutinarias y asistentes que resumen cuentas o redactan mensajes. La calidad de esa IA depende de la calidad de los datos del CRM.

Reducir la precisión numérica de los pesos o activaciones de un modelo, por ejemplo a INT8 o INT4, para que ocupe menos y la inferencia sea más rápida y barata.

La cuantización es una técnica que guarda y calcula los números de un modelo con menos bits, por ejemplo enteros de 8 o 4 bits en lugar de coma flotante de 16 o 32 bits. El modelo ocupa menos memoria, mueve menos datos y puede ir más rápido en GPU, TPU, NPU o incluso CPU. A cambio pierde algo de precisión, que los métodos actuales mantienen baja en muchas tareas. Es clave para desplegar grandes modelos de lenguaje con un coste razonable y para ejecutarlos en hardware más pequeño, en las instalaciones propias o en dispositivos.

La experiencia de cliente es la suma de las interacciones de un cliente con una empresa y cómo las percibe; la IA ayuda a personalizarla y automatizarla.

La experiencia de cliente (CX) abarca cada interacción entre un cliente y una empresa, desde el primer anuncio hasta la compra, el uso, el soporte y la renovación, y la percepción que dejan esas interacciones. La forman los productos, los canales, las personas y los sistemas, no un solo departamento. La IA cambia la CX de tres formas principales: personaliza recomendaciones y mensajes, automatiza el soporte con chatbots y voicebots, y dirige cada petición al canal o la persona adecuados. El objetivo es un servicio coherente y más rápido a escala, sin perder el trato humano donde importa.

Repositorio central que guarda datos estructurados y no estructurados en crudo, como fuente para analítica, machine learning e IA.

Un data lake es un repositorio centralizado que guarda grandes volúmenes de datos estructurados, semiestructurados y no estructurados en su formato original. A diferencia de un data warehouse, no exige definir un esquema antes de cargar los datos: la estructura se aplica al leerlos. Por eso es una fuente flexible para analítica, machine learning y aplicaciones de IA que necesitan datos variados, como documentos, logs, imágenes o flujos de eventos. Sin catálogo, control de acceso y reglas de calidad, un data lake se vuelve difícil de usar muy pronto.

Secuencia automatizada de pasos que recoge datos de sus fuentes, los limpia y transforma y los entrega a los modelos, aplicaciones o análisis que los usan.

Un data pipeline, o flujo de datos, es un proceso automatizado que ingiere datos de fuentes como bases de datos, ficheros, aplicaciones o APIs, los transforma y los lleva a un destino como un almacén de datos, un feature store, un índice vectorial o una aplicación. Cada paso se define en código o configuración y se ejecuta según un calendario o cuando llegan datos nuevos. Sustituye las extracciones manuales y las hojas de cálculo por un proceso repetible que se puede vigilar y auditar. En IA es crítico: un modelo o un sistema RAG es tan actual y fiable como los datos que le llegan.

Datos generados artificialmente que reproducen los patrones estadísticos de los datos reales, usados para entrenar, probar o compartir modelos cuando los reales escasean o son sensibles.

Los datos sintéticos son datos creados por un modelo o una simulación, no recogidos de hechos reales, y pensados para conservar las propiedades estadísticas útiles de un conjunto original. Se usan para ampliar conjuntos escasos, equilibrar casos raros, probar sistemas sin exponer datos personales y simular situaciones difíciles de observar. Su calidad depende de los datos de partida y del modelo que los genera: pueden pasar por alto valores atípicos, heredar los sesgos del origen y, si están mal hechos, seguir revelando información de personas reales. Hace falta gobierno para comprobar que sirven para su propósito y no incorporan sesgos dañinos.

Tipo de machine learning que usa redes neuronales de muchas capas para aprender patrones directamente de datos en bruto como texto, imágenes o sonido.

El deep learning, o aprendizaje profundo, es una rama del machine learning basada en redes neuronales artificiales con muchas capas. Cada capa transforma su entrada en una representación algo más abstracta, así que la red aprende por sí misma las características útiles en lugar de depender de las que diseña una persona. El entrenamiento ajusta millones o miles de millones de parámetros con grandes conjuntos de datos y el algoritmo de retropropagación. El deep learning sostiene la visión por computador, el reconocimiento de voz, los modelos de lenguaje y la mayor parte de la IA más avanzada de hoy.

Una forma de construir software en la que primero se escribe una especificación explícita y revisable, y de ella salen el código, las pruebas y la documentación.

El desarrollo guiado por especificaciones (spec-driven development, SDD) trata la especificación como fuente de verdad: requisitos, criterios de aceptación, contratos de API y esquemas de eventos se escriben y revisan antes que el código. Después, los equipos generan o escriben stubs, pruebas y documentación a partir de ella, y así se reduce la distancia entre lo acordado y lo construido. Con los agentes de código con IA la idea ha ganado peso, porque una especificación precisa le da al modelo un contrato acotado en lugar de una petición vaga. La especificación es un documento vivo que se actualiza cuando el equipo entiende mejor el problema, y el código la sigue.

Partir un objetivo en subtareas más pequeñas que un agente de IA, varios agentes o un equipo puedan ejecutar y comprobar una a una.

La descomposición de tareas convierte un objetivo de alto nivel en pasos más pequeños, en orden o en paralelo, cada uno con entradas, salidas y una forma clara de saber cuándo está terminado. En sistemas de IA, es lo que permite a un modelo de lenguaje o a un grupo de agentes abordar trabajo demasiado grande o variado para un solo prompt. La descomposición puede escribirla una persona, como en un flujo definido, o generarla el propio modelo en forma de plan. Une el trabajo de especificación (casos de uso y criterios de aceptación) con el razonamiento paso a paso, las herramientas y la orquestación, y es una de las principales formas de evitar que los agentes se salgan de su alcance.

Entrenar un modelo alumno más pequeño para que reproduzca el comportamiento de un modelo profesor mayor, y así funcione más rápido y barato sin perder mucha calidad.

La destilación de conocimiento transfiere lo que ha aprendido un modelo profesor grande a un modelo alumno más pequeño. En lugar de aprender solo de las etiquetas correctas, el alumno aprende de las salidas del profesor, que llevan más información, por ejemplo cuán probable le parecía cada respuesta alternativa. El resultado es un modelo compacto, más barato y rápido de ejecutar en producción, a menudo con una pérdida de calidad moderada en la tarea objetivo. Se suele combinar con la cuantización y con modelos de lenguaje pequeños (SLM) para construir asistentes eficientes.

Periodo en el que un sistema, máquina o servicio no está disponible. La IA predictiva ayuda a reducir el no planificado anticipando averías antes de que ocurran.

El downtime o tiempo de inactividad es el tiempo en el que un sistema, una máquina o un servicio no puede hacer su trabajo. Puede ser planificado, como un mantenimiento programado, o imprevisto, por averías, errores o incidentes. El imprevisto suele ser el caro, porque para la producción o el servicio sin aviso. La IA predictiva usa datos de sensores, logs y operación para detectar los patrones que preceden a un fallo, de modo que el equipo pueda intervenir antes. Es un caso de uso central en fabricación, energía, logística y otros sistemas críticos, y la idea detrás de la operación sin interrupciones (zero downtime).

Lista de números (un vector) que representa el significado de un texto, una imagen o un audio, de modo que los significados parecidos quedan cerca.

Un embedding es un vector numérico denso que genera un modelo para representar el significado de una palabra, una frase, un documento, una imagen o un sonido. El modelo se entrena para que los elementos con significado parecido queden cerca en ese espacio vectorial, aunque no compartan palabras. Comparar vectores, normalmente con la similitud del coseno, permite encontrar contenido relacionado, agruparlo o detectar duplicados. Los embeddings son la base de la búsqueda semántica y del paso de recuperación en los sistemas RAG.

Proceso de enseñar a un modelo a partir de datos ajustando sus parámetros, desde el preentrenamiento general hasta el ajuste fino para una tarea concreta.

El entrenamiento es el proceso por el que un modelo de machine learning aprende a partir de datos. El modelo hace predicciones, una medida de error las compara con el resultado esperado y un algoritmo de optimización ajusta sus parámetros para reducir ese error, pasada tras pasada sobre los datos. En los grandes modelos de lenguaje, el entrenamiento va por fases: preentrenamiento con enormes volúmenes de texto general, ajuste fino (fine-tuning) para tareas o dominios concretos y, a menudo, alineamiento con feedback humano. Entrenar requiere datos, capacidad de cálculo y conocimiento; la inferencia es lo que viene después, cuando se usa el modelo ya entrenado.

Una descripción formal y legible por máquina de los endpoints, esquemas de datos, autenticación y errores de una API, como un documento OpenAPI.

Una especificación de API es una descripción formal de cómo funciona una API: qué endpoints u operaciones ofrece, qué debe llevar cada petición, qué devuelve cada respuesta, cómo funciona la autenticación y qué errores pueden darse. Escrita en un formato estándar que lee una máquina, como OpenAPI, a menudo con JSON Schema para los datos, permite que clientes y servidores se entiendan sin ambigüedad. El mismo documento sirve para la documentación, los servidores mock, el código de cliente generado y las pruebas de contrato. En los sistemas de IA también importa para el tool calling, porque el modelo debe producir llamadas que encajen con un esquema estricto.

Especificación lo bastante precisa para ejecutarse, de modo que genera o guía pruebas, simulaciones o código sin traducción manual.

Una especificación ejecutable es una descripción del comportamiento requerido escrita con tanta precisión que una máquina puede comprobarla o actuar sobre ella. En lugar de un documento que alguien lee y después traduce a pruebas, la propia especificación se ejecuta: ejemplos concretos ligados a código de prueba, esquemas que validan datos, contratos que comprueban una API o restricciones que acotan lo que puede devolver un modelo de lenguaje. Une la intención humana con la automatización, reduce la ambigüedad y mantiene especificación y sistema alineados. En el desarrollo guiado por especificaciones y asistido por IA, es lo que permite verificar el código generado contra lo que de verdad se pidió.

Documento que describe qué debe hacer un sistema desde el punto de vista del usuario y del negocio: actores, flujos, reglas y resultados esperados.

Una especificación funcional describe qué debe hacer un sistema, visto desde sus usuarios y desde el negocio, sin entrar en cómo se construye. Cubre quién usa el sistema, los recorridos y flujos que sigue, las reglas de negocio, los resultados esperados y los criterios de aceptación, además de expectativas de producto como rendimiento o accesibilidad. Alimenta los documentos de requisitos de producto, las historias de usuario y, cada vez más, las instrucciones y los guardarraíles que se dan a los agentes de IA, para que lo que se construye coincida con lo acordado. Después, las especificaciones técnicas explican cómo hacerlo.

Un plano de ingeniería que describe cómo se construirá un sistema: servicios, modelo de datos, APIs, infraestructura, riesgos y plan de despliegue.

Una especificación técnica, o tech spec, convierte lo que un sistema debe hacer en cómo se va a construir. Describe la arquitectura y los componentes, el modelo de datos, las APIs e integraciones, la infraestructura, los objetivos no funcionales como rendimiento y disponibilidad, las medidas de seguridad y el plan de migración y despliegue, junto con las alternativas que se han valorado. Se escribe antes del grueso del desarrollo para que los problemas salgan cuando todavía son baratos de arreglar y el equipo se ponga de acuerdo en un único diseño. En sistemas de IA cubre además la elección de modelo, las baterías de evaluación, las rutas de fallback y la observabilidad, para que las herramientas y los agentes que se construyen encima tengan un contrato estable.

Especificación guardada en control de versiones junto al código y actualizada con cada cambio del sistema, en lugar de un documento estático que se queda desfasado.

Una especificación viva describe qué debe hacer un sistema y cómo encajan sus partes, y se guarda en el mismo repositorio que el código, actualizándose cada vez que el sistema cambia. Suele combinar documentos legibles con artefactos que entiende una máquina: contratos de API como ficheros OpenAPI, registros de decisiones de arquitectura (ADR), políticas y definiciones de evaluación. Como se versiona y se revisa igual que el código, sigue fiel al sistema que funciona en vez de desfasarse como un PDF. Las herramientas de IA pueden leerla para generar código y pruebas, detectar diferencias entre especificación e implementación y proponer cambios cuando cambian los contratos.

Proceso de medir lo bien que funciona un modelo o una aplicación de IA: exactitud, relevancia, seguridad, sesgo, coste y otros criterios.

La evaluación es la medición sistemática de lo bien que funciona un modelo o una aplicación de IA según los criterios que importan para su uso: exactitud, relevancia, fidelidad a las fuentes, seguridad, sesgo, estabilidad ante cambios, latencia y coste. En modelos de lenguaje combina métricas automáticas, conjuntos de prueba con respuestas conocidas, valoraciones hechas por otros modelos y revisión por personas. Los benchmarks públicos comparan modelos en general; tus propias evaluaciones te dicen si un sistema funciona con tu tarea y tus datos. Hace falta una buena evaluación antes de llevar un modelo a producción y de nuevo cada vez que cambian el modelo, el prompt o los datos.

Capacidad de explicar, en términos que una persona pueda seguir, cómo un modelo de IA llegó a un resultado o una decisión (también llamada IA explicable, XAI).

La explicabilidad es la capacidad de describir cómo un modelo de IA llega a sus resultados de forma que lo entiendan las personas afectadas. Incluye explicaciones globales (qué factores mueven el modelo en general) y locales (por qué se ha rechazado a este cliente). Importa para la confianza, para depurar modelos, para detectar sesgos y para cumplir la regulación: el RGPD y el Reglamento de IA de la UE dan a las personas y a las autoridades derecho a información significativa sobre decisiones automatizadas. La IA explicable (XAI) es el conjunto de métodos para producir esas explicaciones.

Convertir texto no estructurado, como correos, contratos o facturas, en datos estructurados: entidades, campos, relaciones y eventos.

La extracción de información consiste en sacar datos estructurados de contenido no estructurado. De un contrato puede sacar las partes, las fechas y los importes; de un correo, el cliente, el producto y lo que pide; de un informe, los hechos y cómo se relacionan. Antes hacían falta reglas o modelos entrenados para cada campo y cada tipo de documento. Hoy los modelos de lenguaje grandes extraen muchos campos de documentos muy distintos con instrucciones y unos pocos ejemplos, y suelen devolver el resultado directamente en un formato fijo como JSON. Por eso la extracción es uno de los usos más prácticos de la IA en procesos con mucho papel.

Ingeniero de software que trabaja dentro de la organización del cliente, sobre sus sistemas y sus datos, hasta que la solución funciona en producción.

Un forward deployed engineer (FDE) es un ingeniero de software integrado con el cliente, en lugar de trabajar en un producto a distancia. El rol mezcla ingeniería con trato directo con quienes usan el sistema: el FDE aprende los procesos del cliente, conecta la plataforma o el modelo con sus datos y sistemas reales, escribe el código que falta y se queda hasta que la solución funciona en el día a día. Lo popularizó Palantir, donde a estos ingenieros los llaman Deltas, y hoy es habitual en las empresas de IA, porque la IA es fácil de enseñar en una demo y difícil de poner en producción.

Seguir entrenando un modelo ya preentrenado con un conjunto de datos más pequeño y específico para que se comporte como necesitas.

El fine-tuning parte de un modelo ya preentrenado con grandes volúmenes de datos generales y lo sigue entrenando con un conjunto pequeño de ejemplos de tu dominio o tarea. Cambian los pesos del modelo, así que el nuevo comportamiento queda dentro del modelo y no hay que escribirlo en cada prompt. Sirve para enseñar un formato, un estilo, un vocabulario o una tarea concreta que el prompting por sí solo no consigue de forma estable. Es una alternativa al prompt engineering cuando hace falta más control, y lo habitual es combinarlo con la recuperación de información, no sustituirla.

Combinar información de varias fuentes, modalidades o métodos de recuperación (texto e imagen, búsqueda por palabras y vectorial) en un único resultado más completo.

La fusión es la integración de datos o representaciones de más de una fuente en una sola salida. En IA multimodal, consiste en combinar modalidades como texto, imagen, audio o datos de sensores para que el modelo razone sobre todas a la vez. En búsqueda y RAG, consiste en unir los resultados de varios métodos de recuperación, por ejemplo búsqueda por palabras clave y búsqueda vectorial, o de varias reformulaciones de la misma consulta, en una única lista ordenada. En los dos casos el objetivo es el mismo: cada fuente cubre los huecos de las demás, y eso mejora la precisión y la riqueza del resultado.

Modelo virtual vivo de un activo, una instalación o un proceso físico, actualizado con datos en tiempo real para vigilar, anticipar y probar cambios.

Un gemelo digital es una representación virtual de algo físico, como una máquina, un edificio, una línea de producción o una cadena de suministro, que se alimenta de forma continua con datos de su equivalente real. Sensores, sistemas de control y aplicaciones de negocio envían telemetría al gemelo, así que su estado refleja lo que pasa en ese momento. Los equipos lo usan para vigilar la operación, anticipar fallos y simular decisiones antes de aplicarlas en el mundo real. La IA añade predicción, detección de anomalías y planificación de escenarios sobre el gemelo.

Las políticas, procesos y controles con los que una organización se asegura de que su IA es segura, legal, ética y vale lo que cuesta.

La gobernanza de la IA es el conjunto de políticas, roles, procesos y controles técnicos que una organización pone en marcha para usar la IA de forma responsable. Decide quién puede construir o comprar IA, qué usos se permiten, cómo se evalúan los riesgos, cómo se prueban y vigilan los sistemas y quién responde cuando algo sale mal. Abarca seguridad, privacidad, cumplimiento normativo, control de costes, trazabilidad y medición del retorno. Una buena gobernanza no frena la IA: da reglas claras para que los equipos avancen más rápido y con menos riesgo.

Propiedad, reglas de calidad, linaje y políticas que deciden quién puede usar qué datos y cómo, para que sirvan para analítica e IA.

El gobierno del dato es el conjunto de roles, derechos de decisión, políticas y controles que determinan quién es dueño de qué datos, quién puede usarlos y para qué, cómo se clasifican, conservan y protegen, y cómo se asegura su calidad. Une privacidad, seguridad, datos maestros y, cada vez más, el riesgo de los modelos. Un buen gobierno del dato es requisito para una IA conforme, unas variables fiables y unos resultados explicables, porque un modelo solo es tan fiable como los datos de los que aprende o que recupera. Es una función continua, no un proyecto puntual.

Generative pre-trained transformer: tipo de modelo de lenguaje preentrenado con grandes corpus de texto para predecir el siguiente token, que después genera texto.

GPT son las siglas de generative pre-trained transformer, un enfoque para construir modelos de lenguaje que presentó OpenAI. El modelo usa la arquitectura transformer, se preentrena primero con un volumen enorme de texto para predecir el siguiente token y después puede adaptarse a tareas concretas. Como genera el texto token a token, cada uno condicionado por los anteriores, se dice que es autorregresivo. GPT es también el nombre de la familia de modelos de OpenAI que hay detrás de ChatGPT, pero el mismo paradigma está en muchos otros grandes modelos de lenguaje.

Forma de guardar la información como una red de entidades y de las relaciones entre ellas, que da a los sistemas de IA una estructura y un contexto que el texto plano no tiene.

Un grafo de conocimiento representa la información como nodos (entidades como clientes, productos, contratos o personas) unidos por aristas con nombre (relaciones como «firmó», «suministra» o «depende de»). Como las conexiones son explícitas, un sistema puede recorrerlas para responder preguntas que cruzan varias fuentes, como qué proveedores se ven afectados por una pieza retrasada. Google popularizó el término en 2012 para describir una búsqueda basada en «cosas, no cadenas de texto». En la IA empresarial, los grafos de conocimiento mejoran la recuperación y el razonamiento en RAG porque añaden estructura y significado que la búsqueda por texto no encuentra.

El grounding ata las respuestas de un modelo a fuentes verificables, como documentos, bases de datos o búsquedas, en lugar de fiarse solo de lo que memorizó.

El grounding es la práctica de anclar las respuestas de un modelo de IA en información verificable que se le entrega en el momento de la petición, como documentos de la empresa, registros de una base de datos, resultados de una API o una búsqueda web, en lugar de depender solo de lo que aprendió en su entrenamiento. Se le indica al modelo que responda a partir de ese material y, a ser posible, que lo cite. La generación aumentada por recuperación (RAG) es la forma más común de hacer grounding de un modelo de lenguaje. El grounding reduce las alucinaciones, mantiene las respuestas al día y permite comprobar de dónde sale cada afirmación.

Controles y políticas en tiempo de ejecución que revisan lo que entra y sale de un modelo de IA para que se comporte de forma segura, dentro del tema y de las reglas.

Los guardrails son los controles que se colocan alrededor de un modelo de lenguaje, no dentro, y que deciden qué puede recibir, decir y hacer. Combinan clasificadores que detectan contenido dañino o fuera de tema, listas de permitidos y prohibidos, esquemas de salida estructurada, comprobaciones sobre las llamadas a herramientas y el paso a una persona cuando el sistema duda. Actúan en tiempo de ejecución, entre el usuario y el modelo, así que se pueden cambiar sin reentrenar. Son imprescindibles en asistentes que atienden a clientes y en flujos regulados, donde una mala respuesta tiene un coste real.

Enfoque que automatiza procesos de negocio completos, de principio a fin, combinando RPA, IA, orquestación de flujos e integración de sistemas.

La hiperautomatización busca automatizar todos los procesos de negocio en los que tenga sentido, de principio a fin, y no tarea a tarea. Gartner, que popularizó el término, la describe como identificar, evaluar y automatizar con rapidez procesos que antes necesitaban el juicio o la acción de una persona. Combina varias tecnologías: RPA para el trabajo repetitivo en pantallas, IA para leer documentos y tomar decisiones, orquestación para coordinar los pasos e integración para conectar los sistemas. El objetivo es transformar las operaciones de extremo a extremo, no solo acelerar tareas sueltas.

Requisito breve escrito desde el punto de vista del usuario, a menudo «Como… quiero… para…», con sus criterios de aceptación.

Una historia de usuario es una pieza pequeña y valiosa de funcionalidad descrita desde el punto de vista de quien la va a usar. Suele escribirse como «Como [tipo de usuario], quiero [algo] para [beneficio]» y se completa con criterios de aceptación que dicen cómo saber que está terminada. Las historias enlazan personas con resultados y sirven para ordenar y planificar el backlog de un equipo. En proyectos de IA guiados por especificaciones también anclan la evaluación: cada historia debe tener criterios de aceptación medibles y poder rastrearse hasta los prompts, las herramientas y la telemetría que la implementan.

Avatar animado y realista, movido por IA conversacional, que habla con las personas con voz y gestos en nombre de una marca o servicio.

Un humano digital es un personaje animado realista, normalmente en 3D, que mantiene una conversación hablada con una persona. Detrás de la cara hay IA conversacional: reconocimiento del habla para escuchar, un modelo de lenguaje y el conocimiento de la empresa para decidir la respuesta, síntesis de voz para decirla y una animación que sincroniza labios, mirada y gestos. El objetivo es una interacción más natural y cercana que la de un chatbot de texto, por ejemplo en un quiosco, una app o una web. Thinkia tiene un producto, Digital Humans, basado en esta idea.

Diseño en el que personas revisan, aprueban o corrigen las salidas de un sistema de IA antes de que tengan efecto, o intervienen cuando el sistema duda.

Human-in-the-loop (HITL), o humano en el bucle, es una forma de diseñar sistemas de IA para que una persona revise, apruebe o corrija la salida antes de que tenga efecto. Esa persona puede revisar todas las decisiones, solo las dudosas o de mayor impacto, o una muestra. Es habitual en decisiones delicadas, como crédito, siniestros, selección de personal o apoyo médico, y en agentes que actúan sobre sistemas reales. Además genera correcciones que sirven para mejorar el modelo. El Reglamento Europeo de IA exige que los sistemas de alto riesgo se diseñen para que las personas puedan supervisarlos de forma efectiva.

Sistemas de IA que persiguen un objetivo con cierta autonomía: planifican pasos, usan herramientas y actúan sobre sistemas, en lugar de solo responder.

La IA agéntica son sistemas construidos sobre un modelo de lenguaje que hace algo más que generar texto: decide qué hacer a continuación, llama a herramientas o API, lee el resultado y sigue hasta cumplir el objetivo o necesitar a una persona. El grado de autonomía varía, desde flujos fijos en los que el modelo completa pasos hasta agentes que eligen su propio camino. El valor está en completar trabajo de varios pasos sobre sistemas reales; el coste, en que los errores se acumulan, así que necesitan límites claros, monitorización y puntos de control humanos. Thinkia Synapse es una plataforma agéntica para IA empresarial.

Un enfoque de entrenamiento en el que un modelo aprende a seguir un conjunto de principios escritos, una constitución, criticando y revisando sus propias respuestas.

La IA constitucional (constitutional AI) es un método que presentaron investigadores de Anthropic en 2022 para entrenar asistentes de IA útiles, honestos e inofensivos usando como principal aportación humana una lista corta de principios escritos: la constitución. En una primera fase, el modelo critica y reescribe sus propias respuestas según esos principios y se ajusta con las versiones revisadas. En una segunda fase, el modelo compara pares de respuestas según los principios, y esos juicios de la IA entrenan un modelo de preferencias que sirve de recompensa, lo que se llama aprendizaje por refuerzo con feedback de IA (RLAIF). El resultado es un modelo que puede atender peticiones difíciles y explicar sus objeciones, con muchas menos etiquetas humanas sobre contenido dañino. Las empresas aplican ideas parecidas en capas de políticas y guardrails.

IA que mantiene conversaciones naturales y con contexto con las personas, por texto o por voz, y puede actuar sobre lo que piden.

La IA conversacional es el conjunto de tecnologías que permiten a una máquina conversar con una persona en lenguaje natural, por texto o por voz. Une la comprensión del lenguaje, una gestión del diálogo que mantiene el contexto, la generación de la respuesta y, en voz, el reconocimiento y la síntesis del habla. Los modelos de lenguaje grandes han hecho estos sistemas mucho más flexibles que los chatbots basados en reglas, y conectarlos con los sistemas de la empresa les permite no solo responder, sino también actuar: consultar un pedido o reservar una cita, por ejemplo. Es la base de asistentes virtuales, de la automatización del contact center y de los humanos digitales.

IA construida y operada para grandes organizaciones: gobernada, segura, escalable e integrada con los sistemas existentes, como ERP, CRM y plataformas de datos.

La IA empresarial es la IA diseñada, desplegada y operada dentro de grandes organizaciones, frente a las herramientas de consumo que usa cada persona por su cuenta. Tiene que trabajar con los datos y sistemas de la empresa, como ERP, CRM, repositorios documentales e identidad, y respetar sus permisos. Debe cumplir requisitos que una app de consumo puede ignorar: seguridad, privacidad, cumplimiento normativo, trazabilidad, disponibilidad y control de costes. Lo difícil rara vez es el modelo; es la integración, la gobernanza y conseguir que la solución entre en la operación diaria.

Ejecutar modelos de IA en dispositivos o servidores locales cerca de donde se generan los datos, para bajar la latencia, no sacar los datos y funcionar sin conexión fija.

La IA en el edge consiste en ejecutar la inferencia en el propio dispositivo que genera los datos, o cerca de él, como una cámara, un sensor, un móvil, un vehículo o un servidor en planta, en lugar de enviarlo todo a una nube central. Reduce la latencia, ahorra ancho de banda, mantiene los datos sensibles en local y permite seguir funcionando con mala conexión. Lo habitual es entrenar los modelos en la nube y después comprimirlos y desplegarlos en el edge. El aprendizaje federado lleva la idea al entrenamiento: aprende de datos que no salen de los dispositivos.

Capacidades de IA ofrecidas como servicios gestionados en la nube, como Azure OpenAI, Amazon Bedrock o Google Vertex AI, para usar modelos sin mantener la infraestructura.

La IA en la nube son modelos, herramientas y capacidad de cálculo de IA que un proveedor ejecuta en sus centros de datos y ofrece como servicio gestionado. Algunos ejemplos son Azure OpenAI en Microsoft Azure, Amazon Bedrock en AWS y Google Vertex AI en Google Cloud. Las empresas llaman a estos servicios mediante APIs y pagan por lo que usan, en lugar de comprar GPUs y construir y mantener su propia infraestructura. La mayoría de estas plataformas incluyen además las piezas de alrededor: catálogos de modelos, fine-tuning, búsqueda vectorial, monitorización, controles de seguridad y elección de región para los datos.

IA diseñada, construida y usada según principios éticos como la equidad, la transparencia, la rendición de cuentas, la privacidad y la supervisión humana.

La IA ética es la inteligencia artificial que se diseña, desarrolla y usa de acuerdo con principios como la equidad, la transparencia, la rendición de cuentas, la privacidad y el respeto a los derechos humanos. No pregunta solo si un sistema funciona, sino si trata a las personas con justicia, si sus decisiones se pueden explicar y recurrir y quién responde cuando algo sale mal. Marcos internacionales como las directrices éticas para una IA fiable de la Comisión Europea y los Principios de IA de la OCDE recogen estos valores, y normas como la Ley Europea de IA convierten parte de ellos en obligaciones legales. Para una empresa es también una cuestión de confianza con clientes, empleados y reguladores.

IA que crea contenido nuevo, como texto, imágenes, código o audio, en lugar de limitarse a clasificar o predecir a partir de datos existentes.

La IA generativa es una familia de modelos que producen contenido nuevo a partir de una instrucción: texto, imágenes, código, audio o vídeo. En vez de asignar una etiqueta a una entrada, el modelo aprende los patrones de enormes conjuntos de datos y genera una salida que los sigue. Está detrás de asistentes como ChatGPT, de generadores de imagen, de asistentes de código y de cada vez más aplicaciones empresariales. Su fuerza es la flexibilidad; su debilidad, que una respuesta puede sonar bien y ser falsa. Por eso necesita datos de apoyo, evaluación y revisión humana cuando hay mucho en juego.

Usar especificaciones de producto y de sistema, como requisitos, contratos de API y guardrails, como la fuente que dirige modelos, agentes y evaluaciones de IA.

La IA guiada por especificaciones toma las especificaciones escritas como fuente de verdad del comportamiento de un sistema de IA. Los requisitos, los criterios de aceptación, los esquemas de APIs y herramientas y las reglas de política se conectan con los prompts, el contenido de recuperación y las baterías de evaluación, de modo que cada cambio empieza en la especificación y se propaga desde ahí. Así el comportamiento es trazable: cualquiera puede ver de qué requisito sale un prompt, una herramienta o una prueba. Es una alternativa más gobernable que ajustar prompts a base de prueba y error, y está muy ligada al spec-driven development, en el que agentes de programación construyen software a partir de especificaciones.

IA capaz de recibir y relacionar más de un tipo de dato, como texto, imágenes, audio o vídeo, a menudo dentro de un mismo modelo.

La IA multimodal trabaja con varios tipos de datos (texto, imagen, audio y vídeo) y los relaciona entre sí, a menudo en el mismo modelo. Un modelo multimodal puede describir una foto, responder preguntas sobre un documento escaneado, transcribir y resumir una llamada o encontrar imágenes a partir de una descripción. Así la IA trabaja con la información tal como existe en una empresa, que casi nunca es solo texto. La calidad sigue variando según la modalidad y la tarea, así que cada caso de uso necesita sus propias pruebas.

Sistemas, productos y procesos diseñados desde el principio con la IA como parte central, no con la IA añadida después.

Nativo en IA (AI-native) describe sistemas, productos, procesos u organizaciones diseñados con la IA como componente de primera clase desde el inicio, en lugar de añadirla a algo construido sin ella. En un producto nativo en IA, la forma principal de aportar valor al usuario depende de la IA; si la quitas, el producto deja de tener sentido. En un proceso nativo en IA, el trabajo se rediseña en torno a lo que la IA puede hacer, y las personas se centran en el criterio, las excepciones y la supervisión. El término no tiene una definición formal única y se usa en software, telecomunicaciones y consultoría con matices distintos. Thinkia se especializa en consultoría y desarrollo de plataformas nativas en IA.

IA que toma la iniciativa: se anticipa a las necesidades y actúa o avisa antes de que se lo pidan, en lugar de limitarse a responder.

La IA proactiva se anticipa a las necesidades y da el primer paso sin esperar una petición explícita: lanza una alerta, sugiere una acción, inicia un flujo o lleva una conversación hacia un objetivo. Pasa de ser reactiva, responder cuando se le pregunta, a anticiparse a partir de señales como un patrón en los datos, un cambio en la situación de un cliente o un plazo que se acerca. Bien hecha, ahorra tiempo y evita problemas; mal hecha, interrumpe y erosiona la confianza. Las preguntas de diseño son cuándo actuar, cuánta seguridad necesita el sistema y cuánto puede hacer sin una persona.

Desarrollar y usar IA con cuidado por la ética, el cumplimiento legal y el impacto social, mediante principios, roles y controles claros.

La IA responsable es la práctica de desarrollar, desplegar y usar IA prestando atención a la ética, el cumplimiento legal y el impacto social. Incluye principios como la equidad, la transparencia, la rendición de cuentas, la privacidad, la seguridad y la supervisión humana, y sobre todo los procesos que los hacen reales: gobierno, evaluación de riesgos, pruebas, documentación y monitorización. Marcos como el AI Risk Management Framework del NIST y los Principios de IA de la OCDE dan una estructura a las organizaciones, y leyes como la Ley Europea de IA hacen obligatoria una parte. En la práctica, convierte las buenas intenciones en decisiones que alguien asume y puede demostrar.

Fase en la que un modelo ya entrenado se usa para producir resultados, como una predicción, una clasificación o un texto, a partir de entradas nuevas.

La inferencia es el momento en que un modelo entrenado se pone a trabajar: recibe una entrada nueva y produce una salida, como una previsión, una etiqueta, una imagen o la respuesta de un modelo de lenguaje. El entrenamiento ocurre una vez o cada cierto tiempo; la inferencia ocurre cada vez que alguien usa el sistema. Por eso, en producción, la mayor parte del coste de operación y la sensación de velocidad que tiene el usuario dependen de la inferencia. Optimizarla es equilibrar latencia, capacidad, coste y calidad eligiendo bien el tamaño del modelo, el hardware y las técnicas de servicio.

Práctica de decidir qué información ve un modelo en cada paso (instrucciones, documentos recuperados, resultados de herramientas, memoria) y encajarla en su ventana de contexto.

La ingeniería de contexto es la disciplina de diseñar todo lo que entra en la ventana de contexto de un modelo, no solo el prompt. Incluye qué documentos se recuperan, qué salidas de herramientas se conservan, cómo se resume la conversación anterior, qué memoria a largo plazo se recupera y en qué orden va todo dentro de un presupuesto limitado de tokens. La idea es sencilla: el modelo solo razona sobre lo que le das, así que la calidad de la respuesta depende tanto del contexto como del modelo. Es la base práctica de los sistemas RAG y de los agentes fiables, sobre todo en tareas largas, donde el contexto crece deprisa.

Conectar modelos y agentes de IA con los sistemas, datos y procesos que ya tiene la empresa, para que lean información real y actúen en flujos reales.

La integración de IA es el trabajo de conectar las capacidades de IA con los sistemas que la empresa ya usa: ERP, CRM, almacenes de datos, repositorios documentales, identidad y mensajería. Un modelo por sí solo solo ve lo que se le envía; la integración le permite leer datos actuales, respetar los permisos de cada usuario y devolver resultados allí donde trabaja la gente. Incluye APIs, flujos de datos, autenticación, gestión de errores y monitorización. En la mayoría de los proyectos empresariales es la integración, y no la elección del modelo, lo que decide si la IA pasa de la demo al uso diario.

El objetivo que hay detrás de lo que un usuario dice o escribe, como reservar un vuelo o pedir un reembolso, tal como lo detecta un sistema conversacional.

En IA conversacional, una intención es el objetivo del usuario detrás de un mensaje: por ejemplo, consultar un pedido, pedir cita o solicitar un reembolso. El reconocimiento de intenciones, también llamado clasificación de intenciones, asigna cada frase a la intención que mejor encaja, y esa decisión marca lo que hace después el chatbot o el voicebot: qué flujo inicia, qué datos pide, a qué sistema llama o cuándo pasa a una persona. Las intenciones suelen ir acompañadas de entidades o parámetros, los detalles concretos como una fecha, un producto o un número de cuenta. Los modelos de lenguaje grandes hacen el reconocimiento más flexible, pero un catálogo claro de intenciones sigue siendo lo que mantiene el servicio predecible.

Ataque que secuestra las instrucciones de un modelo de lenguaje mediante contenido no fiable, venga del usuario o de lo que el modelo lee.

La inyección de prompt es un ataque en el que un texto preparado por un atacante hace que un modelo de lenguaje ignore sus instrucciones originales, filtre datos o haga cosas que no debe. Las instrucciones maliciosas puede escribirlas el propio usuario o pueden ir escondidas en contenido que el modelo procesa, como un documento recuperado, un correo o una página web. Funciona porque el modelo recibe instrucciones y datos por el mismo canal y no sabe distinguirlos con fiabilidad. Las defensas pasan por aislar el contenido no fiable, filtrar las salidas, limitar las herramientas a una lista permitida y acotar al máximo los permisos del modelo.

Red de sensores y dispositivos conectados que recogen y transmiten datos del mundo físico, datos que alimentan modelos de IA y automatización.

El Internet de las Cosas (IoT) es el conjunto de dispositivos físicos, desde sensores y contadores hasta máquinas y vehículos, que miden algo del mundo y envían esos datos por una red. Por sí solo, el IoT produce flujos de lecturas; la IA es lo que los convierte en decisiones. Los datos IoT alimentan el mantenimiento predictivo, la detección de anomalías, la previsión de demanda y los sistemas autónomos en fabricación, logística, energía y edificios inteligentes. La combinación se llama a veces AIoT, y cada vez más ejecuta parte de la IA en el propio dispositivo o en el edge, cerca de donde nacen los datos.

Técnicas que intentan que un modelo de IA ignore sus normas de seguridad y genere contenido o acciones que debería rechazar.

El jailbreaking consiste en usar entradas preparadas para que un modelo de IA se salte sus restricciones de seguridad y produzca lo que normalmente rechazaría, como instrucciones dañinas, información confidencial o contenido contrario a sus políticas. Las técnicas típicas son el juego de rol, plantearlo como hipótesis, codificar la petición, trocearla en partes inocentes o saturar al modelo con ejemplos. La investigación muestra que funciona porque el entrenamiento de seguridad compite con el objetivo del modelo de ser útil y no siempre se extiende a entradas poco habituales. Para una empresa es un riesgo de seguridad y de reputación, y defenderse forma parte de la gobernanza de la IA.

El reglamento de la Unión Europea que fija reglas para los sistemas de IA según su nivel de riesgo, desde usos prohibidos hasta deberes de transparencia.

La Ley Europea de IA o EU AI Act (Reglamento (UE) 2024/1689) es el marco legal de la Unión Europea para la inteligencia artificial. Clasifica los sistemas de IA por riesgo: las prácticas de riesgo inaceptable están prohibidas, los sistemas de alto riesgo deben cumplir requisitos estrictos, algunos sistemas tienen obligaciones de transparencia y los usos de riesgo mínimo quedan casi libres. También fija reglas para los modelos de IA de uso general. Se aplica a proveedores y responsables del despliegue de sistemas de IA que se comercializan o usan en la UE, estén donde estén, y sus obligaciones entran en vigor por fases. Thinkia ayuda a las organizaciones a avanzar hacia el cumplimiento.

Red neuronal entrenada con enormes cantidades de texto para predecir la siguiente palabra, lo que le permite redactar, resumir, traducir y responder preguntas.

Un modelo de lenguaje grande (LLM) es una red neuronal, casi siempre basada en la arquitectura transformer, entrenada con grandes corpus de texto para predecir el siguiente token de una secuencia. Hacerlo a esa escala le da una capacidad amplia para generar texto coherente, seguir instrucciones, responder preguntas, resumir, traducir y escribir código. Familias conocidas son GPT, Claude, Gemini, Llama y Mistral. Por sí solo, un LLM solo sabe lo que había en sus datos de entrenamiento; en la empresa se combina con la recuperación de documentos propios, herramientas y guardarraíles.

Rama de la IA en la que los sistemas aprenden patrones a partir de datos para predecir o decidir, en lugar de seguir reglas escritas a mano.

El machine learning (ML), o aprendizaje automático, es la parte de la inteligencia artificial en la que un sistema mejora en una tarea aprendiendo de ejemplos, no de una programación explícita. Un modelo se entrena con datos, ajusta sus parámetros internos para equivocarse menos y luego se usa para predecir o clasificar casos nuevos: si una transacción es fraude, cuánta demanda habrá o qué producto puede querer un cliente. Las grandes familias son el aprendizaje supervisado, el no supervisado y el aprendizaje por refuerzo. El ML es la base de la IA actual, incluido el deep learning que hay detrás de los grandes modelos de lenguaje.

Estándar abierto que define cómo una aplicación de IA se conecta con herramientas, datos y sistemas de la empresa mediante un protocolo cliente-servidor común.

El Model Context Protocol (MCP) es un estándar abierto, presentado por Anthropic, que define cómo una aplicación de IA descubre y usa herramientas, fuentes de datos y prompts externos. En lugar de escribir una integración a medida para cada modelo y cada sistema, el equipo envuelve el sistema una vez como servidor MCP y cualquier aplicación compatible puede usarlo. Sigue un modelo cliente-servidor: la aplicación anfitriona abre un cliente por servidor, y cada servidor describe lo que ofrece de forma estructurada. Reduce el trabajo de integración y hace más componibles las arquitecturas de agentes, pero no elimina la necesidad de permisos, autenticación y gobierno.

Datos que describen otros datos, como autor, fecha, tipo, responsable o permisos, y que sirven para encontrar, filtrar y gobernar el contenido.

Los metadatos son datos sobre datos: la información que describe un documento, un conjunto de datos o un registro, como quién lo creó, cuándo, de qué trata, qué formato tiene y quién puede verlo. En la búsqueda y en los sistemas RAG, los metadatos permiten filtrar resultados por fecha, departamento, producto o permisos, y dar prioridad a las fuentes recientes u oficiales. En el gobierno del dato y de la IA registran el linaje, la propiedad y las licencias. Unos metadatos pobres o ausentes son una de las causas más habituales de que un asistente corporativo devuelva contenido desfasado o que el usuario no debería ver.

El conjunto de prácticas para desplegar, monitorizar y mantener modelos de machine learning en producción de forma fiable y repetible.

MLOps (machine learning operations) aplica las prácticas de DevOps al machine learning: control de versiones, pipelines automatizados, pruebas, despliegue, monitorización y vuelta atrás, extendidos a los datos y a los modelos. El código del modelo es una parte pequeña de un sistema de ML en producción; a su alrededor están la recogida y validación de datos, los pipelines de variables, el entrenamiento, el servicio y la monitorización. MLOps automatiza toda esa cadena para que los modelos se puedan reentrenar, comprobar y publicar sin pasos manuales. Sin él, los modelos que funcionaban en un notebook tienden a empeorar o a romperse cuando cambian los datos reales.

Documento breve y estructurado que describe el uso previsto de un modelo de IA, sus datos de entrenamiento, sus resultados de evaluación, sus límites y sus consideraciones éticas.

Una model card es la documentación que acompaña a un modelo entrenado y explica para qué sirve y cómo de bien funciona. La propusieron investigadores de Google en 2018: un formato estándar para informar del uso previsto del modelo, los datos con los que se entrenó y evaluó, su rendimiento en los grupos y condiciones relevantes y sus límites y riesgos conocidos. Ayuda a decidir si un modelo encaja con tu caso de uso y apoya el gobierno, las compras tecnológicas y la preparación de auditorías, junto con las especificaciones técnicas. Repositorios de modelos como Hugging Face incluyen hoy una model card en cada modelo publicado.

Modelo grande entrenado con datos muy amplios que se adapta, con prompts o fine-tuning, a muchas tareas distintas.

Un modelo fundacional es un modelo de aprendizaje automático grande, entrenado con datos muy amplios, normalmente con aprendizaje autosupervisado, para que capte patrones generales del lenguaje, las imágenes o el código. En lugar de entrenar un modelo para cada tarea, los equipos adaptan el mismo modelo fundacional con prompts, recuperación de información o fine-tuning. El término lo propusieron investigadores de Stanford en 2021 para describir este cambio. Los modelos de lenguaje grandes, como las familias GPT, Claude o Llama, son los ejemplos más conocidos, pero también hay modelos fundacionales de imagen, voz, código y otros tipos de datos.

Campo de la IA que permite a los ordenadores entender, analizar y generar lenguaje humano, en texto y en voz.

El procesamiento del lenguaje natural (NLP, por sus siglas en inglés) es la rama de la IA que trabaja con el lenguaje humano. Abarca entender textos y voz (qué se dice, quién lo dice, con qué intención y tono) y producirlos (respuestas, resúmenes, traducciones). El campo pasó de reglas escritas a mano a modelos estadísticos y después a redes neuronales; hoy los modelos de lenguaje grandes resuelven muchas tareas de NLP con un único modelo guiado por instrucciones. El NLP está detrás de chatbots y asistentes virtuales, buscadores, procesamiento de documentos, traducción y análisis de sentimiento.

Trazas, métricas y logs de prompts, recuperación, herramientas, coste y calidad para ver qué hizo una aplicación con LLM y por qué.

La observabilidad de LLM consiste en registrar lo que pasa dentro de una aplicación construida sobre modelos de lenguaje: los prompts enviados, los documentos recuperados, las herramientas llamadas, las respuestas y la latencia, el consumo de tokens y el coste de cada paso. Aplica la idea general de observabilidad, entender el estado interno de un sistema a partir de lo que emite, a sistemas cuyo comportamiento es probabilístico. Junto a las señales técnicas se guardan puntuaciones de calidad y la opinión de los usuarios. Cierra el ciclo entre la experimentación y los agentes fiables en producción, porque hace visibles y rastreables los problemas que solo aparecen con usuarios reales.

Forma de atender al cliente en la que web, app, teléfono, chat, correo y atención presencial funcionan como uno, con contexto compartido y una experiencia coherente.

Omnicanal describe una experiencia de cliente en la que todos los canales (web, app, voz, chat, correo y presencial) funcionan como un único servicio conectado y no como piezas separadas. El cliente puede empezar en un canal y seguir en otro sin repetir nada, porque el historial, las preferencias y las peticiones abiertas se comparten. Para eso hacen falta datos e identidad de cliente comunes, sistemas integrados y reglas coherentes en todos los canales. La IA ayuda a mantener el contexto entre canales, a personalizar las respuestas y a que agentes virtuales y humanos retomen la conversación donde se quedó.

Coordinar varios modelos, agentes, herramientas y servicios para que trabajen como un solo flujo, con enrutado, estado, gobierno y gestión de errores.

La orquestación de IA es la capa que decide qué modelo, agente o herramienta hace qué, en qué orden, con qué datos y qué pasa cuando algo falla. Una sola llamada a un modelo pocas veces resuelve un proceso de negocio; los flujos reales combinan recuperación de información, varias llamadas a modelos, acciones con herramientas, aprobaciones humanas e integración con los sistemas existentes. La orquestación coordina esos pasos, guarda el estado, envía cada tarea al componente adecuado y aplica políticas de coste, seguridad y cumplimiento. Thinkia Synapse es una plataforma de orquestación que unifica gobierno, enrutado y ejecución.

Cuando un modelo aprende sus datos de entrenamiento demasiado al pie de la letra, ruido incluido, y luego falla con datos nuevos que no ha visto.

El overfitting, o sobreajuste, ocurre cuando un modelo se ajusta tanto a sus datos de entrenamiento que memoriza detalles y ruido en lugar de aprender el patrón general. Saca buena nota con los datos con los que se entrenó, pero predice mal con datos nuevos. La señal habitual es una brecha que se abre entre el rendimiento con los datos de entrenamiento y con un conjunto de validación aparte. Las causas típicas son un modelo demasiado complejo para los datos disponibles, datos escasos o poco representativos y entrenar demasiado tiempo. La regularización, más y mejores datos, la parada temprana y una buena validación ayudan a evitarlo.

Un parámetro es un valor numérico que un modelo aprende al entrenarse; los grandes modelos de lenguaje tienen miles de millones, y su número indica el tamaño del modelo.

Los parámetros son los valores numéricos, sobre todo los pesos de las conexiones de una red neuronal, que un modelo ajusta durante el entrenamiento para adaptarse a sus datos. En conjunto guardan lo que el modelo ha aprendido y, cuando termina el entrenamiento, quedan fijos salvo que se haga un fine-tuning. Los grandes modelos de lenguaje tienen miles de millones de parámetros, y las etiquetas de tamaño de los nombres de modelo, como 7B o 70B, se refieren a ese número. Más parámetros suelen permitir más capacidad, pero también piden más memoria y más cómputo para funcionar.

Secuencia de pasos de procesamiento, como ingesta, preparación, modelo y posprocesado, que convierte los datos de entrada en un resultado.

Un pipeline es una cadena de pasos de procesamiento en la que la salida de cada paso es la entrada del siguiente: por ejemplo, ingesta de datos, limpieza, preparación de variables, inferencia del modelo y posprocesado. En machine learning, los pipelines cubren tanto el entrenamiento de los modelos como su uso en producción. En IA generativa, un pipeline puede encadenar recuperación, construcción del prompt, llamadas al modelo, validación y acciones. Construir los sistemas de IA como pipelines hace que cada paso se pueda probar, repetir y sustituir, y eso es lo que los vuelve fiables y escalables.

Componente o patrón de prompt de un agente de IA que divide un objetivo en una secuencia de pasos antes de ejecutar ninguna herramienta.

El planificador de agente es la parte de un agente de IA que decide cómo llegar a un objetivo: divide la petición en pasos, elige qué herramientas o subagentes necesita cada paso y propone un orden. Los planes suelen depender de políticas, especificaciones y contexto recuperado. Después, un ejecutor lleva a cabo el plan, llama a las herramientas y devuelve los resultados, y el planificador puede revisar el plan según llegan. Separar planificación y ejecución hace que los agentes sean más fáciles de probar y controlar: puedes comprobar un plan frente a criterios de aceptación, permisos y presupuestos antes de que ocurra nada con efectos.

Infraestructura compartida que reúne modelos, agentes, conexiones a datos, flujos y gobierno en un solo sitio, para que los equipos construyan casos de uso de IA sobre una base común.

Una plataforma de IA es la capa común sobre la que una organización construye y ejecuta sus casos de uso de IA. Centraliza el acceso a los modelos, las conexiones con los datos y sistemas de la empresa, los agentes y los flujos, y los controles que los rodean: seguridad, permisos, monitorización y coste. En lugar de que cada equipo monte su propia pila, todos reutilizan los mismos componentes y reglas, y así los casos nuevos salen antes y se gobiernan mejor. Thinkia Synapse es una plataforma empresarial de orquestación, seguridad y control de costes.

Documento que describe el problema, los usuarios, el alcance, las métricas de éxito y los requisitos de un producto o funcionalidad, para que todo el equipo construya lo mismo.

Un documento de requisitos de producto (PRD, de Product Requirements Document) recoge qué debe hacer un producto o una funcionalidad y por qué: el problema que resuelve, para quién es, qué entra y qué no en el alcance, los requisitos y cómo se medirá el éxito. Su función es alinear a negocio, diseño e ingeniería antes y durante el desarrollo. Los equipos ágiles prefieren PRD cortos y vivos a especificaciones exhaustivas. En iniciativas de IA y en el desarrollo guiado por especificaciones, un PRD claro alimenta además los criterios de aceptación, las rúbricas de evaluación y los system prompts, para que el comportamiento del modelo encaje con el resultado buscado.

Entorno en vivo donde un sistema de IA sirve a usuarios reales con datos reales, frente a desarrollo, pruebas o un piloto.

Producción es el entorno en vivo donde un sistema hace su trabajo de verdad: usuarios reales, datos reales y consecuencias reales. En IA, llegar a producción es más que desplegar un modelo. El sistema necesita monitorización de calidad y coste, escalado, seguridad, control de acceso, registros y cumplimiento, además de un equipo responsable y una forma segura de actualizarlo. Muchas iniciativas de IA funcionan en una demo o en un piloto y se atascan antes de este punto, porque lo difícil es integrarse con los sistemas reales y mantener un comportamiento fiable en el tiempo, no el modelo.

La entrada que recibe un modelo de IA, con instrucciones, contexto, ejemplos y la petición, que orienta lo que genera.

Un prompt es todo lo que recibe un modelo de IA generativa antes de responder: las instrucciones, el contexto, los ejemplos y la petición del usuario. Puede ser solo texto o incluir imágenes, documentos y otros archivos. El modelo no tiene otra forma de saber qué se espera de él, así que el contenido y la estructura del prompt influyen mucho en la calidad y la coherencia de la respuesta. En las aplicaciones, el prompt lo suele montar el software a partir de varias piezas, como un prompt de sistema fijo, documentos recuperados y el mensaje del usuario, en lugar de escribirse a mano cada vez.

La práctica de diseñar y probar las instrucciones que se dan a un modelo de lenguaje para que sus respuestas sean mejores y más consistentes.

El prompt engineering es la práctica de redactar, estructurar y probar las entradas que recibe un modelo de lenguaje (LLM) para que dé respuestas fiables y útiles. Incluye instrucciones claras, ejemplos resueltos (few-shot), razonamiento paso a paso (chain of thought), roles y formatos de salida estructurados como JSON. En una empresa no se trata de dar con la frase ingeniosa, sino de método: definir qué es una buena respuesta, montar un conjunto de casos de prueba y ajustar el prompt hasta que los supere. Suele ser la forma más barata de mejorar el comportamiento de un modelo antes de plantearse un fine-tuning o cambiar de modelo.

Técnica que recupera fragmentos relevantes de una base de conocimiento y se los da a un modelo de lenguaje como contexto, para que responda apoyándose en esas fuentes.

La generación aumentada por recuperación (RAG) une un paso de búsqueda con un modelo de lenguaje. Cuando llega una pregunta, el sistema busca los fragmentos más relevantes en una colección de documentos, normalmente con un índice vectorial, y se los pasa al modelo junto con la pregunta. El modelo redacta la respuesta a partir de ese material, no solo de lo que aprendió en el entrenamiento. Así las respuestas se apoyan en fuentes actuales y privadas, pueden citar de dónde sale cada dato y bajan las alucinaciones, sin reentrenar el modelo.

Paso de búsqueda que obtiene los documentos o pasajes más relevantes para una consulta, antes de mostrarlos o pasarlos a un modelo.

La recuperación es el paso de RAG y de los sistemas de búsqueda que encuentra, dentro de una colección grande, los documentos o pasajes de texto más relevantes para una consulta. Suele devolver una lista corta ordenada, los k primeros resultados, a partir de un índice construido de antemano. Puede funcionar por coincidencia de palabras (recuperación dispersa), comparando embeddings en un espacio vectorial (recuperación densa) o combinando ambas. En un sistema RAG, lo que devuelve la recuperación es todo lo que el modelo ve de tu conocimiento, así que su calidad marca el techo de la calidad de la respuesta.

Encontrar y devolver los documentos, pasajes o datos más relevantes para una consulta, para que una persona o un modelo de IA los use.

La recuperación de conocimiento es el proceso de encontrar, dentro de un fondo de conocimiento, la información que mejor responde a una consulta: documentos, wikis, incidencias, bases de datos o grafos de conocimiento. Usa búsqueda por palabras clave, búsqueda semántica basada en embeddings o una combinación de ambas, y a menudo un paso posterior de reordenación. En IA generativa es la «R» de RAG: los pasajes recuperados se pasan a un modelo de lenguaje para que su respuesta se base en el conocimiento propio y actual de la organización. La calidad de la respuesta final depende mucho de recuperar antes el contenido correcto.

Práctica de seguridad donde un equipo especializado simula ataques contra un sistema de IA para exponer vulnerabilidades antes de que llegue a producción.

El red teaming es una medida de seguridad proactiva, adaptada de la ciberseguridad, para evaluar aplicaciones y modelos de IA. En lugar de esperar a que los usuarios encuentren fallos, un grupo intenta activamente romper el sistema, saltarse los filtros, extraer datos sensibles o forzar alucinaciones. Estas pruebas te ayudan a conocer los límites reales de tus modelos y aplicar barreras precisas. Al escalar la IA, esta práctica pasa de ser un ejercicio manual a un requisito continuo y automatizado.

Retorno de la inversión: la ganancia neta de una inversión en relación con su coste; en proyectos de IA, la medida clave para justificar y mantener el gasto.

El retorno de la inversión (ROI) compara lo que devuelve una inversión con lo que cuesta, normalmente como ganancia neta dividida entre el coste. En proyectos de IA es la medida que decide si un piloto se financia, se escala o se para. Para demostrarlo hay que ligar el sistema a un valor medible, como ahorros, más ingresos, procesos más rápidos o menos errores, y contar el coste completo, no solo el del modelo. Como muchos beneficios de la IA son indirectos o llegan con el tiempo, importan más una línea base clara y unas métricas pactadas antes de arrancar que la propia fórmula.

Bots de software que repiten tareas basadas en reglas que una persona hace en pantalla, como copiar datos entre sistemas o rellenar formularios.

La automatización robótica de procesos (RPA) usa bots de software que imitan cómo trabaja una persona con las aplicaciones: hacen clic, escriben, copian y pegan, leen pantallas y mueven datos entre sistemas. Encaja en tareas repetitivas, basadas en reglas y con entradas estructuradas, como la introducción de datos, las conciliaciones o la generación de informes, sobre todo cuando los sistemas no tienen API. Por sí sola, la RPA sigue guiones fijos y se rompe cuando cambian las pantallas o las reglas. Combinada con IA para leer documentos y tomar decisiones sencillas, pasa a formar parte de la automatización inteligente o la hiperautomatización.

Distorsión sistemática en los datos, el diseño o el uso de un sistema de IA que produce resultados injustos, discriminatorios o imprecisos para ciertas personas o casos.

El sesgo en IA es un error sistemático, no aleatorio: el sistema funciona peor, o decide distinto, para ciertos grupos o situaciones de forma constante y a menudo difícil de ver. Puede venir de datos de entrenamiento que representan mal a algunas personas, de etiquetas que reflejan decisiones humanas pasadas, de decisiones de diseño sobre qué optimizar o de cómo la gente usa y se fía del resultado. No se puede eliminar del todo, pero sí medir, reducir y vigilar. La IA responsable trata la detección y la mitigación del sesgo como parte del ciclo de vida, desde la recogida de datos hasta la operación.

Uso de herramientas de IA, como chatbots públicos o funciones de IA en aplicaciones, por parte de empleados sin aprobación ni control de TI, seguridad o cumplimiento.

La shadow AI, o IA en la sombra, es el uso de herramientas y servicios de IA dentro de una organización sin que TI, seguridad o cumplimiento lo sepan o lo hayan aprobado. El caso típico es alguien que pega datos de clientes o documentos internos en un chatbot público para redactar una respuesta o resumir un informe. También incluye funciones de IA activadas dentro de software que la empresa ya usa y cuentas personales usadas para trabajar. Los riesgos son fugas de datos, incumplimientos normativos y decisiones basadas en respuestas sin revisar. La respuesta habitual no es prohibir, sino ofrecer herramientas aprobadas, reglas claras sobre datos y opciones seguras por defecto.

Sistemas que perciben su entorno, deciden y actúan por sí solos en tiempo real, sin una persona supervisando cada paso.

Un sistema autónomo percibe su entorno, decide qué hacer y actúa sin que una persona apruebe cada decisión. La idea abarca sistemas físicos, como vehículos sin conductor, drones o robots de almacén, y sistemas de software, como agentes de IA que gestionan casos o ajustan operaciones por su cuenta. La autonomía es cuestión de grado: casi todos los sistemas reales actúan solos dentro de unos límites y pasan el control a una persona cuando la situación se sale de ellos. Cuanto más se le deja hacer solo a un sistema, más importa fijar sus límites, vigilarlo y mantener una forma de que las personas intervengan.

Capacidad empaquetada para un agente de IA: las instrucciones, herramientas permitidas, ejemplos y formatos de entrada y salida que necesita para una tarea coherente.

Una skill de agente agrupa todo lo que un modelo necesita para hacer una capacidad definida de forma fiable y repetible, por ejemplo registrar un gasto o ejecutar una revisión de cumplimiento. Suele incluir instrucciones escritas para el agente, las herramientas que puede usar, ejemplos, scripts o ficheros de referencia y las entradas y salidas esperadas. Anthropic formalizó la idea como Agent Skills: carpetas con un fichero SKILL.md que el agente descubre por su nombre y su descripción y carga solo cuando una tarea lo pide. Las skills son la unidad de reutilización entre especificaciones, runbooks y capas de orquestación como Synapse.

Modelo de lenguaje compacto pensado para tareas acotadas, con menos coste y latencia que los modelos frontera y capaz de funcionar en hardware modesto.

Un modelo de lenguaje pequeño (SLM) es un modelo de lenguaje con muchos menos parámetros que los LLM frontera, diseñado para hacer bien un conjunto de tareas más estrecho. A menudo se entrena con datos muy seleccionados, se destila de un modelo mayor o se afina para un dominio o un flujo concreto. Como necesita menos cómputo, cada petición sale más barata y rápida, y puede funcionar en un solo servidor, un portátil o un móvil. Encaja en asistentes de mucho volumen, en uso on-device y en arquitecturas híbridas donde un enrutador solo manda los casos difíciles a un modelo grande.

La plataforma agéntica de Thinkia para IA empresarial: orquesta agentes, modelos y flujos con gobernanza, seguridad y control de costes centralizados.

Thinkia Synapse es una plataforma agéntica unificada para IA empresarial. Orquesta agentes, modelos y flujos de trabajo, y reúne en un solo lugar la gobernanza, la seguridad y el control de costes en lugar de dejarlos en manos de cada proyecto. Thinkia la describe como un sistema nervioso central para la IA: la capa que conecta las distintas piezas que usa una organización y las mantiene bajo un control común. La idea de fondo es que, cuando una empresa pasa de pilotos sueltos a muchos agentes, la coordinación y la supervisión importan tanto como cada modelo.

Instrucciones persistentes que fijan el rol, las reglas, las herramientas y el formato de salida de un modelo antes de leer cualquier mensaje del usuario.

Un system prompt, o prompt de sistema, es el conjunto de instrucciones que una aplicación da a un gran modelo de lenguaje antes de que empiece la conversación y que se mantiene en cada turno. Define el rol del modelo, su tono, sus políticas, lo que puede y no puede hacer, qué herramientas puede usar y el formato de sus respuestas. El usuario normalmente no lo ve; solo escribe los mensajes que vienen después. Como condiciona todas las respuestas, el system prompt debe versionarse, probarse y revisarse como el código, dentro de la operación de los modelos de lenguaje y de los guardrails de la empresa.

Parámetro de muestreo que controla cuánto azar hay en la elección del siguiente token de un modelo: baja es precisa, alta es variada.

La temperatura es un parámetro que se aplica cuando un modelo de lenguaje genera texto y que controla cuánto azar entra en la elección de cada token siguiente. El modelo asigna una probabilidad a cada token posible; la temperatura cambia la forma de esa distribución antes de elegir uno. Una temperatura baja concentra la elección en los tokens más probables y da respuestas precisas y repetibles; una más alta la reparte y da textos más variados, creativos y menos predecibles. Elegirla forma parte de ajustar el modelo a la tarea, desde extraer datos hasta generar ideas.

La asignación de mayor potencia de cálculo durante la fase de inferencia para que un modelo de IA genere, evalúe y corrija pasos intermedios antes de dar la respuesta final.

Históricamente, mejorar el rendimiento de la IA pasaba por usar modelos más grandes y más cálculo durante el preentrenamiento. El test-time compute traslada este esfuerzo a la fase de inferencia, cuando el modelo ya está funcionando. Al dedicar más tiempo y recursos a una consulta concreta, los modelos de razonamiento pueden pensar el problema, explorar varios caminos, comprobar su propia lógica y corregir errores antes de responder. Este enfoque, popularizado por modelos como la serie o1 de OpenAI, permite que modelos más pequeños resuelvan tareas muy complejas que antes exigían una escala masiva de preentrenamiento.

Unidad básica de texto que lee y escribe un modelo de lenguaje: una palabra, un trozo de palabra o un símbolo. En inglés, un token son unos cuatro caracteres.

Un token es la unidad de texto que procesa de verdad un modelo de lenguaje. Antes de que el modelo vea nada, un tokenizador divide el texto en piezas que pueden ser palabras enteras, trozos de palabra, signos de puntuación o espacios, y asigna un número a cada una. En inglés, una regla aproximada es de unos cuatro caracteres, o tres cuartos de palabra, por token; otros idiomas y el código suelen necesitar más tokens para el mismo contenido. El número de tokens importa en la práctica porque los proveedores cobran por token y porque la ventana de contexto, lo que el modelo puede manejar de una vez, se mide en tokens.

Capacidad de un modelo de lenguaje de emitir una petición estructurada para ejecutar una función, una API o una consulta, que la aplicación valida y ejecuta.

El tool calling, también llamado function calling, permite que un modelo de lenguaje pida una acción en lugar de limitarse a escribir texto. La aplicación le describe las herramientas disponibles, cada una con nombre, descripción y esquema de entrada. Cuando el modelo decide que necesita una, devuelve una llamada estructurada con sus argumentos; la aplicación la valida, ejecuta la función (una consulta SQL, una petición HTTP, una actualización del CRM) y le devuelve el resultado para que siga. El modelo nunca ejecuta nada por sí mismo. Es lo que convierte un modelo de chat en un copiloto o en un agente que trabaja con sistemas y datos reales.

Reutilizar un modelo entrenado en una tarea o con unos datos como punto de partida para una tarea nueva, de modo que necesite muchos menos datos y cómputo.

El transfer learning, o aprendizaje por transferencia, es la técnica de reutilizar lo que un modelo aprendió en una tarea o un dominio para resolver otro. En lugar de entrenar desde cero, partes de un modelo preentrenado, que ya capta patrones generales del lenguaje, de las imágenes o de otros datos, y lo adaptas a la nueva tarea con un conjunto de datos más pequeño. En lenguaje, trabajos como ULMFiT y BERT lo convirtieron en el enfoque estándar, y los grandes modelos de lenguaje actuales van más allá: un único modelo preentrenado se transfiere a tareas nuevas mediante fine-tuning o, simplemente, con prompts. Por eso las empresas pueden construir IA útil sin enormes conjuntos de datos propios de cada tarea.

Lista de números que representa un dato, como una frase o una imagen, de forma que el contenido parecido acaba con números parecidos.

En IA, un vector es una lista ordenada de números que describe algo de forma que una máquina pueda compararlo. Un modelo de embeddings convierte texto, imágenes u otros datos en vectores, normalmente de cientos o miles de dimensiones, colocados de modo que lo que significa algo parecido queda cerca. Medir la distancia entre vectores se convierte así en una forma de medir lo parecidos que son dos contenidos. Esto hace posible la búsqueda semántica y es el centro de la recuperación en los sistemas RAG, donde la pregunta y los documentos se comparan como vectores.

Cantidad máxima de texto, medida en tokens, que un modelo de lenguaje puede tener en cuenta en una sola petición, incluida su propia respuesta.

La ventana de contexto es el máximo de entrada y salida, medido en tokens, que un modelo de lenguaje grande puede procesar en una petición. Cuenta todo lo que el modelo ve: instrucciones de sistema, historial de la conversación, documentos recuperados, resultados de herramientas y la respuesta que escribe. Una ventana mayor permite documentos y conversaciones más largos, pero sube el coste y la latencia, y los modelos no siempre usan igual de bien lo que está en medio de un texto largo que lo que está al principio o al final. Por eso importa tanto qué metes en la ventana como su tamaño.

Rama de la IA que permite a las máquinas interpretar imágenes y vídeo: reconocer objetos, leer texto, detectar defectos o seguir movimiento.

La visión por computador es la rama de la IA que permite a las máquinas extraer significado de imágenes y vídeo. Los modelos, entrenados con grandes conjuntos de imágenes etiquetadas, aprenden a clasificar lo que ven, localizar y contar objetos, segmentar regiones, leer texto y seguir el movimiento en el tiempo. El deep learning, en especial las redes convolucionales y los vision transformers, hizo estas tareas lo bastante fiables para producción. Usos habituales son el control de calidad, la lectura de documentos, la imagen médica, la analítica en tienda y la vigilancia de seguridad.

Modelo que entiende a la vez imágenes y texto, así que puede describir fotos, leer documentos y responder preguntas sobre lo que ve.

Un modelo de visión y lenguaje (VLM) es un modelo de IA que recibe imágenes y texto y razona con los dos. Suele combinar un codificador de imagen, que convierte los píxeles en representaciones numéricas, con un modelo de lenguaje que convierte esas representaciones y la pregunta del usuario en una respuesta. Así un mismo modelo puede describir fotos, leer documentos escaneados, interpretar gráficos y diapositivas o responder preguntas sobre una captura de pantalla. En la empresa, los VLM mueven la IA documental, la inspección visual y los asistentes multimodales, y llevan el RAG a contenido que no es texto plano.

Asistente de IA que mantiene una conversación por voz: entiende lo que dice quien llama y responde con voz sintética.

Un voicebot es un sistema de IA conversacional que se comunica por voz en lugar de por texto. Convierte lo que dice la persona en texto, entiende qué quiere, ejecuta una acción o busca una respuesta y contesta con una voz sintética. Se usa en contact centers, líneas telefónicas y menús IVR, en el coche y en aplicaciones manos libres. Los modelos de lenguaje lo han hecho mucho más flexible que los antiguos IVR de menús, pero la latencia, los acentos, el ruido y el paso a una persona siguen decidiendo si quien llama lo acepta.

Secuencia definida de pasos, algunos ejecutados por modelos de IA, que lleva un proceso de negocio desde el disparador hasta el resultado.

Un workflow es una secuencia de pasos que resuelve un proceso de negocio, como tramitar un siniestro, dar de alta a un cliente o responder una petición. Un workflow de IA incluye pasos que hacen modelos de IA, por ejemplo clasificar un documento, recuperar información, redactar una respuesta o extraer campos, junto a pasos normales como llamadas a APIs, reglas y aprobaciones humanas. El orden y las ramas se diseñan de antemano, y eso hace que los workflows sean predecibles, fáciles de probar y de auditar. Synapse, la plataforma de Thinkia, orquesta workflows de IA complejos de este tipo.

Métodos y prácticas que hacen comprensibles los resultados de un sistema de IA, para que las personas vean por qué decidió algo y juzguen si fiarse.

La IA explicable (XAI, de Explainable AI) reúne los métodos y prácticas que permiten entender por qué un sistema de IA produjo un resultado. Una explicación puede mostrar qué datos pesaron más en una decisión de crédito, qué fragmento de un documento sostiene una respuesta o cómo se comporta el modelo en distintos casos. La explicabilidad genera confianza en los usuarios, ayuda a los equipos a encontrar errores y sesgos y facilita cumplir los requisitos de transparencia en decisiones de alto impacto. Una explicación solo sirve si es fiel y se adapta a quien la recibe, y eso es más difícil de lo que parece.

Operar sistemas o procesos sin interrupciones que noten los usuarios, tanto durante los cambios planificados como evitando fallos imprevistos.

Zero downtime es el objetivo de mantener un sistema o una operación disponible sin interrupciones que noten usuarios o clientes. Tiene dos caras. Las paradas planificadas se evitan con técnicas de despliegue como las actualizaciones progresivas y los despliegues blue-green, que cambian el software sin detener el servicio. Las paradas imprevistas se reducen con redundancia, monitorización y, cada vez más, con IA predictiva que detecta señales de fallo en equipos o sistemas antes de que se paren. En la práctica es un objetivo de ingeniería apoyado en objetivos de disponibilidad claros, no una garantía absoluta.

Capacidad de un modelo de hacer una tarea sin haber visto ejemplos de ella, guiado solo por una instrucción o una descripción de la tarea.

Zero-shot significa que un modelo resuelve una tarea sin recibir ejemplos de esa tarea, ni en el entrenamiento ni en el prompt. Con los grandes modelos de lenguaje, el prompting zero-shot consiste simplemente en describir lo que quieres, como clasifica este correo o resume este contrato, y dejar que el modelo lo haga. Funciona porque los modelos grandes aprenden patrones amplios de lenguaje y de tareas durante el preentrenamiento. Es la forma más barata y rápida de empezar, pero en formatos o dominios especializados añadir algunos ejemplos (few-shot) o hacer fine-tuning suele mejorar la precisión y la consistencia.