Glosario de IA

Técnica de prompting avanzada en la que el modelo sigue en paralelo varios enfoques de solución distintos, los evalúa y selecciona el mejor.

Estándar abierto de comunicación desarrollado por Google en colaboración con la Linux Foundation y presentado en Google Cloud Next en 2025. Permite que agentes de IA de distintos fabricantes interactúen entre sí y deleguen tareas sin necesidad de interfaces propietarias. Complementario al MCP.

Sistema de IA que percibe, planifica y actúa de forma autónoma utilizando herramientas para alcanzar por sí mismo un objetivo dado, a menudo sin una guía humana continua.

Forma hipotética de IA con capacidades intelectuales iguales o superiores a las humanas en todos los ámbitos. Hasta ahora no se ha logrado. Los principales investigadores de IA están profundamente divididos sobre cuándo podrá alcanzarse.

Reglamento (UE) 2024/1689: la primera ley integral del mundo para regular los sistemas de IA. Entró en vigor el 1 de agosto de 2024. Su instrumento central es el enfoque basado en el riesgo con cuatro niveles de riesgo.

Resúmenes de respuesta directa generados por IA que los motores de búsqueda (como Google) muestran por encima de los clásicos enlaces azules. Aspecto central de la nueva realidad de la búsqueda en el ámbito de la GEO.

Propuesta de directiva de la UE sobre responsabilidad específica de la IA con simplificaciones de la carga de la prueba. La Comisión Europea retiró la propuesta de su programa de trabajo el 11 de febrero de 2025; desde entonces, la responsabilidad por IA se cubre principalmente mediante la nueva Directiva sobre responsabilidad por productos (PLD 2024/2853).

Reentrenamiento de un modelo base preentrenado sobre un conjunto de datos más pequeño y específico de un dominio para mejorar su rendimiento en una tarea concreta. Más eficiente en recursos que el preentrenamiento desde cero.

Competencia para comprender la IA y trabajar con ella. Consagrada como obligación legal para las empresas en el Reglamento Europeo de IA (art. 4): deben garantizar que su personal posea suficiente competencia en IA.

La adecuación de un sistema de IA a los valores, las intenciones y los objetivos humanos. El problema de la alineación —cómo garantizar que un sistema de IA haga lo que las personas realmente quieren— es el desafío central abierto de la investigación sobre seguridad de la IA.

Situación en la que un modelo lingüístico produce salidas que suenan plausibles pero son objetivamente falsas. Surge porque los modelos están optimizados para la plausibilidad estadística, no para la verdad. Los modelos de frontera actuales alucinan en un 5–15 % de las preguntas de hechos según el dominio.

IA débil o estrecha: sistemas especializados en tareas específicas. Todos los sistemas de IA que existen hoy, incluidos ChatGPT, Claude y Gemini, pertenecen a esta categoría.

Interfaz de programación a través de la cual los desarrolladores pueden integrar modelos de IA en sus propias aplicaciones. Todos los grandes proveedores de IA ponen sus modelos a disposición mediante API (p. ej., la API de OpenAI, la API de Anthropic).

Capacidad de los LLM de aprender de ejemplos incluidos en el prompt sin ajustar los pesos del modelo. Permite el prompting few-shot y zero-shot.

Enfoque en el que un modelo preentrenado sobre una gran cantidad de datos generales se reentrena sobre una cantidad de datos menor y específica de un dominio (ajuste fino). Base de prácticamente todos los LLM modernos.

Subcampo del aprendizaje automático basado en redes neuronales profundas con muchas capas. Base de la mayoría de los sistemas de IA modernos, posibilitada por las leyes de escalado.

Principio de seguridad que no presupone ninguna confianza implícita en los sistemas o agentes de IA. Cada acción de un agente de IA debe autorizarse de forma explícita.

Etapa hipotética de la IA que supera ampliamente la inteligencia humana en casi todos los ámbitos. Actualmente, ciencia ficción.

Manipulación deliberada de las entradas de un sistema de IA para provocar resultados erróneos. Ejemplo: cambios mínimos e invisibles para las personas en una imagen hacen que un sistema de reconocimiento de imágenes clasifique una señal de stop como una señal de límite de velocidad.

El mecanismo central de la arquitectura Transformer. Calcula cuánta «atención» debe prestar cada elemento de una entrada a todos los demás. Permite comprender las relaciones de contexto a lo largo de grandes cantidades de texto.

Red neuronal entrenada para transformar su entrada en una representación comprimida y reconstruir la entrada a partir de ella. Sus variantes (VAE, autoencoder variacional) se utilizan en la IA generativa.

Base de datos especializada en el almacenamiento y la consulta eficientes de embeddings (vectores). Componente central de los sistemas RAG. Ejemplos conocidos: Pinecone, Weaviate, Chroma.

Prueba estandarizada para medir el rendimiento de los modelos de IA en condiciones definidas. Benchmarks conocidos: MMLU (conocimiento general), HumanEval (código), GPQA (conocimiento experto a nivel de doctorado).

Colección estructurada de prompts probados y reutilizables para distintas tareas. Elemento fijo del uso profesional de la IA en la empresa.

El uso de herramientas y cuentas de IA privadas con fines profesionales. Una de las principales fuentes de IA en la sombra y de infracciones de protección de datos en las empresas.

Estándar para el etiquetado criptográfico de contenidos digitales con información de procedencia. Permite rastrear si un contenido fue creado por personas o por IA. Desarrollado por Adobe, Microsoft, Intel y otros.

Técnica de prompting en la que se pide al modelo que exponga su proceso de razonamiento paso a paso antes de dar una respuesta. Mejora considerablemente la calidad de los resultados en tareas complejas.

Denominación para los sistemas de IA cuyos procesos internos de decisión no son comprensibles para las personas. Las redes neuronales profundas son sistemas de caja negra típicos. Lo contrario: la IA explicable (XAI).

Capacidades que no se observan en los modelos pequeños, pero que aparecen de forma repentina a partir de cierto tamaño de modelo o profundidad de entrenamiento. Ejemplos: multilingüismo, razonamiento lógico, aprendizaje en contexto.

Familia de modelos lingüísticos de IA de la empresa Anthropic. A fecha del Q1/2026 incluye Claude Opus (orientado al razonamiento) y Claude Sonnet (equilibrado). Conocida por su amplia ventana de contexto (hasta 1 millón de tokens) y por la IA constitucional como enfoque de seguridad.

Red neuronal especializada en el procesamiento de datos estructurados espacialmente, en particular imágenes. La mirada filtrada sobre subregiones (la operación de convolución) hace que las CNN sean especialmente eficaces para el reconocimiento de imágenes.

La capacidad de comprender los sistemas de IA, evaluarlos de forma crítica y utilizarlos de manera responsable. Obligación legal para las empresas según el art. 4 del Reglamento Europeo de IA desde febrero de 2025.

Capacidad de un agente de IA para manejar de forma autónoma un escritorio de ordenador: mover el ratón, hacer clic, escribir, desplazarse. Introducida por Anthropic para Claude, permite flujos de trabajo de escritorio totalmente automáticos.

Concepto que exige que una persona conserve en todo momento el control efectivo sobre las decisiones críticas de la IA, especialmente relevante en los sistemas de armas autónomas y en la IA de alto riesgo.

Técnica para reducir las necesidades de memoria de un modelo mediante la representación de los pesos con una precisión numérica menor (p. ej., 4 bits en lugar de 32 bits). Permite la ejecución local de modelos grandes en hardware de consumo.

Imagen, audio o vídeo generado o manipulado por IA que muestra a una persona en una situación que nunca tuvo lugar. Surgió como acrónimo de «deep learning» y «fake». Está sujeto a obligaciones de etiquetado en el Reglamento Europeo de IA.

Empresa china de IA (DeepSeek-V3, publicado el 26 de diciembre de 2024; DeepSeek-R1, publicado el 20 de enero de 2025) que, con el modelo de razonamiento R1, logró un rendimiento de frontera por una fracción de los costes de entrenamiento de sus competidores occidentales. Desató un debate internacional sobre la eficiencia de costes en el entrenamiento de IA.

Cambio de las propiedades estadísticas de los datos de entrada a lo largo del tiempo que puede hacer que un modelo de IA pierda precisión. Requiere una monitorización continua en los sistemas productivos.

La puesta a disposición de un modelo de IA entrenado en un entorno productivo, donde los usuarios finales pueden utilizarlo. Las decisiones de despliegue son muy relevantes para el Reglamento Europeo de IA.

Paquete legislativo de la UE propuesto por la Comisión Europea el 19 de noviembre de 2025; entre otras cosas, pretende aplazar a diciembre de 2027 los plazos para los sistemas de IA de alto riesgo (anexo III) e introducir un punto único de notificación para las empresas (negociaciones del trílogo en curso desde marzo de 2026).

Tecnologías que impiden que los datos confidenciales salgan de la red corporativa. En el contexto de la IA se emplean para evitar que se introduzcan datos sensibles en herramientas de IA públicas.

Procedimiento de entrenamiento introducido en 2023 por Rafailov et al. (Stanford) como alternativa más sencilla al RLHF. En lugar de entrenar un modelo de recompensa aparte, el DPO optimiza el modelo lingüístico directamente a partir de pares de preferencia (salidas preferidas frente a rechazadas). Reduce considerablemente la complejidad y la inestabilidad del proceso de RLHF.

Ejecución de modelos de IA directamente en los dispositivos finales (smartphones, sensores IoT, máquinas industriales) en lugar de en la nube. Ventajas: menor latencia, mayor protección de datos y capacidad sin conexión.

Análisis de riesgos obligatorio según el art. 35 del RGPD para los sistemas de IA que previsiblemente entrañen un alto riesgo para los derechos y libertades de las personas afectadas. Estrechamente vinculado a la gestión de riesgos del Reglamento Europeo de IA.

Representación numérica de texto, imágenes u otros datos como vectores en un espacio de muchas dimensiones. Los contenidos semánticamente similares quedan próximos entre sí. Base de las bases de datos vectoriales y de la búsqueda semántica.

Ataque a sistemas de IA en el que se manipulan deliberadamente los datos de entrenamiento para influir en el modelo en una dirección deseada o para corromperlo por completo.

La legibilidad por máquina de los contenidos para los rastreadores y analizadores de IA. Una métrica central de la GEO que mide con qué facilidad un modelo puede extraer hechos estructurados, entidades y relaciones de una página web (p. ej., mediante el renderizado del lado del servidor y una estructura HTML clara).

Componente estratégico de la GEO. La construcción dirigida de visibilidad de IA y de «AI availability» mediante la colocación de marcas o productos en las fuentes primarias de terceros (Reddit, Wikipedia, medios especializados) que los modelos ponderan más al entrenar con datos o al recuperarlos.

Técnica de prompting en la que se proporcionan al modelo uno o varios ejemplos de la salida deseada antes de plantear la tarea propiamente dicha.

Mecanismo mediante el cual un modelo lingüístico invoca herramientas, API y bases de datos externas. Requisito central para el funcionamiento de los agentes de IA.

Modelo generativo formado por dos redes neuronales que compiten: el generador (crea datos sintéticos) y el discriminador (distingue los datos reales de los generados). Introducido en 2014 por Ian Goodfellow.

Familia de modelos de IA de Google DeepMind. A fecha del Q1/2026 incluye Gemini Pro (frontera), Gemini Flash (rápido y eficiente en costes) y Gemma 4 (variante de código abierto). Multimodal de forma nativa.

Disciplina estratégica para optimizar los contenidos con el fin de que las aplicaciones generativas de IA, los motores de búsqueda (AI Overviews) y los chatbots los citen como fuente preferida y los reproduzcan con más detalle. Combina el SEO con la extractabilidad, el fame engineering y la optimización de entidades.

Principio fundamental: la calidad de la salida de un sistema de IA depende directamente de la calidad de sus entradas (datos de entrenamiento y prompts). Se aplica por igual al entrenamiento de modelos y al prompting cotidiano.

Modelo de IA de propósito general que puede emplearse para una amplia gama de tareas. Los modelos GPT actuales, Claude Sonnet, Gemini Pro y Llama pertenecen a esta categoría. Está sujeto a normas propias en el Reglamento de IA (art. 51–56).

Procesador especializado, desarrollado originalmente para los gráficos por ordenador, que gracias a su arquitectura de cálculo masivamente paralela es especialmente eficiente para el entrenamiento y la inferencia de redes neuronales. Las H100 y H200 de NVIDIA son los estándares de la industria en 2026.

Base de conocimiento estructurada que representa entidades (personas, lugares, conceptos) y sus relaciones como un grafo. Puede combinarse con sistemas RAG para mejorar las respuestas de la IA.

Vinculación de las salidas de un modelo de IA con fuentes de datos verificadas y actualizadas. Reduce las alucinaciones al basar el modelo sus respuestas en documentos de referencia concretos.

Parámetro de configuración de un modelo de IA que se fija antes del entrenamiento (p. ej., tasa de aprendizaje, número de capas, tamaño de lote). No lo ajusta el propio proceso de aprendizaje, sino el desarrollador.

Diseño de sistema en el que una persona participa en el proceso de decisión y conserva el control final. Obligatorio para los sistemas de IA de alto riesgo según el art. 14 del Reglamento Europeo de IA.

Diseño de sistema en el que la IA decide de forma autónoma, pero un supervisor humano puede intervenir y detenerla en cualquier momento. Posición intermedia entre la IA totalmente autónoma y el human-in-the-loop.

Enfoque desarrollado por Anthropic para alinear modelos de IA mediante principios definidos explícitamente (una «constitución»). En lugar de usar exclusivamente la retroalimentación humana, el modelo evalúa sus propias salidas conforme a estos principios.

El uso no autorizado de herramientas de IA por parte de los empleados al margen de la infraestructura corporativa controlada por el departamento de TI. Supone riesgos considerables de protección de datos y de cumplimiento. Según un estudio de Microsoft de 2024, el 78 % de los usuarios de IA en las empresas utilizan cuentas de IA privadas para tareas profesionales.

Sistemas de IA que se operan en el propio centro de datos o en servidores propios, en lugar de en una infraestructura en la nube. Ofrece el máximo control de los datos, pero requiere una infraestructura informática propia.

El proceso por el cual un modelo de IA entrenado se aplica a nuevas entradas y produce salidas. A diferencia del entrenamiento, la inferencia es necesaria cada vez que se utiliza el modelo.

Densidad de hechos; la medida de entidades o conceptos nuevos, densos y verificables que aparecen en un documento en comparación con la norma contextual. Se considera un factor decisivo de clasificación o selección para los sistemas que sintetizan fuentes.

Proceso de selección, transformación y creación manual de características (features) a partir de datos brutos para mejorar el rendimiento de los modelos de aprendizaje automático. En los modelos modernos de aprendizaje profundo se sustituye en gran medida por el aprendizaje automático.

Concepto en el que la IA no se entiende como sustituto del ser humano, sino como amplificador de las capacidades humanas. Subraya la colaboración entre persona y máquina.

Ataque de seguridad en el que se incrustan instrucciones ocultas en una entrada de usuario o en un documento externo para manipular el comportamiento de un sistema de IA. Especialmente peligroso en los agentes de IA.

Norma internacional para los sistemas de gestión de la IA (AIMS), adoptada a finales de 2023. Define los requisitos para el desarrollo, el despliegue y la monitorización responsables de los sistemas de IA en las organizaciones. Armoniza con el Reglamento Europeo de IA.

Ley nacional alemana de aplicación del Reglamento Europeo de IA, con la que Alemania regula las competencias de las autoridades nacionales de vigilancia del mercado (principalmente la Agencia Federal de Redes) para el Reglamento de IA. En preparación a fecha del Q1/2026.

Sistema central de almacenamiento de datos que guarda grandes cantidades de datos brutos estructurados y no estructurados en su forma original. Punto de partida de muchos conjuntos de datos de entrenamiento de IA.

Sistemas de armas controlados por IA capaces de identificar, seleccionar y atacar objetivos de forma autónoma, sin que una persona tome la decisión final. Objeto de intensos debates internacionales; a fecha de 2026 no existe ninguna prohibición vinculante.

Regularidades demostradas empíricamente según las cuales el rendimiento de los LLM escala de forma previsible y continua con el tamaño del modelo, la cantidad de datos y la potencia de cálculo. Base de las decisiones de inversión de las grandes empresas de IA.

Familia de modelos de IA de código abierto de Meta AI. A fecha del Q1/2026, Llama está disponible. Permite la ejecución local y el ajuste fino sin depender de API propietarias en la nube.

Gran modelo lingüístico con miles de millones a billones de parámetros, entrenado sobre enormes corpus de texto. Ejemplos: los modelos GPT actuales, Claude Sonnet, Gemini Pro, Llama.

Aplicación de escritorio fácil de usar para Windows, Mac y Linux que permite descargar de forma sencilla y ejecutar localmente modelos de IA de código abierto sin conocimientos de programación.

Término de la lingüista Emily Bender para los LLM: sistemas que imitan de forma muy compleja los patrones lingüísticos de los datos de entrenamiento sin comprender los significados subyacentes.

Variante especial de RNN con puertas para almacenar y olvidar información de forma selectiva. Dominó el procesamiento del lenguaje antes de la era de los Transformer; en los LLM modernos está en gran medida sustituida.

Marca invisible o visible en los contenidos generados por IA (texto, imagen, audio) que hace demostrable un origen automático. Técnicamente emparentada con C2PA. Prevista en el Reglamento Europeo de IA como medida de transparencia para los contenidos sintéticos.

Modelo sistemático para crear prompts de alta calidad. Sus siglas en inglés significan: Context (contexto), Role (rol), Action (acción), Format (formato), Tone (tono).

Protocolo publicado por Anthropic en 2024 como estándar abierto para la conexión estandarizada de modelos de IA con herramientas, fuentes de datos y servicios externos. Comparable a un estándar USB para las integraciones de IA.

Técnica en la que se utiliza el modelo de IA para generar mejores prompts. El modelo ayuda a mejorar la calidad de su propia entrada.

Empresa francesa de IA que desarrolla potentes modelos de código abierto (Mistral 7B, Mixtral) y el asistente de IA «Le Chat». Pionera del desarrollo europeo de la IA con un enfoque en la protección de datos conforme a los estándares de la UE.

Arquitectura de modelo con muchas subredes especializadas (expertos), de las cuales solo se activa una fracción por cada entrada. Permite modelos globales muy grandes con una inferencia eficiente. GPT-4 y Mixtral se basan en este principio.

Conjunto de prácticas, procesos y herramientas para operacionalizar los modelos de aprendizaje automático en el entorno empresarial. Abarca toda la cadena, desde el desarrollo del modelo, pasando por el entrenamiento y las pruebas, hasta el despliegue, la monitorización y el reentrenamiento en entornos de producción. Análogo al DevOps en el desarrollo de software clásico.

Importante benchmark para medir el conocimiento general de los modelos de IA en 57 áreas temáticas, desde las matemáticas hasta el derecho.

Marco para clasificar el desarrollo de la IA según el grado de autonomía. Etapa 0: software basado en reglas (sin aprendizaje, sin Reglamento de IA). Etapa 1: chatbots (sistemas pasivos de pregunta y respuesta). Etapa 2: modelos de razonamiento (IA que piensa y planifica). Etapa 3: agentes autónomos (IA que actúa por sí misma). Etapa 4: IA innovadora/AGI (IA investigadora que crea cosas nuevas). Etapa 5: IA organizativa/ASI (superinteligencia que dirige organizaciones, hipotética).

Modelo generativo que aprende a «eliminar el ruido» de una imagen ruidosa paso a paso y a generar así nuevas imágenes de alta calidad a partir del ruido. Base de Midjourney, Stable Diffusion y la serie GPT-Image (antes DALL-E 3).

Modelo de IA que, antes de responder, recorre un proceso de razonamiento interno de varios pasos (Sistema 2). Ejemplos: los modelos de razonamiento (Thinking) de OpenAI, Claude Opus. Especialmente eficaz en matemáticas, lógica y análisis complejos.

Sinónimo de modelo base: un modelo de IA grande y preentrenado que sirve de base para muchas aplicaciones derivadas distintas. Los modelos GPT actuales, Claude Sonnet y Gemini Pro son modelos fundacionales.

Sistemas de IA que pueden procesar y generar simultáneamente distintos tipos de datos (texto, imagen, audio, vídeo, código). Gemini Pro y los modelos GPT actuales son multimodales de forma nativa.

Herramienta de línea de comandos de código abierto para la gestión y ejecución locales de modelos de IA. Popular entre los desarrolladores para integrar modelos locales en sus propias aplicaciones.

Denominación colectiva del sistema de agentes de IA de OpenAI, que navega de forma autónoma por los navegadores web, rellena formularios y puede realizar reservas. El servicio original «Operator» (enero de 2025) se suspendió el 31 de agosto de 2025 y se integró en el «ChatGPT Agent», disponible desde julio de 2025.

Los pesos internos de una red neuronal que se ajustan durante el entrenamiento mediante retropropagación. Los modelos grandes poseen de miles de millones a billones de parámetros. El número de parámetros es una aproximación (incompleta) de la complejidad del modelo.

Mecanismo en Claude Opus y modelos de razonamiento comparables en el que el modelo «piensa» de forma explícita antes de responder; el proceso de razonamiento interno es parcialmente visible para el usuario.

Directiva revisada de la UE sobre responsabilidad por productos (2024/2853) que, desde octubre de 2024, incluye expresamente el software y los sistemas de IA como productos y los somete así a la responsabilidad objetiva por productos.

Subcampo de la IA que se ocupa del procesamiento y la comprensión del lenguaje humano. Base de todos los modelos lingüísticos.

Procesamiento de varias entradas a la vez en lugar de una por una. En el contexto de la IA es relevante para una inferencia eficiente y la reducción de costes en el uso de API.

La entrada (instrucción, pregunta, contexto, ejemplos) que un usuario proporciona a un sistema de IA para generar una salida.

Instrucción previa invisible que define el comportamiento básico, la personalidad y las limitaciones de un sistema de IA. Las empresas la utilizan para personalizar las aplicaciones de IA.

El diseño sistemático de prompts para guiar a los sistemas de IA hacia resultados óptimos. Incluye técnicas como CRAFT, cadena de pensamiento, few-shot y metaprompting.

La evaluación de las personas en función de su comportamiento social o de características personales mediante sistemas de IA. Prohibida por el Reglamento Europeo de IA desde febrero de 2025 (art. 5).

Arquitectura en la que, antes de generar la respuesta, un modelo lingüístico recupera información relevante de una base de conocimiento externa y actualizada y la incorpora a la respuesta. Reduce considerablemente las alucinaciones en tareas basadas en hechos.

Modelo de cálculo concebido de forma vaga como una analogía del cerebro biológico. Está formado por capas de nodos (neuronas) y conexiones ponderadas. El aprendizaje se produce mediante el ajuste de los pesos.

Simulación sistemática de ataques en la que un equipo intenta de forma deliberada manipular o corromper un sistema de IA. Obligatorio en el Reglamento Europeo de IA para los modelos GPAI con riesgo sistémico.

El algoritmo de aprendizaje fundamental de las redes neuronales. Calcula el error de la salida hacia atrás a través de la red y ajusta los pesos para minimizar el error.

Reglamento europeo (UE) 2016/679 para la protección de datos personales, que también se aplica al tratamiento por sistemas de IA. El RGPD y el Reglamento Europeo de IA se complementan y se solapan en gran medida.

Procedimiento de entrenamiento en el que las valoraciones humanas de las respuestas de la IA se utilizan como señal de recompensa para el modelo, con el fin de alinearlo con las preferencias humanas.

Tipo de red neuronal con conexiones de realimentación que procesa datos secuenciales. En gran medida sustituida por los Transformer.

Distorsión sistemática en los resultados de un sistema de IA que perjudica a determinados grupos. Puede originarse en los datos (sesgo de datos), en las anotaciones (sesgo de etiquetado), en la infrarrepresentación (sesgo de representación) o en bucles de retroalimentación que se refuerzan a sí mismos (sesgo de bucle de retroalimentación).

Método de la IA explicable (XAI) que calcula la contribución de cada característica de entrada a la predicción de un modelo.

Distinción tomada de la psicología de Daniel Kahneman entre modelos de IA rápidos e intuitivos (Sistema 1, p. ej., modelos GPT más pequeños, Claude Sonnet) y modelos de razonamiento lentos y analíticos (Sistema 2, p. ej., los modelos de razonamiento de OpenAI, Claude Opus).

Arquitectura de IA en la que varios agentes de IA especializados colaboran en paralelo o de forma secuencial para resolver tareas complejas que un solo agente no podría abordar. Cada agente asume un rol claramente definido (p. ej., planificador, investigador, programador, revisor). Orquestada por marcos como LangGraph, AutoGen o CrewAI y estandarizada mediante el protocolo A2A.

Modelo lingüístico compacto con entre 1 y 14 mil millones de parámetros, optimizado para tareas específicas y ejecutable en hardware de consumo. Ejemplos: Phi-4 (Microsoft), Gemma 3 (Google), Llama.

Problema en el que un modelo aprende los datos de entrenamiento con demasiada exactitud, incluidos sus errores y casualidades, y por ello rinde mal con datos nuevos y desconocidos.

Problema en el que un modelo es demasiado simple y no capta los patrones subyacentes en los datos de entrenamiento. Lo contrario del sobreajuste.

Análisis automatizado de grandes cantidades de obras protegidas por derechos de autor mediante sistemas de IA. En la UE está regulado por la Directiva sobre derechos de autor en el mercado único digital (art. 3 y 4): permitido siempre que el titular de los derechos no se haya opuesto (principio de exclusión voluntaria u opt-out).

Método para evaluar modelos de IA o prompts en el que se prueban dos variantes simultáneamente y se comparan los resultados. Importante para la optimización sistemática de aplicaciones de IA.

Experimento mental propuesto por Alan Turing en 1950 para medir la inteligencia de las máquinas: en una conversación escrita, ¿puede una persona no distinguir si su interlocutor es una máquina o un ser humano?

Potencia de cálculo adicional que se emplea durante la inferencia (no durante el entrenamiento) para obtener mejores resultados. Base de los modelos de razonamiento.

La unidad básica de procesamiento del texto en los modelos lingüísticos. Un token equivale normalmente a 3–4 caracteres o a unas tres cuartas partes de una palabra inglesa. 1000 tokens equivalen a unas 750 palabras.

Algoritmo que divide el texto en tokens antes de introducirlo en un modelo lingüístico. Los distintos modelos utilizan estrategias de tokenización diferentes.

Arquitectura fundamental de red neuronal, presentada en 2017 por Vaswani et al. (Google) en el artículo «Attention Is All You Need». Se basa en mecanismos de self-attention y es la base de todos los modelos lingüísticos modernos.

Vehículo autónomo según la clasificación SAE, con cinco niveles de autonomía. El nivel 2 (automatización parcial) está hoy muy extendido; el nivel 4 (totalmente automatizado sin conductor) está disponible en proyectos piloto; el nivel 5 (totalmente autónomo en todas las condiciones) sigue siendo un objetivo de desarrollo.

La cantidad máxima de texto (en tokens) que un modelo lingüístico puede procesar a la vez. Los modelos de frontera actuales tienen ventanas de contexto de 128 000 a 2 000 000 de tokens.

Término para el cambio de paradigma en el desarrollo de software en el que los desarrolladores (o incluso quienes no programan) describen su intención arquitectónica en lenguaje natural en lugar de escribir el código línea por línea. Herramientas como GitHub Copilot Agent Mode, Lovable o Bolt.new convierten los prompts en aplicaciones totalmente desplegadas. Término acuñado a principios de 2025.

Modelo de IA que puede procesar texto e imágenes a la vez. Permite tareas como la descripción de imágenes, la respuesta visual a preguntas y el análisis de documentos.

Métodos y enfoques que hacen que las decisiones de la IA sean comprensibles e interpretables para las personas. Métodos: LIME, SHAP, visualización de la atención, cadena de pensamiento. Consagrada en el Reglamento Europeo de IA como requisito para los sistemas de alto riesgo.

Técnica de prompting en la que no se proporcionan ejemplos al modelo, solo la descripción de la tarea. El modelo resuelve la tarea únicamente a partir de su conocimiento previo.