Glosario de inteligencia artificial

Las palabras que aparecen cada vez que se habla de IA, explicadas sin vueltas y con un ejemplo. Empezá por token y LLM: con esas dos, casi todo lo demás se entiende.

Agente de IA: Un agente de IA es un sistema en el que un modelo no sólo responde: decide pasos, usa herramientas y actúa en bucle hasta cumplir un objetivo.
Alucinación: Una alucinación es cuando un modelo de IA genera información falsa o inventada y la presenta con total seguridad, como si fuera un dato real.
Embeddings: Un embedding es una lista de números que representa el significado de un texto o de una imagen. Los textos con significado parecido quedan cerca entre sí.
Fine-tuning (ajuste fino): El fine-tuning es seguir entrenando un modelo ya entrenado con un conjunto chico de ejemplos propios, para especializarlo en una tarea, un estilo o un formato.
IA generativa: La IA generativa es la que crea contenido nuevo (texto, imágenes, audio, video o código) a partir de lo que aprendió de enormes cantidades de ejemplos.
Inteligencia artificial (IA): La inteligencia artificial es el campo que busca que las computadoras hagan tareas que asociamos con la inteligencia humana: entender lenguaje, ver, decidir o crear.
LLM (modelo de lenguaje grande): Un LLM (modelo de lenguaje grande) es una IA entrenada con enormes cantidades de texto para predecir el siguiente token. Es el motor de ChatGPT, Claude o Gemini.
Machine learning (aprendizaje automático): El machine learning es la rama de la IA en la que un sistema aprende patrones a partir de ejemplos, en lugar de seguir reglas que alguien programó a mano.
MCP (Model Context Protocol): MCP es un protocolo abierto para conectar modelos de IA con herramientas y datos externos, de forma que una misma integración sirva para muchas aplicaciones.
Prompt: Un prompt es la instrucción o el texto que le das a un modelo de IA para que responda. Cuanto más claros el contexto y el objetivo, mejor suele salir la respuesta.
RAG (generación aumentada por recuperación): RAG es una técnica que busca información relevante en tus documentos y se la pasa al modelo junto con la pregunta, para que responda con datos reales y al día.
Red neuronal: Una red neuronal es un modelo hecho de capas de unidades simples conectadas, con pesos que se ajustan al entrenar. Es la base del deep learning y de los LLM.
Temperatura: La temperatura es un ajuste que controla cuánto azar usa un modelo al elegir el próximo token: baja da respuestas más previsibles, alta da respuestas más variadas.
Token: Un token es el pedacito de texto con el que trabaja un modelo de lenguaje: una palabra, parte de una palabra o un signo. Con tokens se miden el contexto y el costo.
Transformer: El transformer es la arquitectura de red neuronal detrás de casi todos los LLM actuales. Su pieza clave, la atención, relaciona cada token con todos los demás.
Ventana de contexto: La ventana de contexto es la cantidad máxima de tokens que un modelo puede tener en cuenta a la vez: tu mensaje, la conversación, los documentos y su respuesta.

Actualizado el 1 de noviembre de 2026