Empiezas a utilizar ChatGPT y, de repente, parece que necesitas aprender un idioma nuevo.
Prompt.
Token.
LLM.
Modelo.
Contexto.
Multimodal.
Agente.
Y cuando por fin crees que empiezas a entenderlo, aparece alguien hablando de embeddings, inferencia o fine-tuning.
La buena noticia es que no necesitas convertirte en especialista en inteligencia artificial para utilizarla bien.
Pero conocer algunos términos básicos sí puede ayudarte a entender mejor qué hacen las herramientas, por qué a veces fallan y qué significa realmente cuando una empresa anuncia una nueva función.
Vamos a repasar 15 términos de inteligencia artificial que merece la pena conocer si estás empezando, explicados sin fórmulas ni lenguaje técnico innecesario.
1. Inteligencia artificial
Empecemos por lo más básico.
La inteligencia artificial (IA) es un conjunto de tecnologías que permiten a los sistemas informáticos realizar determinadas tareas que normalmente asociamos con capacidades humanas.
Por ejemplo:
reconocer imágenes;
entender lenguaje;
detectar patrones;
hacer predicciones;
generar contenido;
resolver problemas.
IA es un concepto muy amplio.
ChatGPT es inteligencia artificial, pero también lo es un sistema que detecta operaciones bancarias sospechosas o una aplicación que reconoce caras en fotografías.
Por eso IA no significa automáticamente ChatGPT ni IA generativa.
Es el término general.
2. Inteligencia artificial generativa
La IA generativa es un tipo de inteligencia artificial capaz de crear contenido nuevo.
Puede generar:
textos;
imágenes;
audio;
vídeos;
código;
presentaciones;
otros contenidos.
ChatGPT es un ejemplo muy conocido cuando hablamos de texto y otras modalidades.
Los generadores de imágenes también forman parte de esta categoría.
La diferencia principal frente a otros sistemas de IA es precisamente esa capacidad de generar un nuevo resultado a partir de una instrucción.
Por ejemplo, un sistema tradicional podría reconocer que en una imagen aparece un gato.
Una IA generativa podría recibir:
Crea una ilustración de un gato vestido de astronauta.
y producir una imagen nueva.
3. Modelo de IA
Un modelo es, simplificando mucho, el sistema que ha aprendido patrones durante un proceso de entrenamiento y después utiliza esos patrones para generar respuestas o realizar tareas.
Podemos pensar en él como el “motor” que hay detrás de muchas herramientas de inteligencia artificial.
Por eso puedes encontrarte nombres de modelos diferentes dentro de una misma aplicación.
Los modelos pueden estar especializados o tener distintas capacidades.
Algunos son mejores para:
razonar;
programar;
generar imágenes;
trabajar rápidamente;
analizar grandes cantidades de información.
Cuando una empresa anuncia “un nuevo modelo”, generalmente está hablando de una nueva versión del sistema que realiza el trabajo de IA, no necesariamente de una aplicación completamente nueva.
4. LLM
LLM son las siglas en inglés de Large Language Model, que suele traducirse como modelo de lenguaje de gran tamaño.
Es un tipo de modelo entrenado para trabajar con lenguaje.
Los LLM pueden:
comprender instrucciones;
generar texto;
resumir;
traducir;
clasificar información;
responder preguntas;
escribir código;
mantener conversaciones.
ChatGPT utiliza modelos de lenguaje para muchas de sus capacidades.
La palabra “grande” hace referencia, entre otras cosas, a la escala de estos sistemas: han sido entrenados utilizando enormes cantidades de información y cuentan con una gran cantidad de parámetros internos.
Para utilizar ChatGPT no necesitas conocer esos detalles.
Quédate con esta idea:
un LLM es un modelo de IA especializado en trabajar con lenguaje.
5. Prompt
Este probablemente sea el término que más vas a utilizar.
Un prompt es la instrucción que proporcionas a una inteligencia artificial.
Por ejemplo:
Explícame qué es la fotosíntesis.
Eso es un prompt.
También lo sería:
Escribe un correo para recordar a un cliente que necesito recibir la documentación antes del viernes. Quiero un tono cordial y breve.
Un prompt puede contener:
una pregunta;
una tarea;
contexto;
ejemplos;
restricciones;
el formato que quieres recibir.
Cuanto mejor expliques lo que necesitas, más posibilidades tendrás de obtener un resultado útil.
No hace falta escribir prompts kilométricos.
Lo importante es que la IA tenga la información necesaria para entender tu objetivo.
6. Token
Los modelos de lenguaje no procesan necesariamente un texto exactamente palabra por palabra.
Lo dividen en pequeñas unidades llamadas tokens.
Un token puede corresponder a:
una palabra;
parte de una palabra;
un signo;
otra pequeña unidad de texto.
Por eso 1.000 palabras no equivalen exactamente a 1.000 tokens.
¿Y por qué debería importarte?
Porque muchos sistemas de IA tienen límites relacionados con la cantidad de tokens que pueden procesar.
Los tokens también pueden utilizarse para calcular el uso o coste de determinados servicios de IA.
Para un usuario normal de ChatGPT no necesitas estar contando tokens constantemente.
Simplemente conviene entender que son las pequeñas piezas en las que el modelo divide el texto para procesarlo.
7. Ventana de contexto
La ventana de contexto indica aproximadamente cuánta información puede manejar un modelo dentro de una interacción o tarea determinada.
Puedes imaginarla como el espacio de trabajo disponible sobre una mesa.
Si la mesa es pequeña, caben pocos documentos.
Si es grande, puedes tener muchos documentos abiertos al mismo tiempo.
Una ventana de contexto amplia puede permitir trabajar con:
conversaciones largas;
documentos extensos;
muchas instrucciones;
grandes cantidades de código;
varios textos simultáneamente.
Esto no significa necesariamente que cuanto mayor sea la ventana de contexto, mejor será absolutamente todo.
Pero sí determina cuánta información puede estar disponible para el modelo al trabajar en una tarea.
8. Alucinación
Este término suena bastante más dramático de lo que realmente significa.
Una alucinación ocurre cuando una inteligencia artificial genera información incorrecta, inventada o no respaldada por los datos disponibles y la presenta como si fuera cierta.
Por ejemplo, puede:
inventar una fecha;
atribuir una frase a una persona equivocada;
crear una fuente inexistente;
confundir un dato;
afirmar algo con excesiva seguridad.
¿Por qué ocurre?
Porque un modelo generativo está diseñado para producir respuestas coherentes, no para funcionar siempre como una base de datos perfecta.
Por eso debes verificar especialmente la información cuando tenga importancia:
académica;
médica;
legal;
financiera;
profesional.
Una respuesta muy convincente también puede estar equivocada.
9. Multimodal
Un modelo multimodal puede trabajar con diferentes tipos de información, no únicamente texto.
Por ejemplo:
texto;
imágenes;
audio;
vídeo;
archivos.
Esto permite hacer cosas como:
subir una fotografía y preguntar qué aparece;
mostrar una gráfica y pedir que la explique;
proporcionar un PDF y solicitar un resumen;
hablar mediante voz;
combinar una imagen con instrucciones escritas.
La multimodalidad está haciendo que las herramientas de IA sean cada vez menos parecidas a un simple chat de texto y más parecidas a asistentes capaces de trabajar con distintos formatos.
10. Machine learning o aprendizaje automático
El machine learning, o aprendizaje automático, es una rama de la inteligencia artificial en la que los sistemas aprenden patrones a partir de datos.
En lugar de programar manualmente todas las reglas posibles, se utilizan datos para que el sistema pueda identificar relaciones.
Por ejemplo, para crear un sistema capaz de identificar correos no deseados podrías proporcionarle muchos ejemplos de:
spam;
correo legítimo.
El sistema aprende patrones que le ayudan posteriormente a clasificar mensajes nuevos.
El aprendizaje automático existe desde mucho antes de la actual explosión de la IA generativa.
De hecho, muchas aplicaciones que utilizamos desde hace años ya empleaban machine learning sin que hablásemos de ello constantemente.
11. Deep learning o aprendizaje profundo
El deep learning, o aprendizaje profundo, es una rama del machine learning basada en redes neuronales con múltiples capas.
No necesitas entender toda la matemática para comprender su importancia.
El deep learning ha sido fundamental para avances en áreas como:
reconocimiento de imágenes;
procesamiento del lenguaje;
reconocimiento de voz;
generación de contenido.
Una forma sencilla de visualizar la relación sería:
Inteligencia artificial es el concepto más amplio.
Dentro encontramos machine learning.
Y dentro del machine learning encontramos deep learning.
No son tres cosas completamente separadas, sino conceptos relacionados.
12. Entrenamiento
El entrenamiento es el proceso mediante el cual un modelo aprende patrones utilizando datos.
Durante esta fase, el sistema analiza enormes cantidades de ejemplos y ajusta sus parámetros internos.
Este proceso puede necesitar una enorme cantidad de:
datos;
capacidad informática;
tiempo;
energía.
Después del entrenamiento, el modelo puede utilizar lo aprendido para enfrentarse a nuevas instrucciones.
Es importante distinguir:
entrenar un modelo de utilizar un modelo.
Cuando tú escribes un prompt en ChatGPT, normalmente no estás entrenando desde cero el modelo.
Estás utilizando un sistema que ya ha pasado previamente por un proceso de entrenamiento.
13. Inferencia
Si el entrenamiento es el momento en el que el modelo aprende, la inferencia es el momento en el que utiliza lo aprendido.
Cuando escribes:
Dame diez ideas para una cena rápida.
y la IA genera la respuesta, está realizando inferencia.
El modelo recibe una entrada y calcula qué salida producir.
En términos muy simplificados:
entrenamiento = aprender.
inferencia = utilizar lo aprendido.
Este término aparece bastante cuando se habla de velocidad, costes o potencia informática de los modelos.
14. Fine-tuning
El fine-tuning, o ajuste fino, consiste en adaptar un modelo previamente entrenado para que funcione mejor en una tarea, estilo o ámbito determinado.
Imagina un modelo general capaz de hablar sobre miles de temas.
Después quieres especializarlo para:
clasificar documentos legales;
responder siguiendo un estilo concreto;
trabajar con determinados tipos de textos;
seguir comportamientos específicos.
En lugar de entrenar un modelo completamente desde cero, puedes partir de uno existente y realizar un entrenamiento adicional más específico.
Eso es, de forma muy simplificada, el fine-tuning.
Para la mayoría de usuarios de ChatGPT no es algo que necesiten hacer.
Pero es útil conocer el término porque aparece mucho cuando se habla de personalización de modelos.
15. Agente de IA
Los agentes de IA son uno de los conceptos que más vas a escuchar.
Un chatbot responde.
Un agente puede ir un poco más allá y realizar varios pasos para alcanzar un objetivo.
Por ejemplo, podrías pedir:
Investiga tres hoteles para mi viaje, compáralos según precio y ubicación y prepara un resumen.
Un sistema con capacidades de agente podría:
buscar información;
visitar diferentes fuentes;
comparar resultados;
organizar datos;
crear un documento final.
En tareas más avanzadas también podría utilizar herramientas o aplicaciones conectadas, siempre dependiendo de los permisos y capacidades disponibles.
La idea clave es:
un agente no se limita a generar una respuesta; puede ejecutar una secuencia de acciones para completar una tarea.
Esto representa una evolución importante frente al uso tradicional de los chatbots.
Otros términos que probablemente empezarás a escuchar
Estos quince conceptos son suficientes para entender gran parte de las conversaciones básicas sobre inteligencia artificial.
Pero probablemente también encontrarás otros:
API: forma de permitir que diferentes programas se comuniquen entre sí.
Embedding: representación matemática de información utilizada para identificar relaciones y similitudes.
RAG: técnica que combina generación de IA con recuperación de información externa.
Open source: software o modelos cuyo código o determinados componentes están disponibles públicamente bajo ciertas condiciones.
Parámetros: valores internos que un modelo aprende durante el entrenamiento.
No necesitas aprenderlos todos el primer día.
La inteligencia artificial cambia muy rápido y continuamente aparecen nuevos términos.
Lo importante es comprender los conceptos que realmente necesitas para utilizar las herramientas.
Cómo se relacionan todos estos conceptos
Imagina que abres ChatGPT y escribes:
Analiza esta imagen y explícame qué representa.
En esa simple acción aparecen varios de los términos anteriores.
Estás utilizando un modelo de IA.
Escribes un prompt.
El sistema procesa tu mensaje mediante tokens.
Puede analizar la imagen porque tiene capacidades multimodales.
Utiliza lo aprendido durante su entrenamiento.
Genera la respuesta mediante inferencia.
Y debe mantener tu imagen, la pregunta y la conversación dentro de una determinada ventana de contexto.
Si inventa algún dato, podríamos estar ante una alucinación.
De repente, todas esas palabras empiezan a encajar.
No necesitas hablar como un ingeniero para utilizar IA
Uno de los riesgos cuando una tecnología se vuelve popular es que aparezca una enorme cantidad de vocabulario alrededor.
Y puede parecer que necesitas dominarlo antes de empezar.
No es así.
Puedes utilizar ChatGPT perfectamente sin saber qué es un token.
Puedes generar una imagen sin comprender cómo funciona una red neuronal.
Puedes escribir un buen prompt sin conocer la arquitectura de un LLM.
Pero entender algunos conceptos básicos te permite utilizar las herramientas con más criterio.
Sabes por qué debes comprobar determinada información.
Entiendes por qué un modelo puede olvidar parte del contexto.
Sabes qué significa cuando una nueva herramienta se presenta como multimodal.
Y puedes distinguir entre un chatbot que responde y un agente que realiza varias acciones.
Qué términos merece la pena recordar de verdad
Si después de leer este artículo solo quieres quedarte con unos pocos, empezaría por estos:
IA generativa: crea contenido nuevo.
Modelo: sistema que realiza el trabajo de IA.
LLM: modelo especializado en lenguaje.
Prompt: instrucción que das a la IA.
Token: unidad con la que el modelo procesa texto.
Contexto: información disponible para responder.
Alucinación: información falsa generada como si fuera cierta.
Multimodal: capacidad de trabajar con varios formatos.
Agente: sistema capaz de realizar varios pasos para completar una tarea.
Con esos conceptos ya tienes una base bastante sólida.
Los demás irán apareciendo de forma natural según profundices.
Entender la IA empieza por perderle el miedo al vocabulario
La inteligencia artificial puede parecer mucho más complicada cuando cada explicación incluye diez palabras técnicas que nadie se molesta en definir.
Pero detrás de buena parte de esos términos hay ideas bastante sencillas.
Un prompt es una instrucción.
Un modelo es el sistema.
Un token es una pequeña unidad de información.
Una alucinación es un error inventado.
Un agente realiza tareas en varios pasos.
Una vez traducimos el vocabulario, la tecnología deja de parecer tan misteriosa.
Y ese es probablemente el mejor punto de partida: entender primero qué significan las palabras y después aprender a utilizar las herramientas poco a poco.
Si quieres profundizar en uno de los conceptos más importantes de esta guía, continúa con Qué es la inteligencia artificial generativa y cómo funciona explicado fácil. Y cuando quieras pasar de la teoría a utilizar una herramienta real, puedes seguir con ChatGPT desde cero: cómo empezar y sacarle partido desde el primer día.


