Las palabras de la IA, explicadas sin jerga

El término abarca cosas muy distintas. Hoy, cuando un artículo dice «la IA», casi siempre se refiere a un modelo de lenguaje entrenado con enormes cantidades de texto, capaz de producir respuestas plausibles.

Un modelo que, en cada paso, calcula la palabra siguiente más probable. Repetido miles de veces, ese pequeño cálculo produce textos coherentes, traducciones, código. De ahí vienen toda su fuerza y todos sus límites.

La instrucción que se da al modelo. Su formulación cambia mucho el resultado: dar un papel, un ejemplo, un formato esperado suele mejorar la respuesta más que cambiar de herramienta.

La interfaz, no el cerebro. El chatbot es la ventana de conversación; detrás trabaja un modelo de lenguaje. El mismo modelo puede alimentar un chatbot, una app móvil o un servicio invisible.

Un modelo al que se le dan herramientas y permiso para usarlas en bucle hasta alcanzar un objetivo. Es el gran proyecto de 2025-2026, y la fuente de la mayoría de anuncios espectaculares, y de fracasos.

La familia de programas a la que pertenecen todos los modelos de IA actuales. Una red apila capas de cálculos muy simples; aprender consiste en ajustar los miles de millones de coeficientes que las unen hasta que las salidas son correctas. Nadie escribe las reglas: emergen del ajuste.

El horizonte que se marcan los grandes laboratorios: un sistema capaz de realizar la mayoría de las tareas intelectuales humanas, y no solo aquellas para las que se le preparó. La palabra sirve a la vez de objetivo científico, de argumento para captar fondos y de motivo de inquietud.

La unidad básica que el modelo lee y escribe. Una palabra común es un token, una rara varios. También es la unidad de facturación: cuando un servicio da un precio, lo da en tokens.

La fase en la que el modelo ajusta sus parámetros recorriendo sus datos. Ocurre una vez, cuesta muchísimo y congela el conocimiento del modelo en una fecha, su «corte». Después ya no aprende hablando contigo.

Los números que componen el modelo. Se cuentan en miles de millones, y esa cifra sirve de atajo para hablar del tamaño de un modelo: «un 70 mil millones» se dice como quien indica la cilindrada de un motor.

La cantidad de texto que el modelo puede procesar de una vez, medida en tokens. Los modelos recientes anuncian ventanas enormes: un millón de tokens, varios libros. Más allá hay que trocear, resumir o hacer que el modelo busque en documentos.

El uso del modelo ya entrenado. Cada respuesta consume algo de electricidad y cuesta fracciones de céntimo. Multiplicado por cientos de millones de usuarios diarios, aquí se juega la mayor parte de la factura energética.

Un modelo que acepta varios tipos de entrada —texto, imagen, audio, vídeo— y a veces produce varios. Es lo que permite fotografiar un problema de matemáticas, hacer describir una escena o hablar en voz alta a un asistente.

La arquitectura inventada en Google en 2017 y que usan casi todos los modelos actuales: GPT, Claude, Gemini, Llama. Su mecanismo de «atención» pondera cuánto importa cada palabra respecto a las demás, lo que le permite tener en cuenta un contexto largo. Es la «T» de GPT.

La traducción de una palabra, una frase o una imagen a una larga lista de números, un vector, elegida para que dos contenidos cercanos en significado tengan números cercanos. Es lo que permite buscar «por el sentido» y no por palabra clave, y es la pieza básica del RAG.

Un ajuste entre 0 y 2 aproximadamente, que decide si el modelo escoge siempre la palabra más probable o se permite opciones menos esperadas. Baja para extraer datos o programar, más alta para una lluvia de ideas. La mayoría de chatbots de consumo la fijan por ti, a menudo entre 0,7 y 1.

Texto, imágenes o diálogos generados por un modelo y usados para entrenar otro, porque los datos humanos de calidad escasean o cuestan demasiado de recopilar. Muy usados para modelos pequeños y casos raros (dialectos, situaciones peligrosas); la mayoría de modelos recientes llevan una parte.

La técnica detrás de casi todos los generadores de imágenes y vídeo: Midjourney, Stable Diffusion, DALL·E, Sora. El modelo parte de un ruido aleatorio y lo «limpia» en varias decenas de pasos, guiado por tu descripción. Por eso una imagen tarda unos segundos, y un vídeo mucho más.

Desde finales de 2024, los «modelos de razonamiento» (o1, o3, DeepSeek-R1, los modos «pensar» de Claude o Gemini) generan una larga cadena de pasos intermedios antes de la respuesta final. Son claramente mejores en matemáticas, código y lógica, pero más lentos y más caros: pensar se paga en tokens.

El hardware de todo el asunto. Entrenar y servir modelos exige decenas de miles de estos chips, vendidos sobre todo por Nvidia, cuyas escaseces y precios marcan la actualidad tanto como los propios modelos. Cuando un artículo habla de «cómputo», de centros de datos gigantes o de restricciones a la exportación a China, habla de GPU.

Una afirmación falsa presentada con aplomo: una fuente que no existe, una fecha inventada, una cita atribuida al azar. Es el fallo más conocido, y la razón por la que hay que verificar toda información que importe.

Una tendencia sistemática a favorecer ciertas respuestas: asociar una profesión a un género, tratar mejor el inglés que otras lenguas, reflejar el punto de vista mayoritario de sus datos. No es un error puntual sino una deformación constante.

Contenido sintético que imita a una persona real. En pocos años la técnica pasó de demostraciones de laboratorio a aplicaciones de consumo, lo que desplaza el problema de «¿se puede hacer?» a «¿cómo se demuestra?».

La elusión de las reglas de seguridad de un modelo. Los métodos se renuevan sin cesar: juego de rol, lenguas poco comunes, codificación, instrucciones ocultas en un documento que el asistente va a leer.

Un ataque en el que un texto que lee el asistente (página web, correo, documento, comentario) contiene instrucciones que desvían su tarea: filtrar datos, enviar un mensaje, ignorar sus consignas. Cuanto más se convierten los asistentes en agentes que leen y actúan, más pesa este riesgo. No se arregla con un parche.

Una marca insertada en el momento de la generación para poder identificar después un contenido hecho por IA: un patrón en los píxeles de una imagen, una elección de palabras estadísticamente sesgada en un texto, metadatos firmados (norma C2PA). El reglamento europeo de IA lo exige para ciertos contenidos a partir de 2026. Es una de las respuestas a los deepfakes, no la solución.

El conjunto de técnicas que hacen que un modelo se comporte según las intenciones de sus diseñadores: útil, honesto, rechazando las peticiones peligrosas. La herramienta principal es el aprendizaje con retroalimentación humana (RLHF), donde anotadores puntúan las respuestas. Es lo que separa el modelo bruto del producto que te entregan, y el tema de la mayoría de debates sobre la seguridad de la IA.

El conjunto de límites que se imponen a un modelo: negarse a ayudar a fabricar un arma, no dar un diagnóstico médico firme, no insultar. Una parte se aprende durante la alineación; otra se añade alrededor del modelo con filtros que leen la pregunta y la respuesta. Por eso un mismo modelo rechaza más o menos según el servicio que lo utilice.

Un modelo cuyos parámetros se publican. Se puede instalar, adaptar y ejecutar sin conexión. Es la apuesta estratégica de Meta, Mistral y la mayoría de actores chinos, frente a los modelos cerrados de OpenAI, Anthropic y Google.

El medio técnico para conectar una IA a un software: una web, una aplicación, una hoja de cálculo. Explica por qué tantas herramientas «con IA» ofrecen lo mismo: muchas llaman a los mismos modelos por debajo.

Reentrenar ligeramente un modelo existente con datos específicos: el vocabulario de un oficio, el tono de una marca, un formato de respuesta. Mucho más barato que un entrenamiento completo: horas de cálculo en vez de meses.

La técnica detrás de la mayoría de asistentes de empresa: buscar los pasajes relevantes en una base documental, insertarlos en la instrucción y dejar que el modelo redacte. Es lo que permite citar fuentes y estar al día sin reentrenar.

Una serie de pruebas estandarizadas —razonamiento, código, cultura general— cuyas puntuaciones alimentan todos los anuncios. Es la cifra que verás citada cada vez que sale un modelo nuevo.

Una base de datos diseñada para guardar embeddings y recuperar muy rápido los más cercanos a una pregunta. En un asistente de empresa, es la que va a buscar los pasajes adecuados antes de que el modelo responda. Pinecone, Weaviate, Qdrant o una extensión de PostgreSQL: el mercado se llenó en dos años.

Un estándar abierto, publicado por Anthropic a finales de 2024 y adoptado después por OpenAI, Google y Microsoft, que describe cómo un asistente se conecta a herramientas y datos externos: tu agenda, una base de datos, un programa de empresa. Un «servidor MCP» escrito una vez funciona con todos los asistentes compatibles.

Una forma de construir modelos para que sean muy grandes sin ser muy lentos: los parámetros se reparten en «expertos» y un enrutador solo recurre a unos pocos en cada token. Es la arquitectura de la mayoría de los grandes modelos recientes, cerrados y abiertos, y una de las razones de que bajen los precios.

Incluir en la instrucción unos pocos ejemplos de lo que se espera, entrada y salida, y dejar que el modelo continúe la serie. Sin reentrenar: todo ocurre en el prompt. Suele ser la forma más eficaz de conseguir un formato preciso o un tono constante, mucho antes que el ajuste fino. «Zero-shot» es lo contrario: la instrucción sola, sin ejemplos.

El tiempo que pasa entre enviar una consulta y recibir la respuesta. Para un asistente suele pesar más que unos puntos de calidad: una voz que responde a los tres segundos parece rota. Es el argumento de los modelos «pequeños y rápidos» frente a los grandes modelos de razonamiento, que pueden pensar durante un minuto.

La etapa que convierte un modelo en bruto, que solo sabe continuar un texto, en un asistente que responde a una pregunta. Unos anotadores comparan respuestas; un modelo de recompensa aprende sus preferencias; al modelo principal se le empuja después a producir lo que ese juez prefiere. Eso marcó la diferencia de ChatGPT en 2022, mucho más que el tamaño del modelo.

Entrenar un modelo pequeño «alumno» con las respuestas de un modelo grande «profesor», para conservar lo esencial de la calidad a una fracción del coste. Así se hacen la mayoría de las versiones «mini», «flash» o «nano», y los modelos que funcionan en un teléfono o un portátil.