Glosario de IA para gente de proyecto
31 de agosto, 2026
Si trabajas en producto o proyecto, puede que últimamente hayas empezado a encontrarte con palabras que antes no estaban en tu vocabulario. El objetivo de este glosario es ayudarte a familiarizarte con conceptos de Inteligencia Artificial que puedes encontrarte en las reuniones. Cada concepto está explicado de forma somera, yendo al grano.
Guárdalo: lo actualizaremos cuando aparezcan nuevos términos que merezca la pena reflejar.
Guárdalo: lo actualizaremos cuando aparezcan nuevos términos que merezca la pena reflejar.
Fundamentos
Inteligencia Artificial
Hace referencia a sistemas que imitan la inteligencia humana. Está de moda usarla para referirse a la IA generativa (sobre todo por perfiles no técnicos) pero es importante identificar de qué tipo de IA estamos hablando (la IA generativa es solo un subconjunto).
Machine Learning (ML)
Es un subgrupo dentro de la IA. Su característica principal es que aprende patrones a partir de los datos. La mayoría de IA que llevas años usando (detectores de spam, recomendadores, fraude) es esto. La IA generativa cae dentro del ML también.
Modelo
Un modelo es un sistema de ML o "programa" que se entrena con datos históricos y puede aplicar esos patrones en escenarios nuevos. Por ejemplo, por debajo de los recomendadores de canciones de Spotify o de capítulos de Netflix, hay un modelo que ha aprendido qué le gusta a cada tipo de usuario y qué es más propenso a consumir a continuación.
Los modelos no se entrenan una sola vez, sino que se van retroalimentando con datos históricos para su refinamiento y mantenimiento.
Entrenamiento
Es el proceso de proporcionar datos a un modelo para que detecte patrones. Hay varias metodologías. Si necesitas entrenar tus propios modelos eso afecta al equipo técnico que necesitas (que seguramente deberá incluir perfiles como Data Scientists). También es posible usar modelos de proveedores (en cuyo caso les envías datos propios para que alimenten el modelo).
Inferencia
Es cada uso del modelo: cada vez que se le pregunta algo, que predice, que recomienda. Importa porque está relacionado con el pago por uso, el coste recurrente de tu funcionalidad que se apoye en IA viene de aquí.
IA Generativa (GenAI)
Es un tipo de IA que genera contenido nuevo (texto, imagen, audio, código, etc.). Forma parte del ML (y específicamente de una subrama llamada DeepLearning).
LLM o Large Language Model
Modelo de lenguaje de gran tamaño. ChatGPT, Claude o Gemini usan LLMs. Son modelos entrenados con cantidades ingentes de texto (todo internet y muchas fuentes diversas) para predecir cuál es la siguiente palabra que tiene sentido para dar respuesta al prompt del usuario.
Token
La unidad en la que un LLM trocea el texto. Puede ser una palabra o un trozo de palabra. Cada LLM mide los tokens de manera distinta. El dividir el texto en tokens se utiliza para analizar el significado de las palabras (incluyendo los tokens de alrededor como contexto) y poder predecir mejor la respuesta.
Hace referencia a sistemas que imitan la inteligencia humana. Está de moda usarla para referirse a la IA generativa (sobre todo por perfiles no técnicos) pero es importante identificar de qué tipo de IA estamos hablando (la IA generativa es solo un subconjunto).
Machine Learning (ML)
Es un subgrupo dentro de la IA. Su característica principal es que aprende patrones a partir de los datos. La mayoría de IA que llevas años usando (detectores de spam, recomendadores, fraude) es esto. La IA generativa cae dentro del ML también.
Modelo
Un modelo es un sistema de ML o "programa" que se entrena con datos históricos y puede aplicar esos patrones en escenarios nuevos. Por ejemplo, por debajo de los recomendadores de canciones de Spotify o de capítulos de Netflix, hay un modelo que ha aprendido qué le gusta a cada tipo de usuario y qué es más propenso a consumir a continuación.
Los modelos no se entrenan una sola vez, sino que se van retroalimentando con datos históricos para su refinamiento y mantenimiento.
Entrenamiento
Es el proceso de proporcionar datos a un modelo para que detecte patrones. Hay varias metodologías. Si necesitas entrenar tus propios modelos eso afecta al equipo técnico que necesitas (que seguramente deberá incluir perfiles como Data Scientists). También es posible usar modelos de proveedores (en cuyo caso les envías datos propios para que alimenten el modelo).
Inferencia
Es cada uso del modelo: cada vez que se le pregunta algo, que predice, que recomienda. Importa porque está relacionado con el pago por uso, el coste recurrente de tu funcionalidad que se apoye en IA viene de aquí.
IA Generativa (GenAI)
Es un tipo de IA que genera contenido nuevo (texto, imagen, audio, código, etc.). Forma parte del ML (y específicamente de una subrama llamada DeepLearning).
LLM o Large Language Model
Modelo de lenguaje de gran tamaño. ChatGPT, Claude o Gemini usan LLMs. Son modelos entrenados con cantidades ingentes de texto (todo internet y muchas fuentes diversas) para predecir cuál es la siguiente palabra que tiene sentido para dar respuesta al prompt del usuario.
Token
La unidad en la que un LLM trocea el texto. Puede ser una palabra o un trozo de palabra. Cada LLM mide los tokens de manera distinta. El dividir el texto en tokens se utiliza para analizar el significado de las palabras (incluyendo los tokens de alrededor como contexto) y poder predecir mejor la respuesta.
Cómo se habla con un LLM
Prompt
Es la instrucción que le das al modelo, la pregunta o petición que le haces. Es como una especificación de requisitos en lenguaje natural. La calidad del output depende mucho de la calidad del prompt y del contexto que le demos. Igual que cuando se define una historia de usuario o tarea para el equipo de desarrollo: cuanta más información precisa aportes, mejor será el resultado.
System prompt
El prompt es la entrada del usuario, pero esta se combina con el system prompt. Son instrucciones fijas e invisibles para el usuario que establecen cómo se comporta el modelo (por ejemplo, para que chatGPT nos hable educadamente, a menos que le pidamos lo contrario).
Contexto
Es toda la información que proporcionas en el prompt, puede ser directamente en formato texto o, si la interfaz que estés usando lo permite, documentos adjuntos, imágenes, etc. El contexto puede ser desde el rol que quieres que el LLM asuma al contestarte "como si fueses un Product Manager", "como si fueses un CTO", hasta toda la información adicional de la tarea. Es buena práctica el añadir información adicional como si le estuvieses pidiendo la tarea a una persona que se acaba de incorporar a tu equipo y no sabe mucho del tema que le estás pidiendo.
Ventana de contexto
El modelo tiene una ventana máxima de contexto. Esto es, un límite máximo de información que puede procesar cuando le pedimos una tarea. Además el modelo no recuerda lo que le has dicho antes, por lo que cada vez hay que enviarle el nuevo mensaje del usuario y el histórico. Es por esto que, cuando por ejemplo usamos Claude y estamos en una conversación larga, se compacta la conversación antes de continuar, porque así es capaz de seguir pasando toda la información histórica. Eso sí, la compactación implica cierta pérdida de información y puede hacer que la calidad de la conversación disminuya.
Temperatura
Es un parámetro que permite ajustar la variabilidad de las respuestas de un LLM. Cuanto más baja más "determinista" será, cuanto más alta, más variabilidad tendremos en la respuesta cuando un usuario (o distintos) pregunten lo mismo. A nivel de producto nos interesa, porque dependiendo de la funcionalidad nos puede interesar mayor o menor determinismo.
Prompt engineering
Se refiere al refinamiento de un prompt para ajustar la salida del LLM a lo que queremos. A menudo se confunde con "entrenar a la IA", pero entrenamiento y prompt engineering son completamente diferentes.
Es la instrucción que le das al modelo, la pregunta o petición que le haces. Es como una especificación de requisitos en lenguaje natural. La calidad del output depende mucho de la calidad del prompt y del contexto que le demos. Igual que cuando se define una historia de usuario o tarea para el equipo de desarrollo: cuanta más información precisa aportes, mejor será el resultado.
System prompt
El prompt es la entrada del usuario, pero esta se combina con el system prompt. Son instrucciones fijas e invisibles para el usuario que establecen cómo se comporta el modelo (por ejemplo, para que chatGPT nos hable educadamente, a menos que le pidamos lo contrario).
Contexto
Es toda la información que proporcionas en el prompt, puede ser directamente en formato texto o, si la interfaz que estés usando lo permite, documentos adjuntos, imágenes, etc. El contexto puede ser desde el rol que quieres que el LLM asuma al contestarte "como si fueses un Product Manager", "como si fueses un CTO", hasta toda la información adicional de la tarea. Es buena práctica el añadir información adicional como si le estuvieses pidiendo la tarea a una persona que se acaba de incorporar a tu equipo y no sabe mucho del tema que le estás pidiendo.
Ventana de contexto
El modelo tiene una ventana máxima de contexto. Esto es, un límite máximo de información que puede procesar cuando le pedimos una tarea. Además el modelo no recuerda lo que le has dicho antes, por lo que cada vez hay que enviarle el nuevo mensaje del usuario y el histórico. Es por esto que, cuando por ejemplo usamos Claude y estamos en una conversación larga, se compacta la conversación antes de continuar, porque así es capaz de seguir pasando toda la información histórica. Eso sí, la compactación implica cierta pérdida de información y puede hacer que la calidad de la conversación disminuya.
Temperatura
Es un parámetro que permite ajustar la variabilidad de las respuestas de un LLM. Cuanto más baja más "determinista" será, cuanto más alta, más variabilidad tendremos en la respuesta cuando un usuario (o distintos) pregunten lo mismo. A nivel de producto nos interesa, porque dependiendo de la funcionalidad nos puede interesar mayor o menor determinismo.
Prompt engineering
Se refiere al refinamiento de un prompt para ajustar la salida del LLM a lo que queremos. A menudo se confunde con "entrenar a la IA", pero entrenamiento y prompt engineering son completamente diferentes.