Glosario de IA de la A a la Z

Todos los términos que usa este blog, en un solo sitio, explicados en una o dos frases. No es una traducción, es una explicación.

Mantenemos los términos en inglés tal como son. El sector los usa así, traducirlos solo hace dudar a quien lee, y nadie escribe la versión traducida en el buscador.

Por eso esta página no traduce: explica. Cada término recibe una o dos frases, en lenguaje llano, con la consecuencia práctica en lugar de la definición de manual.

Todos los artículos del blog enlazan aquí. Si te topas con una palabra que no conoces, acabas en este sitio.

Ir a una sección: Fundamentos · Prompting · Modelos y mercado · Datos y RAG · Agents · Imagen · Vídeo y audio · Programación · Marketing · Legalidad y seguridad

Fundamentos 34 términos

• AGI (artificial general intelligence) — Nivel teórico en el que un sistema iguala el rendimiento humano en cualquier tarea intelectual. No existe una medida acordada, así que conviene tomar los anuncios comerciales con reservas.
• AI (artificial intelligence) — Término paraguas para los sistemas que resuelven tareas que antes exigían pensamiento humano. En texto usamos la sigla IA; en inglés, AI.
• alignment — El trabajo de ajustar el comportamiento del modelo a la intención y los valores humanos.
• benchmark — Prueba estandarizada que se usa para comparar modelos. Una puntuación alta no garantiza que sirva para tu tarea.
• closed model — Modelo accesible solo a través de una API o una aplicación. Sus pesos no se pueden descargar.
• completion — La salida del modelo, es decir, lo que genera a partir de tu prompt.
• context window — La mayor cantidad de texto que el modelo puede tener presente a la vez: tu pregunta, los documentos adjuntos y su respuesta juntos.
• deep learning — La rama del machine learning que usa redes neuronales de muchas capas. Casi todos los modelos de IA actuales pertenecen aquí.
• foundation model — Modelo base grande, entrenado para uso general, sobre el que después se construyen aplicaciones concretas.
• frontier model — El grupo de modelos más capaces del momento, los más caros de entrenar. La clasificación se reordena cada dos a cuatro meses.
• generative AI — La rama de la IA que produce contenido nuevo: texto, imagen, audio, vídeo, código.
• guardrail — Límite integrado que impide que el modelo produzca ciertos contenidos o ejecute ciertas acciones.
• hallucination — Cuando el modelo afirma algo falso con total seguridad. Es consecuencia de su funcionamiento probabilístico, no un fallo.
• inference — Usar el modelo ya terminado: preguntas y responde. Cada respuesta cuesta cómputo por separado.
• knowledge cutoff — La fecha en la que terminan los datos de entrenamiento del modelo. Lo posterior solo lo sabe si lo busca o se lo das tú.
• leaderboard — Clasificación de resultados de benchmarks. Los modelos más usados a menudo no están en los primeros puestos.
• LLM (large language model) — Gran modelo de lenguaje: un sistema entrenado con enormes cantidades de texto que genera contenido prediciendo el siguiente token.
• machine learning — El enfoque en el que la máquina no sigue reglas escritas de antemano, sino que deduce el patrón a partir de ejemplos.
• model — El sistema entrenado en sí mismo: el conjunto completo de sus pesos.
• multimodal — Modelo que maneja más de un tipo de entrada: texto, imagen, audio, vídeo.
• neural network — Una red de funciones matemáticas organizada en capas, inspirada libremente en el cerebro. Entrenar significa ajustar los pesos entre capas.
• open-weight — Modelo cuyos pesos se pueden descargar y ejecutar en tu propio hardware. No es lo mismo que código abierto: los datos de entrenamiento casi nunca son públicos.
• parameter — Un número ajustable almacenado en el modelo. Su cantidad indica de forma aproximada el tamaño, no la calidad.
• post-training — El refinamiento posterior al pre-training que hace al modelo útil y seguro. Aquí entra el RLHF.
• pre-training — La primera y más larga fase del entrenamiento, donde el modelo adquiere su conocimiento general del lenguaje y del mundo.
• prompt — La instrucción que le das al modelo. No lo traducimos, porque un prompt no es solo una pregunta, sino toda la entrada.
• red teaming — Atacar deliberadamente tu propio sistema para descubrir dónde se rompe antes de que lo encuentre otro.
• SLM (small language model) — Modelo de lenguaje pequeño que cabe en un portátil o un móvil. Menos conocimiento, pero barato, rápido y funciona sin conexión.
• temperature — Ajuste que controla lo predecible que es la respuesta. Bajo es consistente, alto es más creativo y más errático.
• token — La unidad de texto con la que trabaja el modelo: aproximadamente tres cuartas partes de una palabra. El precio y el límite de longitud se miden en tokens.
• tokenizer — El componente que divide el texto en tokens. El español suele consumir algo más de tokens que el mismo contenido en inglés.
• training — El proceso de construir el modelo ajustando los pesos sobre un conjunto de datos enorme. Es una operación única y muy cara.
• transformer — La arquitectura de 2017 sobre la que se apoyan los modelos de lenguaje actuales. Su clave es la atención: cada palabra puede mirar a todas las demás.
• weights — Los valores de los parámetros que resultan del entrenamiento. Publicarlos es lo que convierte a un modelo en open-weight.

Prompting 20 términos

• chain-of-thought (CoT) — Pedirle al modelo que muestre el razonamiento, no solo el resultado. Mejora la precisión de forma medible en tareas de varios pasos.
• context engineering — El concepto que sucedió al prompt engineering: no solo diseñas la instrucción, sino qué entra en la context window y qué no.
• delimiter — Marca que separa la instrucción de los datos dentro del prompt. Sin ella el modelo puede confundir las dos cosas.
• few-shot — De dos a cinco ejemplos dentro del prompt. La forma más rápida de enseñar un formato o un estilo.
• grounding — Atar la respuesta del modelo a una fuente concreta en lugar de dejar que trabaje de memoria.
• jailbreak — Prompt diseñado para saltarse los límites integrados del modelo.
• JSON mode — Ajuste que garantiza que la respuesta sea JSON válido.
• meta-prompting — Hacer que el modelo escriba o corrija el prompt en lugar de pelearte tú con la redacción.
• negative prompt — Lo que no quieres que aparezca en la salida. Funciona mal con texto y bien con imágenes.
• one-shot — Dar exactamente un ejemplo resuelto junto con la petición.
• persona prompting — Asignarle un rol al modelo. Ayuda con el vocabulario y el tono, pero no mejora la exactitud factual.
• prompt engineering — Escribir instrucciones de forma deliberada: cómo formular la petición para obtener una respuesta utilizable.
• prompt injection — Ataque en el que una web, un correo o un documento esconde una instrucción que el modelo ejecuta como si fuera tuya.
• prompt library — Colección ordenada de prompts probados para el equipo, con convención de nombres y un responsable.
• prompt template — Esqueleto de prompt con huecos que se rellenan, reutilizado muchas veces.
• structured output — Salida en un formato fijo: JSON, tabla, lista. Así la respuesta se puede pasar directamente a la siguiente herramienta.
• system prompt — La instrucción de fondo que rige toda la conversación: rol, tono, reglas. El lector no la ve, el modelo siempre la tiene en cuenta.
• tree of thoughts — Extensión del chain-of-thought: varias líneas de razonamiento en paralelo, de las que el modelo elige una.
• user prompt — La petición concreta que escribes, interpretada dentro del marco que fija el system prompt.
• zero-shot — Pedir algo sin ejemplos, describiendo solo la tarea.

Modelos y mercado 17 términos

• AI search — Búsqueda que devuelve una respuesta sintetizada con citas en lugar de una lista de enlaces.
• answer engine — Otro nombre para el buscador de IA, el más extendido en el vocabulario del marketing.
• API — Acceso programático al modelo, sin interfaz de usuario. Es lo que necesita cualquier integración propia.
• context caching — Guardar la parte repetida del prompt para no volver a pagarla en cada petición.
• context rot — El fenómeno por el que, en una conversación muy larga, el modelo usa cada vez peor la información anterior.
• data residency — Dónde se almacenan y se procesan físicamente tus datos.
• deprecation — Cuando el fabricante retira un modelo. Tus prompts suelen romperse justo entonces.
• distillation — Entrenar un modelo pequeño usando uno grande. Así nacen las variantes baratas y rápidas.
• extended thinking — El modo en el que el modelo razona largamente, de forma invisible, antes de responder.
• inference provider — Empresa que ejecuta modelos de otros y vende el acceso, a menudo más barato o más rápido que el fabricante.
• latency — El tiempo que esperas hasta el primer carácter de la respuesta. Crítico en aplicaciones de chat y de voz.
• mixture of experts (MoE) — Arquitectura en la que solo se activa una parte del modelo por petición. Así un modelo enorme puede ser relativamente barato de ejecutar.
• model router — Servicio que pone varios modelos detrás de un único acceso y elige entre ellos según la tarea.
• rate limit — El límite de cuántas peticiones o tokens puedes enviar en un periodo dado.
• reasoning effort — Mando que indica cuánto debe pensar el modelo antes de responder. En 2026 esto es un ajuste, no un modelo aparte.
• sovereign AI — Solución de IA que opera bajo la jurisdicción de un país o región concretos. No es lo mismo que tener el servidor allí.
• test-time compute — El concepto técnico de que gastar más cómputo en el momento de responder mejora el resultado.

Datos y RAG 18 términos

• chunk overlap — Solapamiento deliberado entre fragmentos consecutivos para que un corte no parta una idea por la mitad.
• chunking — Trocear los documentos en fragmentos recuperables. Un mal corte es la causa más frecuente de malas respuestas.
• embedding — Una serie de números que representa el significado de un fragmento de texto. Dos textos de sentido parecido caen cerca.
• fine-tuning — Seguir entrenando un modelo existente con tus propios ejemplos. Bueno para estilo y formato, malo para hechos: para eso está el RAG.
• GGUF — El formato de archivo habitual para ejecutar modelos en local. La variante Q4 suele ser el compromiso razonable.
• hybrid search — Búsqueda por palabra clave y por significado a la vez. Suele ser la mejora que más aporta a un sistema RAG.
• knowledge base — El conjunto ordenado de documentos del que responde el sistema.
• local LLM — Modelo de lenguaje que corre en tu propio equipo: privado y sin conexión, pero menos capaz.
• LoRA — Método de fine-tuning barato que entrena solo una pequeña capa añadida. Muy usado para estilo y personajes en generación de imágenes.
• quantization — Comprimir el modelo a números de menor precisión para que quepa en hardware más modesto. Comprimir demasiado degrada las respuestas.
• RAG (retrieval-augmented generation) — La solución en la que el modelo busca el fragmento relevante en tus propios documentos antes de responder. Tu conocimiento, sin reentrenar nada.
• re-ranking — Segunda criba: un modelo más preciso reordena los resultados que ha traído la búsqueda.
• retrieval — El paso en el que el sistema recupera los fragmentos relevantes, antes de generar respuesta alguna.
• self-hosted — Solución alojada en tus propios servidores, en lugar de en los del proveedor.
• semantic search — Búsqueda por significado, no por coincidencia literal. Encuentra el resultado aunque hayas usado otras palabras.
• vector — La forma matemática del embedding: un punto en un espacio de muchas dimensiones.
• vector database — Base de datos que almacena embeddings y encuentra rápido los más cercanos por significado.
• VRAM — La memoria propia de la tarjeta gráfica. Es el límite real de qué modelos te funcionan rápido.

Agents 23 términos

• A2A (agent-to-agent) — Estándar que permite que agents de fabricantes distintos se comuniquen entre sí.
• agent loop — El ciclo que repite un agent: pensar, llamar a una herramienta, leer el resultado, decidir el siguiente paso.
• agent memory — Lo que el agent conserva entre ejecuciones, y las preguntas aparte de cuánto tiempo y qué conviene olvidar.
• agentic — Adjetivo que describe un sistema que actúa por su cuenta en lugar de limitarse a generar texto.
• AI agent — Sistema de IA que no solo responde, sino que actúa: llama a herramientas, comprueba el resultado y reintenta hasta lograr el objetivo.
• browser agent — Agent que maneja un navegador: abre páginas, rellena formularios, recoge datos.
• computer use — Cuando el agent maneja un programa como lo haría una persona: mira la pantalla, hace clic, escribe. Se usa cuando no hay API.
• durable execution — La propiedad de que una ejecución larga interrumpida continúe desde donde se quedó en lugar de empezar de cero.
• eval — Medición de calidad repetible de tu sistema, contra un conjunto fijo de tareas reales.
• function calling — El mecanismo técnico detrás del tool use: el modelo emite una petición estructurada que ejecuta tu código.
• human in the loop (HITL) — Diseño en el que una persona aprueba determinados pasos. Ponlo antes de las acciones arriesgadas, no antes de todas.
• least privilege — Principio de dar al agent solo el acceso que su tarea necesita. En 2026 el exceso de permisos es el mayor riesgo de los agents.
• MCP (Model Context Protocol) — El estándar para conectar un sistema de IA con herramientas y datos externos. Hoy es la capa común del ecosistema de agents.
• MCP server — El componente que expone una herramienta o fuente de datos concreta a través de MCP.
• multi-agent — Varios agents trabajando en una misma tarea. La coordinación tiene un coste real, así que más no siempre es mejor.
• no-code — Herramientas que permiten construir automatizaciones haciendo clic, sin escribir código.
• observability — Poder ver a posteriori qué hizo el sistema y por qué: traza, pasos, coste, fallos.
• orchestration — Coordinar agents y pasos: quién hace qué, en qué orden y qué ocurre si algo falla.
• sandbox — Entorno aislado donde el agent puede ejecutarse sin alcanzar el resto de tus sistemas.
• skill — Procedimiento empaquetado que el agent carga cuando la tarea lo requiere.
• subagent — Agent subordinado que recibe una subtarea con su propia context window limpia. La ganancia es la higiene del contexto, no la velocidad.
• tool use — Cuando el modelo maneja una herramienta externa: busca, calcula, escribe archivos, llama a una API. Es lo que separa a un agent de un chatbot.
• workflow — Secuencia fija de pasos. A diferencia de un agent, un workflow no decide nada: ejecuta.

Imagen 19 términos

• aspect ratio — Las proporciones de la imagen. Conviene fijarlas para el destino final en vez de recortar después.
• C2PA / Content Credentials — Estándar del sector para la procedencia del contenido: incrusta en el archivo un historial firmado.
• character consistency — Que la misma persona o el mismo producto siga siendo reconocible a lo largo de muchas imágenes o planos.
• ControlNet — Modelo complementario que impone una pose, un contorno o un mapa de profundidad a la generación. Sigue siendo estándar en el mundo open-weight.
• diffusion model — El método dominante en generación de imágenes: el modelo parte de ruido y lo va afinando hasta convertirlo en imagen según tu descripción.
• image-to-image — Transformar una imagen existente en otra, conservando en parte su composición.
• in-context editing — Editar conversando o marcando sobre la imagen, sin construir una máscara.
• inpainting — Regenerar un área seleccionada dentro de una imagen: quitar, sustituir o retocar.
• layout control — Conseguir que el modelo coloque cada cosa donde tú quieres en la imagen: la capacidad más débil de los modelos actuales.
• outpainting — Ampliar la imagen más allá de su encuadre original, continuando el estilo.
• photorealism — El objetivo de que la imagen generada resulte indistinguible de una fotografía.
• prompt weighting — Técnica para que algunas partes del prompt de imagen pesen más que otras.
• provenance — El historial de origen de un contenido: quién lo hizo, con qué y cuándo.
• seed — El número inicial de la aleatoriedad. El mismo seed y el mismo prompt reproducen la misma imagen, lo que permite probar cambios pequeños.
• style reference — Imagen de referencia de la que el modelo toma el estilo, pero no el contenido.
• SynthID — El marcado invisible de Google en su contenido generado, diseñado para sobrevivir a la recompresión y a la edición.
• text-to-image — Generar una imagen a partir de una descripción escrita.
• upscaling — Aumentar la resolución inventando detalle. Lo que la foto nunca captó se adivina, no se recupera.
• watermark — Marca visible u oculta en el contenido que indica su origen.

Vídeo y audio 15 términos

• avatar — Figura generada que habla y recita tu guion.
• clip length — Cuánto vídeo produce una sola generación: hoy, típicamente entre ocho y veinte segundos.
• dubbing — Sustituir la pista de audio de un vídeo por otra en un idioma distinto.
• image-to-video — Partir de una imagen ya terminada para generar el vídeo. Casi siempre es el mejor camino cuando el aspecto importa.
• keyframe — Un fotograma inicial o final dado, entre los que el modelo genera el movimiento.
• lipsync — Sincronizar el movimiento de los labios con el habla. Es lo que hace posible un doblaje convincente.
• music generation — Generar música a partir de una descripción. Que puedas usarla comercialmente depende de las licencias del modelo, no de su precio.
• native audio — Cuando el modelo de vídeo genera también el sonido en lugar de añadirlo después. En 2026 es estándar.
• storyboard — Plan visual de los planos antes de producir. En vídeo con IA es lo que sustituye a la prueba y error.
• STT / ASR — Convertir voz en texto. Conviene medir aparte la precisión en los idiomas menos habituales.
• talking head — El formato en el que una sola persona habla a cámara. Es lo que mejor resuelven hoy los avatares de IA.
• text-to-video — Generar vídeo a partir de una descripción escrita.
• TTS (text-to-speech) — Convertir texto escrito en voz.
• voice cloning — Copiar la voz de una persona concreta a partir de una muestra corta. Sin consentimiento es problemático legal y éticamente.
• world model — Modelo que genera un entorno explorable y reactivo, no un clip fijo.

Programación 15 términos

• AGENTS.md — Archivo de instrucciones a nivel de proyecto para las herramientas de IA: convenciones, comandos, prohibiciones.
• autocomplete — Autocompletado de código línea a línea mientras escribes. El modo de programar con IA con menos riesgo.
• CLI agent — Agent de programación que corre en el terminal, sin interfaz. Más útil para automatizar y para máquinas remotas.
• code review bot — Revisión automática en cada cambio. Solo compensa si encuentra defectos reales en lugar de generar ruido.
• coding agent — Agent que escribe, ejecuta y corrige código en tu proyecto por su cuenta, en vez de limitarse a sugerir líneas.
• diff — La lista de cambios línea a línea. Revisa siempre el código escrito por IA a través de él.
• IDE — El entorno de desarrollo donde trabaja quien programa. Es donde suelen vivir las funciones de IA.
• prompt-driven development — Forma de trabajar en la que la especificación es el prompt y el código se deriva de él.
• pull request — Paquete de cambios enviado para revisión y fusión. Es también como entregan su trabajo los agents.
• repository indexing — Procesar la base de código para que la herramienta de IA encuentre por sí sola los archivos relevantes.
• SKILL.md — Descripción de un procedimiento empaquetado que el agent carga cuando aparece la tarea correspondiente.
• slopsquatting — Ataque en el que alguien registra el nombre de paquete inexistente que las herramientas de IA se inventan una y otra vez.
• SWE-bench — Prueba compuesta de correcciones de errores reales que se usa para puntuar modelos de programación. La puntuación no mide la experiencia diaria.
• technical debt — El coste acumulado de las soluciones rápidas. La IA lo produce más deprisa que nunca.
• vibe coding — Construir software describiendo lo que quieres sin leer el código resultante. Vale para prototipos, no para producción.

Marketing 16 términos

• AEO (answer engine optimization) — Otro nombre para el GEO. Las dos siglas describen el mismo trabajo.
• AI literacy — El nivel de comprensión que el personal necesita para usar la IA de forma responsable. La normativa europea exige apoyar su desarrollo.
• AI Overviews — El resumen generado que aparece en la parte alta de los resultados de Google. Donde aparece, los clics caen con fuerza.
• brand visibility — Con qué frecuencia aparece tu marca en las respuestas de IA.
• citation — Cuando una respuesta de IA hace referencia a tu página. Es la métrica principal del GEO.
• conversion — Cuando la visita hace lo que querías. Las visitas que llegan desde buscadores de IA suelen convertir mejor.
• GEO (generative engine optimization) — Optimizar para que los buscadores de IA te citen. Funciona con reglas distintas a las del SEO clásico.
• llms.txt — Formato de archivo propuesto para resumir el contenido de un sitio a las herramientas de IA. No hay pruebas de que los grandes buscadores lo usen.
• machine readability — Si una máquina puede leer el contenido de tu página. Es la parte más concreta y medible del GEO.
• pillar page — El artículo de entrada completo de un tema, al que enlaza el resto del grupo.
• pilot — Implantación de prueba antes del uso real. Es donde se atasca de forma permanente la mayoría de los proyectos de IA.
• ROI — Retorno de la inversión. Con la IA el problema habitual es que nadie llega a medirlo.
• SEO — Optimización para buscadores: que tu página aparezca bien situada en la lista de resultados clásica.
• structured data — Marcado dirigido a las máquinas que indica qué es cada parte de una página: producto, artículo, autor, precio.
• topic cluster — Grupo de artículos organizados en torno a una pillar page. Así se gana autoridad en un tema.
• zero-click — La búsqueda tras la cual el usuario no hace clic en ningún sitio. Hoy es la mayoría de las búsquedas.

Legalidad y seguridad 15 términos

• AI inventory — Registro de qué sistemas de IA usa la empresa, para qué y quién responde de ellos.
• data leakage — Cuando información confidencial sale de la organización a través de una herramienta de IA.
• deepfake — Audio, imagen o vídeo generado que imita de forma convincente a una persona real. En la UE su etiquetado es obligatorio.
• DLP — Prevención de fuga de datos: controles que impiden que salga información confidencial.
• EU AI Act — El reglamento europeo de IA. Las obligaciones de transparencia se aplican desde agosto de 2026; las reglas de alto riesgo se trasladaron a finales de 2027.
• GDPR — El reglamento europeo de protección de datos. Determina qué datos personales puedes introducir siquiera en una herramienta de IA.
• GPAI — Modelo de IA de uso general según la normativa europea, con su propio conjunto de obligaciones para el proveedor.
• high-risk AI — La categoría más estrictamente regulada del reglamento europeo: contratación, crédito, educación, infraestructura crítica.
• ISO 42001 — Norma certificable para sistemas de gestión de IA. Cada vez la piden más los clientes grandes.
• NIST AI RMF — Marco estadounidense voluntario para gestionar el riesgo de la IA. No es certificable, pero funciona bien como lista de comprobación.
• OWASP LLM Top 10 — La lista de los diez riesgos de seguridad más importantes de las aplicaciones de IA. El prompt injection lleva años encabezándola.
• shadow AI — Las herramientas de IA que el equipo usa sin aprobación, con cuentas personales. Prohibirlas no funciona; inventariarlas sí.
• TDM (text and data mining) — La excepción de derechos de autor en la que se apoya el entrenamiento de modelos. Los tribunales europeos han empezado a estrecharla.
• training data — El material con el que se entrenó un modelo. Es el objeto de casi todos los litigios de derechos de autor.
• transparency obligation — El deber de indicar que hay IA de por medio: en chatbots, en contenido generado y en deepfakes.