Abra cualquier artículo sobre inteligencia artificial y se encontrará con el mismo puñado de palabras una y otra vez: rápido, modelo, alucinación, LLM, token, fino agente. Si ya no sabes lo que significan, la mitad de lo que lees no será bastante tierra, y es fácil sentir que te estás perdiendo algún fondo técnico que se supone que ya tienes.
No lo eres. Casi cada término AI que suena intimidante se convierte en algo simple una vez que alguien lo explica en lenguaje simple. Ese es el objetivo de este glosario: ninguna jerga dejó sin explicación, ninguna suposición de que usted ha escrito alguna vez una línea de código. Sólo definiciones claras de las palabras en las que realmente se encuentra como principiante, organizado para que pueda leer directamente o saltar a cualquier término que le envió aquí.
Las Fundaciones: AI, Aprendizaje de Máquinas, y de dónde vienen
Inteligencia Artificial (AI)
El término amplio paraguas para sistemas informáticos diseñados para realizar tareas que normalmente requieren inteligencia humana: entender el lenguaje, reconocer imágenes, hacer predicciones o generar nuevos contenidos. "AI" no es una sola tecnología — cubre muchas herramientas y técnicas diferentes, desde el algoritmo de recomendación simple que sugiere qué ver a continuación, al chatbot que escribe preguntas. Si quieres el colapso completo de lo que realmente significa en la práctica, ¿En serio? La guía simple-inglés Cada necesidad principiante es una buena próxima parada.
Machine Learning (ML)
Un subconjunto de AI, y el enfoque detrás de casi todo lo que la gente significa cuando dicen "AI" hoy. En lugar de un programador escribiendo reglas explícitas para cada situación, un sistema de aprendizaje automático se muestra enormes cantidades de ejemplos y aprende los patrones en sí. Mostrar miles de fotos etiquetadas de gatos y perros, y aprende a diferenciar por sí mismo — nadie codificado a mano "mira por orejas puntiagudas".
Neural Network
La estructura en la que se construye el aprendizaje automático más moderno, ligeramente inspirada en cómo las neuronas en un cerebro se conectan entre sí. Una red neuronal está hecha de capas de unidades matemáticas simples que pasan la información entre sí, transformando gradualmente la entrada cruda (como texto o píxeles) en una salida útil (como una traducción o una descripción). Usted no necesita entender las matemáticas para utilizar herramientas de IA, pero el término aparece constantemente, por lo que vale la pena reconocer.
Aprendizaje profundo
Aprendizaje de máquinas usando redes neuronales con muchas capas apiladas entre sí — De ahí "muerto". Esta es la técnica que hizo posible la actual ola de IA: reconocimiento de imagen, asistentes de voz, y los chatbots con los que interactúas hoy confían en el aprendizaje profundo bajo la capucha.
Procesamiento del lenguaje natural (NLP)
El campo de la IA se centró específicamente en entender y generar lenguaje humano, en lugar de imágenes, números u otros tipos de datos. Cada vez que una herramienta AI responde a una pregunta, traduce una frase, o resume un artículo, que es NLP en el trabajo.
Las herramientas que realmente usas
LLM (Modelo de idioma alto)
Esta es la tecnología detrás de herramientas como ChatGPT y Claude. Un LLM es un tipo de AI entrenado en enormes cantidades de texto para que pueda predecir qué palabra es probable que venga en una frase, dado todo lo que vino antes de ella. Ese proceso de predicción es todo el mecanismo — no es "pensar" o "comprender" la forma en que una persona lo hace, es patrón-matching a una escala masiva. Entender esta idea explica mucho acerca de por qué AI a veces suena completamente confiado y todavía está equivocado.
Foundation Model
Un gran modelo de IA para fines generales formado en datos amplios, destinado a servir como base que puede adaptarse a muchas tareas diferentes — respuestas preguntas, código de escritura, análisis de imágenes — en lugar de ser construido para un solo trabajo. GPT, Claude y Gemini son todos ejemplos de modelos de fundación. Piénsalo como el motor que muchas diferentes herramientas específicas se construyen encima de.
Chatbot / AI Assistant
La interfaz con la que realmente hablas — la ventana de chat donde escribes una pregunta y consigues una respuesta. ChatGPT, Claude y Gemini son todos los chatbots construidos sobre un LLM; el chatbot es la puerta principal, el LLM es lo que está haciendo el trabajo detrás de él. Si todavía no estás seguro de lo que está pasando bajo la capucha cuando usas uno, ¿Qué es ChatGPT y cómo funciona realmente? camina a través de él paso a paso.
Generative AI
AI que crea nuevo contenido — texto, imágenes, audio, vídeo o código — en lugar de analizar o clasificar la información existente. ChatGPT, Claude y herramientas de imagen como Midjourney todos caen bajo esta categoría. Cuando la gente habla de "el boom de la IA", esto suele decirse: IA que produce algo nuevo bajo demanda, en lugar de etiquetar o predecir.
Multimodal AI
Un sistema AI que puede funcionar con más que solo texto — entender imágenes, audio o vídeo además del lenguaje escrito. Es por eso que ahora puedes subir una foto a un chatbot y pedirle que describa o analice lo que hay en ella, o por qué algunos asistentes pueden escuchar una grabación de voz y responder en voz alta.
AI Agent / Agentic AI
Una nueva categoría de AI que no sólo responde a una pregunta, pero puede tomar acciones en su nombre — navegar por un sitio web, reservar algo, o completar una tarea de varios pasos con supervisión mínima. Un chatbot regular le dice cómo hacer algo; un agente puede realmente ir y hacer partes de él. Verás que este término se utiliza cada vez más a medida que las herramientas se mueven de "respuesta" a "actuar".
Cómo hablas con AI
Indicación
La instrucción o pregunta que usted da una herramienta AI. Esta es, sin duda, la palabra más importante en este glosario, porque la calidad de su impulso moldea directamente la calidad de la respuesta que recibe. Un impulso vago ("escribir sobre marketing") obtiene una respuesta genérica y olvidable. Uno específico — con contexto, formato y tono descrito — consigue algo que puedas usar. Si sólo lee una guía vinculada de todo este glosario, hágalo Cómo escribir el perfecto impulso AI (Paso a Paso para principiantes); es la diferencia entre luchar con AI y obtener valor real fuera de ella.
Prompt Engineering
Un nombre ligeramente fanciero para la misma habilidad: structuring prompts cuidadosamente — con objetivos claros, contexto y limitaciones — para obtener mejores resultados, más consistentes. A pesar del nombre de sonido técnico, usted no necesita un fondo de informática para hacer esto bien. Es una comunicación muy clara, aplicada a un sistema que toma instrucciones literalmente y no llena las brechas de la manera que una persona haría.
Ventana de contexto
Cuánta información una AI puede "tener en mente" de inmediato durante una conversación, incluyendo todo lo que ha escrito anteriormente en el mismo chat. Una vez que una conversación pasa por ese límite, la AI comienza a perder la pista de las partes más tempranas. Esta es la razón por la que las conversaciones largas a veces pueden sentir como la AI "olvidada" algo que mencionaste un tiempo atrás — no es ser descuidado, simplemente se quedó sin espacio para mantener ese detalle en la vista.
Token
Los trozos pequeños de texto un modelo de AI procesa internamente, aproximadamente una palabra o parte de una palabra. En su mayoría se encontrará con este término cuando una herramienta menciona límites: cuánto texto se puede pegar a la vez, o cuánto tiempo puede ser una respuesta. Usted no necesita calcular tokens usted mismo, pero saber que la palabra existe ayuda cuando usted lee acerca de los niveles de precios o capas de uso, ya que muchos servicios de AI cobran basado en cuenta de ficha.
Zero-Shot y Pocos-Shot Prompting
Dos maneras de pedir a una AI que haga una tarea. "Zero-shot" significa que le pides que haga algo sin ejemplos — Sólo una instrucción simple. "Few-shot" significa que le das un par de ejemplos de lo que quieres primero, luego pídele que continúe en el mismo estilo. Si alguna vez has pegado en un correo electrónico de muestra y has pedido a una AI que "escriba más como éste", estabas usando pocos disparos sin saber el término para ello.
Donde AI consigue cosas mal
Alucinación
Cuando una AI genera información que suena segura y correcta pero es falsa — una estadística inventada, una cita falsa, una cita que no existe, o una fecha histórica con confianza equivocada. Esto sucede porque el modelo está prediciendo el texto que suena plausible, no comprobando hechos contra una base de datos. Es posiblemente la limitación más importante para entender antes de confiar en AI con cualquier cosa factual, y es un problema bien documentado en todas las herramientas principales de AI, no sólo una marca. ¿Por qué AI tiene cosas mal: Guía de un principiante para alucinaciones de AI (y cómo atraparlas) cubre exactamente cómo detectarlos antes de que causen un problema real, ya sea en una asignación escolar, un correo electrónico de trabajo o algo que publicas.
Bias (en AI)
Patrones estriados o injustos en la producción de una AI, generalmente heredados de desequilibrios en los datos en los que se entrenó. Esto puede aparecer subtly — favoreciendo ciertos puntos de vista, culturas o demografía sobre otros, o reflejando supuestos obsoletos del texto anterior — y es una de las desventajas honestas que vale la pena saber antes de apoyarse en AI para cualquier cosa sensible, como la contratación de decisiones o información de salud.
Datos de capacitación
La colección masiva de texto (y a veces imágenes) un modelo de AI aprendió de antes de que fuera liberado al público. Esto es también donde muchos sesgos y puntos ciegos en las respuestas de AI provienen de — el modelo refleja patrones en lo que se entrenó, incluyendo lagunas, información obsoleta o perspectivas unilaterales que existían en ese material original. También es por qué un modelo AI tiene un "recortamiento de conocimiento": un punto en el tiempo después del cual simplemente no fue entrenado en nada más nuevo.
Sobreconfianza
No es un término técnico exactamente, pero un riesgo genuino vale la pena nombrar: apoyarse en IA tan fuertemente por pensar, escribir o tomar decisiones que su propio juicio se vuelve más ruso con el tiempo. Esto aparece más en contextos como el trabajo escolar, donde la tentación de dejar que AI haga el pensamiento es más fuerte — algo cubierto de más profundidad en Cómo IA está cambiando la educación: Lo que los estudiantes necesitan saber. Para una imagen más completa de este y otros riesgos conexos — privacidad, precisión y dependencia — Los riesgos reales de usar AI: Lo que todos deben saber vale la pena leer antes de construir AI en su rutina diaria.
Detrás de las escenas: Cómo se construyen los modelos
Parámetros
Los ajustes internos dentro de una red neuronal que se ajustan durante el entrenamiento para ayudarle a hacer mejores predicciones. A menudo verá modelos AI descritos por cuántos parámetros tienen — miles de millones, a veces por un billón. Más parámetros generalmente (aunque no siempre) significa un modelo más capaz, similar a cómo un mapa más grande y más detallado puede representar más del mundo, aunque también requiere más poder de cálculo para ejecutar.
Fine-Tuning
Un proceso en el que un modelo de base para fines generales recibe entrenamiento adicional y más específico para realizar mejor en una tarea particular — por ejemplo, sintonizando un modelo para escribir mejores resúmenes legales, o para responder en una marca específica para el soporte al cliente. Como principiante no lo hará usted mismo, pero verá el término al comparar las herramientas AI construidas para industrias específicas o utilizar casos.
RAG (generación aumentada de recuperación)
Una técnica donde un modelo de IA busca información relevante de una fuente externa — un documento, una base de datos o la web — antes de generar su respuesta, en lugar de depender puramente de lo que memorizó durante el entrenamiento. Esta es una de las principales maneras en que las herramientas de IA reducen las alucinaciones y proporcionan respuestas más actuales y precisas, ya que el modelo está basando su respuesta en algo real en lugar de adivinar desde la memoria.
Temperatura
Un entorno que controla cómo son "creativas" o "predecibles" las respuestas de una AI. Una baja temperatura produce respuestas más seguras, más consistentes, más repetitivas; una alta temperatura produce más variadas, sorprendentes, a veces más arriesgadas. La mayoría de las personas que usan un chatbot a través de su interfaz normal nunca tocan este ajuste directamente, pero vale la pena saber que existe si alguna vez explora herramientas más avanzadas o acceso a API.
API (Interfaz de programación de aplicaciones)
Una manera de que un pedazo de software hable con otro. En AI, "utilizando la API" normalmente significa que un desarrollador se conecta directamente a un modelo de IA para construirlo en su propia aplicación o sitio web, en lugar de utilizar el modelo a través de una ventana de chat como ChatGPT.com. Si usted no está construyendo software usted mismo, es probable que no necesita tocar esto, pero verá que se menciona constantemente en comparación con las herramientas de AI y los precios.
Comparing Tools and Choosing One
Con todo ese vocabulario en su lugar, el siguiente paso práctico para la mayoría de los principiantes es averiguar qué herramienta real para utilizar. Claude vs ChatGPT vs Gemini: Lo que AI es mejor compara los principales chatbots construidos en diferentes modelos de fundación, por lo que puede elegir basado en lo que realmente lo utilizará para — escritura, investigación, codificación o preguntas diarias — en lugar de elegir cualquiera que hayas escuchado de la mayoría.
Si su interés principal es aplicar AI en el trabajo, AI para pequeños propietarios de negocios: 10 maneras de trabajar más inteligente muestra formas prácticas y de bajo costo que los equipos pequeños ya están utilizando estas herramientas día a día, y AI Prompts for Business: 50 Listo para usar los beneficios para crecer su negocio le da plantillas rápidas preparadas para que no empieces desde una página en blanco mientras practicas el vocabulario arriba.
Preguntas Frecuentes
¿Necesito memorizar todos estos términos para usar bien AI? No. Entender "prompta", "hallución", y "LLM" le conseguirá el 90% de la manera de seguir cualquier conversación o artículo de AI. El resto de este glosario existe así que tienes algún lugar a donde volver cuando aparece un término menos común.
¿Por qué cada empresa AI parece usar palabras ligeramente diferentes para lo mismo? El campo sigue siendo joven y se mueve rápido, por lo que la terminología no se ha resuelto completamente. "Agent" y "agentic AI" son buenos ejemplos — ambos se acostumbran a describir ideas similares dependiendo de qué compañía está escribiendo sobre ella.
¿Es "AI" lo mismo que "ChatGPT"? No. ChatGPT es un chatbot específico, construido por una empresa específica, utilizando una familia específica de modelos. "AI" es la categoría mucho más amplia a la que pertenecen ChatGPT, Claude, Gemini y cientos de otras herramientas.
¿Cuál es la diferencia entre IA y automatización? La automatización sigue reglas fijas y preprogramadas — la misma entrada siempre produce la misma salida. AI, especialmente el aprendizaje automático, puede manejar situaciones que no fue programado explícitamente por reconocer patrones en su lugar. Muchas herramientas reales realmente combinan ambas.
Poner el vocabulario a trabajar
Conocer estos términos no te hará un experto de AI durante la noche, pero elimina la barrera más grande que la mayoría de los principiantes corren: no entender el idioma lo suficientemente bien como para seguir adelante. Desde aquí, el siguiente paso más útil es práctico — Escoge una herramienta, aprende a impulsarla bien, y manténte al tanto de dónde es probable que las cosas se malinterpreten. Guarda este glosario; es probable que te encuentres aquí la próxima vez que un término desconocido aparezca en un titular de AI.
