Glosario de IA para directivos
57 términos para hablar de IA en comité de dirección, sin jerga ni complacencia. Cada ficha ofrece la definición corta, el ejemplo concreto y el ángulo que importa a un directivo.
Fundamentos(10)
- EmbeddingUn embedding es la representación numérica de una palabra, de una frase o de un documento, en forma de vector en un espacio de varios cientos o miles de dimensiones. Dos textos semánticamente próximos tienen embeddings geométricamente próximos, lo que permite la búsqueda por sentido y no por palabras clave.
- EntrenamientoEl entrenamiento es la fase de construcción de un modelo de IA, durante la cual el modelo ingiere un corpus masivo y ajusta sus miles de millones de parámetros internos para aprender las regularidades estadísticas de ese corpus. Es la operación más costosa del ciclo de vida de un modelo.
- IA generativaLa IA generativa es una familia de modelos de inteligencia artificial capaces de producir contenido nuevo (texto, imagen, sonido, vídeo, código) a partir de una instrucción en lenguaje natural, a diferencia de las IA tradicionales, que se limitaban a clasificar, predecir o detectar.
- InferenciaLa inferencia es la fase de uso de un modelo de IA, durante la cual el modelo calcula una respuesta a partir de un prompt dado. Es la operación facturada por los proveedores de API, distinta del entrenamiento, que es un coste fijo inicial.
- LLM (Large Language Model)Un LLM (Large Language Model) es un tipo de inteligencia artificial entrenado sobre corpus de texto de varios cientos de miles de millones de palabras, que produce lenguaje natural prediciendo, palabra por palabra, la continuación más probable de un texto dado.
- Modelo de fundaciónUn modelo de fundación es un modelo de IA generalista entrenado sobre datos masivos y diversificados, que sirve de base reutilizable para decenas o incluso cientos de aplicaciones de negocio distintas, por adaptación (fine-tuning, RAG, prompt) y no por entrenamiento específico.
- MultimodalUn modelo de IA multimodal es un modelo capaz de tratar y de producir varios tipos de contenido simultáneamente: texto, imagen, audio, vídeo, código. El mismo modelo puede analizar una foto, comprender una pregunta vocal, leer un documento, y responder por escrito, sin pipeline intermedio.
- ParámetroUn parámetro de un modelo de IA es un valor numérico aprendido durante el entrenamiento, que determina la fuerza de las conexiones entre las neuronas artificiales de la red. El número de parámetros mide la capacidad del modelo para almacenar asociaciones entre los elementos de su corpus de aprendizaje.
- TokenUn token es la unidad elemental de texto que manipula un modelo de IA, generalmente un fragmento de palabra equivalente a 3 o 4 caracteres en español. Es a la vez la unidad de cálculo del modelo y la unidad de facturación de los proveedores de IA, contabilizada por separado en entrada y en salida.
- TransformerEl transformer es la arquitectura de red neuronal, introducida por Google en 2017, que sustenta la casi totalidad de los modelos de IA generativa actuales. Su innovación central es el mecanismo de atención, que permite al modelo ponderar dinámicamente la importancia relativa de las palabras en una secuencia.
Interacción y uso(6)
- AlucinaciónUna alucinación es una afirmación factualmente falsa pero formulada con seguridad por un modelo de IA generativa. Deriva del mecanismo estadístico de generación: el modelo predice la siguiente palabra más probable, sin capacidad nativa para verificar. Es el principal riesgo operativo y jurídico de un despliegue de IA en empresa.
- Patrones de promptingLos patrones de prompting son convenciones de formulación que estructuran un prompt para orientar la salida del modelo. No existen como comandos nativos del LLM, solo como guías del redactor. La distinción importa: ningún patrón desencadena una funcionalidad, el efecto viene de la precisión lingüística.
- PromptUn prompt es la instrucción en lenguaje natural enviada a un modelo de IA para obtener una respuesta. Su calidad condiciona directamente la calidad, la pertinencia y el coste de la salida generada. Un buen prompt no es largo, es preciso, estructurado y contextualizado.
- Prompt engineeringEl prompt engineering es la disciplina de escritura metódica de los prompts. No se trata de un oficio raro sino de una competencia transversal, que consiste en formalizar, probar y estandarizar las instrucciones dirigidas a un LLM para obtener salidas fiables y reproducibles a escala de una organización.
- Roles de conversaciónLos roles de conversación (sistema, usuario, asistente) son las etiquetas asignadas a cada mensaje de un intercambio con un LLM. El rol sistema define el comportamiento general del modelo, el rol usuario lleva las consultas, el rol asistente las respuestas pasadas del modelo en el historial de la conversación.
- Ventana de contextoLa ventana de contexto es la cantidad máxima de texto que un modelo de IA puede tratar en una sola consulta, medida en tokens. Incluye el prompt enviado y la respuesta a producir. Más allá de este límite, el modelo pierde el acceso a las informaciones más antiguas del intercambio.
Arquitecturas avanzadas(9)
- API de IAUna API de IA es una interfaz técnica que permite a una aplicación informática enviar consultas a un modelo de IA alojado por un proveedor, y recuperar sus respuestas. Es el modo de acceso estándar a la IA en empresa, frente al alojamiento local del modelo.
- Base vectorialUna base vectorial es una base de datos especializada en el almacenamiento y la búsqueda de vectores (embeddings). Permite recuperar, para una consulta dada, los contenidos semánticamente más próximos en un corpus, sin correspondencia léxica exacta. Es el motor de búsqueda típico de un sistema RAG.
- DestilaciónLa destilación es una técnica que consiste en transferir el conocimiento de un gran modelo de IA (modelo profesor) a un modelo más pequeño (modelo estudiante), preservando lo esencial del rendimiento. Permite desplegar modelos ligeros con coste de inferencia reducido, viables sobre infraestructuras más modestas.
- Fine-tuningEl fine-tuning es una técnica de adaptación de un modelo de IA ya entrenado, que consiste en proseguir su entrenamiento sobre un conjunto de datos específico a su caso de uso. Modifica los parámetros internos del modelo, a diferencia del RAG, que se limita a inyectar contexto en el momento de la consulta.
- Function callingEl function calling es la capacidad de un modelo de IA de invocar funciones o herramientas predefinidas para ejecutar acciones en un sistema externo. El modelo devuelve un objeto estructurado (JSON) en lugar de texto, permitiendo a la aplicación llamar a la función y reinyectar el resultado en la conversación.
- MCP (Model Context Protocol)El MCP (Model Context Protocol) es un estándar abierto, introducido por Anthropic en noviembre de 2024, que permite a un modelo de IA conectarse a fuentes de datos y herramientas externas de manera uniforme. Evita la escritura de conectores específicos para cada combinación modelo-aplicación.
- Modelo de código abiertoUn modelo IA de código abierto es un modelo de fundación cuyos pesos y arquitectura son libremente descargables y explotables bajo licencia permisiva (Apache 2.0, MIT). Se opone al modelo propietario (Claude, GPT, Gemini) accesible únicamente vía API. La elección compromete soberanía, coste y flexibilidad a largo plazo.
- MoE (Mixture of Experts)Mixture of Experts (MoE) es una arquitectura de modelo de IA que divide la red en submodelos especializados, llamados expertos. Para cada token tratado, un enrutador selecciona dinámicamente algunos expertos, dejando inactivos a los demás. El modelo tiene la capacidad de un gran modelo pero el coste de cálculo de uno más pequeño.
- RAG (Retrieval-Augmented Generation)El RAG (Retrieval-Augmented Generation) es una arquitectura de IA que acopla un motor de búsqueda en sus documentos a un modelo generativo: el modelo responde apoyándose en sus datos de negocio citables, y no únicamente en sus conocimientos de entrenamiento.
Agentes y automatización(8)
- Agente IAUn agente IA es un sistema autónomo que combina un modelo de lenguaje con herramientas externas para ejecutar tareas en varias etapas: analiza una solicitud, planifica una secuencia de acciones, ejecuta, observa, y adapta su estrategia. Difiere de un asistente que se limita a responder.
- Automatización aumentadaLa automatización aumentada es el uso de la IA para asistir a un trabajador humano en la ejecución de una tarea, más que para sustituirlo. El humano sigue siendo decisor y responsable, la IA acelera, prepara o valida. Es el modo dominante en 2026 para las tareas con riesgo jurídico, creativo o relacional.
- Bucle agénticoEl bucle agéntico es el ciclo iterativo de un agente IA que actúa, observa el resultado, y decide la siguiente acción, hasta alcanzar su objetivo o un criterio de parada. Sin tope ni observabilidad, puede diverger en bucle infinito y consumir en unos minutos el equivalente a varios días de uso normal.
- Claude CodeClaude Code es la herramienta CLI desarrollador de Anthropic, lanzada en preview en febrero de 2025 y generalmente disponible en mayo de 2025. Implementa un agente codificador autónomo que lee, escribe y ejecuta código vía la API Claude. A distinguir del modelo Claude en sí: Claude Code es la herramienta, Claude el modelo que la pilota.
- CopilotUn copilot IA es un asistente que sugiere, propone y completa acciones al usuario, que mantiene el control de la decisión final y de la ejecución. Se distingue del agente IA, que ejecuta de forma autónoma. El copilot es un modo de uso prudente, el agente un modo de uso delegado.
- Orquestación de agentesLa orquestación de agentes IA es la coordinación de varios agentes especializados, cada uno responsable de una parte de una tarea compleja, para que colaboren hacia un objetivo común. Un orquestador central (o un agente supervisor) reparte las subtareas, supervisa su ejecución y agrega los resultados.
- Plataforma de agente IAUna plataforma de agente IA es un entorno que permite a una empresa crear, desplegar y explotar agentes IA autónomos. Tres familias existen en 2026: SDK para desarrolladores (Claude Agent SDK, LangGraph, AutoGen), plataformas no-code (n8n, Make, Microsoft Copilot Studio), y productos integrados open source self-hosted (OpenClaw, OpenHands).
- Workflow IAUn workflow IA es el encadenamiento estructurado de varias etapas de inferencia de IA para realizar una tarea compleja, generalmente con herramientas externas intercaladas. Puede ser predefinido (cadena lineal) o dinámico (orquestado por un agente), y constituye el modo operativo dominante de los despliegues IA maduros en empresa.
Riesgos y gobernanza(9)
- AI ActEl AI Act es el reglamento europeo 2024/1689, primer marco jurídico mundial que clasifica los sistemas de IA por nivel de riesgo y que impone obligaciones diferenciadas: prohibición para los usos inaceptables, exigencias estrictas para los sistemas de alto riesgo, transparencia para los demás.
- AlineaciónLa alineación es el conjunto de técnicas que buscan orientar el comportamiento de un modelo de IA hacia los objetivos y los valores humanos de su usuario o de su editor. Transforma un modelo bruto, capaz de producir cualquier cosa, en un asistente útil, honesto y que rechaza las solicitudes contrarias a las reglas fijadas.
- Datos de entrenamientoLos datos de entrenamiento son el conjunto de textos, imágenes, códigos y otros contenidos utilizados para entrenar un modelo de IA. Su composición determina lo que el modelo sabe, lo que ignora, sus sesgos y sus riesgos jurídicos. Una parte mayor del contencioso IA actual se refiere a su procedencia y a su licitud.
- Huella de carbono de la IALa huella de carbono de la IA es el conjunto de las emisiones de gases de efecto invernadero ligadas a su ciclo de vida: entrenamiento de los modelos, fabricación de los componentes, funcionamiento de los centros de datos e inferencia en uso. Se está convirtiendo en una partida de consumo significativa a escala mundial.
- Red teamingEl red teaming, tomado de la ciberseguridad, es la práctica de probar un sistema de IA simulando intentos de uso adverso: rodeo de las reglas, extracción de datos sensibles, generación de contenidos prohibidos. Busca identificar las vulnerabilidades antes de que un actor malicioso las explote en producción.
- RGPD e IAEl RGPD encuadra todo tratamiento de datos personales por un sistema de IA operado en Europa o que conciernen a europeos. Cuatro obligaciones se aplican con prioridad: finalidad explícita, minimización de los datos, derechos de acceso y de oposición, y estudio de impacto para los tratamientos de riesgo elevado.
- SalvaguardasLas salvaguardas son capas técnicas de control, añadidas en entrada o en salida de un modelo de IA, que detectan y bloquean los comportamientos indeseables: prompts maliciosos, fugas de datos, contenidos prohibidos. Son distintas de la alineación, que actúa sobre el comportamiento por defecto del modelo en sí.
- Sesgo algorítmicoUn sesgo algorítmico es una desviación sistemática de un modelo de IA, heredada de los datos de entrenamiento, de las decisiones de diseño o del contexto de despliegue, que produce decisiones inequitativas o erróneas en detrimento de un grupo de población o de un tipo de caso.
- Soberanía digitalLa soberanía digital es la capacidad de una empresa o de un Estado para dominar sus datos, sus infraestructuras y sus herramientas de IA, independientemente de jurisdicciones extranjeras. Condiciona la confidencialidad, la conformidad reglamentaria y la resiliencia ante rupturas de acceso dictadas por decisiones políticas externas.
Negocio y adopción(8)
- Caso de uso IAUn caso de uso IA es una aplicación concreta de la inteligencia artificial a un proceso de negocio identificado, con un objetivo medible y un perímetro delimitado. Los tres casos más desplegados en empresa en 2026 son la asistencia al desarrollo de software, el servicio al cliente, y el análisis de datos.
- Coste por tokenEl coste por token es la unidad económica elemental de un despliegue de IA. Los proveedores facturan por separado los tokens de entrada (su prompt) y de salida (la respuesta del modelo), con una ratio típica de 1 a 5. Dominar este coste exige distinguir tarifas unitarias, volúmenes, y palancas de optimización.
- Disciplina de usoLa disciplina de uso IA es el conjunto de reglas, métodos y hábitos mediante los cuales una empresa orienta el uso diario de la IA por sus colaboradores: qué casos de uso activar, cómo formular las solicitudes, qué modelos utilizar, cómo auditar las salidas. Es la palanca dominante del retorno real de un despliegue de IA.
- POC IAUn POC IA (proof of concept) es un proyecto piloto corto que busca probar la viabilidad técnica y el valor de negocio de una aplicación de IA antes de cualquier inversión industrial. Según RAND 2025, el 80,3 % de los POC IA fracasan en entregar su valor de negocio esperado.
- Productividad aumentadaLa productividad aumentada por la IA designa las ganancias de producción medibles (volumen tratado, velocidad, calidad) que un trabajador realiza cuando se beneficia de una asistencia de IA generativa. Los estudios en condiciones reales muestran una ganancia media del 14 al 15 %, fuertemente concentrada en los perfiles menos experimentados.
- ROI IAEl ROI IA, calcado del ROI financiero clásico, es una métrica engañosamente atractiva para evaluar un despliegue de IA. Tres confusiones estructurales lo invalidan: subevaluación de los costes ocultos, ausencia de baseline pre-IA robusta, y concentración en la eficiencia operativa en detrimento de las otras dos dimensiones de valor.
- Shadow AIEl shadow AI designa el uso de modelos de IA generativa por colaboradores sin validación ni encuadre de su empresa. Ampliamente extendido en 2025-2026, crea riesgos jurídicos, financieros (fuga de datos de negocio hacia los modelos públicos), y de calidad (salidas no auditadas integradas en entregables a clientes).
- TCO IAEl TCO IA (total cost of ownership) es el coste total real de un despliegue de IA en empresa, agregando cinco partidas: modelo de inferencia, infraestructura, integración aplicativa, supervisión operativa, y coste de equipo. Según RAND 2025, los sobrecostes en producción alcanzan en promedio el 380 % de las estimaciones piloto.
SEO y GEO(7)
- AEO (Answer Engine Optimization)El AEO (Answer Engine Optimization) es una subdisciplina del GEO, focalizada en la producción de respuestas directas a las preguntas de los usuarios. Apunta a los motores de respuesta (Google AI Overviews, ChatGPT, Perplexity) que exigen una respuesta concisa, con fuentes, y restituible tal cual, más que una página a recorrer.
- CitabilidadLa citabilidad es la propiedad de un contenido de ser extraído, restituido y atribuido tal cual por un motor de IA en su respuesta a un usuario. Se construye mediante la redacción (frases autoportantes), el marcado (Schema.org), y la autoridad temática (coherencia y densidad editorial sobre un dominio). Es el objetivo central del GEO.
- GEO (Generative Engine Optimization)El GEO (Generative Engine Optimization) es el conjunto de prácticas destinadas a hacer que un contenido sea identificable, fiable y citable por los motores de respuesta generativos (ChatGPT, Claude, Perplexity, Gemini, Google AI Overviews). Sucede al SEO tradicional cuando los usuarios buscan respuestas, no enlaces.
- Indexación conversacionalLa indexación conversacional es el proceso mediante el cual los motores de IA construyen sus respuestas a partir de contenidos web: ingestión en entrenamiento (corpus fechado), recuperación en la inferencia (RAG vía web search), o ambos combinados. Sustituye la indexación por palabras clave de los motores clásicos por una indexación por preguntas e intenciones.
- llms.txtEl llms.txt es una propuesta de estándar web introducida en septiembre de 2024 por Answer.AI, que proporciona a los modelos de IA un mapa estructurado de los contenidos de un sitio. Colocado en la raíz del dominio, no es un estándar formal y su adopción por los LLM mayores sigue siendo desigual en 2026.
- Referencia generativaLa referencia generativa es la mención de una fuente en la respuesta de un motor de IA a un usuario: cita textual, atribución explícita, o enlace hipertexto al contenido original. Sustituye progresivamente al enlace orgánico clásico como señal de visibilidad editorial y de marca en la web.
- Schema.org para la IASchema.org es un vocabulario estándar de marcado semántico estructurado (JSON-LD la mayoría de las veces) que los motores IA utilizan para comprender la naturaleza de una página web: término definido, FAQ, artículo, producto, evento. Bien implementado, multiplica por dos a cuatro la probabilidad de ser citado por los motores de respuesta generativos.