La inteligencia artificial vino con su propio diccionario, y muchas veces las palabras asustan más que los conceptos. Armamos este glosario para que tengas a mano las definiciones que aparecen todo el tiempo, explicadas en criollo y con la profundidad justa. Cada término enlaza, cuando corresponde, al artículo de la serie IA por dentro donde lo desarrollamos en detalle. Guardátelo como referencia.
A
Agente de IA. Un modelo que además de responder planifica pasos, decide qué herramientas usar y ejecuta acciones para cumplir un objetivo. Encadena decisiones en un loop hasta terminar la tarea.
AISO / GEO. Optimización de tu presencia para buscadores con IA (AI Search Optimization o Generative Engine Optimization). Es el trabajo de lograr que un modelo te encuentre, te entienda, confíe en vos y te recomiende. Lo trabajamos en cómo la IA entiende tu contenido.
Alucinación. Cuando el modelo genera información falsa con tono seguro. Ocurre porque optimiza texto plausible y la verdad factual es un subproducto. Lo explicamos en por qué la IA alucina.
Atención (attention). Mecanismo que permite al modelo pesar qué partes de la entrada importan para cada palabra que produce. Es el corazón del Transformer, tema de atención y Transformers.
B
Benchmark. Prueba estandarizada para medir qué tan bien rinde un modelo en tareas concretas como razonamiento, código o matemática.
Sesgo (bias). Inclinaciones que el modelo hereda de sus datos de entrenamiento y refleja en las respuestas.
C
Cadena de pensamiento (Chain-of-Thought, CoT). Que el modelo genere pasos intermedios de razonamiento antes de dar la respuesta final. Mejora el desempeño en lógica y matemática.
Chatbot. Programa que conversa con personas en lenguaje natural. Hoy la mayoría se apoya en un LLM por debajo.
Cómputo en inferencia (test-time compute). Darle al modelo más pasos de cálculo en el momento de responder para que razone mejor. Es la palanca central de los modelos de razonamiento.
Corte de conocimiento (knowledge cutoff). La fecha hasta la que el modelo vio datos de entrenamiento. Todo lo posterior le resulta desconocido, tema que aparece en cómo se entrena un modelo.
E
Embedding. Representación de una palabra o texto como un vector de números que captura su significado. Los textos parecidos quedan cerca en ese espacio. Lo desarrollamos en tokens y embeddings.
Entrenamiento. El proceso de ajustar los parámetros del modelo mostrándole datos hasta que predice bien.
F
Fine-tuning (ajuste fino). Seguir entrenando un modelo ya preentrenado con ejemplos específicos para especializarlo en una tarea o un estilo.
Function calling. Capacidad del modelo de emitir una llamada estructurada a una función externa (una API, un cálculo, una base de datos) y seguir redactando con el resultado. Aparece en RAG y herramientas.
G
GPT. Generative Pre-trained Transformer. Familia de modelos basados en la arquitectura Transformer, entrenados para generar texto.
I
Inferencia. El momento en que el modelo usa lo aprendido para producir una respuesta, palabra por palabra. Lo abrimos en por qué la IA alucina.
L
LLM. Large Language Model, modelo grande de lenguaje. Un modelo con miles de millones de parámetros entrenado sobre enormes cantidades de texto. Empezá por qué es un modelo de lenguaje.
M
MCP. Model Context Protocol. Estándar abierto para conectar modelos con herramientas, datos y acciones externas de forma uniforme.
Modelo de lenguaje. Sistema que predice la probabilidad de la próxima palabra dado el texto previo. Es la base de todo lo demás.
Multimodal. Modelo que procesa varios tipos de datos a la vez: texto, imagen y audio en un mismo espacio.
P
Parámetros. Los números internos que el modelo ajusta durante el entrenamiento. Definen su comportamiento y su tamaño se mide en miles de millones.
Prompt. La instrucción o el texto que le das al modelo para obtener una respuesta.
R
RAG. Retrieval-Augmented Generation. Técnica que recupera documentos relevantes y se los da al modelo antes de responder, para que trabaje con datos frescos y pueda citar. Lo cerramos en RAG y herramientas.
Razonamiento. La capacidad del modelo de descomponer un problema en pasos y trabajar sobre ellos antes de responder. Los modelos de razonamiento se entrenan para hacerlo de forma explícita.
RLHF. Reinforcement Learning from Human Feedback. Etapa de entrenamiento donde el modelo se ajusta según preferencias humanas para volverse útil, cordial y seguro.
RLM (Recursive Language Model). Estrategia de inferencia donde el modelo se llama a sí mismo de forma recursiva sobre partes del problema o del contexto. Descompone una consulta grande en sub-consultas, resuelve cada una con una instancia del modelo y combina los resultados. Sirve para manejar contextos enormes sin que el rendimiento se degrade, el problema conocido como context rot.
T
Temperatura. Parámetro que controla cuánto arriesga el modelo al elegir palabras. Baja da respuestas conservadoras, alta da respuestas creativas y más propensas al error.
Token. La unidad mínima con la que trabaja el modelo. Puede ser una palabra, parte de una palabra o un signo de puntuación.
Tokenización. El proceso de cortar un texto en tokens antes de que el modelo lo procese.
Transformer. La arquitectura de red neuronal basada en atención que hizo posible la IA generativa de hoy.
V
Ventana de contexto. La cantidad máxima de tokens que el modelo puede tener en cuenta a la vez. Cuando se llena, la información más vieja se recorta.
Seguí aprendiendo
Si querés entender la mecánica detrás de estos términos, arrancá la serie por qué es un modelo de lenguaje. Y si tu foco es que la IA hable bien de tu marca, mirá cómo la IA sabe que existís.