MCP, RAG, fine-tuning, agente autónomo… si sigues las noticias de inteligencia artificial cada semana aparece un término nuevo y no siempre está claro qué significa de verdad. Este glosario recoge los conceptos que más se repiten en el sector, explicados sin rodeos y con ejemplos actuales.
1. Inteligencia artificial (IA)
Es el nombre que damos a los sistemas capaces de realizar tareas que antes exigían inteligencia humana: entender lenguaje, tomar decisiones, reconocer patrones. No hay robots detrás, sino software que procesa grandes cantidades de datos con algoritmos entrenados para esas tareas concretas.
2. Aprendizaje automático (machine learning)
Es la parte de la IA que enseña a un sistema a detectar patrones y hacer predicciones a partir de datos, sin programar cada regla a mano. El modelo se entrena una y otra vez con ejemplos y retroalimentación hasta que mejora en tareas como reconocer imágenes o traducir texto.
3. Modelos de lenguaje de gran escala (LLM)
Un LLM (large language model) es un sistema entrenado con enormes cantidades de texto que aprende a predecir y generar lenguaje de forma coherente. GPT, Claude o Gemini son ejemplos conocidos. Escriben de forma fluida, pero no entienden ni sienten lo que dicen, solo calculan qué palabra es más probable a continuación.
4. IA generativa
Se llama así a los modelos capaces de crear contenido nuevo (texto, imágenes, audio, vídeo o código) a partir de lo que han aprendido durante el entrenamiento. Es la tecnología detrás de ChatGPT, Midjourney o Sora, y también la que más dudas plantea sobre derechos de autor y contenido falso.
5. Alucinaciones
Cuando un modelo responde algo que suena convincente pero es falso o inventado, se dice que «alucina». No miente a propósito, simplemente genera la respuesta más probable aunque no esté anclada en hechos reales. Para reducir este problema, muchos sistemas usan RAG (te lo explicamos en el punto 10), que obliga al modelo a apoyarse en documentos verificables antes de responder.
6. IA responsable
Engloba las prácticas de diseño pensadas para que un sistema de IA sea seguro, justo y explicable, desde cómo se entrena el modelo hasta cómo se audita después de lanzarlo. Es clave para evitar que los sesgos de los datos de entrenamiento se cuelen en las decisiones automatizadas.
7. Modelos multimodales
Un modelo multimodal procesa a la vez varios tipos de entrada, texto, imagen, audio o vídeo, y puede combinarlos en una sola respuesta. Es lo que permite, por ejemplo, subir una foto de una nevera y pedirle al modelo que proponga una receta con lo que hay dentro.
8. Prompt y prompt engineering
El prompt es la instrucción que le das a un modelo, en texto, imagen o código, para pedirle una tarea. Cuanto más preciso el prompt, mejor suele ser el resultado, y de ahí ha salido el llamado prompt engineering, la práctica de diseñar instrucciones que saquen el máximo partido al modelo.
9. Agentes de IA
Un agente va un paso más allá del chatbot clásico, porque no solo responde, sino que puede planificar varios pasos, usar herramientas externas y ejecutar tareas de forma autónoma hasta completar un objetivo. Manus o los agentes de código como los que compiten Grok, GLM o Claude son ejemplos de este salto.
10. RAG (generación aumentada por recuperación)
RAG combina un modelo de lenguaje con un sistema de búsqueda en documentos propios, así el modelo consulta esa información antes de responder en lugar de fiarse solo de lo que memorizó durante el entrenamiento. Es la técnica que usan muchas empresas para que sus asistentes respondan con datos internos actualizados, tal y como explicamos al hablar de cómo las aplicaciones de IA que funcionan de verdad ya no dependen solo del modelo, sino de todo lo que hay alrededor.
11. MCP (Model Context Protocol)
MCP es un protocolo abierto que estandariza cómo un modelo se conecta con herramientas externas, bases de datos o servicios, sin tener que programar una integración distinta para cada caso. Se ha convertido en una pieza central para construir agentes que de verdad hacen cosas fuera del chat, como repasamos en nuestra guía de servidores MCP.
12. Fine-tuning
Consiste en coger un modelo ya entrenado y seguir entrenándolo con un conjunto de datos más pequeño y específico, para que se especialice en una tarea o un tono concreto sin partir de cero. Es más barato que entrenar un modelo desde el principio y es lo que hacen muchas empresas para adaptar un LLM genérico a su negocio.
13. Copilotos
Son asistentes integrados dentro de una aplicación (un editor de código, un procesador de texto, un CRM) que ayudan al usuario mientras trabaja, en lugar de obligarle a salir a un chat aparte. GitHub Copilot fue el que popularizó el término, pero ya hay copilotos en casi cualquier software de oficina.
14. Plugins y herramientas (tools)
Amplían lo que un modelo puede hacer sin tocar su entrenamiento: le dan acceso a buscar en internet, ejecutar código, consultar una API o mirar el calendario. Hoy este concepto se solapa cada vez más con MCP, que es la forma estándar de conectar esas herramientas a un agente.
Con estos catorce términos ya puedes seguir la mayoría de conversaciones sobre IA sin perderte, y según vayan apareciendo conceptos nuevos, iremos ampliando este glosario.
Preguntas frecuentes
¿Cuál es la diferencia entre IA y machine learning?
La IA es el campo general que busca que las máquinas realicen tareas propias de la inteligencia humana. El machine learning es una de las técnicas para conseguirlo, la que aprende patrones a partir de datos en vez de reglas programadas a mano.
¿Qué es exactamente un LLM?
Un modelo de lenguaje de gran escala entrenado con enormes volúmenes de texto para predecir y generar lenguaje coherente. GPT, Claude y Gemini son los ejemplos más conocidos.
¿Por qué alucina un modelo de IA?
Porque genera la respuesta estadísticamente más probable, no la más verdadera. Si no tiene datos fiables a mano, puede inventar con total seguridad. Técnicas como RAG reducen el problema porque obligan al modelo a apoyarse en documentos reales.
¿En qué se diferencia un agente de un chatbot normal?
El chatbot responde a lo que le preguntas. El agente puede planificar varios pasos, usar herramientas externas vía MCP u otros protocolos, y ejecutar una tarea completa de forma autónoma hasta terminarla.
¿Qué es el MCP y para qué sirve?
Model Context Protocol es un estándar abierto que permite a un modelo conectarse con herramientas, bases de datos o servicios externos de forma uniforme, sin programar una integración distinta para cada uno.
