Diccionario de IA: qué significan todos esos términos que oyes cada día

Cuando se habla de inteligencia artificial, aparecen inevitablemente palabras extrañas: hallucinations, fine-tuning, embeddings, transformer. La gente asiente, pero pocos entienden a qué se refieren. Es hora de remediarlo.

Por qué hace falta un diccionario ahora

En los últimos dos años, la IA ha salido de los círculos técnicos de nicho y ha pasado al espacio común. Todos hablan de ChatGPT, Claude y Gemini, pero la terminología de fondo sigue siendo la misma: técnica, enrevesada y llena de anglicismos. La gente oye estas palabras en pódcasts, las ve en artículos, las escucha en conferencias y en el trabajo, pero no entiende realmente su significado.

El problema no es que la gente sea torpe, sino que la comunidad de la IA se ha acostumbrado a hablar en su propio idioma, construido sobre décadas de investigación. Es hora de traducir estas ideas a un lenguaje llano, sin brillo de marketing, con explicaciones reales y útiles que te eviten quedar desorientado en una conversación.

Las categorías principales de términos de IA

Las palabras de IA se dividen de forma convencional en varios grupos, y cada grupo tiene su propia lógica. Si entiendes la lógica de uno, el resto de los términos encajarán de forma natural.

Modelos y arquitecturas: son los conceptos fundamentales sobre cómo está construida la propia red neuronal: transformer, diffusion model, large language model (LLM), convolutional neural network. Son como los estilos arquitectónicos de un edificio: cada uno determina cómo se organizará todo lo demás.

Entrenamiento y adaptación: los procesos por los que pasa un modelo para aprender: fine-tuning, prompt engineering, reinforcement learning, backpropagation. Es como el plan de ejercicios de un deportista: determina qué habilidades adquirirá el modelo.

Problemas y limitaciones: lo que desarrolladores y usuarios se encuentran en la práctica: hallucination, bias, alignment, overfitting, mode collapse. Son como las enfermedades que puede tener un sistema, y hay que tenerlas en cuenta.

De las hallucinations al prompt engineering

Tomemos las cinco palabras más importantes y de uso más frecuente:

• Hallucinations: cuando una IA genera información que no está en sus datos de entrenamiento. Inventa enlaces, citas y cifras que nunca existieron. Suena a fantasía mística, pero en realidad es un error en la predicción de texto.
• Fine-tuning: entrenamiento adicional de un modelo ya terminado con datos especializados. Es como si tomaras un libro de texto ya hecho y lo adaptaras a un colegio concreto.
• Embeddings: conversión de palabras o texto en vectores matemáticos que el modelo entiende. Es una traducción del lenguaje humano al lenguaje de los números.
• Transformer: la arquitectura de redes en la que se basan todos los LLM modernos (GPT, Claude, Llama). Fue un avance en 2017 que cambió todo el mundo de la IA.
• Prompt engineering: el arte de formular correctamente una tarea para una IA con el fin de obtener el resultado deseado. No es solo una orden, sino una orden que funciona.

Por qué importa

Un diccionario no es solo un libro de consulta. Es un pase de entrada a las conversaciones serias sobre IA. Cuando entiendes que una hallucination es un error concreto y explicable en el funcionamiento de un modelo, las conversaciones cambian por completo. Ya no asientes a ciegas en las conferencias, sino que haces las preguntas adecuadas. En el trabajo no te limitas a escuchar a tus colegas, sino que participas en el debate.

Entender la terminología es el primer paso para comprender qué puede y qué no puede hacer la IA, por qué funciona y por qué a veces se rompe.