TechCrunch lanzó una guía sobre jerga de IA: qué son LLMs, alucinaciones y RAG

El boom de la IA de 2024–2026 ha traído no solo nuevos productos y capacidades, sino también toda una capa de jerga profesional en la que es fácil perderse. LLM, RAG, alucinaciones, tokens, fine-tuning, prompts — estas palabras aparecen cada vez más en noticias, presentaciones y negociaciones empresariales, aunque la comprensión de la mayoría sigue siendo vaga. TechCrunch publicó un glosario detallado que explica conceptos clave de la era de la IA — desde la arquitectura básica hasta técnicas aplicadas de trabajo con modelos.

En la base de la mayoría de los sistemas modernos de IA se encuentran los Modelos de Lenguaje Grande — LLM (Large Language Model). Se trata de redes neuronales entrenadas con volúmenes masivos de texto. No "entienden" el lenguaje en el sentido humano, pero son capaces de generar respuestas estadísticamente plausibles a cualquier consulta.

La unidad básica con la que funciona un LLM es un token: aproximadamente tres o cuatro caracteres, parte de una palabra o un signo de puntuación. GPT-4o procesa hasta 128.000 tokens a la vez — aproximadamente 300 páginas de texto.

Cuanto mayor sea la ventana de contexto (context window), más información puede tomar en cuenta el modelo al formular una respuesta. Una de las principales deficiencias de los LLMs es la alucinación (hallucinations). Se refiere a situaciones en las que el modelo genera con seguridad información factuialmente incorrecta: citas inventadas, fuentes inexistentes, fechas falsas.

Esto no es una "mentira" en sentido ético — el modelo simplemente genera texto que suena plausible, sin disponer de un mecanismo incorporado de verificación de hechos. Para combatir las alucinaciones, se desarrolló el método RAG (Retrieval-Augmented Generation): antes de generar una respuesta, el sistema busca fragmentos relevantes en una base de datos real y se basa en ellos. Muchos asistentes de IA corporativa y sistemas de búsqueda de nueva generación funcionan según este principio en la actualidad.

Cuando un modelo base requiere especialización, se entrena adicionalmente con datos especializados. Este proceso se denomina fine-tuning: el modelo aprende a responder en el estilo deseado, sobre temas especializados o dentro de un formato específico. Un enfoque más accesible es la ingeniería de prompts (prompt engineering): formular solicitudes de manera inteligente para lograr el resultado deseado sin reentrenar el modelo.

Una clase separada y de rápido crecimiento son los agentes de IA (AI agents): no solo responden preguntas, sino que planifican y ejecutan cadenas de acciones — buscando información en internet, ejecutando código, gestionando archivos y navegadores. Los ejemplos más conocidos son Claude Computer Use y OpenAI Operator. Entre otros términos clave: parámetros (parameters) — "pesos" numéricos de una red neuronal que determinan su comportamiento (el volumen estimado de parámetros de GPT-4 supera el billón); inferencia (inference) — el proceso de obtener una respuesta de un modelo entrenado en tiempo real, esto es lo que determina la velocidad y el costo de los servicios de IA; embeddings — representaciones numéricas de palabras y textos que permiten medir la proximidad semántica de conceptos.

Multimodalidad (multimodality) significa la capacidad de un modelo para trabajar simultáneamente con múltiples tipos de datos: texto, imágenes, audio y vídeo. Comprender el vocabulario básico de la IA ya no es dominio exclusivo de desarrolladores — se ha convertido en una necesidad para gerentes, inversores, periodistas y todos quienes trabajan con esta tecnología. La jerga sigue expandiéndose: cada nueva clase de modelos aporta sus propios términos — sistemas multiagente, datos sintéticos, inferencia en streaming.

Pero al dominar el núcleo — LLMs, tokens, alucinaciones, RAG, fine-tuning y agentes — puede navegar con confianza por la mayoría de las publicaciones y conversas sobre IA.