TechCrunch publica una guía de jerga de IA: qué son los LLM, las alucinaciones y RAG

El auge 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 de negocios, pero la comprensión de la mayoría sigue siendo vaga. TechCrunch ha publicado un glosario detallado que explica los conceptos clave de la era de la IA, desde la arquitectura básica hasta las técnicas aplicadas para trabajar con modelos.

La mayoría de los sistemas de IA actuales se basan en grandes modelos de lenguaje, o LLM (Large Language Model). Son redes neuronales entrenadas con enormes volúmenes de texto. No "entienden" el lenguaje en sentido humano, pero pueden generar respuestas estadísticamente verosímiles a cualquier consulta.

La unidad básica con la que trabaja un LLM es el token: aproximadamente tres o cuatro caracteres, una parte de una palabra o un signo de puntuación. GPT-4o procesa hasta 128 000 tokens a la vez, unas 300 páginas de texto. Cuanto mayor es la ventana de contexto (context window), más información puede tener en cuenta el modelo al formular una respuesta.

Uno de los principales defectos de los LLM son las alucinaciones (hallucinations). Se llama así a las situaciones en las que el modelo ofrece con seguridad información fácticamente incorrecta: citas inventadas, fuentes inexistentes, fechas falsas. No es "mentir" en sentido ético: el modelo simplemente genera un texto que suena verosímil y no tiene un mecanismo integrado de verificación de hechos.

Para combatir las alucinaciones se desarrolló el método RAG (Retrieval-Augmented Generation): antes de generar la respuesta, el sistema busca fragmentos relevantes en una base de datos real y se apoya en ellos. Hoy funcionan así muchos asistentes de IA corporativos y buscadores de nueva generación.

Cuando un modelo base necesita especialización, se reentrena con datos específicos. Este proceso se llama fine-tuning (ajuste fino): el modelo aprende a responder con un estilo determinado, sobre una temática especializada o dentro de un formato concreto. Un enfoque más accesible es la ingeniería de prompts (prompt engineering): formular bien las peticiones para lograr el resultado deseado sin reentrenar el modelo.

Los agentes de IA (AI agents) son una clase de sistemas aparte y de rápido crecimiento. No se limitan a responder preguntas: planifican y ejecutan cadenas de acciones, como buscar información en internet, ejecutar código y manejar archivos y el navegador. Los ejemplos más conocidos son Claude Computer Use y OpenAI Operator.

Entre otros términos clave:

• parámetros (parameters): los "pesos" numéricos de una red neuronal que determinan su comportamiento (se estima que GPT-4 supera el billón de parámetros);
• inferencia (inference): el proceso de obtener una respuesta de un modelo entrenado en tiempo real, que determina la velocidad y el coste de los servicios de IA;
• embeddings: representaciones numéricas de palabras y textos que permiten medir la cercanía de significado entre conceptos.

La multimodalidad (multimodality) es la capacidad de un modelo de trabajar a la vez con varios tipos de datos: texto, imágenes, audio y vídeo.

Entender el vocabulario básico de la IA ya no es cosa solo de desarrolladores: se está volviendo una necesidad para directivos, inversores, periodistas y cualquiera que trabaje cerca de esta tecnología. La jerga sigue creciendo: cada nueva clase de modelos trae sus propios términos, como sistemas multiagente, datos sintéticos e inferencia en streaming. Pero quien domine el núcleo (LLM, tokens, alucinaciones, RAG, fine-tuning y agentes) podrá orientarse con seguridad en la mayoría de las publicaciones y conversaciones sobre IA.