Glosario de IA: más de 50 definiciones de inteligencia artificial

La inteligencia artificial tiene su propio vocabulario, muchas veces tomado del inglés y pocas veces explicado. Este glosario de inteligencia artificial reúne las definiciones que necesitas para seguir un artículo, una reunión o un curso de formación o de educación sin perderte en la jerga. Los términos relacionados con la inteligencia artificial están ordenados por temas: desde el glosario básico de la IA hasta las cuestiones éticas, pasando por el vocabulario de la búsqueda con IA, el que afecta directamente a las marcas.

Conceptos básicos de la inteligencia artificial

Inteligencia artificial (IA): rama de la informática que busca crear sistemas capaces de realizar tareas que normalmente requieren inteligencia humana: comprender una frase, reconocer un objeto en una foto o tomar una decisión. El término designa a la vez la disciplina y las herramientas que salen de ella.

Algoritmo: conjunto de instrucciones que permite resolver un problema paso a paso. En inteligencia artificial, los algoritmos de aprendizaje son los procedimientos que permiten a un sistema mejorar a partir de datos.

Modelo: el resultado del entrenamiento. Un modelo es un programa que ha aprendido a relacionar una entrada (una pregunta, una imagen) con una salida (una respuesta, una etiqueta). ChatGPT, por ejemplo, funciona con modelos de la familia GPT.

Datos de entrenamiento: el conjunto de ejemplos que se usa para entrenar una IA. Su volumen, su calidad y su diversidad determinan lo que el sistema sabe hacer y lo que ignora.

Parámetros: los valores internos de un modelo, que se ajustan durante el aprendizaje. Los modelos más potentes tienen cientos de miles de millones.

Aprendizaje: capacidad de un sistema para aprender y mejorar sus resultados a partir de ejemplos, sin que cada regla se escriba a mano. Es un proceso en dos fases: primero el entrenamiento, después el uso.

Inferencia: la fase de uso de un modelo ya entrenado. Cuando haces una pregunta a un asistente, aplica lo que ha aprendido para generar una respuesta.

IA generativa: rama de la IA que crea contenidos nuevos (texto, imágenes, audio o código) a partir de una instrucción. La inteligencia artificial generativa está detrás de ChatGPT, Gemini o Midjourney.

IA general: una inteligencia artificial hipotética que igualaría a la inteligencia humana en cualquier tarea intelectual. Hoy no existe: los sistemas actuales están especializados, aunque parezcan polivalentes.

Técnicas de aprendizaje automático

Machine learning (aprendizaje automático): rama de la IA basada en algoritmos y modelos que permiten a las máquinas aprender y mejorar automáticamente sin ser programadas explícitamente para cada caso. El aprendizaje automático se centra en detectar patrones en los datos para hacer predicciones. El machine learning está detrás de la mayoría de las aplicaciones actuales: recomendación de productos, detección de fraude, filtros antispam.

Aprendizaje supervisado: técnica de aprendizaje automático en la que el sistema se entrena con datos etiquetados, es decir, ejemplos anotados por personas con la respuesta correcta. Para reconocer un gato, se le muestran miles de fotos marcadas como «gato» o «no gato».

Aprendizaje no supervisado: el sistema recibe datos sin etiquetas y busca por sí mismo agrupaciones o patrones. Se usa, por ejemplo, para segmentar una base de clientes.

Aprendizaje autosupervisado: técnica en la que la IA genera sus propias etiquetas a partir de los datos. Un gran modelo de lenguaje aprende así a predecir la palabra siguiente de una frase. Esta forma de aprender sin anotación humana hizo posibles los asistentes conversacionales.

Aprendizaje por refuerzo: el modelo aprende por prueba y error y recibe una recompensa cuando acierta. Se usa en juegos, robótica y en el ajuste de los asistentes.

Deep learning (aprendizaje profundo): técnica de aprendizaje automático que utiliza redes neuronales profundas para aprender a partir de datos complejos. Estas redes están formadas por muchas capas. El aprendizaje profundo, o deep learning, destaca con datos complejos: voz, imágenes y lenguaje escrito.

Redes neuronales artificiales: arquitectura inspirada, de lejos, en el cerebro humano, formada por unidades de cálculo organizadas en capas. Los modelos de redes neuronales profundas aprenden representaciones cada vez más abstractas de los datos.

Ajuste fino (fine-tuning): proceso que consiste en especializar un modelo ya entrenado en una tarea específica o en un sector, con un conjunto de datos más pequeño. Es mucho más rápido y barato que entrenar un modelo desde cero.

Aprendizaje por transferencia (transfer learning): reutilizar lo que un modelo ha aprendido en una tarea para resolver otra parecida. El ajuste fino es su aplicación más común.

Sobreajuste: defecto de un modelo que memoriza demasiado sus datos de entrenamiento y falla con casos nuevos.

El lenguaje: NLP, LLM y asistentes conversacionales

Procesamiento del lenguaje natural (NLP): área de la IA dedicada a comprender, analizar y generar el lenguaje humano. Tareas como la traducción automática, los resúmenes, el análisis de sentimiento o los asistentes forman parte del procesamiento del lenguaje, conocido como NLP por sus siglas en inglés.

LLM (gran modelo de lenguaje): modelo de IA generativa entrenado con enormes volúmenes de texto para comprender y generar lenguaje. GPT, Gemini, Claude, Llama o Mistral son LLM.

GPT: la familia de LLM desarrollada por OpenAI, que impulsa ChatGPT.

Transformer: la arquitectura presentada por investigadores de Google en 2017, en la que se basan casi todos los modelos de lenguaje actuales. Su mecanismo de atención tiene en cuenta el contexto de cada palabra.

Token: la unidad que procesa un LLM, a menudo una palabra o un fragmento de palabra. Los límites y los precios de uso se cuentan en tokens.

Prompt (instrucción): la instrucción o la pregunta que se envía a un asistente. La forma de redactarla influye mucho en la calidad del resultado.

Ingeniería de instrucciones (prompt engineering): el arte de redactar instrucciones claras, con contexto y ejemplos, para obtener mejores respuestas de un modelo.

Aprendizaje con pocos ejemplos (few-shot): técnica que consiste en incluir unos pocos ejemplos dentro de la instrucción para que el modelo entienda la tarea sin entrenamiento adicional.

Embedding: la representación de una palabra o de un documento en forma de números, que acerca los contenidos de significado parecido. Sirve para la búsqueda semántica y para clasificar información.

Alucinación: una afirmación falsa o inventada que un modelo presenta con seguridad. Nace del propio funcionamiento de los LLM, que predicen una continuación plausible y no una información verificada.

Temperatura: un ajuste que regula la parte de azar en lo que genera un modelo: más previsible cuando es baja, más variado cuando es alta.

Traducción automática: uso de modelos de IA para traducir textos de un idioma a otro, del inglés al español por ejemplo. Los sistemas actuales se basan en redes neuronales y son mucho más precisos que los primeros traductores basados en reglas.

Visión por computador y multimodalidad

Visión por computador: área de la IA que enseña a una máquina a analizar e interpretar imágenes y vídeos: reconocer objetos, leer una señal o detectar un defecto en una cadena de producción.

Modelo de difusión: técnica que genera una imagen a partir de ruido aleatorio y lo «limpia» paso a paso. Es la base de la mayoría de los generadores de imágenes.

IA multimodal: una IA capaz de procesar varios tipos de información a la vez, por ejemplo texto, imágenes y sonido.

Agentes y herramientas: cuando la IA actúa

Agente: sistema autónomo que, a partir de un objetivo, planifica pasos, utiliza herramientas (búsqueda web, programas, API), toma decisiones y actúa para cumplirlo, con más o menos supervisión humana.

IA agéntica: el enfoque que confía tareas completas a agentes. Ya llega al comercio, donde los agentes comparan y compran por el usuario: lo explicamos en nuestro artículo sobre el agentic commerce.

RAG (generación aumentada por recuperación): proceso en el que una IA busca información en una base documental o en la web antes de redactar su respuesta. El RAG reduce las alucinaciones y permite citar fuentes recientes.

API: una interfaz que permite a un programa usar los servicios de otro. Las empresas integran la IA en sus herramientas gracias a las API de los proveedores.

El vocabulario de la búsqueda con IA

Los asistentes de inteligencia artificial se han convertido en una puerta de entrada a la información. Este cambio ha creado un vocabulario propio, muy relacionado con la inteligencia artificial y con el SEO.

Motor de respuesta: una herramienta que responde directamente a una pregunta en lugar de mostrar una lista de enlaces, como ChatGPT, Perplexity o los AI Overviews de Google.

Google AI Mode: la búsqueda conversacional de Google, en la que dialogas con el buscador como con un asistente. Lo explicamos en nuestra guía sobre la herramienta Google AI Mode.

GEO (Generative Engine Optimization): las prácticas que buscan que una marca aparezca, y bien descrita, en las respuestas de las IA. Consulta nuestra guía qué es el GEO y nuestra comparativa GEO vs SEO.

Query fan-out: la división de una pregunta en varias búsquedas que la IA lanza de verdad en la web. Más información en nuestro artículo sobre el query fan-out.

Crawler de IA: el robot que visita las páginas web para una empresa de IA, como GPTBot para OpenAI. Consulta nuestra guía sobre GPTBot y los crawlers de IA y la del archivo llms.txt.

Cuota de voz en IA: el porcentaje de respuestas de las IA, sobre un conjunto de preguntas, en las que se cita una marca frente a sus competidores. Te explicamos cómo calcularla en nuestra guía para medir la visibilidad en IA.

Ética, educación y retos de la inteligencia artificial

Sesgo: un error sistemático, a menudo heredado de datos desequilibrados, que lleva a un algoritmo a perjudicar a ciertos grupos. Es un punto de vigilancia clave en la selección de personal, el crédito o la salud.

Explicabilidad: la capacidad de entender por qué una IA ha llegado a un resultado. Es difícil de obtener con los modelos más complejos, que a menudo se describen como «cajas negras», cuando las predicciones y decisiones basadas en ellos deberían poder justificarse.

IA ética: el conjunto de principios que guían el desarrollo y el uso de la IA: transparencia, equidad, respeto de la privacidad y control humano de cualquier decisión importante.

Inteligencia artificial en la educación: uso de la IA para personalizar el aprendizaje, corregir ejercicios, generar ejemplos o explicar un concepto de otra forma. Plantea preguntas sobre la evaluación, el plagio y la necesidad de enseñar a usar estas herramientas con criterio.

Impacto ambiental: entrenar y usar grandes modelos consume mucha electricidad y agua. La sobriedad se ha convertido en un reto del desarrollo de la IA y, en general, del sector digital.

Reglamento de IA (AI Act): la norma europea que regula cada tecnología de IA según su nivel de riesgo. Aprobada en 2024, se aplica por fases, con obligaciones más estrictas para los usos de alto riesgo.

RGPD: el reglamento europeo de protección de datos personales. También se aplica a la información usada para entrenar o hacer funcionar sistemas de IA.

Deepfake (ultrafalso): un contenido digital (foto, vídeo o audio) manipulado con IA para hacer que una persona diga o haga algo que nunca dijo ni hizo.

¿Qué dicen las IA de tu marca?

Meteoria sigue cada día tus preguntas clave en ChatGPT, Gemini, Perplexity, Copilot, Grok y los motores de IA de Google: presencia, competidores, fuentes y tono de las respuestas.

Probar Meteoria gratis Solicitar una demo