Enciclopedia de IA
Comprende los conceptos esenciales de la inteligencia artificial con explicaciones claras.
AI
Máquinas que ven, oyen, hablan y deciden. Como una ayudante útil, pero sin sentimientos ni pensamientos propios.
Saber más →AGI
La AGI es una IA con capacidad humana para comprender, aprender y resolver todo tipo de problemas.
Saber más →Prompt
Un prompt es lo que le dices a la IA, y de eso depende la calidad de la respuesta: mismo modelo, otra forma de preguntar, resultados muy distintos.
Saber más →AI Agent
IA autónoma que planifica, usa herramientas y ejecuta tareas; no es solo un chatbot conversacional.
Saber más →LLM
Un predictor probabilístico masivo que juega al “sigue la palabra” a velocidad sobrehumana, entrenado con ingentes cantidades de texto.
Saber más →AIGC
IA que genera texto, imagen, audio y vídeo de forma autónoma; el único requisito es dar una buena indicación.
Saber más →RAG
La IA busca información relevante y luego responde, reduciendo inventos y dando respuestas más fiables.
Saber más →Machine Learning
Computadoras que aprenden patrones por sí mismas a partir de datos, sin reglas escritas a mano.
Saber más →Deep Learning
Una red neuronal multicapa que extrae características por sí sola, alimentada por datos masivos y potencia de GPU.
Saber más →ajuste fino
Con pocos datos específicos, conviertes una IA general en tu experta para tareas concretas.
Saber más →destilación de conocimiento
Comprime el razonamiento de un modelo grande en uno pequeño: 10x más rápido con una pérdida mínima.
Saber más →alucinación IA
Los grandes modelos inventan con seguridad hechos falsos; suenan reales, pero son pura probabilidad.
Saber más →pensamiento y razonamiento en IA
Obliga a la IA a escribir los pasos antes de responder; sube la precisión, pero sigue siendo probabilidad.
Saber más →IA encarnada
Dale un cuerpo a la IA para que aprenda a golpes en el mundo real, no con manuales.
Saber más →Modelo de Mundo
Un modelo de mundo intenta predecir qué pasa después: no la siguiente palabra, sino el siguiente estado del mundo. Es lo que podría darle a la IA una noción de física y causa-efecto.
Saber más →Token
Un token es la unidad mínima de lenguaje con la que trabaja una IA. Los modelos no leen letras: primero trocean el texto en tokens, y por eso cobran por uso y limitan la longitud.
Saber más →IA para todos
IA para todos significa que la IA deje de ser un privilegio de unas pocas grandes empresas y pase a ser algo que cualquiera pueda pagar y usar de verdad. Los modelos abiertos y el cómputo asequible la están llevando de unas pocas industrias a todas.
Saber más →Sistema multiagente
Un sistema multiagente convierte a varios agentes de IA en un «equipo virtual», cada uno con su parte, para abordar trabajos complejos que una sola IA no domina.
Saber más →Economía inteligente
La economía inteligente es un nuevo tipo de economía impulsada por la IA y alimentada por los datos como insumo clave — donde la IA deja de ser una herramienta y pasa a ser infraestructura, como el agua o la electricidad.
Saber más →RLHF
RLHF ajusta el comportamiento de un modelo a partir de rankings de preferencias humanas. Es una de las técnicas clave que hacen que la salida de la IA sea más segura y se alinee con lo que la gente quiere de verdad.
Saber más →Ajuste fino supervisado
El ajuste fino supervisado (SFT) sigue entrenando un modelo base con pares de pregunta y respuesta de calidad, para que aprenda a seguir instrucciones y producir formatos correctos: el paso de «sabe hablar» a «sabe trabajar».
Saber más →Ingeniería de prompts
La ingeniería de prompts es el arte de preguntar bien a una IA. Con el mismo modelo, un buen prompt puede subir la precisión del 61% al 95%.
Saber más →Ingeniería de contexto
La ingeniería de contexto es la disciplina de gestionar la «memoria» de una IA: recuperación, orden, caché y presupuesto de tokens. Decide cuán lista, barata y fiable puede ser un agente complejo.
Saber más →IA para la ciencia
IA para la ciencia mete a la IA en todo el ciclo de investigación —de generar hipótesis a diseñar experimentos— acelerando los avances en fármacos, materiales y clima.
Saber más →Empresa unipersonal
Con la IA como plantilla virtual, una sola persona puede encargarse de diseño, desarrollo, operaciones y soporte, y convertirlo en un negocio real.
Saber más →Potencia de cómputo autónoma
Una mejora sistémica de chips de IA y superclústeres propios que mantiene el combustible de la IA —el cómputo— bien en tus manos.
Saber más →IA generativa
IA capaz de producir texto, imágenes, vídeo y audio totalmente nuevos: el verdadero punto de partida de este auge.
Saber más →Alineación
Mantener el comportamiento de una IA alineado con los valores e intenciones humanas: el problema central de seguridad a lo largo de toda su vida.
Saber más →Cadena de pensamiento
Haz que la IA escriba su razonamiento paso a paso antes de responder y su precisión en problemas difíciles se dispara.
Saber más →Vibe coding
Escribir código describiendo lo que quieres en lenguaje natural mientras la IA genera el código real: programar a base de vibraciones.
Saber más →Modelo grande de código abierto
Publicar los pesos y el código de un modelo para que cualquiera lo descargue, modifique y amplíe — los modelos chinos de código abierto superan los 10.000 millones de descargas.
Saber más →Elemento de datos
Reconocer formalmente los datos como factor clave de producción, junto a la tierra y el trabajo — 2026 fue nombrado el «año de liberar el valor de los datos».
Saber más →Model Context Protocol
Un estándar abierto de Anthropic que permite a los modelos de IA conectarse a herramientas y fuentes de datos externas, como un conector universal.
Saber más →Contexto largo
Dejar que una IA maneje millones de tokens de contexto de una vez — el 78% de los compradores empresariales lo ponen como su requisito principal al elegir modelo.
Saber más →Modelos de razonamiento
Un modelo que «piensa» antes de responder — más cómputo compra más precisión, a costa de pensar a veces demasiado.
Saber más →Aprendizaje por refuerzo
El aprendizaje por refuerzo entrena un sistema mediante ensayo, error y señales de recompensa, enseñándole una estrategia óptima. Es la base del RLHF y de los modelos de razonamiento.
Saber más →Workslop
El workslop es material de trabajo de baja calidad generado por IA: no solo es inútil, sino que carga trabajo extra a tus compañeros.
Saber más →FOBO
El FOBO es el «miedo a quedar obsoleto» que desata el avance veloz de la IA — una sacudida de identidad más profunda y agotadora que la ansiedad laboral normal.
Saber más →Multimodal
La IA multimodal entiende y genera a la vez texto, imágenes, audio y vídeo, percibiendo el mundo como lo hace la gente.
Saber más →Thinkslop
El thinkslop es la «pereza mental» que produce depender demasiado de la IA: externalizar tu pensamiento y dejar que tus habilidades se apaguen en silencio.
Saber más →Optimización directa de preferencias
El DPO optimiza un modelo directamente con datos de preferencia humana, saltándose el modelo de recompensa — más simple y barato que el RLHF.
Saber más →Modelo de lenguaje de dominio específico
Un modelo de lenguaje de dominio específico se entrena para un solo sector —telecom, finanzas, medicina o derecho—, usa los términos con más precisión y encaja mejor con el negocio.
Saber más →Supernodo
Un supernodo integra cientos o miles de chips de IA en un superordenador gigante — la base de cómputo para entrenar modelos de vanguardia.
Saber más →Procesamiento del lenguaje natural
El procesamiento del lenguaje natural permite a los ordenadores entender y generar lenguaje humano — la base de los asistentes de voz, la traducción y ChatGPT.
Saber más →Visión por computadora
La visión por computadora enseña a las máquinas a entender imágenes y vídeo: reconocer objetos, comprender escenas y seguir el movimiento. Son los ojos detrás de los coches autónomos, la seguridad y la imagen médica.
Saber más →Reconocimiento de voz
El reconocimiento de voz convierte lo que dices en texto. Es la capacidad central detrás de los asistentes de voz, los subtítulos y la transcripción: lo que deja a las máquinas «oír» el habla humana.
Saber más →Síntesis de voz
La síntesis de voz convierte texto en habla humana natural. Es lo que deja a la IA «abrir la boca»: de los audiolibros a la navegación, las voces suenan más humanas cada año.
Saber más →Modelo de difusión
Los modelos de difusión generan imágenes añadiendo ruido y luego quitándolo. Son el motor central de herramientas de texto a imagen como Midjourney y Stable Diffusion.
Saber más →Transformer
Una arquitectura neuronal presentada en 2017 que procesa secuencias en paralelo mediante el mecanismo de atención. Casi todos los grandes modelos de lenguaje actuales se construyen sobre ella.
Saber más →Mecanismo de atención
El mecanismo de atención deja que un modelo se «centre» en las palabras más relevantes de una frase mientras procesa cada una. Es el alma del Transformer y la clave para entender el contexto en los modelos grandes.
Saber más →LoRA
LoRA entrena solo un pequeño conjunto de parámetros añadidos para enseñar una tarea nueva a un modelo grande, convirtiendo el ajuste fino de un pozo de dinero en el precio de un café.
Saber más →Cuantización
La cuantización comprime los parámetros de un modelo de flotantes de alta precisión a enteros de pocos bits, adelgazando los modelos, acelerándolos y ahorrando memoria: la clave para ejecutar modelos grandes en local.
Saber más →Decodificación especulativa
La decodificación especulativa hace que un modelo pequeño borre y uno grande revise. Acelera la generación de modelos grandes de 2 a 3 veces sin cambiar la respuesta.
Saber más →IA en el dispositivo
La IA en el dispositivo ejecuta el modelo en local, en tu móvil, portátil o coche: sin internet, más rápida, con menos datos y mejor para la privacidad.
Saber más →Protocolo entre agentes
Un protocolo agente a agente (A2A) fija reglas comunes para que agentes de IA de distintos proveedores y plataformas se descubran, hablen y trabajen juntos: un idioma compartido para la IA.
Saber más →Base de datos vectorial
Una base de datos vectorial guarda y recupera vectores: el motor detrás del RAG, la búsqueda semántica y las recomendaciones que deja a la IA encontrar por significado y no por palabra clave.
Saber más →Embedding
Un embedding convierte texto, imágenes o audio en un vector numérico cuya similitud se puede comparar: el primer ladrillo de cómo la IA entiende el significado, busca y recomienda.
Saber más →Ajuste por instrucciones
El ajuste por instrucciones entrena al modelo con muchos pares de instrucción y respuesta para que entienda mejor lo que quieres: de rematador de frases a buen oyente.
Saber más →IA constitucional
La IA constitucional, propuesta por Anthropic, entrega al modelo un conjunto de principios escritos y luego lo hace criticarse y corregirse contra ellos, ahorrando mucho etiquetado humano.
Saber más →Red teaming
El red teaming hace de atacante a propósito, machacando a una IA con preguntas adversariales y capciosas para sacar a la luz fallos de seguridad, sesgos y agujeros antes que nadie.
Saber más →IA explicable
La IA explicable (XAI) hace que las decisiones de un modelo sean transparentes, comprensibles y trazables: ya no una caja negra que da respuestas sin razones.
Saber más →Sesgo algorítmico
El sesgo algorítmico es cuando una IA trata a ciertos grupos de forma sistemáticamente injusta por datos de entrenamiento sesgados o un diseño defectuoso: un problema que hay que vigilar y corregir.
Saber más →Aprendizaje federado
El aprendizaje federado mantiene los datos en local y solo envía las actualizaciones del modelo al servidor, para que muchas partes entrenen juntas sin compartir datos en bruto.
Saber más →Privacidad diferencial
La privacidad diferencial añade ruido calibrado a los datos o a las salidas para que nadie pueda identificar a una persona concreta. Es una forma matemática de proteger la privacidad individual.
Saber más →Datos sintéticos
Los datos sintéticos son datos falsos generados por IA que parecen reales pero no contienen información personal real. Rellenan huecos donde los datos reales escasean y evitan riesgos de privacidad y cumplimiento.
Saber más →Anotación de datos
Anotar datos es etiquetar datos en bruto: decirle a la IA «esto es un gato, aquello un perro». Es la base del aprendizaje supervisado, y la calidad de las etiquetas fija el techo de lo bueno que puede llegar a ser el modelo.
Saber más →Limpieza de datos
La limpieza de datos es la limpieza a fondo previa al entrenamiento: quitar duplicados, ruido y errores para convertir datos desordenados en un conjunto limpio que el modelo pueda digerir sin sustos.
Saber más →Benchmarking
El benchmarking puntúa a los modelos con un conjunto estandarizado de pruebas, para poder comparar modelos distintos con la misma regla. Es una base clave a la hora de elegir y publicar modelos.
Saber más →Grounding
El grounding ancla las respuestas del modelo a datos reales o fuentes recuperadas en lugar de dejarlo improvisar. Es una palanca clave para recortar las alucinaciones.
Saber más →Temperatura
La temperatura es el dial que controla la aleatoriedad de un modelo: más baja, más estable y conservador; más alta, más creativo. El código y la poesía piden temperaturas distintas.
Saber más →Muestreo Top-p
El muestreo Top-p (núcleo) extrae del conjunto más pequeño de palabras cuya probabilidad acumulada llega a p, adaptando el grupo de candidatos sobre la marcha: más flexible que un Top-k fijo.
Saber más →Salida estructurada
La salida estructurada hace que un modelo devuelva resultados en un formato fijo como JSON Schema, convirtiendo texto libre en datos que un programa puede analizar directamente.
Saber más →Llamada a funciones
El function calling le da manos a un modelo: cuando necesita datos en vivo o hacer algo, pide —de forma estructurada— que se llame a una función, y tu código la ejecuta.
Saber más →Patrón ReAct
ReAct alterna razonar y actuar en un bucle: el agente piensa un paso, llama a una herramienta, comprueba el resultado y repite hasta dar con la respuesta. Es el modo por defecto de muchos agentes.
Saber más →Patrón planificar-ejecutar
Planificar-ejecutar se toma un momento para dividir una tarea grande en una lista clara y luego la recorre paso a paso. Encaja con trabajos largos y de varios pasos.
Saber más →Patrón Reflexion
Reflexion hace que un agente revise su propia ejecución al terminar, encuentre qué salió mal y vuelva a intentarlo con esas lecciones — mejorando en cada vuelta.
Saber más →Memoria a corto plazo
La memoria a corto plazo es el contexto que un agente mantiene en la sesión actual: recuerda lo que se acaba de decir, pero se borra al terminar, como la memoria de trabajo de una persona.
Saber más →Memoria a largo plazo
La memoria a largo plazo persiste entre sesiones, normalmente en una base de datos vectorial o almacenamiento externo, para que el agente te reconozca y recuerde tus preferencias la próxima vez.
Saber más →Patrón supervisor
En el patrón supervisor, un agente principal actúa de gestor: reparte el trabajo entre varios subagentes y fusiona sus resultados. Encaja con tareas complejas y paralelizables.
Saber más →Patrón peer-to-peer
En peer-to-peer, varios agentes cooperan como iguales y se hablan directamente, sin controlador central. Alcanzan un objetivo común mediante negociación y mensajes.
Saber más →Inyección de prompts
La inyección de prompts esconde una instrucción maliciosa en la entrada para engañar al agente, hacer que ignore sus reglas y haga algo que no debería. Es uno de los ataques más comunes a apps con LLM.
Saber más →Sandboxing
El sandboxing aísla el entorno de ejecución de código del agente para que corra en una jaula controlada, evitando que el código malicioso o con bugs afecte al sistema anfitrión.
Saber más →Chunking
El chunking parte documentos largos en piezas pequeñas y autocontenidas para que la recuperación acierte: la base de un buen RAG.
Saber más →Recuperación híbrida
La recuperación híbrida fusiona la precisión de las palabras clave con el sentido de significado de los vectores, para que RAG recupere resultados exactos y completos.
Saber más →Reranking
El reranking reordena los resultados de la primera pasada con un modelo más estricto, subiendo la respuesta más relevante a lo alto: uno de los pasos con mejor relación coste-valor en RAG.
Saber más →Reescritura de consultas
La reescritura de consultas transforma una pregunta informal en algo con lo que la búsqueda puede trabajar, resolviendo referencias y limpiando la redacción para que el sistema acierte.
Saber más →Recuperación multi-turno
La recuperación multi-turno busca repetidamente durante la conversación y rellena el contexto sobre la marcha, para que la IA mantenga cada respuesta actual y completa.
Saber más →Mezcla de expertos
MoE divide el modelo en muchos «expertos» y activa solo unos pocos por consulta, cambiando una fracción del cálculo por el rendimiento de un modelo gigante.
Saber más →Modelo de lenguaje pequeño
Un modelo de lenguaje pequeño trae muchos menos parámetros y aun así corre en local: rápido, frugal y privado, ideal para asistentes en dispositivo y tareas verticales.
Saber más →Caché KV
La caché KV guarda los pares clave-valor de la atención para no recalcular nada durante la generación token a token: cambia memoria por una inferencia mucho más rápida.
Saber más →FlashAttention
FlashAttention replantea la atención con bloques y recálculo, recortando el uso de memoria y acelerando el cálculo: ya es estándar en los modelos de contexto largo.
Saber más →vLLM
vLLM es un motor de inferencia de código abierto y alto rendimiento que pagina la VRAM con PagedAttention, dejando que una GPU atienda muchas más peticiones simultáneas.
Saber más →SGLang
SGLang es un framework de código abierto para generación estructurada: une un pequeño lenguaje de restricciones con un backend de inferencia rápido para que la salida compleja, como JSON o llamadas a función, llegue rápida y bien formada.
Saber más →Ajuste fino eficiente en parámetros
El ajuste fino eficiente en parámetros (PEFT) congela la mayor parte de un modelo y entrena solo un puñado de parámetros nuevos, para que un modelo grande aprenda una tarea ahorrando memoria y tiempo, y una sola base sirva para muchos accesorios especialistas.
Saber más →QLoRA
QLoRA junta la cuantización y LoRA en un solo truco: mete el ajuste fino de modelos grandes en una sola GPU de consumo, recortando la memoria en un orden de magnitud con una calidad que apenas baja.
Saber más →Aprendizaje por currículo
El aprendizaje por currículo toma prestada la costumbre humana de aprender primero lo fácil. Ordena los datos de entrenamiento de fácil a difícil para que el modelo construya su base antes de abordar lo difícil, convergiendo con más constancia y aprendiendo mejor.
Saber más →Aumento de datos
El aumento de datos convierte una muestra en varias — volteando, rotando, añadiendo ruido, reescribiendo o sintetizando — para producir ejemplos nuevos parecidos pero no idénticos. Es uno de los trucos más baratos cuando los datos escasean o son caros.
Saber más →LLM como juez
LLM-as-a-Judge usa un modelo grande para puntuar automáticamente la salida de otro, convirtiendo la evaluación humana, cara y lenta, en un proceso escalable y reproducible.
Saber más →SWE-bench
SWE-bench toma issues reales de GitHub con sus arreglos y los usa para evaluar a la IA: le das el reporte de un bug y un repositorio, y miras si es capaz de localizar el problema y escribir un parche como un ingeniero.
Saber más →WebArena
WebArena monta una docena de sitios web realistas y le pide a la IA tareas de verdad — reservar un vuelo, cambiar una contraseña, navegar un foro — haciendo clic, rellenando y navegando como una persona. Es la prueba de si la IA sabe trabajar en la web.
Saber más →Modelo de visión y lenguaje (VLM)
Un modelo de visión y lenguaje (VLM) lee imágenes y escribe palabras a la vez. Muéstrale una foto y podrá describirla, responder preguntas sobre ella o razonar sobre lo que hay dentro: es una IA con los ojos y la boca conectados.
Saber más →Gran modelo de lenguaje multimodal
Un gran modelo de lenguaje multimodal mete texto, imágenes, sonido e incluso vídeo en un solo modelo. Puede oír, ver, leer y hablar: conecta los sentidos en un único sistema, un gran paso hacia una IA de propósito general.
Saber más →Texto a imagen
Escribes una frase y pinta una imagen. El texto a imagen convierte descripciones en imágenes — de «un gato con traje espacial» a una calle cyberpunk — en segundos.
Saber más →Texto a vídeo
Una frase, un clip en movimiento. El texto a vídeo convierte descripciones en metraje continuo, llevando a la IA de dibujar imágenes fijas a rodar escenas en movimiento.
Saber más →Texto a 3D
Una frase, un modelo 3D que puedes girar. El texto a 3D convierte descripciones en activos 3D, cambiando cómo se construyen juegos, cine y diseño de producto.
Saber más →Robot humanoide
Un robot con forma y movimiento humanos. Los robots humanoides combinan un cuerpo hecho para nuestro mundo con un cerebro de IA, con la mira puesta en entrar a fábricas y hogares como mano de obra de propósito general.
Saber más →Sistema operativo para robots (ROS)
ROS es el «Android de los robots»: un framework open source que empaqueta abstracción de hardware, mensajería, percepción y navegación para que quienes construyen robots no reinventen la rueda.
Saber más →Sim-to-Real
Entrena un robot a la perfección en simulación y luego suéltalo en la realidad. Sim-to-Real es el arte de trasladar a una máquina real las habilidades aprendidas en un mundo virtual.
Saber más →GPU
La GPU empezó como el chip que renderiza los juegos. Como es tan buena en cálculo paralelo, se convirtió en el hardware estrella para entrenar modelos de IA.
Saber más →TPU
La TPU es el chip a medida de Google para el aprendizaje automático, centrado en la matemática de tensores: el motor tras entrenar y servir los grandes modelos de Google.
Saber más →NPU
La NPU es un procesador hecho para la inferencia de redes neuronales, que consume tan poco que vive dentro de móviles, auriculares y cámaras — y ejecuta IA sin conexión.
Saber más →HBM
La HBM apila chips de memoria en una torre junto al procesador, dando a los chips de IA una velocidad de transferencia de datos extrema.
Saber más →RAMageddon
El auge de la IA disparó la demanda de chips de memoria, provocando escasez global y subidas de precio: una crisis apodada RAMageddon.
Saber más →Centro de datos de IA
Un centro de datos de IA es una instalación construida para cargas de IA, con energía, refrigeración y redes reconstruidas alrededor de clústeres de GPUs: la nueva infraestructura de la era de la IA.
Saber más →Red de potencia de cómputo
Una red de potencia de cómputo conecta recursos informáticos dispersos como una red eléctrica — asignando bajo demanda y facturando de forma central — para convertir el cómputo en un servicio de uso libre.
Saber más →Jailbreak
Un jailbreak usa prompts cuidadosamente elaborados para colarse entre los límites de seguridad de una IA y sonsacarle respuestas que debería rechazar: una de las batallas más duras en seguridad de modelos.
Saber más →Ejemplo adversarial
Un ejemplo adversarial es una entrada modificada de forma casi invisible para los humanos, pero suficiente para que una IA lea o juzgue mal: la prueba más clara de lo frágiles que pueden ser los modelos.
Saber más →Gobernanza de datos
La gobernanza de datos gestiona de forma sistemática la calidad, seguridad, cumplimiento y ciclo de vida de los datos, convirtiéndolos de un montón desordenado en un activo fiable y útil.
Saber más →Ley de IA
La Ley de IA es el primer reglamento europeo sobre inteligencia artificial. Clasifica los usos de la IA por nivel de riesgo: cuanto más arriesgada la aplicación, más estrictas las reglas, desde la prohibición total hasta la simple transparencia.
Saber más →IA responsable
La IA responsable es un conjunto de principios éticos — equidad, transparencia, privacidad, seguridad y rendición de cuentas — que atraviesa todo el ciclo de vida de la IA, del desarrollo al despliegue.
Saber más →Automejora recursiva
La automejora recursiva es la idea de una IA que se mejora a sí misma sin ayuda humana, volviéndose más fuerte en cada ronda. Es el paso clave — y el más inquietante — del camino hacia la superinteligencia.
Saber más →Recurrencia opaca
La recurrencia opaca hace que un modelo piense sin «decirlo»: repite el problema por dentro muchas veces y responde directo. Una forma de razonamiento oculto más barata y rápida.
Saber más →Profundidad recurrente
La profundidad recurrente es el dial de la recurrencia opaca: cuántas veces se repiten esas capas internas. Más vueltas, pensamiento más profundo, y más cómputo y tiempo invertidos.
Saber más →Economía de tokens
La economía de tokens convierte cada gasto de IA en un libro de tokens: qué quema dinero, dónde ahorrar y cómo gastar con cabeza. Es la disciplina de costes básica de la era de la IA.
Saber más →Rendimiento de tokens
El rendimiento de tokens es cuántos tokens puede procesar un sistema por segundo. Decide lo rápido que llegan las respuestas y si el servicio sobrevive a mucha carga: la métrica clave del rendimiento de inferencia.
Saber más →Caché semántico
El caché semántico no necesita una coincidencia exacta: reconoce «la misma pregunta con otras palabras» y reutiliza la respuesta anterior, ahorrando el coste de recalcular.
Saber más →Gateway de agentes
Un gateway de agentes es la única puerta de entrada para cada petición de agente de IA — gestiona autenticación, límites, enrutado y monitorización para que cientos de agentes entren y salgan con orden.
Saber más →Computer Use
Computer Use permite a una IA ver la pantalla y pulsar como una persona, manejando navegadores y apps de escritorio mediante capturas y razonamiento a nivel de píxel. Convierte el «sabe hablar» en «sabe hacer».
Saber más →Automatización del navegador
La automatización del navegador permite a un agente manejar un navegador real — clics, formularios, extracción — y convierte el tedioso «clic a mano» en algo que hace un programa.
Saber más →Kill Switch
Un interruptor de apagado es el freno de emergencia de un agente: un toque (o una regla automática) lo detiene antes de que una ejecución descontrolada cause daño real.
Saber más →Idempotencia
La idempotencia significa que hacer la misma operación una vez o diez veces da el mismo resultado: la base para que las llamadas a herramientas de un agente se puedan reintentar con seguridad.
Saber más →Privilegio mínimo
Dale a un agente solo los permisos mínimos para el trabajo que tiene entre manos, reduciendo el daño que puede causar si algo sale mal.
Saber más →Patrón crítico
Un agente genera y otro existe solo para auditar y criticar: un dúo de poli bueno y poli malo que pule el resultado hasta dejarlo más fiable.
Saber más →Deadlock
Cuando varios agentes esperan cada uno por un recurso o acción que otro tiene, nadie se mueve y todo el sistema se queda congelado.
Saber más →Bucle
Un agente se queda atrapado repitiendo lo mismo una y otra vez — actúa, comprueba, no vale, actúa de nuevo — y nunca llega a la meta.
Saber más →Disyuntor
Cuando un agente no deja de fallar, un disyuntor corta automáticamente su vía de ejecución para que un fallo pequeño no se convierta en un desastre de todo el sistema.
Saber más →Aprendizaje few-shot
Muéstrale a un modelo unos pocos ejemplos de entrada→salida y capta la nueva tarea al momento — sin reentrenar nada.
Saber más →Aprendizaje zero-shot
Sin darle ningún ejemplo, basta una instrucción clara para que el modelo maneje una tarea que nunca ha visto, gracias a la comprensión general que adquirió en el entrenamiento.
Saber más →Aprendizaje en contexto
El aprendizaje en contexto (ICL) permite que un modelo aprenda una tarea nueva al momento a partir de unos pocos ejemplos en el prompt, sin cambiar pesos ni entrenar.
Saber más →Árbol de pensamientos
Tree of Thoughts (ToT) hace que el modelo explore varias ramas de razonamiento a la vez, las compare, retroceda y elija el mejor camino — como un ajedrecista pensando por adelantado.
Saber más →Human-in-the-loop
Human-in-the-loop (HITL) detiene a la IA en los momentos clave para esperar a que una persona confirme o corrija, tejiendo el criterio humano en la automatización para lograr velocidad y seguridad.
Saber más →LangChain
LangChain empaqueta encadenado, memoria, herramientas y agentes en piezas para apps con LLM: el framework de facto para construir con modelos de lenguaje grandes.
Saber más →LangGraph
LangGraph orquesta agentes como un grafo — los nodos son pasos, las aristas el flujo, y el estado es inspeccionable y reversible. Hecho para trabajo complejo, de varios pasos y multiagente.
Saber más →AutoGen
AutoGen es el framework multiagente de código abierto de Microsoft: varios roles de IA hablan, revisan el trabajo del otro y llevan una tarea de una sola frase a un resultado terminado.
Saber más →CrewAI
CrewAI asigna a cada agente un rol y una tarea, montando un sistema multiagente como si formaras un equipo real — con objetivos, reparto de trabajo y colaboración. Hecho para automatizar el negocio.
Saber más →FAISS
FAISS es la librería de código abierto de Meta para búsqueda rápida de similitud de vectores: indexa colecciones enormes y encuentra el lote más parecido en milisegundos, siendo una pieza clave del RAG.
Saber más →Milvus
Milvus es una base de datos distribuida hecha para vectores: almacena y consulta miles de millones de ellos con rapidez, con indexación y escalado incorporados, siendo una base habitual del RAG en producción.
Saber más →Búsqueda de vecinos más cercanos
La búsqueda de vecinos más cercanos encuentra los puntos más próximos a ti en el espacio vectorial: la base compartida de la recomendación, la recuperación, el RAG y toda función de «buscar parecidos».
Saber más →Recall (exhaustividad)
El recall mide cuán completa es una búsqueda: de todos los documentos realmente relevantes, cuántos logró encontrar el sistema.
Saber más →Precisión
La precisión mide cuán exacta es una búsqueda: de todos los resultados devueltos, qué fracción es realmente relevante.
Saber más →Fusión de rangos recíprocos
La fusión de rangos recíprocos combina varias listas de recuperación en un solo ranking puntuando por rango recíproco: simple, tolerante al ruido y una estrategia habitual de búsqueda híbrida.
Saber más →Token de parada
Un token de parada es un marcador especial que termina la generación cuando el modelo lo produce: clave para controlar la longitud, evitar el relleno y ahorrar coste.
Saber más →Streaming (salida en tiempo real)
El streaming muestra los resultados a medida que se generan, empujando una respuesta larga token a token en tiempo real y recortando la latencia percibida.
Saber más →Prompt de sistema
El prompt de sistema es la regla global y la definición de rol que se fija para un modelo: se aplica en cada turno con prioridad, la constitución invisible de la identidad y los límites de la IA.
Saber más →Logprobs (log-probabilidades)
Los logprobs son la distribución de confianza en escala logarítmica sobre el siguiente token: la señal base para medir incertidumbre, muestrear y detectar alucinaciones.
Saber más →Computación multiparte segura
La computación multiparte segura permite a varias partes calcular juntas sin exponer sus datos, usando reparto secreto y aritmética sobre fragmentos para lograr privacidad y un resultado correcto.
Saber más →Cifrado homomórfico
El cifrado homomórfico calcula directamente sobre datos cifrados, dejando que una nube «calcule sin ver»: privacidad y potencia de cómputo a la vez.
Saber más →Modelo fundacional
Un modelo fundacional es un modelo de propósito general preentrenado a gran escala: la base compartida de las aplicaciones posteriores y la raíz de este auge de la IA.
Saber más →Modelo de chat
Un modelo de chat es una IA pensada para la conversación de varios turnos: recuerda el contexto, lee el tono y hace que el intercambio se sienta humano.
Saber más →Modelo de código
Un modelo de código es una IA entrenada con código: genera, completa y depura, y lee el contexto de todo tu proyecto, como un copiloto del programador.
Saber más →Modelo de embeddings
Un modelo de embeddings convierte texto e imágenes en vectores —listas de números— para que lo de significado parecido quede cerca en términos matemáticos. Es la base de la búsqueda, las recomendaciones y el RAG.
Saber más →Modelo reranker
Un reranker toma los candidatos de una primera búsqueda, los afina y sube el más relevante a la primera posición: una pieza clave para la precisión en búsqueda y RAG.
Saber más →IA+
«IA+» no es una tecnología nueva sino una ola de penetración: enchufa la IA a la fabricación, la salud, la educación, la agricultura y más, rehaciendo las industrias tradicionales con IA.
Saber más →Modelo vertical
Un modelo vertical es un especialista: no intenta saberlo todo, sino profundizar en una industria o caso de uso, haciendo un trabajo más fino con menos parámetros.
Saber más →IA confiable
La IA confiable no es un eslogan sino un conjunto de requisitos duros — seguridad, equidad, transparencia, trazabilidad y responsabilidad — para que la gente le confíe a la IA lo importante.
Saber más →Desarrollo guiado por tests
El desarrollo guiado por tests invierte el orden: primero el test, luego el código que lo hace pasar, usando cada ciclo rojo-verde para forzar un diseño más claro y fiable.
Saber más →Integración continua
La integración continua hace que los desarrolladores fusionen a menudo en la rama principal, con tests y builds automáticos: los problemas salen pronto y la integración nunca explota. Es la base de la entrega de software.
Saber más →GitHub Copilot
GitHub Copilot es tu programador en pareja con IA: completa código, responde preguntas y escribe tests dentro de tu editor, convirtiendo el programar de teclear a «describir y confirmar».
Saber más →Cursor
Cursor es un editor de código nativo de IA, basado en VS Code, con autocompletado, edición por chat y cambios en todo el proyecto integrados de serie, no añadidos a posteriori.
Saber más →Claude Code
Claude Code es el asistente de codificación por terminal de Anthropic: un ingeniero que vive dentro de tu proyecto, capaz de leer y editar archivos, ejecutar comandos y llevar las tareas hasta el final.
Saber más →Revisión de código
La revisión de código es el proceso humano de revisar cambios antes de fusionar. Con IA, se añade un segundo par de ojos que escanea cambios en segundos en busca de bugs, fallos de seguridad y problemas de legibilidad.
Saber más →Depuración
La depuración es el viejo oficio de averiguar por qué un programa se porta mal. Con IA puedes pegar un error, trazar la lógica y conseguir una solución en minutos en lugar de horas.
Saber más →Refactorización
Refactorizar es ordenar el código sin cambiar lo que hace — renombrar, dividir funciones, eliminar duplicados. La IA hace este trabajo tedioso y delicado rápido y con seguridad.
Saber más →Generación de tests unitarios
Los tests unitarios verifican las piezas más pequeñas del código. La IA puede leer una función y generar casos de prueba automáticamente, cubriendo los casos límite que los humanos tienden a saltarse.
Saber más →Planificación
La planificación es la capacidad de un agente de dividir un objetivo grande y difuso en pasos pequeños y ejecutables. Cuanto mayor es el objetivo, más decide la planificación si el agente entrega o se pierde.
Saber más →Selección de herramientas
La selección de herramientas es la capacidad de un agente de elegir la herramienta correcta de un conjunto disponible. Elegir bien ahorra llamadas y resuelve; elegir mal desperdicia esfuerzo o arruina la tarea.
Saber más →Observación
La observación es el paso en que un agente lee la salida de una herramienta y actualiza su propio estado. Es la pieza clave del bucle actuar–feedback–ajustar.
Saber más →Extracción de entidades
La extracción de entidades saca hechos clave de una conversación — nombres, fechas, preferencias, avances — y los guarda en la memoria a largo plazo para que la IA no te pregunte dos veces.
Saber más →Memoria de resúmenes
La memoria de resúmenes comprime una conversación larga en un breve resumen y guarda eso en lugar del registro crudo, para que una IA recuerde lo hablado a una fracción del coste en tokens.
Saber más →Memoria episódica
La memoria episódica registra los eventos concretos que un agente ha vivido —qué pasó, cuándo y cómo salió—, dándole a la IA su propio archivo de experiencias para aprender de aciertos y fracasos pasados.
Saber más →Memoria semántica
La memoria semántica guarda hechos y conceptos desligados de cualquier escena —definiciones, reglas, sentido común—. Es la base de conocimiento de la IA, y complementa a la episódica para formar la memoria a largo plazo del agente.
Saber más →Conjunto de datos dorado
Un conjunto de datos dorado es un conjunto de prueba pequeño y etiquetado a mano que todos aceptan como correcto. Es la vara de medir la calidad de la IA y evita que el modelo empeore con cada cambio.
Saber más →Test A/B
Un test A/B reparte a los usuarios al azar en dos grupos, muestra a cada uno una versión distinta y compara cuál rinde mejor: decidir con datos y no a ojo.
Saber más →Evaluación humana
La evaluación humana pone a personas reales a puntuar la salida de la IA, señalar fallos y dejar feedback: la vara definitiva para saber si es útil, segura y suena humana.
Saber más →Evaluación automática
La evaluación automática usa un programa u otro modelo para puntuar la salida de la IA y detectar errores, procesando miles de muestras en segundos. Rápida y escalable: la pareja de volumen de la evaluación humana.
Saber más →Microservicios
Los microservicios dividen un gran sistema de IA en servicios pequeños e independientes —cada uno desarrollado, desplegado y escalado por su cuenta—, de modo que un fallo no hunde el conjunto y un cambio no obliga a redesplegarlo todo.
Saber más →Serverless
Serverless significa dejar de gestionar servidores: el código se dispara bajo demanda y se libera al terminar, y solo pagas por el tiempo que de verdad corre — ideal para la inferencia o función ocasional.
Saber más →Contenedorización
La contenedorización empaqueta una app de IA junto con sus dependencias y su entorno en una unidad estándar y portátil, para que desarrollo, pruebas y producción corran igual — se acabó el «en mi máquina funciona».
Saber más →Kubernetes
Kubernetes es el despachador de tus contenedores: programa, escala y se autocura, y es la base que mantiene los modelos de IA corriendo de forma fiable en producción.
Saber más →Servicio de inferencia
Un servicio de inferencia envuelve un modelo entrenado en una API que puedes llamar en cualquier momento, para que las apps obtengan predicciones en milisegundos: el paso que lleva un modelo del laboratorio a producción.
Saber más →Versionado de modelos
El versionado de modelos gestiona los modelos como Git gestiona el código: cada entrenamiento, parámetro y dataset queda trazado, para poder reproducir, comparar y volver atrás cuando quieras.
Saber más →Despliegue canario
Como un canario en la mina, un despliegue canario deja que una pequeña porción de usuarios reales pruebe el modelo nuevo y luego sube la apuesta cuando está probado: el riesgo de lanzamiento, al mínimo.
Saber más →Monitoreo de modelos
Desplegar un modelo no es el final: es el inicio de la guardia. El monitoreo vigila rendimiento, latencia y calidad de salida, detectando problemas antes de que empeoren.
Saber más →Deriva de datos
Cuando los datos del mundo real cambian en silencio mientras el modelo se queda en el mundo viejo, eso es data drift: la razón silenciosa por la que los modelos empiezan a fallar.
Saber más →Degradación del modelo
Los modelos no se quedan jóvenes para siempre. A medida que cambia el entorno, el rendimiento baja poco a poco: la degradación del modelo es la versión IA del óxido.
Saber más →Modelo de espacio de estados
Otra forma de procesar secuencias: en lugar de que cada posición mire a todas las demás, un estado oculto comprime y lleva la información hacia delante — barato y capaz.
Saber más →Mamba
Un modelo de secuencia basado en la idea del espacio de estados selectivo: conserva lo que importa, se salta el resto y sigue siendo rápido y barato en texto muy largo.
Saber más →Red de enrutamiento
El despachador dentro del MoE: por cada petición decide qué expertos deben encargarse. Si enruta bien, el modelo es potente y barato a la vez.
Saber más →Checkpointing de gradientes
El checkpointing de gradientes cambia un poco más de cálculo por mucha menos memoria: en vez de guardar cada activación intermedia, las recalcula bajo demanda y recorta de golpe el uso de memoria de la GPU.
Saber más →Entrenamiento en precisión mixta
El entrenamiento en precisión mixta hace la mayor parte del cálculo en FP16 de media precisión por velocidad y ahorro de memoria, y deja las partes críticas en FP32: más rápido, más barato y casi sin pérdida de precisión.
Saber más →Entrenamiento distribuido
El entrenamiento distribuido reparte el trabajo entre muchas máquinas y GPUs que corren en paralelo, convirtiendo modelos que tardarían meses en entrenarse en otros que terminan en semanas o días.
Saber más →Paralelismo de datos
El paralelismo de datos es la forma más simple de entrenamiento distribuido: cada GPU tiene una copia completa del modelo, cada una procesa un lote distinto, y al final los gradientes se promedian y sincronizan.
Saber más →Paralelismo de modelo
Cuando un modelo es demasiado grande para una sola tarjeta, el paralelismo de modelo lo trocea y reparte capas distintas por GPUs distintas para que calculen un modelo entre todas.
Saber más →Paralelismo de pipeline
El paralelismo de pipeline trocea un modelo por capas entre dispositivos y deja que muchos lotes fluyan como una cadena de montaje, reduciendo el tiempo muerto y subiendo el rendimiento global.
Saber más →Versionado de datos
El versionado de datos gestiona los datos como Git gestiona el código: cada cambio del dataset queda archivado, así puedes rastrear problemas y reproducir experimentos de forma fiable.
Saber más →Feature store
Un feature store es un almacén central para las features: entrenar y servir leen las mismas, así te ahorras cálculos duplicados y mantienes la coherencia entre online y offline.
Saber más →