La inteligencia artificial se ha colado en el trabajo, en los buscadores y hasta en las conversaciones de sobremesa. Pero al empezar a leer sobre ella aparece un muro de palabras que parecen de otro idioma: prompt, contexto, token, alucinación, RAG, fine-tuning… Esta guía traduce esos términos a lenguaje sencillo, con ejemplos y analogías, para que puedas usar la IA con criterio.
No hace falta ser informático ni matemático. Solo entender qué significa cada concepto y para qué sirve. Al terminar, sabrás leer una interfaz de IA, escribir mejores instrucciones y detectar cuándo el resultado merece desconfianza.
Actualizado: 29 de octubre de 2026. Los nombres comerciales cambian cada pocos meses; los conceptos que explico aquí son estables y te servirán con cualquier herramienta.
Lo esencial en 30 segundos
- La IA es el campo general; la IA generativa es la que crea contenido; los LLM son modelos de lenguaje.
- El prompt es la instrucción que escribes; el contexto es todo lo que el modelo tiene a la vista al responder.
- Los tokens son la unidad de medida del texto: afectan al coste, al límite y a la velocidad.
- La ventana de contexto es la mesa de trabajo del modelo: si no cabe, se pierde información.
- Una alucinación es una respuesta falsa pero convincente. Verifica siempre los datos importantes.
- RAG, fine-tuning y agentes son tres formas de ir más allá del chat básico.
1. Qué es la IA y sus capas
La inteligencia artificial es el conjunto de técnicas que permiten a una máquina realizar tareas que normalmente asociamos con la inteligencia humana: entender texto, reconocer imágenes, traducir, recomendar, responder preguntas o tomar decisiones.
Dentro de ese paraguas hay varias capas. Conviene distinguirlas porque se usan a menudo como sinónimos y no lo son:
| Término | Qué es | Ejemplo |
|---|---|---|
| IA (Inteligencia Artificial) | El campo general de la informática que intenta imitar capacidades humanas. | Un sistema que detecta spam. |
| Machine Learning (aprendizaje automático) | La máquina aprende patrones a partir de datos en lugar de seguir reglas escritas a mano. | Un filtro que aprende de correos marcados como spam. |
| Deep Learning (aprendizaje profundo) | Un tipo de machine learning que usa redes neuronales con muchas capas. | Reconocimiento facial en una foto. |
| IA generativa | La que crea contenido nuevo: texto, imágenes, audio, vídeo o código. | ChatGPT, Gemini, Copilot, Midjourney. |
| LLM (modelo grande de lenguaje) | Un modelo de IA generativa especializado en texto. | GPT, Claude, Gemini, Llama, Mistral. |
Cuando hoy decimos “voy a usar la IA”, normalmente nos referimos a la IA generativa y, más concretamente, a un modelo de lenguaje. Es útil tenerlo claro: no todo lo que llamamos IA genera texto, y no todo lo que genera texto es un LLM.
Idea clave: la IA no es una sola cosa. Es una escalera de conceptos: IA → Machine Learning → Deep Learning → IA generativa → LLM. Cada peldaño es más específico que el anterior.
2. Modelo, parámetros y LLM
Un modelo es el resultado de entrenar un algoritmo con enormes cantidades de datos. En palabras llanas, es un conjunto de archivos que ha “aprendido” patrones y que, cuando le das una entrada, produce una salida.
La analogía más útil es la de un estudiante que ha leído millones de libros. No memoriza cada frase, pero ha interiorizado cómo se combinan las palabras, qué relación tienen los conceptos y cómo se responde a una pregunta. El modelo es ese estudiante ya formado.
Parámetros: el tamaño del modelo
Los parámetros son los valores numéricos internos que el modelo ajusta durante el entrenamiento. Cuantos más parámetros tiene, en general, más capacidad de captar matices, aunque también necesita más cómputo y más memoria.
Cuando lees “7B”, “70B” o “405B”, se refiere a miles de millones de parámetros (B = billions). Un detalle importante: más parámetros no siempre significa mejor para tu caso. Un modelo pequeño bien elegido puede ser suficiente, más rápido y más barato.
LLM: el modelo de lenguaje
Un LLM (Large Language Model) es un modelo entrenado con cantidades masivas de texto para predecir cuál es el siguiente token en una secuencia. De esa mecánica aparentemente sencilla surgen la conversación, el resumen, la traducción, la programación y el razonamiento.
Es fundamental entender que no “piensa” como una persona ni consulta una base de datos de verdades. Genera la respuesta más probable según los patrones que aprendió. Eso explica tanto su utilidad como sus fallos.
3. Token: la unidad del texto
Un token es un fragmento de texto: una palabra, parte de una palabra o un signo. Es la unidad mínima con la que trabaja el modelo. Por ejemplo, “inteligencia” puede ser uno o varios tokens según el modelo.
Los tokens importan por tres motivos:
- Coste: muchos servicios cobran por token de entrada y de salida.
- Límite: cada modelo tiene un máximo de tokens que puede procesar a la vez.
- Velocidad: más tokens implican más tiempo de respuesta.
Como regla rápida en español, un token equivale a unas 3-4 letras o a media palabra. Un texto de 1.000 palabras puede rondar los 1.500-2.000 tokens. No es una cifra exacta, pero ayuda a hacerse una idea.
Para qué te sirve: si una conversación se corta o el modelo “olvida” el principio, probablemente hayas superado la ventana de contexto. Si el coste sube, revisa cuántos tokens estás enviando y recibiendo.
4. Prompt: la instrucción
El prompt es el texto o la instrucción que le das al modelo para obtener una respuesta. Es tu forma de comunicarte con la IA. Todo lo demás —contexto, formato, ejemplos— se construye alrededor de él.
Qué incluye un buen prompt
- Rol: quién quieres que sea (“actúa como asesor fiscal”, “eres un editor”).
- Tarea: qué quieres que haga exactamente (resumir, redactar, comparar, clasificar).
- Contexto: la información de fondo que necesita para responder bien.
- Formato: cómo quieres la salida (tabla, lista, correo, guion).
- Restricciones: longitud, tono, público, qué debe evitar.
- Ejemplos: si buscas un estilo concreto, mostrar uno ayuda mucho.
| Prompt flojo | Prompt bien construido |
|---|---|
| “Háblame de las subvenciones.” | “Actúa como asesor fiscal. Explica en 300 palabras, en tono cercano y sin tecnicismos, qué subvenciones existen en 2027 para autónomos de la Comunidad de Madrid. Organiza la respuesta en puntos y termina con una recomendación práctica.” |
| “Resume esto.” | “Resume el siguiente contrato en 5 puntos, en lenguaje claro para un cliente sin formación jurídica. Señala plazos, obligaciones y penalizaciones. No inventes datos que no aparezcan en el texto.” |
La segunda versión no es magia: simplemente da más información y reduce la ambigüedad. Cuanto menos tenga que adivinar el modelo, mejor será el resultado.
Prompt engineering
La ingeniería de prompts es el conjunto de técnicas para escribir instrucciones que producen mejores resultados. No es programar, pero sí requiere método. Prácticas útiles:
- Sé específico y da contexto antes de pedir.
- Divide tareas complejas en pasos.
- Pide que razone antes de responder en problemas difíciles.
- Muestra un ejemplo del resultado que esperas.
- Itera: si la respuesta no sirve, corrige el prompt en vez de empezar de cero.
5. Contexto y ventana de contexto
El contexto es todo lo que el modelo puede leer en el momento de responder: tu instrucción, la conversación previa, los documentos que has adjuntado, el resultado de una búsqueda, etc. Es, posiblemente, el concepto más importante de toda esta guía.
La ventana de contexto (context window) es la cantidad máxima de tokens que el modelo puede tener en cuenta a la vez. Si la conversación es muy larga o el documento es enorme, lo más antiguo puede quedar fuera.
| Concepto | Analogía | Qué implica |
|---|---|---|
| Contexto | Los papeles que tienes encima de la mesa. | Si no se lo das, el modelo no lo sabe. |
| Ventana de contexto | El tamaño de la mesa. | Si la mesa es pequeña, no caben todos los papeles. |
| Chat nuevo | Empezar con la mesa vacía. | El modelo no recuerda conversaciones anteriores salvo que se lo cuentes. |
De aquí salen dos consecuencias prácticas. La primera: si quieres que la IA trabaje con tus datos, tienes que dárselos (en el prompt, en un archivo o mediante RAG). La segunda: en conversaciones muy largas conviene resumir o reiniciar para que la información importante no se diluya.
Error habitual: pensar que la IA “sabe” de tu empresa porque tiene acceso a internet. No es así. Solo sabe lo que ha aprendido en su entrenamiento y lo que le pones delante en ese momento.
6. Memoria: ¿se acuerda de mí?
Conviene distinguir tres cosas que a veces se confunden:
- Memoria dentro de una conversación: el modelo recuerda lo dicho en ese chat mientras quepa en la ventana de contexto.
- Memoria entre conversaciones: algunos asistentes permiten guardar preferencias o datos de forma persistente. No es universal ni automático: depende de la herramienta y de su configuración.
- Entrenamiento: lo que escribes no suele entrenar al modelo en tiempo real. Cada proveedor tiene sus propias políticas de uso de datos.
Antes de pegar información confidencial, revisa la configuración de privacidad y las condiciones del servicio. Es más seguro asumir que todo lo que escribes puede ser almacenado que dar por hecho lo contrario.
7. Temperatura y otros ajustes
La temperatura es un parámetro que controla cuánto se arriesga el modelo al elegir el siguiente token. No es “más inteligencia”: es más o menos aleatoriedad.
- Temperatura baja (0 – 0,3): respuestas más predecibles y estables. Útil para datos, resúmenes, extracción o tareas técnicas.
- Temperatura alta (0,7 – 1): respuestas más variadas y creativas, pero también más propensas a desviarse.
Otros ajustes que verás:
- Máximo de tokens de salida: limita la longitud de la respuesta.
- Top-p / núcleo de probabilidad: otra forma de controlar la variedad; normalmente se ajusta uno u otro, no los dos.
- Penalización por repetición: evita que el modelo repita las mismas frases.
8. Alucinaciones
Una alucinación es una respuesta que suena convincente pero es falsa: un dato inventado, una cita que no existe, una ley que no es real o una función de software que no existe. Ocurre porque el modelo genera texto plausible, no porque consulte una fuente de verdad.
Las alucinaciones no desaparecen del todo con modelos mejores; simplemente se vuelven menos frecuentes. Por eso, en temas importantes —fiscal, legal, médico, financiero o de seguridad— siempre hay que verificar.
Regla práctica: usa la IA como borrador o apoyo, no como fuente única de verdad. Pide citas, contrasta con la fuente original y añade revisión humana en cualquier decisión sensible.
9. RAG y embeddings
RAG (Retrieval-Augmented Generation, generación aumentada por recuperación) es una técnica que consiste en buscar información en una fuente fiable —tus documentos, una base de datos, una web— y dársela al modelo como contexto antes de que responda.
La analogía es la de un estudiante que, en lugar de responder de memoria, primero consulta el libro adecuado y luego redacta la respuesta citando lo que ha leído. Es la base de muchos “chatbots de empresa” que responden sobre documentos internos.
Para que la búsqueda funcione por significado y no solo por palabras exactas se usan embeddings: representaciones numéricas del texto. Textos con significado parecido quedan “cerca” en un espacio matemático, aunque no compartan las mismas palabras.
RAG en tres pasos
Así funciona, sin entrar en detalle técnico:
Ventajas: respuestas más actualizadas y fundamentadas, y menos alucinaciones. Límite: si la búsqueda no encuentra el fragmento correcto, la respuesta será mala aunque el modelo sea excelente.
10. Fine-tuning
El fine-tuning (ajuste fino) consiste en seguir entrenando un modelo con datos propios para especializarlo en una tarea o un estilo concreto. Es más potente que cambiar el prompt, pero también más caro y más lento de preparar.
No es lo mismo que RAG. RAG cambia lo que el modelo puede consultar; el fine-tuning cambia cómo se comporta. Esta tabla resume las diferencias:
| Técnica | Qué cambia | Cuándo usarla | Coste |
|---|---|---|---|
| Prompting | La instrucción. | Para empezar y para la mayoría de tareas. | Bajo |
| RAG | La información disponible. | Conocimiento actualizado o documentación propia. | Medio |
| Fine-tuning | El comportamiento y el estilo. | Estilos muy definidos o tareas repetitivas y masivas. | Alto |
Regla práctica: empieza por prompting, luego plantéate RAG y solo después fine-tuning. Muchas empresas pagan un fine-tuning cuando el problema se resolvía con un buen prompt o con mejores documentos.
11. Agentes y herramientas
Un agente es un sistema de IA que no solo responde, sino que puede ejecutar pasos: buscar en internet, consultar una base de datos, usar una calculadora, enviar un correo o rellenar un formulario. Se diferencia de un chat normal en que tiene objetivos y herramientas, y suele encadenar varias acciones hasta completar la tarea.
La llamada a funciones (function calling) es el mecanismo que permite al modelo pedir a un programa que ejecute una acción concreta. Es lo que convierte una conversación en automatización.
Cuanta más autonomía tiene un agente, más útil puede ser y más riesgo asume. Antes de dejarlo actuar sobre sistemas reales, conviene limitar permisos, revisar acciones críticas y establecer un modo de supervisión.
12. Multimodal
Un modelo multimodal puede trabajar con varios formatos a la vez: leer una imagen y describirla, transcribir un audio, analizar un PDF con gráficos o generar un vídeo a partir de una descripción.
Es una de las grandes tendencias actuales: la IA deja de ser solo texto. Para el usuario significa poder adjuntar una foto, un audio o un documento y preguntar sobre ello con naturalidad.
13. API, modelos abiertos y cerrados
Una API (Application Programming Interface) es una forma de que un programa hable con otro. Las APIs de IA permiten que una web, una app o un ERP envíe un prompt a un modelo y reciba la respuesta automáticamente. Cuando una empresa “integra IA” en su software, normalmente lo hace a través de una API.
| Tipo de modelo | Cómo se usa | Ventajas | Inconvenientes |
|---|---|---|---|
| Cerrado (propietario) | Solo a través del servicio del proveedor. | Fiabilidad, soporte y actualizaciones. | Menos control y dependencia del proveedor. |
| Abierto (open weight) | Sus pesos se publican y pueden ejecutarse en servidores propios. | Control, personalización y coste por uso. | Requiere infraestructura y conocimientos técnicos. |
Ejemplos de modelos cerrados son los de OpenAI, Google o Anthropic. Ejemplos de modelos abiertos son Llama, Mistral o Qwen. Ojo: abierto no significa gratis ni exento de condiciones; hay que leer la licencia.
Otros términos técnicos que verás
- Inferencia: el momento en que el modelo genera una respuesta. Es lo contrario del entrenamiento.
- Latencia: el tiempo que tarda en responder.
- Checkpoint: una versión guardada del modelo durante el entrenamiento.
- Cuantización: reducir la precisión del modelo para que ocupe menos y corra más rápido, a cambio de algo de calidad.
14. Sesgos, privacidad y seguridad
- Sesgo: los modelos aprenden de datos humanos y pueden reproducir prejuicios presentes en ellos. No son neutrales por defecto.
- Alineación: el conjunto de técnicas para que el modelo responda de forma útil, honesta e inofensiva.
- Privacidad: cuidado con pegar datos personales, confidenciales o de clientes en herramientas públicas.
- Prompt injection: manipulación de las instrucciones para que el modelo ignore sus reglas o revele información.
- Jailbreak: intento de saltarse las restricciones de seguridad del modelo.
Marco legal: en la Unión Europea, el Reglamento de IA (AI Act) introduce obligaciones de transparencia y requisitos para usos de alto riesgo. Si aplicas IA a selección de personal, crédito, salud o educación, conviene documentar el caso y evaluar el riesgo antes de desplegarlo.
15. Glosario rápido
Guarda esta tabla como chuleta. Está ordenada de lo más general a lo más específico.
| Término | Qué significa |
|---|---|
| IA | Técnicas que permiten a una máquina imitar capacidades humanas. |
| Machine Learning | Aprendizaje automático a partir de datos. |
| Deep Learning | Machine learning con redes neuronales profundas. |
| Red neuronal | Modelo matemático inspirado en neuronas, base del deep learning. |
| IA generativa | La que crea contenido nuevo: texto, imagen, audio, vídeo o código. |
| Modelo | “Cerebro” entrenado que produce respuestas a partir de una entrada. |
| LLM | Modelo grande de lenguaje, especializado en texto. |
| Parámetro | Valor numérico interno que el modelo ajusta al entrenarse. |
| Token | Fragmento mínimo de texto con el que trabaja el modelo. |
| Prompt | Instrucción que le das al modelo. |
| Prompt engineering | Técnica de escribir instrucciones eficaces. |
| System prompt | Instrucción de sistema que fija el rol y las reglas del asistente. |
| Contexto | Toda la información que el modelo tiene a la vista al responder. |
| Ventana de contexto | Máximo de tokens que el modelo puede procesar a la vez. |
| Temperatura | Grado de aleatoriedad o creatividad de las respuestas. |
| Inferencia | Proceso de generar una respuesta con el modelo ya entrenado. |
| Alucinación | Respuesta falsa pero convincente. |
| RAG | Buscar información fiable y dársela al modelo antes de responder. |
| Embedding | Representación numérica del significado de un texto. |
| Base de datos vectorial | Sistema que almacena embeddings para buscar por significado. |
| Fine-tuning | Especializar un modelo entrenándolo con datos propios. |
| Agente | IA que ejecuta acciones con herramientas para cumplir un objetivo. |
| Function calling | Mecanismo por el que el modelo pide ejecutar una función o herramienta. |
| Multimodal | Modelo que trabaja con texto, imagen, audio o vídeo. |
| API | Conexión entre programas para enviar y recibir datos. |
| Open weight | Modelo cuyos pesos se publican y puede ejecutarse por cuenta propia. |
| Zero-shot | Pedir una tarea sin ejemplos previos. |
| Few-shot | Dar unos pocos ejemplos dentro del prompt. |
| Chain-of-thought | Pedir al modelo que razone paso a paso antes de responder. |
| Jailbreak | Intento de saltarse las restricciones de seguridad del modelo. |
| Prompt injection | Manipular las instrucciones para que el modelo ignore sus reglas. |
| Sesgo | Prejuicio reproducido a partir de los datos de entrenamiento. |
| Alineación | Técnicas para que el modelo sea útil, honesto e inofensivo. |
| RLHF | Ajuste del modelo con retroalimentación humana. |
| Benchmark | Prueba estandarizada para comparar modelos. |
16. Preguntas frecuentes
¿La IA piensa?
No como una persona. Genera respuestas probables a partir de patrones; no tiene conciencia, intenciones ni experiencia del mundo.
¿Puedo fiarme de lo que me dice?
Como borrador o apoyo, sí. Como fuente única de verdad, no. Verifica siempre datos sensibles, cifras, citas y referencias legales.
¿Qué diferencia hay entre prompt y contexto?
El prompt es la instrucción que escribes; el contexto es todo lo que el modelo tiene delante al responder, incluido el prompt, la conversación previa y los documentos adjuntos.
¿Qué es la ventana de contexto y por qué importa?
Es el máximo de tokens que el modelo puede tener en cuenta a la vez. Si se supera, la información más antigua puede quedar fuera y el modelo “olvidar” parte de la conversación.
¿La IA recuerda lo que hablé ayer?
Normalmente no, salvo que la herramienta tenga memoria persistente activada o que vuelvas a darle la información. Cada conversación suele empezar de cero.
¿Qué es una alucinación?
Una respuesta que suena convincente pero es falsa. Es un efecto secundario de generar texto plausible en lugar de consultar una fuente de verdad.
¿Es gratis usar IA?
Hay versiones gratuitas y de pago. El coste depende del modelo, del uso y de los tokens. En empresas, el gasto real incluye integración, seguridad y mantenimiento.
¿Sustituirá mi trabajo?
Más que sustituir, está cambiando tareas. Suele funcionar mejor como copiloto que como sustituto, sobre todo en trabajos que exigen criterio y responsabilidad.
¿Por dónde empiezo si soy principiante?
Elige una tarea pequeña y concreta, escribe un prompt con rol, tarea, contexto y formato, y compara el resultado con lo que harías tú. Repite y ajusta. La práctica vale más que memorizar términos.
17. Conclusión
La IA no es magia ni un oráculo: es una tecnología que aprende patrones y genera respuestas. Entender conceptos como modelo, prompt, contexto, token o alucinación te permite usarla con más criterio, obtener mejores resultados y detectar cuándo conviene desconfiar.
Empieza con tareas pequeñas, revisa siempre la salida y ve subiendo de nivel. La mejor forma de aprender es practicar con prompts concretos, comparar resultados y no dar por bueno lo primero que devuelve la máquina.
¿Quieres aplicar la IA en tu empresa sin perderte en la jerga?
Te ayudamos a identificar casos de uso realistas, elegir las herramientas adecuadas y ponerlas en marcha con seguridad.
Referencias (2026):
OpenAI: guía de generación de texto y prompts · Google: documentación de Gemini API · Anthropic: ingeniería de prompts
IBM: qué es RAG · Anthropic: cómo construir agentes eficaces · NIST: marco de gestión de riesgos de IA
Comisión Europea: Reglamento de IA · Artificial Analysis: comparativa de modelos