Glosario de IA aplicada a empresa

El vocabulario de la IA empresarial cambia más rápido que cualquier industria que hayamos visto. Nuevos términos aparecen cada semana, los proveedores los redefinen para vender, y al final una persona de negocio normal se pierde en una conversación que debería ser sencilla. Este glosario explica 30 términos clave en castellano normal, con ejemplos de empresa y sin pretensiones académicas.

Fundamentos: IA, ML, modelo

Inteligencia Artificial (IA)

Término paraguas para sistemas software que ejecutan tareas que tradicionalmente requerían inteligencia humana: entender lenguaje, reconocer imágenes, tomar decisiones, predecir patrones. No es una tecnología, es una categoría.

Machine Learning (ML)

Subrama de la IA donde el sistema aprende patrones a partir de datos, sin que un humano programe explícitamente las reglas. Ejemplo: detección de fraude en cobros, donde el modelo aprende qué es "normal" y qué es "anómalo" mirando histórico.

Modelo

El "cerebro" entrenado del sistema de IA. Es el resultado de aplicar un algoritmo de ML a un conjunto de datos. Cuando alguien dice "vamos a entrenar un modelo de scoring", se refiere a producir este artefacto.

Algoritmo

El método matemático que se usa para entrenar el modelo. Un mismo problema puede atacarse con varios algoritmos (árboles de decisión, redes neuronales, gradient boosting). En IA empresarial moderna, el algoritmo lo elige el técnico — el negocio se centra en el resultado.

Predicción / Inferencia

El acto de aplicar un modelo entrenado a un caso nuevo. "Inferencia" se usa más en contextos técnicos. La factura de cloud por usar un modelo en producción suele llamarse "coste de inferencia".

LLMs y modelos generativos

LLM (Large Language Model)

Modelo de IA entrenado con cantidades masivas de texto que aprende a generar lenguaje natural. ChatGPT, Claude, Gemini son productos basados en LLMs. El protagonista de la IA empresarial moderna.

IA generativa

Tipo de IA que produce contenido nuevo (texto, imágenes, código, audio) en lugar de clasificar o predecir. Los LLMs son IA generativa. También lo son los modelos de imagen (DALL-E, Midjourney, Stable Diffusion).

Prompt

La instrucción que le das al modelo. "Genera un resumen ejecutivo de este informe en 3 frases" es un prompt. El arte de escribir prompts efectivos se llama prompt engineering y es una habilidad real.

Token

Unidad mínima que procesa un LLM. Aproximadamente: 1 token ≈ 0,75 palabras en español. Los costes de uso de LLMs se facturan por tokens (entrada + salida). Importante para el presupuesto operativo.

Context window

La cantidad máxima de tokens que un modelo puede "leer" de una vez. Modelos modernos tienen 128k-2M tokens (equivalente a 100-1.500 páginas de texto). Determina hasta dónde puedes meter contexto relevante en una consulta.

Hallucination (alucinación)

Cuando un LLM genera información que suena plausible pero es incorrecta. El problema número 1 de los LLMs en producción empresarial. Se mitiga con RAG, verificación humana en flujos críticos y prompts diseñados para reconocer límites.

Agentes y automatización

Agente IA

Sistema basado en LLM que actúa, no solo responde. Tiene acceso a herramientas (APIs, base de datos, email, calendario) y puede ejecutar acciones según una meta. Lo cubrimos en detalle en la guía sobre agentes IA en empresa.

Asistente IA

Más simple que un agente: responde preguntas conversacionalmente pero no actúa. ChatGPT en su uso básico es un asistente, no un agente.

Tool use / Function calling

Capacidad de un LLM para llamar a funciones programadas (consultar una base de datos, enviar un email, hacer un cálculo). Es la base técnica de los agentes.

Workflow / orquestación

El "guión" que sigue un agente: qué pasos ejecuta en qué orden, cuándo eleva a humano, cuándo termina. Tan importante como el modelo en sí.

Datos y entrenamiento

Embeddings

Representación numérica de un texto (o imagen) que captura su significado. Permite buscar "lo más parecido a esto" en grandes volúmenes de información. Es la base técnica del RAG.

RAG (Retrieval Augmented Generation)

Técnica donde el LLM busca información relevante en tu base de datos antes de responder. Es lo que permite que un asistente IA responda con tu documentación privada en lugar de con su conocimiento genérico. El patrón más usado en IA empresarial moderna.

Fine-tuning

Reentrenar un modelo base con datos específicos de tu empresa para que aprenda tu vocabulario, formato y casos. Es caro y rara vez es necesario — RAG suele ser suficiente y mucho más barato.

Vector database (base de datos vectorial)

Base de datos especializada en almacenar embeddings y buscar por similitud. Pinecone, Weaviate, Qdrant son ejemplos. Esencial para implementar RAG a escala.

Training data (datos de entrenamiento)

El conjunto de datos con el que se entrena un modelo. Su calidad es decisiva: "garbage in, garbage out". En proyectos empresariales, preparar buenos training data suele ser el 50-70% del esfuerzo.

Modelo base / foundation model

Modelo pre-entrenado por un proveedor grande (OpenAI, Anthropic, Google, Meta) que se usa como punto de partida. El proyecto empresarial añade capa de RAG, fine-tuning o prompt engineering encima.

Integración en empresa

API (Application Programming Interface)

La forma técnica de que dos sistemas se comuniquen. Cuando se dice "integramos con tu CRM por API" significa que conectamos los sistemas para que intercambien datos automáticamente. La integración de IA con CRM/ERP casi siempre pasa por APIs.

Webhook

Tipo de integración donde un sistema avisa a otro cuando ocurre un evento. "Webhook al CRM cuando se crea factura nueva", por ejemplo. Es complementario a las APIs.

OCR (Optical Character Recognition)

Tecnología que convierte imágenes de texto (PDFs escaneados, fotos de facturas) en texto procesable. La capa típica antes de aplicar IA en proyectos de automatización de facturación o lectura documental.

MLOps

Disciplina de operar modelos de IA en producción: monitorizar rendimiento, detectar degradación, reentrenar cuando hace falta. Equivalente a DevOps pero para modelos.

Pipeline

Secuencia de pasos automatizados que procesan datos: ingesta → preparación → modelo → resultado → entrega. Casi todo proyecto serio tiene uno o varios pipelines.

Gobierno y compliance

Human-in-the-loop

Patrón de diseño donde la IA propone y un humano confirma decisiones críticas. Imprescindible en flujos donde un error tiene consecuencias serias (finanzas, RRHH, salud). No automatizar al 100%, automatizar lo que se puede automatizar.

Explicabilidad / Explainability

Capacidad de explicar por qué un modelo tomó una decisión concreta. Importante en banca, salud y RRHH por compliance. En LLMs es limitada por naturaleza — los modelos son "cajas negras" en cierto grado.

AI Act (Reglamento europeo de IA)

Marco legal europeo que clasifica usos de IA por nivel de riesgo (prohibido, alto riesgo, riesgo limitado, riesgo mínimo) y establece obligaciones por categoría. Vigente progresivamente desde 2024-2025-2026.

RGPD aplicado a IA

El RGPD se aplica plenamente a IA cuando se procesan datos personales. Decisiones automatizadas que afecten a personas (selección, scoring de crédito) requieren bases legales específicas y derecho a revisión humana. Aplica también a IA generativa cuando hay datos personales en los prompts.

Data leakage

Filtración no intencionada de datos sensibles a través del modelo: usar datos privados como training data de un proveedor externo, exponer información confidencial en prompts de un servicio público. Riesgo importante a controlar desde el diseño.

Bias (sesgo)

Cuando un modelo refleja prejuicios presentes en sus datos de entrenamiento. Crítico en aplicaciones con impacto humano (selección de personal, scoring). Mitigarlo es complejo y requiere auditoría continua.

Preguntas frecuentes sobre glosario IA empresarial

¿Cuáles son los 3 términos más importantes que debe conocer un decisor de empresa?

LLM, RAG y agente. LLM es el motor que entiende y genera lenguaje. RAG es la técnica que permite que ese motor responda con tu documentación privada (no con conocimiento genérico). Agente es un LLM que puede ejecutar acciones (consultar datos, enviar emails, actualizar sistemas). Con estos tres se entiende el 80% de las conversaciones sobre IA empresarial actuales.

¿Qué diferencia hay entre IA, machine learning y deep learning?

IA es el paraguas más amplio: cualquier sistema que ejecuta tareas que requerirían inteligencia humana. Machine learning es una subrama: sistemas que aprenden de datos sin reglas explícitas. Deep learning es una subrama del ML que usa redes neuronales profundas. Los LLMs modernos son deep learning. En la práctica empresarial, los términos se usan a menudo intercambiables — lo importante es lo que hace el sistema, no su clasificación.

¿Necesito hacer fine-tuning de un modelo para mi empresa?

Casi nunca. El fine-tuning es caro, requiere muchos datos y desactualiza rápido. Para el 90% de casos empresariales, RAG (que es mucho más barato y flexible) resuelve el problema. El fine-tuning solo tiene sentido cuando necesitas un dominio muy específico de vocabulario o formato y tienes miles de ejemplos limpios. Lo discutimos siempre en la auditoría inicial antes de plantearlo.

¿Qué es exactamente un agente IA y en qué se diferencia de un chatbot?

Un chatbot responde a preguntas. Un agente además actúa: consulta sistemas, ejecuta acciones, decide pasos. Por ejemplo, un chatbot te dice 'tu factura está pendiente'. Un agente comprueba el estado en el ERP, envía el recordatorio al cliente, registra el evento en el CRM y agenda un seguimiento. La diferencia está en si puede o no ejecutar tareas reales.

¿Qué es RAG y por qué importa tanto en proyectos empresariales?

RAG (Retrieval Augmented Generation) es la técnica donde un LLM busca información relevante en tu base de datos antes de responder. Importa porque sin RAG, el LLM solo sabe lo que aprendió en su entrenamiento (genérico). Con RAG, el LLM puede responder con tu documentación específica: contratos, manuales, histórico de tickets, política interna. Es lo que hace que un asistente IA sea útil para tu empresa concreta.

¿Qué tokens y cuánto cuestan en una empresa?

Un token es la unidad mínima de procesamiento de un LLM (≈ 0,75 palabras en español). El coste varía mucho por modelo: los modelos top (GPT-5, Claude Opus) cuestan 15-75$ por millón de tokens; los modelos eficientes (GPT-4o-mini, Claude Haiku) cuestan 0,15-1,5$ por millón. Para una empresa mediana usando IA en operación normal, el coste de tokens suele estar entre 200€ y 2.000€/mes según volumen.

¿La IA tiene problemas de privacidad cuando uso ChatGPT con datos de empresa?

Sí, hay que tener cuidado. La versión gratuita de ChatGPT puede usar tus prompts para entrenar modelos futuros. Las versiones empresariales (ChatGPT Enterprise, Claude for Work, Anthropic API) tienen política de no entrenamiento por defecto. Para datos sensibles (clientes, finanzas, salud), recomendamos usar siempre tier empresarial con cláusulas de no-training en contrato.

¿Qué es el AI Act y a qué empresas afecta?

Es el reglamento europeo que regula los sistemas de IA según su nivel de riesgo. Afecta a cualquier empresa que use IA en la UE, no solo a quien la fabrica. Las obligaciones varían: sistemas de bajo riesgo (la mayoría de IA empresarial) tienen obligaciones mínimas; sistemas de alto riesgo (selección de personal, decisiones de crédito, IA en sanidad) tienen obligaciones serias de documentación, evaluación y supervisión. Cubrimos el detalle en la guía sobre RGPD e IA.