Diccionario de IA

Un sistema de IA que no solo responde texto, sino que puede tomar acciones por su cuenta: buscar información, usar herramientas, ejecutar tareas de varios pasos hasta cumplir un objetivo.

Definición técnica: Sistema que combina un LLM con un bucle de razonamiento-acción (planificación, uso de herramientas mediante function calling, memoria y observación de resultados) para perseguir un objetivo de forma semiautónoma.

Ejemplo: Un agente que recibe "reservame el vuelo más barato a Bariloche" y busca opciones, compara precios y te presenta la mejor.

Una IA hipotética que podría aprender y razonar sobre cualquier tarea al nivel de un humano, no solo tareas específicas.

Definición técnica: Sistema de IA con capacidad de generalización cross-dominio equivalente o superior a la humana, capaz de transferir aprendizaje entre tareas sin reentrenamiento específico. A 2026 no existe consenso de que se haya alcanzado.

Ejemplo: Los modelos actuales (GPT, Claude, Gemini) son muy capaces pero especializados en patrones de lenguaje y multimodalidad; no son AGI.

Una forma estandarizada de que un programa hable con otro. Las APIs de IA permiten que tu propia app use un modelo como ChatGPT o Claude.

Definición técnica: Interfaz de programación de aplicaciones: conjunto de reglas y endpoints (habitualmente HTTP/REST) que permite a un sistema externo invocar las capacidades de un modelo o servicio de forma programática.

Ejemplo: Una tienda online usa la API de OpenAI para generar automáticamente descripciones de productos.

La cantidad máxima de texto que un modelo de IA puede "tener en mente" al mismo tiempo, incluyendo tu pregunta y su respuesta.

Definición técnica: Número máximo de tokens que un modelo puede recibir y generar en una sola llamada de inferencia, determinado por su arquitectura y configuración de despliegue.

Ejemplo: Un modelo con ventana de 200k tokens puede analizar un libro entero en una sola conversación.

Una técnica de Machine Learning que usa redes neuronales con muchas capas para aprender patrones complejos, como reconocer voz o imágenes.

Definición técnica: Subcampo del Machine Learning basado en redes neuronales artificiales de múltiples capas, capaces de aprender representaciones jerárquicas de los datos de forma automática.

Ejemplo: Los LLMs modernos se entrenan usando técnicas de deep learning.

Una forma de convertir texto (o imágenes) en números que representan su significado, para que una computadora pueda comparar qué tan parecidos son dos contenidos.

Definición técnica: Representación vectorial de alta dimensión de un dato (texto, imagen, audio) generada por un modelo, tal que la distancia geométrica entre vectores refleja similitud semántica.

Ejemplo: "Perro" y "cachorro" tendrán embeddings numéricamente cercanos porque son semánticamente similares.

Entrenar un poco más a un modelo ya existente con datos específicos para que se especialice en una tarea o estilo particular.

Definición técnica: Proceso de continuar el entrenamiento de un modelo preentrenado sobre un dataset específico, ajustando sus pesos (total o parcialmente, p. ej. con LoRA) para mejorar el desempeño en un dominio concreto.

Ejemplo: Una empresa legal hace fine-tuning de un modelo para que redacte contratos con su estilo y jerga específica.

La capacidad de un modelo de IA de "pedir" que se ejecute una función de código específica cuando lo necesita, en vez de solo responder texto.

Definición técnica: Mecanismo por el cual un LLM, dado un esquema de funciones disponibles, genera una salida estructurada (nombre de función + argumentos) que la aplicación cliente ejecuta y cuyo resultado se reinyecta al modelo.

Ejemplo: El modelo decide llamar a la función obtener_clima(ciudad) cuando le preguntás por el pronóstico.

El momento en que un modelo de IA ya entrenado genera una respuesta.

Definición técnica: Fase de ejecución de un modelo entrenado sobre nuevos datos de entrada para producir una salida, en contraposición a la fase de entrenamiento.

Ejemplo: Cada vez que le enviás un mensaje a un chatbot, se ejecuta una inferencia.

Programas de computadora capaces de realizar tareas que normalmente requieren inteligencia humana, como entender texto, reconocer imágenes o tomar decisiones.

Definición técnica: Campo de la informática que desarrolla sistemas capaces de percibir su entorno, procesar información y actuar para maximizar la probabilidad de alcanzar un objetivo, mediante algoritmos estadísticos, reglas o modelos entrenados con datos.

Ejemplo: Cuando le pedís a ChatGPT que te explique un tema y responde de forma coherente, estás usando IA generativa.

Un modelo de IA entrenado con enormes cantidades de texto que puede entender y generar lenguaje humano.

Definición técnica: Red neuronal basada en la arquitectura Transformer, entrenada mediante predicción de tokens sobre grandes corpus de texto, que captura patrones estadísticos del lenguaje para generar secuencias coherentes condicionadas a un contexto.

Ejemplo: GPT-4, Claude y Gemini son ejemplos de LLMs.

Una forma de programar computadoras para que aprendan patrones a partir de ejemplos, en vez de programar reglas explícitas.

Definición técnica: Subcampo de la IA que estudia algoritmos capaces de mejorar su desempeño en una tarea a partir de la exposición a datos, sin ser programados explícitamente para cada caso.

Ejemplo: Un sistema que aprende a detectar spam analizando miles de emails de ejemplo.

Un estándar abierto que permite conectar modelos de IA con herramientas y fuentes de datos externas de forma uniforme.

Definición técnica: Protocolo abierto (introducido por Anthropic) que define una interfaz común entre modelos/agentes y "servidores" que exponen herramientas, recursos y prompts, evitando integraciones ad-hoc por cada combinación modelo-herramienta.

Ejemplo: Un mismo agente puede usar un servidor MCP de GitHub y otro de Slack sin que cada integración se programe desde cero.

Una IA que puede entender y/o generar más de un tipo de contenido: texto, imágenes, audio o video, no solo texto.

Definición técnica: Propiedad de un modelo entrenado para procesar y/o generar múltiples modalidades de datos dentro de una representación compartida, permitiendo tareas cross-modales (p. ej. describir una imagen en texto).

Ejemplo: Subir una foto de un gráfico y pedirle a Claude que lo interprete.

El texto (instrucción, pregunta o consigna) que le escribís a una IA para pedirle algo.

Definición técnica: Entrada textual (o multimodal) que se provee a un modelo generativo como condicionamiento para la generación de una salida.

Ejemplo: "Explicame la fotosíntesis como si tuviera 10 años" es un prompt.

Una técnica que le da a la IA acceso a documentos externos para que responda con información actualizada o específica, en vez de depender solo de lo que aprendió durante su entrenamiento.

Definición técnica: Arquitectura que combina un sistema de recuperación de información (típicamente sobre una base de datos vectorial) con un LLM: ante una consulta, se recuperan los fragmentos más relevantes y se inyectan en el contexto del modelo antes de generar la respuesta.

Ejemplo: Un chatbot de soporte que responde preguntas sobre el manual interno de una empresa usando RAG en vez de un modelo genérico.

La unidad mínima de texto que procesa un modelo de IA: puede ser una palabra, parte de una palabra o un signo de puntuación.

Definición técnica: Unidad discreta resultante de la tokenización del texto de entrada/salida, sobre la cual el modelo calcula probabilidades; el costo de uso de la mayoría de las APIs se factura por cantidad de tokens procesados.

Ejemplo: La palabra "inteligencia" puede dividirse en 2 o 3 tokens según el tokenizador.

Cuando una IA puede usar herramientas externas (buscador, calculadora, código) para completar una tarea mejor de lo que podría solo con su conocimiento interno.

Definición técnica: Capacidad de un modelo o agente de invocar herramientas externas definidas por esquema durante su proceso de razonamiento, integrando los resultados observados en pasos posteriores.

Ejemplo: Un asistente que ejecuta código Python para calcular una fórmula compleja.

Una base de datos especializada en guardar y buscar embeddings de forma muy rápida, para encontrar contenido "parecido" en significado.

Definición técnica: Sistema de almacenamiento e indexación optimizado para búsqueda de vecinos más cercanos (ANN) sobre vectores de alta dimensión, base habitual de los sistemas RAG.

Ejemplo: Pinecone, Weaviate, Chroma y pgvector son bases de datos vectoriales populares.