La inteligencia artificial generó una avalancha de términos nuevos que aparecen en noticias, presentaciones de inversores y conversaciones de negocios todos los días. Muchos se usan incorrectamente, algunos son modismos de la industria y otros describen conceptos técnicos que tienen implicancias prácticas muy concretas. Esta guía reúne los términos más importantes que necesitás entender en 2026 si tomás decisiones sobre tecnología o trabajás en contextos donde la IA es relevante.

Términos fundamentales de los modelos de IA

Modelo de lenguaje grande (LLM)

Un Large Language Model o LLM es un modelo de inteligencia artificial entrenado sobre cantidades masivas de texto para predecir la siguiente palabra en una secuencia. Esta capacidad aparentemente simple resulta en sistemas que pueden escribir, resumir, traducir, razonar y responder preguntas de forma coherente. GPT, Claude, Gemini y Llama son todos LLMs.

Alucinación

Las alucinaciones son respuestas que un modelo de IA genera con confianza pero que son falsas o incorrectas. El modelo «inventa» información porque su entrenamiento lo lleva a producir texto plausible, no necesariamente verdadero. Es uno de los principales desafíos de uso seguro de LLMs en contextos críticos como medicina, derecho o finanzas.

Pesos del modelo (weights)

Los pesos son los parámetros matemáticos que definen el comportamiento de un modelo después de su entrenamiento. Son el resultado de todo el proceso de aprendizaje. Un modelo «open-weight» (como los de la familia Llama de Meta) tiene sus pesos disponibles públicamente, lo que permite que cualquiera lo ejecute, modifique y distribuya.

Ventana de contexto (context window)

La ventana de contexto es la cantidad de texto que un modelo puede «tener en cuenta» simultáneamente en una conversación o tarea. Se mide en tokens (unidades de texto, aproximadamente 4 caracteres en inglés). Un contexto más grande permite trabajar con documentos más largos, conversaciones más extendidas y tareas más complejas.

Términos sobre entrenamiento y adaptación

Fine-tuning

El fine-tuning es el proceso de tomar un modelo ya entrenado y continuar entrenándolo con datos más específicos para que se especialice en una tarea o dominio determinado. Por ejemplo, un modelo general puede ser «fine-tuneado» con documentos legales para que responda mejor a consultas jurídicas.

Destilación (distillation)

La destilación es una técnica en la que un modelo más pequeño es entrenado con los outputs de un modelo más grande y potente. El resultado es un modelo que imita el comportamiento del original pero con menos parámetros y menor costo de inferencia. La destilación de modelos competidores es una práctica que varias empresas prohíben explícitamente en sus términos de uso.

RAG (Retrieval Augmented Generation)

RAG es una técnica que combina la generación de texto de un LLM con la búsqueda en una base de datos externa. En lugar de confiar solo en lo que el modelo aprendió durante el entrenamiento, el sistema busca información relevante y actualizada antes de responder. Es especialmente útil para construir chatbots que respondan con datos de tu propia empresa.

Términos sobre uso y despliegue

Inferencia

La inferencia es el proceso de usar un modelo entrenado para generar respuestas o predicciones. Es distinto del entrenamiento, que sucede antes. El costo de inferencia —cuánto cuesta computacionalmente generar cada respuesta— es uno de los factores económicos más importantes en la viabilidad de productos de IA a escala.

Agentes de IA

Los agentes de IA son sistemas que no solo responden preguntas sino que pueden ejecutar tareas de forma autónoma: navegar por internet, ejecutar código, administrar archivos, o coordinar múltiples herramientas para completar un objetivo. Son la próxima evolución del «chatbot» hacia la «automatización». Como admitió Zuckerberg esa misma semana, construir agentes confiables es más difícil de lo que se pensaba.

Multimodal

Un modelo multimodal puede procesar y generar múltiples tipos de información: texto, imágenes, audio y video. GPT-4o, Claude con visión y Gemini son ejemplos de modelos multimodales. Esta capacidad expande enormemente los casos de uso posibles.

Vibe coding

El vibe coding (término acuñado por Andrej Karpathy en 2025) describe la práctica de escribir código principalmente a través de prompts en lenguaje natural a un modelo de IA, sin leer ni comprender en profundidad el código generado. El desarrollador «siente» si el resultado funciona más que lo analiza línea por línea. Es una forma de trabajo emergente que acelera enormemente la productividad pero introduce nuevos riesgos de seguridad y calidad.

Prompt engineering

El prompt engineering es el arte y la ciencia de formular instrucciones para modelos de IA de manera que produzcan los resultados deseados. Incluye técnicas como dar ejemplos (few-shot), descomponer problemas en pasos (chain-of-thought), asignar roles al modelo y definir restricciones. En 2026, es una habilidad transversal a casi todos los trabajos que involucren IA.

¿Querés implementar IA en tu empresa pero el vocabulario te abruma?

Entender los términos es el primer paso, pero el segundo es saber cuáles de estas tecnologías realmente tienen sentido para tu negocio. En Octopus Agencia traducimos el lenguaje técnico de la IA en estrategias concretas y accionables. Consultanos sin compromiso sobre cómo empezar.