Glosario de IA para la empresa.

Respuesta de un modelo de IA generativa que parece plausible y está bien redactada, pero es falsa, inventada o no se ajusta a la información que se le dio.

Rama de la inteligencia artificial que crea contenido nuevo, como texto, imágenes, audio, vídeo o código, a partir de una instrucción, con modelos entrenados con grandes volúmenes de datos.

Modelo de inteligencia artificial entrenado con enormes cantidades de texto para predecir cómo sigue una secuencia, lo que le permite redactar, resumir, traducir o responder preguntas en lenguaje natural.

Rama de la inteligencia artificial en la que un sistema aprende patrones a partir de datos de ejemplo, en lugar de seguir reglas escritas a mano, y los usa para hacer predicciones sobre datos nuevos.

Rama de la inteligencia artificial que permite a las máquinas analizar, entender y generar lenguaje humano, escrito o hablado: clasificar textos, extraer datos, traducir, resumir o detectar el tono de un mensaje.

Modelo de machine learning formado por capas de unidades de cálculo sencillas, las neuronas artificiales, que transforman los datos paso a paso. Cuando tiene muchas capas se habla de deep learning o aprendizaje profundo.

Unidad mínima de texto (una palabra, un trozo de palabra o un signo) con la que un modelo de lenguaje lee y escribe. La tokenización es dividir el texto en tokens, y con ellos se mide y se factura el uso.

Cantidad máxima de texto, medida en tokens, que un modelo de lenguaje puede tener en cuenta a la vez en una petición: instrucciones, conversación, documentos adjuntos y la propia respuesta.

Sistema que guarda embeddings, vectores que representan el significado de textos, imágenes u otros datos, y encuentra con rapidez los más parecidos a una consulta. Es la pieza de búsqueda habitual en los sistemas RAG.

Representación de un texto, una imagen u otro dato como una lista de números, un vector, en la que los contenidos de significado parecido quedan cerca. Es la base de la búsqueda semántica y una pieza habitual del RAG.

Fase en la que un modelo de IA ya entrenado se usa para obtener resultados con datos nuevos: responder a un prompt, clasificar un documento o hacer una previsión. Cada consulta a un asistente es una inferencia.

Modelo de IA cuyos pesos, los valores que aprendió en el entrenamiento, se publican para que se pueda descargar, ejecutar en infraestructura propia y adaptar, según su licencia. No equivale siempre a código abierto.

Modelo de lenguaje entrenado para resolver los problemas por pasos: antes de dar la respuesta final genera un razonamiento intermedio. Rinde mejor en tareas complejas, a cambio de más tiempo y más tokens.

Técnica de prompting que lleva al modelo de lenguaje a escribir los pasos intermedios de su razonamiento antes de dar la respuesta final, lo que puede mejorar sus resultados en problemas de cálculo y de lógica.

Texto o contenido que se entrega a un modelo de IA generativa para indicarle qué debe hacer. Puede incluir la tarea, el contexto, los datos de entrada, ejemplos y el formato de respuesta esperado.

Práctica de diseñar, probar y ajustar los prompts para que un modelo de IA generativa dé de forma fiable la respuesta que se necesita, con el contenido, el formato y el tono adecuados.

Sistema que usa un modelo de lenguaje para alcanzar un objetivo con cierta autonomía: planifica los pasos, decide qué herramientas usar, como buscar datos o actualizar un sistema, comprueba el resultado y sigue hasta terminar.

Forma de diseñar un sistema de IA en la que una persona interviene en puntos definidos del proceso, al entrenarlo o al usarlo, para revisar, corregir, aprobar o rechazar lo que propone la máquina.

Estándar abierto para conectar aplicaciones de IA con sistemas externos (archivos, bases de datos, herramientas y servicios) de una forma común, de modo que una misma conexión sirve para cualquier aplicación compatible.

Técnica que, antes de que un modelo de lenguaje responda, busca en documentos o bases de datos los fragmentos relevantes y se los da como contexto, para que conteste con esa información y pueda citar su origen.

Forma en que se cobra el uso de los modelos de IA por API: un precio por cada millón de tokens procesados, distinto para los tokens de entrada y los de salida, con descuentos y recargos según cómo se use el servicio.

Baterías de pruebas que miden si un modelo o una aplicación de IA cumple unos criterios de éxito definidos. Combinan casos de prueba con lo que se espera de cada uno y un método para puntuar las respuestas.

Controles que mantienen un sistema de IA dentro de unos límites definidos: filtros que revisan lo que entra y lo que sale del modelo, reglas de uso y permisos que impiden respuestas o acciones no deseadas.

Conjunto de prácticas para llevar a producción y mantener aplicaciones basadas en modelos de lenguaje grandes: versiones de los prompts, evaluación, despliegue y seguimiento de la calidad, el coste y la seguridad.

Ataque en el que un texto que recibe un modelo de lenguaje, escrito por el usuario o escondido en una web, un documento o un correo, altera su comportamiento y le hace actuar de forma distinta a la prevista.

Automatización de procesos de negocio que combina la IA, que interpreta información y decide, con robots de software (RPA) y la gestión de procesos, para abarcar tareas que antes exigían criterio humano.

Decisión entre comprar una solución de IA ya hecha o construir una propia, sobre una plataforma o sobre infraestructura. Se toma caso por caso, según la personalización, el control, el coste y las capacidades del equipo.

Documento que justifica una inversión antes de aprobarla: qué problema resuelve, qué opciones hay, cuánto cuesta, qué beneficios se esperan, con qué riesgos y cómo se comprobará si ha funcionado.

Aplicación concreta de la IA a una actividad del negocio, formulada con el resultado que se espera y que se puede medir. Es la unidad con la que se prioriza, se prueba y se justifica la inversión en IA.

Aplicación a la IA de FinOps, la práctica que reúne a ingeniería, finanzas y negocio para controlar el gasto en tecnología y sacarle valor: medir el consumo de modelos y GPU, atribuirlo y optimizarlo.

Proyecto pequeño y controlado que comprueba si una idea es viable técnicamente y aporta valor antes de invertir en desarrollarla del todo. No está pensado para usarse en producción.

Retorno de la inversión: relación entre el beneficio neto que produce un proyecto y lo que costó. En IA, lo difícil es medir bien los beneficios e incluir todos los costes, también los recurrentes.

Coste total de propiedad de un sistema de IA: todo lo que cuesta durante su vida útil, no solo la licencia o el precio por token, sino también integración, datos, personas, supervisión, mantenimiento y salida.

Dependencia de un proveedor tecnológico tan fuerte que cambiar a otro resulta caro, lento o arriesgado, por formatos propietarios, integraciones a medida, cargos por sacar los datos o contratos.

Proceso que transforma datos personales para que nadie pueda identificar a las personas por medios razonables. Si se logra, los datos quedan fuera del RGPD, pero el riesgo de reidentificación rara vez es cero.

Decisiones sobre una persona tomadas únicamente por un sistema automatizado, con efectos jurídicos o de efecto similar. El art. 22 del RGPD reconoce el derecho a no ser objeto de ellas, salvo excepciones con garantías.

Análisis que el RGPD obliga a hacer antes de iniciar un tratamiento de datos personales que probablemente entrañe un alto riesgo para las personas, para medir ese riesgo y fijar las medidas que lo reducen.

Evaluación que el Reglamento europeo de IA exige a ciertos responsables del despliegue antes de usar un sistema de alto riesgo: describe el uso, las personas afectadas, los riesgos para sus derechos y las medidas previstas.

Conjunto de políticas, responsables, procesos y controles con los que una organización decide qué sistemas de IA usa, para qué y con qué garantías, y vigila sus riesgos durante todo su ciclo de vida.

Nombre habitual del Reglamento (UE) 2024/1689, la norma europea que regula la IA según su riesgo: prohíbe algunos usos, exige requisitos estrictos a los de alto riesgo y fija obligaciones de transparencia.

En el Reglamento europeo de IA, modelo capaz de realizar con competencia una gran variedad de tareas distintas y de integrarse en muchos sistemas, como los grandes modelos de lenguaje. Sus proveedores tienen obligaciones propias.

Usos de la IA que el artículo 5 del Reglamento europeo de IA prohíbe en la Unión, como la manipulación que causa perjuicios, la puntuación social o el reconocimiento de emociones en el trabajo.

Desviación sistemática en los resultados de un algoritmo o sistema de IA que perjudica o favorece injustamente a personas o grupos. Puede venir de los datos, del diseño del sistema o de cómo se usan sus resultados.

Tratamiento de datos personales que impide atribuirlos a una persona sin una información adicional que se guarda aparte y protegida. Reduce riesgos, pero para quien la aplica los datos siguen siendo personales.

Uso de herramientas o aplicaciones de IA por parte de empleados sin la aprobación ni la supervisión de la empresa, con riesgo de fuga de datos, incumplimiento normativo y resultados sin control.

Sistema de IA que el Reglamento europeo de IA somete a sus requisitos más estrictos, porque forma parte de productos regulados o porque se usa en ámbitos sensibles como el empleo, la educación o el crédito.

Funciones de la Búsqueda de Google que responden con un texto generado por IA y enlaces a las páginas que lo respaldan. Los AI Overviews resumen un tema; el modo IA, para consultas que piden explorar, razonar o comparar.

Textos, imágenes, audio o vídeo producidos total o parcialmente con herramientas de IA generativa. En marketing incluye artículos, anuncios, fichas de producto o imágenes, y conviene revisarlo antes de publicarlo.

Conjunto de técnicas para que el contenido de una web aparezca citado en las respuestas de los buscadores y asistentes que redactan la respuesta con IA, como los AI Overviews de Google o los chats con búsqueda.

Sistema que puntúa a cada lead según su encaje con el cliente ideal y el interés que ha mostrado, para decidir cuáles pasan a ventas y en qué orden se atienden. Puede basarse en reglas o en un modelo predictivo.

Función que une las operaciones de marketing, ventas y éxito del cliente bajo los mismos datos, procesos, herramientas y objetivos, para gestionar los ingresos en todo el ciclo de vida del cliente.

Técnica de procesamiento del lenguaje natural que determina si un texto o una conversación expresa una opinión positiva, negativa o neutra y, a veces, con qué intensidad o sobre qué aspecto concreto.

Programa que conversa con las personas por texto o por voz y usa tecnologías de IA, como el procesamiento del lenguaje natural y los LLM, para entender cada petición y responder sin seguir un guion cerrado.

Automatización que lee documentos, los clasifica, extrae sus datos, los valida y los pasa a los sistemas de la empresa, combinando OCR, procesamiento del lenguaje natural y machine learning.

Uso de sistemas de IA para dirigir ofertas de empleo, filtrar candidaturas o evaluar a los candidatos. El Reglamento europeo de IA lo clasifica como uso de alto riesgo en su anexo III, punto 4.

Diferencia de trato sistemática y no justificada entre candidatos en un proceso de selección, causada por los prejuicios de quien selecciona o por datos y criterios que perjudican a un colectivo, también cuando interviene la IA.

Tipo de análisis que usa datos históricos y modelos estadísticos o de machine learning para estimar qué es probable que ocurra: cuánto se venderá, qué cliente se dará de baja o qué factura se pagará tarde.

Grado en que los datos sirven para el uso que se les quiere dar. Se mide en dimensiones como la exactitud, la completitud, la coherencia o la actualidad, y se gestiona como un proceso continuo.

Pantalla que reúne los indicadores más importantes para seguir un objetivo o un área, con cifras y gráficos que se revisan de un vistazo. No es lo mismo que el cuadro de mando integral de Kaplan y Norton.

Información que no sigue un formato fijo de filas y columnas, como correos, documentos, contratos, grabaciones, imágenes o vídeo. Se opone a los datos estructurados, organizados en tablas con un esquema definido.

Sistema de políticas, personas, prácticas y tecnologías con el que una organización decide quién responde de cada dato, con qué reglas se crea, se usa y se protege, y cómo se comprueba que se cumplen.

Indicador cuantitativo que una empresa elige para seguir si avanza hacia un objetivo importante, con una definición, una fuente de datos, una frecuencia y una meta acordadas. Es una métrica elegida entre muchas.