
LLM, GPT, IA generativa… Resumen rápido de los términos de IA que confunden
¿Se ha quedado en blanco en una reunión cuando alguien dijo «¿no se resuelve eso con RAG?»? Si sigue esta guía y domina los 30 términos clave de IA, en la próxima reunión será usted quien explique.
Por qué necesita un glosario de IA
En una reunión comercial B2B, cuando el cliente dice **«estamos evaluando adoptar IA generativa»**, si usted puede explicar la diferencia entre LLM y SLM, su credibilidad se duplica.
En las reuniones internas de transformación digital (DX), usar los términos con precisión reduce los errores de comunicación en más de un 60 %.
Antes: «¿La IA?… ¿no basta con usar algo como ChatGPT?»
Después: «Para nuestro caso de uso, lo más rentable es adoptar un SLM basado en RAG y ajustarlo (fine-tuning) con los datos internos de la empresa.»
Paso 1: lo más básico — entender los 5 términos de la jerarquía de la IA
En esta etapa dibujamos el mapa del mundo de la IA. Los 5 términos siguientes se incluyen unos dentro de otros, de arriba abajo.
1. AI (Artificial Intelligence, inteligencia artificial)
Definición en una línea: término general para todas las tecnologías que imitan la inteligencia humana.
Cómo usarlo en una reunión: «¿A qué categoría de la IA corresponde esto?»
💡 La IA es el paraguas más grande: todos los demás términos quedan dentro de ella.
2. ML (Machine Learning, aprendizaje automático)
Definición en una línea: subcampo de la IA que aprende de los datos para encontrar patrones.
Ejemplo: filtro de correo no deseado, modelo de predicción de abandono de clientes
Antes/Después: filtro basado en reglas (precisión del 70 %) → filtro basado en ML (precisión del 95 %)
3. DL (Deep Learning, aprendizaje profundo)
Definición en una línea: es un método de aprendizaje automático que entrena redes neuronales artificiales apiladas en múltiples capas.
Punto clave: «profundo» (deep) significa que la red neuronal tiene muchas capas.
4. IA generativa (Generative AI)
Definición en una línea: es la IA que no solo analiza datos existentes, sino que crea contenido nuevo (texto, imágenes, código).
Ejemplos: ChatGPT (texto), Midjourney (imágenes), Suno (música)
💡 Se entiende más rápido si se contrasta con la «IA analítica». La analítica dice: «este cliente tiene un 80 % de probabilidad de abandonar». La generativa responde a: «redacta un borrador del correo que enviaremos a este cliente».
5. Foundation Model (modelo fundacional)
Definición en una línea: modelo de IA de propósito general, preentrenado con grandes volúmenes de datos y útil para muchas tareas; es un modelo base.
Ejemplos: GPT-4, Claude, Gemini, LLaMA
Prompt de práctica: pruébelo en ChatGPT:
«Explícame la relación entre IA, aprendizaje automático, aprendizaje profundo, IA generativa y modelos fundacionales con la metáfora de las muñecas rusas matrioshka, de modo que hasta un niño de primaria pueda entenderla.»
Paso 2: domine los 7 términos clave de los modelos de lenguaje
Esta etapa es la que más aparece en el trabajo diario.
6. LLM (Large Language Model, modelo de lenguaje de gran tamaño)
Definición en una línea: es un modelo de lenguaje de gran escala entrenado con miles de millones a billones de datos de texto.
Modelos representativos: GPT-4 (OpenAI), Claude (Anthropic), Gemini (Google)
Ejemplo en una reunión: «Para esta tarea debemos evaluar si usar el LLM directamente o integrarlo mediante una API.»
7. SLM (Small Language Model, modelo de lenguaje pequeño)
Definición en una línea: es un modelo ligero, con menos parámetros que un LLM, pero optimizado para tareas específicas.
Modelos representativos: Phi-3 (Microsoft), Gemma (Google)
Antes/Después: costo de API de LLM de KRW 5,000,000 (≈ US$3,740) al mes → KRW 800,000 (≈ US$600) al mes con un SLM operado por cuenta propia
💡 En ventas B2B, si el cliente se preocupa por el costo, proponga como alternativa la combinación «SLM + fine-tuning».
8. GPT (Generative Pre-trained Transformer)
Definición en una línea: nombre de la serie de LLM creada por OpenAI y, a la vez, sigla de la arquitectura «transformador generativo preentrenado».
Clave: GPT es a la vez un nombre propio (producto de OpenAI) y una arquitectura tecnológica. Al decir «modelos de la familia GPT» se usa el segundo sentido.
9. Transformer (Transformer)
Definición en una línea: es una arquitectura de aprendizaje profundo presentada por Google en 2017 y, hoy en día, el motor de casi todos los LLM.
Por qué es importante: nació del artículo «Attention Is All You Need» y cambió la historia de la IA.
💡 Puede explicarlo con una analogía: el Transformer es el motor de un automóvil y GPT es un modelo de automóvil específico construido con ese motor.
10. Parámetro (Parameter)
Definición en una línea: es el número de variables internas que un modelo de IA ajusta durante el entrenamiento. Suele usarse para indicar el «tamaño» del modelo.
Para dimensionarlo: GPT-3 tiene 175 mil millones de parámetros y GPT-4, cerca de 1.8 billones (estimado).
Uso en reuniones: «Este modelo es de unos 70B (70 mil millones) de parámetros, por lo que requiere GPU on-premise (en servidores propios).»
11. Token
Definición en una línea: es la unidad mínima con la que un LLM procesa el texto. En coreano, un carácter equivale normalmente a 1 o 2 tokens.
Cálculo de costos: con GPT-4o, cerca de US$2.50 por millón de tokens de entrada → una página A4 en coreano (unos 1,500 caracteres) ≈ 2,000 a 3,000 tokens
💡 «Cantidad de tokens = costo», por lo que redactar prompts concisos reduce el costo de la API.
12. Ventana de contexto (Context Window)
Definición en una línea: es el número máximo de tokens que un modelo puede leer y procesar a la vez.
Comparación: GPT-3.5 (4K tokens) → GPT-4o (128K tokens) → Claude 3.5 (200K tokens)
Significado en la práctica: cuanto mayor es la ventana de contexto, más documentos extensos se pueden analizar de una sola vez.
Prompt de práctica:
«Lee esta propuesta comercial (texto a continuación) y resume los 3 puntos que más le interesarán al cliente. [Pegar la propuesta completa]»
Paso 3: etapa de aplicación práctica — 8 términos sobre cómo usar los modelos
13. Prompt (instrucción)
Definición en una línea: es la pregunta o instrucción que se le da a un modelo de IA.
Antes: «Organiza los datos de ventas» → resultado: una tabla vaga e imprecisa
Después: «Crea una tabla con las ventas del tercer trimestre de 2024 por departamento, mostrando la variación porcentual (%) frente al trimestre anterior» → Resultado: una tabla lista para usar en el informe
14. Ingeniería de prompts (Prompt Engineering)
Definición en una línea: es la técnica de diseñar prompts de forma sistemática para obtener el resultado deseado.
3 técnicas clave:
Asignar un rol: «Usted es un estratega de ventas B2B con 10 años de experiencia»
Indique la estructura: «en formato de tabla / en 3 puntos / en un máximo de 500 caracteres»
Dar ejemplos: «Redáctalo como en el ejemplo siguiente»
15. Few-shot / Zero-shot / One-shot
Zero-shot: consiste en hacer la pregunta directamente, sin ejemplos. «Escribe un borrador de correo»
One-shot: consiste en dar 1 ejemplo. «Escribe el correo como en el ejemplo de abajo [1 ejemplo]»
Few-shot: consiste en proporcionar de 2 a 5 ejemplos.
Antes (Zero-shot): consistencia de resultados del 60% → Después (Few-shot): consistencia de resultados del 90%
16. RAG (Retrieval-Augmented Generation, generación aumentada por recuperación)
Definición en una línea: tecnología con la que un LLM consulta una base de datos externa como referencia antes de generar su respuesta.
Por qué es importante: los LLM no conocen la información posterior a su fecha de entrenamiento. Con RAG pueden responder a partir de los documentos más recientes de la empresa.
Uso en B2B: conecte 1,000 páginas de manuales del cliente a un sistema RAG → los nuevos colaboradores pueden responder de inmediato como expertos
💡 Es frecuente que pregunten: «¿ajuste fino o RAG?». El ajuste fino modifica el modelo en sí; RAG deja el modelo intacto y solo le conecta material de consulta. En costo y tiempo, RAG es mucho más ligero.
17. Fine-tuning (ajuste fino)
Definición en una línea: consiste en entrenar un modelo ya preentrenado con datos de un dominio específico.
Ejemplo: GPT de uso general → fine-tuning con 100.000 documentos jurídicos → IA especializada en derecho
Referencia de costos: con el ajuste fino (fine-tuning) de GPT-4o mini de OpenAI, el entrenamiento cuesta US$ 3.00 por cada millón de tokens
18. Alucinación (Hallucination)
Definición en una línea: es el fenómeno por el cual la IA genera información que suena convincente, pero que no es cierta.
Riesgo en la práctica: si incluye en una propuesta estadísticas que no existen, su credibilidad se derrumba.
💡 Cómo prevenirlas: ① agregar al prompt la solicitud de fuentes ② usar RAG ③ hacer obligatoria una etapa de verificación de datos
19. Embedding (Embedding)
Definición en una línea: convertir texto o imágenes en vectores numéricos (coordenadas). Así la IA puede comparar significados.
Ejemplo práctico: generar embeddings de 10.000 consultas de clientes → clasificar automáticamente las consultas similares → reducir 40 % el tiempo de atención
20. API (Application Programming Interface)
Definición en una línea: es el canal de conexión que permite a programas externos llamar y usar las funciones de un modelo de IA.
Uso en reuniones: «Si integramos la API de GPT-4o en nuestra aplicación propia, no hace falta desarrollar una IA aparte.»
Antes: un colaborador escribe a mano en la ventana de ChatGPT (3 minutos por caso) → Después: integración automática por API (0.5 segundos por caso)
Prompt de práctica:
«Soy vendedor B2B de SaaS. Cuando un cliente pregunta: ¿cuál conviene adoptar, RAG o fine-tuning?, crea una tabla comparativa con tres criterios: costo, velocidad y precisión. Incluye ejemplos numéricos concretos en cada punto.»
Paso 4: 8 términos de servicios de IA y negocios
21. ChatGPT
Definición en una línea: es el nombre del servicio con el que OpenAI envuelve sus modelos GPT en una interfaz de conversación.
💡 GPT es el motor; ChatGPT es el automóvil. No los use como sinónimos.
22. Copilot
Definición en una línea: es la marca de asistentes de IA que Microsoft integra en Office 365, Windows, GitHub y otros productos.
Ejemplo práctico: escribir en Copilot, dentro de Excel: «crea un gráfico con la tendencia de estos datos»
23. Agente (AI Agent)
Definición en una línea: sistema de IA que, sin intervención humana, decide por sí mismo y utiliza varias herramientas para completar una tarea.
Ejemplo: ejecuta de forma automática «recopilar a diario las noticias de la competencia → resumirlas → enviarlas a Slack»
Antes: el responsable dedica 1 hora al día → Después: el agente lo hace automáticamente y la persona solo revisa (10 minutos)
24. Multimodal (Multimodal)
Definición en una línea: es la capacidad de procesar al mismo tiempo datos de distintos tipos, como texto, imágenes, audio y video.
Ejemplo: subir una foto de un producto a GPT-4o y pedir: «Extrae 3 puntos clave de venta de este producto»
25. On-premise (infraestructura propia) vs. nube (Cloud)
On-premise (local): modalidad en la que el modelo de IA se instala y opera directamente en los servidores de la propia empresa.
Nube: es la modalidad de usar la IA desde servidores externos como AWS o Azure.
Criterio de elección: datos sensibles en seguridad (salud, finanzas) → local (on-premise) / adopción rápida → nube
Comparación de costos: inversión inicial on-premise de unos KRW 300,000,000 (≈ US$224,500) a 500,000,000 vs. nube de KRW 5,000,000 (≈ US$3,740) a 20,000,000 al mes
26. Modelo de código abierto (Open Source Model)
Definición en una línea: modelo cuyos pesos (el resultado del entrenamiento) se publican para que cualquiera pueda descargarlos, modificarlos y distribuirlos.
Modelos representativos: LLaMA 3 de Meta, Mistral, Falcon
💡 Código abierto no significa gratis. La infraestructura de operación (servidores con GPU) tiene un costo aparte.
27. Economía de tokens (Token Economy / estructura de precios)
Definición en una línea: es la estructura de costos en la que el uso de la API se cobra según la cantidad de tokens de entrada y salida.
Comparación (a fines de 2024):
GPT-4o: entrada US$2.50 / salida US$10.00 (por millón de tokens)
Claude 3.5 Sonnet: entrada US$3.00 / salida US$15.00 (por cada millón de tokens)
GPT-4o mini: entrada US$0.15 / salida US$0.60 (por millón de tokens)
28. Guardrails o barreras de seguridad (Guardrail)
Definición en una línea: consiste en establecer medidas de seguridad para que la IA no dé respuestas inapropiadas o peligrosas.
Importancia en B2B: si un chatbot de atención al cliente no tiene guardrails, se genera un riesgo para la marca
Ejemplos de configuración: «prohibido responder denigrando a la competencia», «prohibido dar asesoría médica o legal», «prohibido usar cifras no verificadas»
Paso 5: los 2 últimos términos de tendencias & estrategia
29. AGI (Artificial General Intelligence, inteligencia artificial general)
Definición en una línea: es una IA capaz de realizar cualquier tarea intelectual como lo haría un ser humano, no solo una tarea específica.
Situación actual: aún no se ha logrado. Los modelos actuales, como GPT-4o y Claude, están en la etapa de ANI (inteligencia especializada).
Uso en reuniones: «El nivel actual no es AGI, sino una IA especializada en tareas específicas, por lo que debemos definir con claridad el alcance de la implementación.»
30. Gobernanza de la IA (AI Governance)
Definición en una línea: es el marco que gestiona las políticas, la ética, la seguridad y el cumplimiento normativo del uso de la IA dentro de la organización.
Elementos indispensables: política de privacidad de datos, proceso de verificación de los resultados de la IA y guía de uso de IA para los colaboradores
Antes: cada colaborador usa la IA a su manera → riesgo de fuga de datos → Después: se establece la gobernanza → 0 incidentes de seguridad
Paso 6: Resumen de los 30 términos — hoja de referencia rápida
N.º | Término | Explicación en pocas palabras | Categoría |
|---|---|---|---|
1 | AI | Término general para las tecnologías que imitan la inteligencia humana | Básico |
2 | ML | IA que aprende patrones a partir de datos | Básico |
3 | DL | ML con redes neuronales de muchas capas | Básico |
4 | IA generativa | IA que crea contenido nuevo | Básico |
5 | Modelo fundacional | Modelo general preentrenado a gran escala | Básico |
6 | LLM | Modelo de lenguaje ultragrande | Modelo de lenguaje |
7 | SLM | Modelo de lenguaje ligero y especializado | Modelo de lenguaje |
8 | GPT | El transformador generativo de OpenAI | Modelo de lenguaje |
9 | Transformer | Arquitectura central de los LLM actuales | Modelo de lenguaje |
10 | Parámetros | Cantidad de variables internas de aprendizaje del modelo | Modelo de lenguaje |
11 | Token | Unidad mínima de procesamiento de texto de un LLM | Modelo de lenguaje |
12 | Ventana de contexto | Máximo de tokens que se pueden procesar a la vez | Modelo de lenguaje |
13 | Prompt | Instrucciones que se le dan a la IA | Uso |
14 | Ingeniería de prompts | Diseñar los prompts de forma sistemática | Uso |
15 | Few-shot/Zero-shot | Método de prompt según se incluyan ejemplos o no | Uso |
16 | RAG | Busca datos externos y luego genera la respuesta | Uso |
17 | Fine-tuning (ajuste fino) | Entrenamiento adicional con datos de un dominio específico | Uso |
18 | Alucinación | Fenómeno por el cual la IA genera información falsa | Uso |
19 | Embedding | Conversión de texto en vectores numéricos | Uso |
20 | API | Canal que conecta funciones de IA | Uso |
21 | ChatGPT | Servicio de IA conversacional de OpenAI | Servicio |
22 | Copilot | Marca de asistentes de IA de Microsoft | Servicio |
23 | Agente de IA | IA que ejecuta tareas de forma autónoma | Servicio |
24 | Multimodal | Procesa texto, imagen y voz a la vez | Servicio |
25 | On-premise/nube | Modalidades de infraestructura para operar IA | Negocios |
26 | Modelos de código abierto | Modelo de pesos abiertos | Negocios |
27 | Economía de tokens | Sistema de cobro de API basado en tokens | Negocios |
28 | Guardrails | Configuración de salvaguardas de IA | Negocios |
29 | AGI | Inteligencia general de nivel humano (aún no alcanzada) | Tendencias |
30 | Gobernanza de la IA | Sistema de gestión de la IA en la organización | Tendencias |
💡 Capture o imprima esta tabla y péguela junto a su monitor. Podrá consultar un término en 3 segundos durante una reunión.
Paso 7: aplicación práctica — 3 escenarios para usar hoy mismo
Escenario A: responder las preguntas de un cliente en una reunión de ventas
Cliente: «¿Qué debemos hacer: fine-tuning o RAG?»
Estructura de respuesta recomendada:
«Estimado cliente, ambas opciones tienen objetivos distintos. RAG deja el modelo tal como está y conecta los documentos internos de la empresa como fuente de consulta, por lo que se puede implementar rápido, en 2 a 4 semanas. El fine-tuning modifica el propio modelo: ofrece mayor precisión, pero la preparación de datos requiere de 2 a 3 meses. Le recomendamos crear primero un MVP con RAG y, una vez vistos los resultados, perfeccionarlo con fine-tuning.»
Escenario B: calcular el costo de adoptar IA para un informe interno
Escriba en ChatGPT:
«Supón que procesamos 10.000 consultas mensuales de clientes con la API de GPT-4o mini. Si cada consulta tiene en promedio 500 tokens de entrada y 300 de salida, calcula el costo mensual de la API. Además, haz una tabla comparativa con el costo de procesarlas con GPT-4o.»
Escenario C: crear materiales de capacitación para el equipo
Escriba en ChatGPT:
«Crea un cuestionario de términos de IA para nuestro equipo (departamento de marketing, 10 personas). Sobre los 7 términos LLM, RAG, fine-tuning, alucinación, ingeniería de prompts, token y multimodal, haz una pregunta de opción múltiple con 4 alternativas para cada uno, e incluye la respuesta correcta y su explicación.»
Lista de verificación final
Si ya terminó el estudio de hoy, verifique lo siguiente:
Puede explicar con sus propias palabras la jerarquía IA → ML → DL → IA generativa → LLM
Puede explicar la diferencia entre LLM y SLM desde la perspectiva del costo
Sabrá distinguir RAG y fine-tuning con una analogía
Entiende el concepto de token y puede estimar de forma aproximada el costo de la API
Puede explicar el riesgo de las alucinaciones y 3 formas de prevenirlas
Imprimió la hoja de referencia y la pegó junto a su monitor
💡 Consejo final: «conocer» un término es muy distinto de «usarlo con naturalidad en una reunión». Esta semana, intente usar de forma consciente al menos 3 términos en sus reuniones. Una vez que los diga en voz alta, pasarán a ser parte de su vocabulario.