Open weights, RAG, agente, modelo de frontera — ¿quién no se ha perdido alguna vez en medio de una conversación sobre inteligencia artificial y se quedó con cara de haberlo entendido todo, cuando en realidad no entendió casi nada?
Ese escenario es mucho más común de lo que parece, y la culpa definitivamente no es tuya. El vocabulario de IA creció a la misma velocidad absurda que la tecnología en sí, y hoy es prácticamente imposible seguir cualquier noticia del sector sin tropezar con al menos cinco términos que parecen sacados de un manual escrito por robots para otros robots.
El problema real no está en la complejidad de los conceptos — la mayoría de ellos es bastante más simple de lo que aparenta. El problema es que casi nadie los explica de forma honesta, sin jerga apilada sobre más jerga. Pensando exactamente en eso, Oren Etzioni, investigador y una de las voces más respetadas del campo de la IA, publicó originalmente en GeekWire un glosario con opinión — y ligeramente irreverente — de los términos que más confunden, incluso a quienes trabajan con el tema todos los días.
Como él mismo resume: la jerga es aburrida. La idea aquí es traducir esos términos a un lenguaje claro, con contexto práctico, ejemplos del mundo real y esa dosis de honestidad que suele faltar en las definiciones de manual 👇
Modelo, LLM y modelo de frontera
Empecemos deshaciendo una confusión básica. ChatGPT es la aplicación que abres. Un LLM, o large language model (gran modelo de lenguaje), es la inteligencia artificial que funciona detrás de él. Todo el mundo dice LLM, pero poca gente podría definir en el momento qué es: se trata de un sistema entrenado para predecir la siguiente palabra en una secuencia de texto, y es de esa mecánica aparentemente simple de donde nace todo lo demás.
El término modelo de frontera — o frontier model — no es una categoría técnica de verdad. Solo designa el puñado de modelos más poderosos y capaces de un momento dado. El detalle gracioso es que ese trofeo cambia de manos todo el tiempo, y el ranking generalmente lo anuncian las propias empresas que están siendo clasificadas. O sea: es marketing disfrazado de clasificación técnica.
Prompts, tokens y parámetros
Un prompt es el pensamiento, la pregunta o las instrucciones que le proporcionas al modelo — sumado a todo lo que la aplicación añadió antes sin avisarte. El modelo toma ese prompt y genera palabras, tanto en su proceso interno de razonamiento como en la respuesta que aparece en tu pantalla.
Los tokens son, de forma aproximada, las palabras que entran y salen. El modelo trocea tu prompt en tokens, produce más tokens al responder, y es exactamente por eso que el sector cobra. Aquí va un detalle importante: el número de parámetros se anuncia como si fuera potencia de motor, pero el dato que nadie difunde es cuántos tokens se necesitan para responder a tu pregunta. ¿Y adivina? Es justamente ese número el que aparece en la factura a fin de mes.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Los parámetros, también llamados pesos, son los valores numéricos internos del modelo. Piensa en ellos como los ajustes finos de un instrumento: cada parámetro es una pequeña configuración que, junto a miles de millones de otras, define cómo el modelo interpreta y responde. Un modelo de frontera tiene cientos de miles de millones de ellos, y los más grandes ya llegan al rango de los billones. Lo curioso es que nadie puede explicar qué hace cada parámetro individual — codifican patrones estadísticos, no hechos almacenados como en una base de datos.
Preentrenamiento, postentrenamiento y fine-tuning
El preentrenamiento consiste en alimentar al modelo con buena parte de internet para que aprenda a predecir la siguiente palabra en una frase. Esta es la parte cara del asunto, que cuesta cientos de millones de dólares y produce algo que sabe mucho, pero no logra seguir una instrucción como es debido.
El postentrenamiento es cuando personas clasifican las respuestas del modelo, y este aprende a entregar más de aquello que fue bien evaluado. El fine-tuning es el postentrenamiento hecho por ti, sobre el modelo de otra persona, usando tus datos. Resumiendo de forma directa: el preentrenamiento te da un modelo que no responde bien a preguntas; es el postentrenamiento el que transforma todo eso en un producto utilizable.
Este proceso de refinamiento suele involucrar una técnica llamada RLHF — Reinforcement Learning from Human Feedback, o aprendizaje por refuerzo con retroalimentación humana. Es la que enseña al modelo a ser más útil, más seguro y más alineado con lo que las personas realmente esperan de un asistente.
Entrenar desde cero versus destilación
Entrenar desde cero significa comprar (o alquilar) las computadoras y hacer todo el trabajo de construir y entrenar un modelo. La destilación entrena un modelo barato usando las salidas de un modelo caro, heredando el comportamiento sin pagar la cuenta. El detalle es que la destilación viola los términos de servicio de la mayoría de las empresas de IA.
Esta cuestión se convirtió en noticia candente cuando OpenAI acusó a DeepSeek de destilar sus modelos — una postura cuanto menos curiosa para una empresa que entrenó sus propios sistemas usando internet entera sin pedir permiso a nadie. Aprender del trabajo de los demás parece genial, hasta el momento en que los demás eres tú mismo.
Entrenamiento versus inferencia
El entrenamiento es cómo construyes un modelo. La inferencia es lo que ocurre cada vez que responde: el modelo se ejecuta y produce un resultado. El entrenamiento es un costo único, que dura meses y consume cientos de millones. La inferencia es un costo que pagas para siempre — cada respuesta cuesta una fracción de centavo, pero eso se repite miles de millones de veces al día.
Aquí es donde vive una verdad poco comentada: los costos de entrenamiento se anuncian en ruedas de prensa, pero los costos de inferencia solo se descubren con el tiempo. Según previsiones de Deloitte, la inferencia consumirá cerca de dos tercios de todo el poder computacional de IA en 2026, frente a solo un tercio en 2023. Es decir, el gasto real está migrando justamente hacia la parte que nadie incluye en el comunicado oficial.
Open weights, open source y API-only
Normalmente usamos LLMs a través de aplicaciones como ChatGPT, Claude o Gemini. Pero los especialistas frecuentemente quieren el modelo en sí, no solo una app envuelta alrededor de él.
Open weights significa que un especialista puede descargar el modelo y ejecutarlo en un servidor propio — pero sin acceso a los datos ni al código que lo crearon. Open source de verdad significa datos y software que cualquiera puede usar y modificar, algo que casi ningún gran modelo ofrece. Olmo, de AI2, es una de las raras excepciones. El modelo API-only no te entrega nada: envías tu texto a las computadoras de la empresa, la respuesta vuelve, y pagas por cada uso.
Vale la provocación honesta: open weights suele ser la forma de reivindicar el aura del código abierto sin entregar gran cosa en realidad. Un investigador de Stanford llegó a llamar a esto open distribution — distribución abierta, pero lejos de ser realmente open source.
Ventana de contexto, memoria y RAG
La ventana de contexto es la cantidad de texto que el modelo puede mantener en la cabeza de una sola vez, incluyendo tu pregunta y todo lo que se pegó en la conversación. La memoria es un recurso que guarda datos sobre ti y los inyecta de vuelta en la ventana de contexto más adelante.
El RAG, sigla de retrieval-augmented generation (generación aumentada por recuperación), busca información en una colección de documentos e inserta los fragmentos relevantes en la ventana de contexto antes de que el modelo responda. Esto reduce alucinaciones y hace al modelo mucho más confiable para tareas que exigen datos actualizados o específicos de una empresa.
Una verdad incómoda: nada dentro del modelo realmente te recuerda. La aplicación mantiene un archivo con tu información y lo pega al inicio de cada conversación — una forma bastante menos elegante de describir exactamente el mismo recurso que se vende como memoria.
Chatbot, workflow y agente
Un chatbot responde y ahí se queda. Un workflow ejecuta los pasos que tú definiste, en el orden que tú estableciste. Un agente recibe un objetivo en lugar de pasos, y descubre por su cuenta qué hacer, activando otros programas y verificando los resultados hasta completar la tarea o quedarse atascado.
Herramientas que usamos a diario
Un ejemplo lo deja todo más claro: pregunta por un vuelo retrasado y un chatbot te recita la política de la aerolínea; un workflow envía el formulario de reembolso que tú armaste; un agente simplemente te reserva un nuevo vuelo. La prueba es simple y útil: si él decide su propio paso siguiente, es un agente. Si tú decidiste los pasos, es un workflow.
Alucinación, AI slop y AI cream
Una alucinación es una falsedad dicha con total confianza, como la cita de un artículo que no existe. El modelo no está mintiendo — ni siquiera tiene noción de verdad que violar. Simplemente produce un texto que parece el tipo correcto de respuesta.
El AI slop es un fracaso diferente: contenido preciso, fluido y completamente inútil. Piensa en ese post de LinkedIn que no dice absolutamente nada en 300 palabras impecables. No por nada, slop fue elegida la palabra del año 2025 por el diccionario Merriam-Webster. El AI cream es el caso raro y deseable: escritura excelente producida con la ayuda de la IA. La ironía es que nadie anda por ahí queriendo producir slop — todo el mundo cree que está haciendo cream.
Alineamiento, guardrails y censura
El alineamiento es el problema de investigación de hacer que un modelo actúe como las personas quieren, incluso cuando nadie está mirando. Los guardrails son las reglas detrás de las negativas del modelo — ese no, no voy a explicarte cómo fabricar un arma biológica. Y la censura es, esencialmente, un guardrail que bloqueó algo que querías.
Fíjate en el juego de palabras: la misma negativa se convierte en seguridad en el comunicado de prensa, guardrail en la documentación técnica y censura cuando se quejan en las redes sociales. Todo depende de quién esté contando la historia.
Por qué entender este vocabulario marca una diferencia real
Dominar estos términos no es solo cuestión de parecer informado en una conversación. Es la diferencia entre tomar decisiones con criterio sobre qué herramientas adoptar, saber evaluar proveedores de IA con sentido crítico y lograr ver lo que hay detrás de los anuncios grandilocuentes del sector. Cuando entiendes que un modelo de frontera es un ranking anunciado por quien está siendo clasificado, o que la inferencia es el costo que aparece después de la fiesta, empiezas a leer las noticias de tecnología con otros ojos.
El campo de la inteligencia artificial avanza a una velocidad impresionante, y nuevos términos surgen casi cada semana. Pero los conceptos fundamentales que vimos aquí permanecen sólidos y siguen siendo la base de todo. Quien los entiende de verdad — sin dejarse intimidar por la jerga ni impresionar por el marketing — lleva ventaja en cualquier discusión sobre el presente y el futuro de esta tecnología 🚀
