Vocabulario de IA: 20 conceptos que todo equipo debe entender (2026)
Glosario de IA con 20 términos esenciales en 2026: modelo, agente, prompt, fine-tuning, dataset y más. Infografía y definiciones claras para equipos y empresas.
En 2026, entender los conceptos básicos de IA debería ser obligatorio para cualquier equipo competente — da igual si eres estudiante, dueño de empresa o autónomo. La IA no va a ser «una ventaja» puntual; va a ser el nuevo estándar. Y quien hoy no sepa qué es un modelo, un agente, un prompt, el fine-tuning o un dataset, lo acabará entendiendo después: con prisas, mal explicado y cuando ya vaya por detrás.
La infografía de portada resume 20 términos en una sola imagen. Este artículo los desarrolla con definiciones claras, enlaces entre conceptos y lecturas para profundizar. No es para parecer más técnico. Es para no tomar decisiones importantes sin entender el lenguaje de lo que viene.
Navegación rápida
Salta al concepto que necesitas:
Fundamentos · 1 IA · 2 ML · 3 Deep Learning · 4 Red neuronal · Generación · 5 IA generativa · 6 LLM · 10 Prompt · 14 Modelo · Agentes · 7 Agente · 8 IA agéntica · Datos · Modalidades · 20 Ética · Tabla resumen · FAQ
Fundamentos
Cuatro conceptos que forman la base de todo lo demás. Si solo dominas este bloque, ya entiendes el 40 % de las conversaciones sobre IA en empresa.
1. Inteligencia artificial (IA)
La inteligencia artificial es tecnología que permite a las máquinas realizar tareas usando un razonamiento similar al humano — resolver problemas, clasificar, predecir, generar o actuar en entornos complejos.
No es un producto concreto ni un solo algoritmo. Es el paraguas bajo el que viven machine learning, deep learning, IA generativa y agentes. En 2026, cuando alguien dice «vamos a usar IA», pregunta siempre: ¿clasificar, crear o ejecutar un flujo?
Relacionado: 75 años de evolución de la IA en 5 saltos.
2. Machine learning (aprendizaje automático)
El machine learning es la rama de la IA que estudia patrones en los datos y mejora resultados de forma automática, sin que un ingeniero escriba una regla para cada caso posible.
Le enseñas ejemplos; el sistema generaliza. Spam, fraude, recomendaciones, scoring: la mayoría del «ML clásico» en empresa vive aquí.
| Reglas manuales | Machine learning |
|---|---|
| «Si el email contiene X, es spam» | «Aprende de 10.000 emails etiquetados» |
| Escala mal | Mejora con más datos |
| Transparente | A veces caja negra |
3. Deep learning (aprendizaje profundo)
El deep learning es un tipo de aprendizaje automático que usa redes neuronales con muchas capas para resolver problemas complejos: visión, voz, traducción, y la base de los modelos generativos actuales.
La palabra clave es escala: más datos + más cómputo + más capas = capacidades que el ML superficial no alcanzaba.
4. Red neuronal
Una red neuronal es un sistema conectado de nodos (neuronas artificiales) que aprende patrones a partir de grandes volúmenes de datos. Cada capa transforma la entrada; la salida final puede ser una clase, un número o un texto generado.
Piénsalo como un embudo de transformaciones matemáticas entrenadas, no como un cerebro humano literal — aunque la metáfora ayuda a explicarlo en una reunión.
Generación y modelos
Bloque central en 2026: cómo se crea contenido y qué piezas intervienen.
5. IA generativa
La IA generativa es IA capaz de crear contenido nuevo — texto, imágenes, audio, vídeo, código — a partir de lo que aprendió en el entrenamiento y las instrucciones que recibe.
ChatGPT, Claude, Gemini, Midjourney: todos son generativos. El salto cultural de los años 2020 fue que millones de personas produjeron con IA, no solo la consultaron.
6. Large Language Model (LLM)
Un LLM es un modelo entrenado con enormes cantidades de texto para comprender y generar lenguaje. Es el motor detrás de la mayoría de chatbots y agentes de texto.
Características que importan en negocio:
| Parámetro | Por qué te afecta |
|---|---|
| Ventana de contexto | Cuánto historial y documentos caben en un turno |
| Multimodalidad | Si también lee imágenes o audio |
| Coste por token | Factura en uso intensivo (optimizar tokens) |
10. Prompt
Un prompt es la instrucción escrita que indica a un sistema de IA qué tipo de respuesta debe generar — pregunta, rol, formato, ejemplos, restricciones.
Es la palanca más barata y más ignorada. Dominar el prompt engineering suele multiplicar el valor de la misma suscripción sin cambiar de modelo.
14. Modelo
Un modelo es el sistema entrenado que transforma una entrada en una predicción o en un resultado generado. Los pesos y la arquitectura quedan fijos tras el entrenamiento; lo que cambias en el día a día es el prompt, el contexto o el arnés alrededor.
No confundas modelo (GPT-5, Claude Opus, Gemini) con producto (ChatGPT, Claude Code, la app que pagas). Un mismo modelo puede vivir en varios productos con distintas herramientas y límites.
Agentes y automatización
Donde la IA deja de responder y empieza a hacer.
7. AI Agent (agente de IA)
Un agente de IA es un sistema que puede completar tareas y tomar decisiones con autonomía supervisada, usando herramientas: APIs, archivos, calendarios, servidores MCP.
Sin herramientas tienes un chat. Con herramientas y bucles de control tienes un agente. Más detalle en ¿Qué son los agentes de IA?.
8. IA agéntica (Agentic AI)
La IA agéntica planifica, razona y ejecuta acciones a través de pasos independientes — no solo genera texto en un turno, sino que encadena subtareas hasta cerrar un objetivo.
Es el tramo 2026 de la línea de tiempo. El harness engineering es lo que separa un agente demo de uno fiable en producción.
9. Chatbot
Un chatbot es software de IA que mantiene conversaciones en lenguaje natural con los usuarios. Puede ser reglas + árbol de decisiones (vieja escuela) o un LLM con memoria de sesión (escuela actual).
| Chatbot | Agente |
|---|---|
| Responde en el chat | Actúa en sistemas externos |
| Valor en FAQ y soporte L1 | Valor en flujos completos |
| Menor riesgo operativo | Requiere permisos y QA |
Muchos «chatbots enterprise» de 2026 son agentes lite con una sola herramienta conectada.
15. Automatización
La automatización con IA aplica inteligencia a tareas repetitivas para que se ejecuten con fluidez sin intervención manual constante — no solo macros rígidas, sino flujos que interpretan variaciones (emails, documentos, tickets).
La IA no sustituye siempre la automatización clásica (Zapier sin LLM). La combina: el LLM entiende; la automatización dispara y registra.
Datos y entrenamiento
Vocabulario que aparece en cada RFP y en cada reunión con proveedores.
11. Fine-tuning (ajuste fino)
El fine-tuning es entrenamiento adicional que adapta un modelo de IA a un objetivo o uso específico — tono de marca, terminología legal, formato de informes médicos.
| Enfoque | Cuándo usarlo |
|---|---|
| Solo prompt | Casos rápidos, pocos ejemplos, iteración barata |
| Fine-tuning | Comportamiento muy estable a escala, dominio estrecho |
| RAG (recuperación) | Respuestas ancladas a documentos que cambian a menudo |
No necesitas fine-tuning para empezar. La mayoría de equipos deberían agotar buenos prompts y contexto antes de pagar reentrenamiento.
12. Entrenamiento de datos (data training)
El entrenamiento de datos es el proceso de alimentar a la IA con información — a menudo etiquetada — para que aprenda patrones y comportamientos correctos. Sin datos de calidad no hay modelo útil; con datos sesgados hay modelo peligroso.
En productos cerrados (ChatGPT, Claude) tú no entrenas el modelo base; entrenas tu proceso con prompts, documentos y feedback.
13. Dataset (conjunto de datos)
Un dataset es una colección estructurada de información usada para entrenar o evaluar modelos — filas en una tabla, imágenes etiquetadas, logs anonimizados, pares pregunta-respuesta.
Preguntas que deberías hacer en cualquier proyecto:
- ¿De dónde salen los datos?
- ¿Están actualizados?
- ¿Representan a todos los casos que veremos en producción?
Modalidades y experiencia
Cómo la IA entra por los sentidos y se adapta a cada usuario.
16. Computer vision (visión artificial)
La visión artificial es IA que interpreta imágenes o vídeo para detectar y comprender contenido visual — OCR, inspección industrial, moderación de contenido, análisis de documentos escaneados.
Multimodalidad en LLMs (enviar una foto a ChatGPT) acerca la visión al chat; en producción suele seguir habiendo modelos especializados por latencia y coste.
17. NLP (procesamiento del lenguaje natural)
El NLP es IA que lee lenguaje, interpreta su significado y produce respuestas claras — clasificación de tickets, extracción de entidades, resumen, traducción, chat.
Los LLM son la forma más visible de NLP en 2026, pero no la única: pipelines clásicos siguen vigentes donde la interpretabilidad y el coste fijo importan.
18. Voice AI (IA de voz)
La voice AI reconoce el habla, interpreta la intención y devuelve respuestas habladas — ASR (speech-to-text) + razonamiento + TTS (text-to-speech).
En Converly trabajamos este stack para agentes de voz que suenan humanos: el reto no es solo «que suene bien», sino que complete el flujo (cita, CRM, confirmación) sin perder al cliente a mitad de frase.
19. Personalización
La personalización es la capacidad de la IA para ajustar contenido o acciones según los datos y preferencias del usuario — recomendaciones, tono, priorización de tareas, rutas en un funnel.
Ojo con privacidad y ética: personalizar sin consentimiento claro cruza líneas legales y de confianza rápido.
Ética y gobernanza
20. Ética de la IA
La ética de la IA es el conjunto de normas y principios que guían su uso para que sea justo, transparente y socialmente seguro — sesgos, explicabilidad, privacidad, impacto laboral, uso de datos personales.
No es un apéndice para el departamento legal. Es requisito de producto cuando despliegas agentes que toman decisiones visibles para clientes o empleados.
Tabla resumen: los 20 conceptos
| # | Término | Definición en una línea |
|---|---|---|
| 1 | Inteligencia artificial | Máquinas que razonan y resuelven tareas complejas |
| 2 | Machine learning | Aprende patrones en datos sin reglas manuales |
| 3 | Deep learning | Redes profundas para problemas complejos |
| 4 | Red neuronal | Nodos conectados que aprenden de datos |
| 5 | IA generativa | Crea texto, imagen, audio o código nuevo |
| 6 | LLM | Modelo entrenado con texto masivo |
| 7 | Agente de IA | Completa tareas con herramientas y autonomía |
| 8 | IA agéntica | Planifica y ejecuta pasos encadenados |
| 9 | Chatbot | Conversación en lenguaje natural |
| 10 | Prompt | Instrucción que guía la respuesta |
| 11 | Fine-tuning | Adapta un modelo a un uso específico |
| 12 | Entrenamiento de datos | Alimentar la IA para que aprenda |
| 13 | Dataset | Colección de datos para entrenar o evaluar |
| 14 | Modelo | Sistema entrenado que transforma entradas en salidas |
| 15 | Automatización | Tareas repetitivas sin intervención manual constante |
| 16 | Computer vision | Interpreta imágenes y vídeo |
| 17 | NLP | Comprende y genera lenguaje |
| 18 | Voice AI | Habla entrante y saliente con intención |
| 19 | Personalización | Ajusta según usuario y contexto |
| 20 | Ética de la IA | Uso justo, transparente y seguro |
Guarda la infografía de portada como chuleta de equipo. Usa este artículo cuando alguien diga «modelo» y esté pensando en «chat».
Preguntas frecuentes
¿Cuál de estos 20 conceptos sigue sin entender bien la mayoría de la gente?
En mi experiencia, los tres más malinterpretados son:
- Agente vs chatbot — muchos venden chatbots y llaman «agentes» a cualquier LLM con un widget.
- IA agéntica vs IA generativa — generar un email no es lo mismo que agendar la reunión en el calendario.
- Fine-tuning vs prompt — equipos piden reentrenar modelos cuando bastaría con mejor prompt engineering y contexto.
Honorable mention: modelo vs producto (creer que «usar Claude» es intercambiable con «usar ChatGPT» sin mirar herramientas ni límites).
¿Necesito saber los 20 para usar IA en mi trabajo?
No los 20 al detalle técnico. Sí necesitas vocabulario compartido para que marketing, producto y dirección hablen de lo mismo. Con los bloques Fundamentos + Generación + Agentes cubres el 80 % de reuniones.
¿Esto es solo para perfiles técnicos?
No. Dueños de empresa, RR. HH., legal y operaciones toman decisiones sobre proveedores, datos y riesgo. Sin glosario común, esas decisiones se retrasan o se externalizan mal.
¿Cómo profundizo después de esta chuleta?
- Historia y contexto: línea de tiempo de la IA
- Uso práctico: prompt engineering
- Producción: harness engineering y agentes de IA
¿Este glosario sustituye un curso de IA?
No. Es un mapa para orientarte antes de cursos, pilotos o compras. La profundidad viene con la práctica en un caso real acotado.
Lecturas relacionadas
- 75 años de evolución de la IA en 5 saltos
- ¿Qué es el prompt engineering?
- ¿Qué son los agentes de IA?
- Qué es harness engineering
- Agentes de voz que suenan humanos
- Interoperabilidad agéntica para dueños de web
Última actualización: junio de 2026.
Artículos relacionados
75 años de evolución de la IA en 5 saltos (línea de tiempo)
Línea de tiempo de la IA desde 1950 hasta 2026: origen, machine learning, deep learning, IA generativa e IA agéntica. Infografía y guía para empresas.
CMAXHGuardian: agente autónomo de ciberseguridad Blue Team
CMAXHGuardian es un agente de IA open source para Blue Team: interpreta objetivos en lenguaje natural, planifica y ejecuta herramientas de seguridad en Linux. Repo en GitHub.
¿Qué es el prompt engineering? Guía práctica (no técnica)
Qué es el prompt engineering: cómo pedir bien a ChatGPT, Claude o Gemini para mejores resultados. 3 frameworks que puedes usar hoy sin saber programar.