Cada página de un producto de IA da por sentado que ya hablas el idioma. La tabla de precios cobra por token, el changelog celebra una ventana de contexto más grande, la presentación de ventas promete agentes fundamentados con RAG, y nada de eso te dice qué significan esas palabras para la única pregunta que importa: ¿hará esta herramienta el trabajo?
Así que aquí tienes los términos de IA explicados para quienes compran, no para investigadores. Deliberadamente no es un diccionario de la A a la Z. Es un vocabulario de trabajo de unas dos docenas de términos, organizado en torno a las cuatro preguntas que la gente realmente se hace mientras evalúa una herramienta: con qué estoy hablando, por qué a veces se equivoca, qué significan las cifras de la ficha técnica y qué implica el despliegue. Cada entrada son unas pocas frases en lenguaje claro más la razón por la que el término importa a la hora de comprar.
Léelo de corrido o salta a la sección que necesites. Cuando un término se entiende mejor a través de un producto real, el ejemplo enlaza a su ficha. ToolPotion rastrea más de 13.000 herramientas de IA, actualizadas a diario, así que cada ejemplo tiene detrás una página vigente.
Con qué estás hablando: términos básicos de IA explicados
La primera confusión son los nombres. "Modelo", "LLM", "chatbot", "asistente" y "agente" se usan indistintamente en los textos de marketing, y no son lo mismo.
Modelo
El sistema entrenado en sí: una función estadística enorme que convierte una entrada en una salida, producida al hacer pasar cantidades gigantescas de datos por un proceso de entrenamiento. Los productos son envoltorios alrededor de los modelos: una app de chat, una API y una extensión de navegador pueden apoyarse todos en el mismo. Esto importa al comparar herramientas, porque el modelo fija el techo de la calidad mientras que el producto decide el flujo de trabajo. Puedes explorar los modelos de IA actuales como su propia categoría en el directorio.
Modelo de lenguaje grande (LLM)
Un modelo entrenado sobre todo con texto para predecir qué viene a continuación en una secuencia. Resulta que eso basta para redactar, resumir, traducir y escribir código. Claude Opus y Gemini 3.1 Pro son ejemplos actuales de frontera. El directorio también lista LLM abiertos más pequeños que puedes ejecutar tú mismo. Cuando un proveedor dice "impulsado por un LLM", la pregunta útil de seguimiento es cuál, y si puedes cambiarlo más adelante.
Chatbot
Un patrón de interfaz, no una tecnología: una casilla de mensajes conectada a un modelo, normalmente acotada a una sola tarea, como responder preguntas de clientes. Los chatbots modernos se construyen sobre LLM, pero la palabra es anterior a ellos, y por eso puede describir cualquier cosa, desde un rígido guion de preguntas frecuentes hasta un sistema de soporte genuinamente capaz.
Asistente (o copiloto)
Un producto de chat de propósito general orientado al trabajo diario de una persona: redactar, resumir, responder, y que suele vivir dentro de las apps donde ese trabajo ocurre. ChatGPT es el asistente independiente por excelencia. "Copiloto" suele indicar un asistente integrado en un producto ya existente. La diferencia de compra frente a un chatbot es el público: los asistentes sirven a tu personal, los chatbots suelen servir a tus clientes.
Agente de IA
Software que toma un objetivo, planifica pasos, invoca herramientas y comprueba sus propios resultados: actúa en lugar de solo responder. Claude Code lee una base de código, edita archivos y ejecuta comandos. Intercom incluye un agente de soporte, Fin, que gestiona conversaciones en lugar de limitarse a responderlas. La contrapartida es el radio de impacto: un sistema que puede actuar puede fallar al actuar, así que los permisos y los pasos de revisión importan aquí más que en ningún otro sitio. La categoría de agentes de IA es la sección que evoluciona más rápido del directorio.
| Término | Qué hace | Cómpralo cuando |
|---|---|---|
| Chatbot | Responde preguntas en un único dominio acotado | Necesitas preguntas y respuestas de cara al cliente a gran escala |
| Asistente | Ayuda a una persona en muchas tareas | Quieres productividad del personal, con bajo riesgo |
| Agente | Planifica y ejecuta trabajo de varios pasos | Merece la pena automatizar un flujo de trabajo de principio a fin |
Multimodal
Un modelo que maneja algo más que texto: imágenes, audio o vídeo, como entrada, como salida o ambas. Gemini 3.1 Pro lee y razona sobre medios mixtos. Del lado de la generación, Kling 3.0 convierte texto e imágenes de referencia en vídeo con audio. Si tu trabajo implica capturas de pantalla, PDF con gráficos o grabaciones, el soporte multimodal es un requisito, no un extra deseable.
Por qué a veces se equivoca: alucinaciones, contexto y fechas de corte
Estos cuatro términos explican casi todas las salidas decepcionantes de IA que verás en tu vida, y son el vocabulario de cualquier conversación seria con un proveedor sobre precisión.
Alucinación
Una respuesta segura, fluida y errónea. El modelo está generando texto plausible, no consultando una base de datos de hechos, así que puede inventarse citas, estadísticas y detalles de productos sin ninguna señal de que lo está haciendo. Para el trabajo factual, prefiere herramientas que citen fuentes recuperables, y trata cualquier dato concreto sin cita como no verificado hasta que lo compruebes.
Ventana de contexto
Cuánto texto, medido en tokens, puede considerar el modelo a la vez: su memoria de trabajo, distinta de su conocimiento. Las ventanas han crecido rápido. Claude Opus anuncia una ventana de un millón de tokens, suficiente para una base de código entera o varios libros en una sola solicitud.
Una ventana de contexto más grande eleva el techo de lo que puedes pegar dentro. No garantiza que el modelo sopese todo ello.
En la práctica, los modelos pueden perder la pista de detalles enterrados en medio de entradas muy largas, así que "cabe en la ventana" y "se aprovecha bien" son afirmaciones distintas.
Fecha de corte del entrenamiento
La fecha en la que terminan los datos de entrenamiento del modelo. Todo lo publicado después es invisible para el modelo, a menos que el producto añada búsqueda web o recuperación. Por qué te importa: si la herramienta debe conocer precios, leyes o noticias actuales, pregunta al proveedor exactamente cómo entra la información fresca. "El modelo es inteligente" no es una respuesta.
RAG (generación aumentada por recuperación)
Buscar primero, responder después: el sistema encuentra pasajes relevantes en tus documentos y luego hace que el modelo redacte su respuesta usándolos. Esto fundamenta las respuestas en tu contenido real, reduce (pero no elimina) las alucinaciones y se mantiene al día en el momento en que un documento cambia, sin reentrenamiento. Cuando un proveedor dice "entrenado con tus datos", pregunta si se refiere a RAG. Normalmente sí, y para el conocimiento interno, RAG suele ser lo que quieres.
Prompt y prompt del sistema
Un prompt es todo lo que envías al modelo. Un prompt del sistema es la hoja de instrucciones permanente que el proveedor coloca delante de cada conversación: tono, reglas, salvaguardas. Un número sorprendente de productos de IA de nicho son, en esencia, un prompt del sistema sobre el modelo de otra persona. Eso aún puede merecer la pena pagarse, pero debería tener el precio de un envoltorio, no el de una investigación.
Leer la ficha técnica: tokens, parámetros, inferencia
Las cifras de una página de precios de IA no son decoración de marketing. Tres de ellas fijan directamente tu factura.
Token
La unidad que los modelos leen y emiten: un fragmento de texto, donde una palabra corriente en inglés suele ser un token. Una regla práctica: 1.000 tokens equivalen aproximadamente a 750 palabras en inglés. El precio de la API se cotiza por millón de tokens, con la entrada y la salida tarifadas por separado, y por eso los documentos largos de entrada y las respuestas largas de salida son lo que dispara el coste.
Parámetros
Los pesos numéricos internos que un modelo aprendió durante el entrenamiento. El recuento de parámetros es la abreviatura estándar para el tamaño del modelo. Muse Glimmer, por ejemplo, es un modelo de 30.000 millones de parámetros creado para ejecutar tareas de agente en hardware de consumo. Más parámetros suelen comprar capacidad a costa de velocidad y coste, y un modelo pequeño que resuelve bien tu tarea supera a uno grande que estás sobrepagando y subutilizando.
Inferencia
Ejecutar el modelo entrenado para producir una salida. El entrenamiento ocurrió una vez, a costa del proveedor; la inferencia ocurre en cada solicitud, a costa tuya. La latencia y el coste por solicitud son propiedades de la inferencia, así que cuando un proveedor anuncia una inferencia más barata o más rápida, esa afirmación es sobre tu factura y el tiempo de espera de tus usuarios, no sobre la calidad de la respuesta.
Ajuste fino (fine-tuning)
Entrenamiento adicional con tus propios ejemplos para cambiar el comportamiento de un modelo: tono, formato, hábitos de dominio. Es bueno para un estilo consistente y una salida estructurada, y una mala manera de enseñar hechos que cambian, que es tarea de RAG. El coste oculto es el mantenimiento: cada actualización del modelo base puede implicar rehacer el trabajo.
Modelo de razonamiento
Un modelo que gasta cómputo extra en trabajar los pasos intermedios antes de responder, lo que ayuda de forma medible en matemáticas, planificación y código difícil. Algunos son híbridos: Claude Opus puede responder rápido o pensar más tiempo según haga falta. La contrapartida es real: las pasadas de razonamiento son más lentas y cuestan más tokens, así que enrutar una simple tarea de extracción a través de uno de ellos es pagar por un pensamiento que no necesitas.
Benchmark
Una prueba estandarizada que produce las puntuaciones de clasificación que aparecen en los anuncios de lanzamiento. Trátalas como señales aproximadas de capacidad, no como predicciones sobre tu carga de trabajo: los proveedores muestran, como es natural, los benchmarks que ganan. Veinte de tus propias tareas reales, ejecutadas contra dos herramientas candidatas, te dicen más que cualquier tabla de clasificación.
Términos de despliegue: API, pesos abiertos y dónde se ejecuta
El último conjunto de términos decide la estructura de costes, la postura de privacidad y cuánta ingeniería estás asumiendo.
API
Acceso programático: tu software llama al modelo a través de internet y paga por token, en lugar de que una persona pague por asiento por una app. El mismo proveedor a menudo vende ambos, y son presupuestos distintos: los asientos escalan con la plantilla, los costes de API escalan con el uso. Ten claro cuál estás comprando de verdad antes de comparar precios.
Pesos abiertos frente a cerrados
Los modelos de pesos abiertos publican los archivos del modelo: descárgalos, ejecútalos en tu propio hardware, mantén los datos en casa y no pagues ninguna tarifa por token al fabricante. Gemma 4 ofrece modelos abiertos y ligeros construidos con la misma tecnología que Gemini, y Stability AI publica modelos generativos abiertos para imágenes, vídeo y audio. Los modelos cerrados se alquilan a través de los servidores del proveedor: menos control, mucha menos carga operativa, y los modelos cerrados más fuertes aún tienden a liderar en capacidad bruta.
En el dispositivo frente a la nube
Dónde ocurre físicamente la inferencia. La nube significa que las solicitudes salen de tu red; en el dispositivo o autoalojado significa que no lo hacen, y por eso les importa a los equipos con mucha normativa de cumplimiento, y por eso existen modelos como Muse Glimmer que corren en hardware de consumo. Espera una brecha de capacidad: los modelos más grandes no caben en un portátil.
Embedding
Texto convertido en una lista de números posicionados de modo que los significados similares queden cerca unos de otros. Los embeddings son la forma en que el software busca por significado en vez de por palabras clave exactas, la razón por la que una consulta de "reglas de reembolso" puede encontrar un documento titulado "política de devoluciones".
Base de datos vectorial
Almacenamiento diseñado para guardar embeddings y encontrar rápido las coincidencias más cercanas. Es la mitad de recuperación de la mayoría de los sistemas RAG. Chroma es un ejemplo de código abierto que combina búsqueda vectorial, de texto completo y por metadatos. Si un proveedor dice que hace "RAG sobre tus documentos", una de estas está en su stack. Pregunta dónde se ejecuta y qué almacena.
Framework
Andamiaje de código para conectar modelos, herramientas y recuperación en una aplicación: el camino de hazlo-tú-mismo, elegido pronto por los equipos que trabajan de forma interna. Explora la categoría de frameworks de IA para ver las opciones actuales. Si nadie en el equipo escribe código, los constructores visuales como Microsoft Copilot Studio cubren los casos comunes, y el directorio mantiene una página de tareas completa de herramientas para construir agentes de IA que abarca ambos enfoques.
Observabilidad y evaluaciones
La observabilidad consiste en rastrear lo que un modelo o agente hizo realmente: cada paso, llamada a herramienta, coste en tokens y retraso. Las evaluaciones son pruebas calificadas de la calidad de la salida, ejecutadas repetidamente para que las regresiones salgan a la luz antes que los clientes. Langfuse es una plataforma de código abierto que cubre el rastreo, la gestión de prompts y la evaluación. Si estás comprando un agente en lugar de construirlo, la pregunta equivalente para el proveedor es simple: cuando el agente se equivoque en algo, ¿qué exactamente me vas a mostrar?
Preguntas frecuentes
¿Es ChatGPT un LLM?
En sentido estricto, no: ChatGPT es una aplicación construida sobre los LLM de la familia GPT de OpenAI. La distinción importa porque funciones como la memoria, la carga de archivos y la navegación web pertenecen a la app, no al modelo, y un producto distinto que use el mismo modelo puede carecer de todas ellas.
¿Cuál es la diferencia entre un agente de IA y un chatbot?
Un chatbot responde; un agente actúa. Los agentes planifican trabajo de varios pasos, llaman a otro software y cambian cosas en sistemas reales, lo que los hace a la vez más útiles y más arriesgados. La pregunta práctica de compra son los permisos: qué se le permite tocar a un agente y qué se revisa antes de que lo haga.
¿Más parámetros significan un mejor modelo de IA?
No para tu tarea, necesariamente. Los modelos más grandes suelen ser más capaces en abstracto, pero cuestan más y responden más despacio, y mucho trabajo cotidiano (clasificación, extracción, redacción rutinaria) funciona bien en modelos pequeños. Prueba el modelo más barato que podría servir antes de optar por defecto por el más grande.
¿Puedo ejecutar un modelo de IA en mi propio ordenador?
Sí, si tiene pesos abiertos y un tamaño modesto: los modelos abiertos pequeños como la familia Gemma están diseñados para ello, y algunos modelos de 30.000 millones de parámetros ya apuntan al hardware de consumo. Espera resultados más flojos que los de los modelos de frontera en la nube, a cambio de un coste por token nulo y datos que nunca salen de tu máquina.