Glosario de IA y LLM para profesionales

Si trabaja con inteligencia artificial generativa pero no viene del mundo técnico, es fácil perderse entre siglas como LLM, RAG o MCP. Este glosario reúne, en lenguaje llano y con ejemplos de empresa, los once términos que más aparecen en reuniones, propuestas comerciales y documentación técnica sobre IA. Úselo como referencia rápida antes de firmar un contrato con un proveedor o de explicarle a su equipo cómo funciona el asistente que acaban de implantar.

Por qué este vocabulario importa a su negocio

No se trata de jerga decorativa. Cuando un proveedor le habla de «embeddings» o de «context window», está describiendo decisiones concretas que afectan al coste, a la precisión de las respuestas y a sus obligaciones de cumplimiento. El Reglamento europeo de IA (AI Act) exige transparencia sobre cómo funcionan ciertos sistemas, y el RGPD obliga a entender qué datos se envían a un modelo y dónde se procesan. Entender estos términos le permite hacer las preguntas correctas antes de comprar o desplegar una solución. Si además va a manejar datos personales, conviene revisar también qué comprobar antes de lanzar un proyecto de RGPD y RAG.

LLM, token y context window: cómo «piensa» un modelo de lenguaje

• LLM (Large Language Model, modelo de lenguaje grande): un sistema entrenado con grandes cantidades de texto para predecir qué palabra viene a continuación. No «sabe» hechos como una base de datos: genera texto plausible a partir de patrones estadísticos, lo cual explica tanto su utilidad como sus límites.
• Token: la unidad mínima de texto que procesa un modelo, aproximadamente tres o cuatro caracteres en castellano. Las tarifas de muchos servicios de IA se calculan por token consumido, de ahí que documentos largos salgan más caros de procesar.
• Context window (ventana de contexto): la cantidad máxima de tokens que un modelo puede «ver» a la vez, incluyendo la pregunta, las instrucciones y cualquier documento adjunto. Superar ese límite obliga a resumir, trocear o recuperar solo los fragmentos relevantes.

La ventana de contexto es precisamente el motivo por el que existe la recuperación de información (RAG): meter todos sus documentos en cada pregunta no escala ni en coste ni en precisión. Si le interesa cuándo conviene pegar todo el texto en el prompt y cuándo recuperar solo lo necesario, lo explicamos en detalle en RAG vs modelos de contexto largo.

Embeddings y bases de datos vectoriales

Embedding: una representación numérica del significado de un texto, una lista de números (un vector) que coloca frases con significado parecido cerca unas de otras en un espacio matemático. Gracias a los embeddings, un sistema puede encontrar «vacaciones pagadas» cuando usted busca «días de descanso remunerados», aunque no compartan ni una palabra literal. Si quiere una explicación más detallada con ejemplos, consulte qué son los embeddings.

Base de datos vectorial (vector database): el almacén especializado donde se guardan esos embeddings para poder buscar «lo más parecido a esto» en milisegundos, incluso entre millones de fragmentos. Algunas empresas montan su propia base vectorial con herramientas open source; otras prefieren un servicio gestionado para no ocuparse de la infraestructura. Repasamos los costes reales en precio de una base de datos vectorial.

RAG, chunking, reranker y búsqueda híbrida: el vocabulario de la recuperación

RAG (Retrieval-Augmented Generation, generación aumentada por recuperación): la técnica que consiste en buscar primero los fragmentos de documento más relevantes para una pregunta y pasárselos al modelo de lenguaje para que redacte la respuesta apoyándose en ellos, idealmente citando la fuente. Es la diferencia entre un modelo que «opina» y uno que responde con base en sus propios documentos. Puede seguir el recorrido completo de una pregunta en cómo funciona RAG paso a paso.

• Chunking (troceado): dividir un documento largo en fragmentos manejables antes de indexarlo. El tamaño y el solapamiento de esos fragmentos influyen directamente en la calidad de las respuestas.
• Reranker (reordenador): un segundo modelo, más lento pero más preciso, que recibe los primeros candidatos de una búsqueda y los reordena según su relevancia real para la pregunta, mejorando los resultados antes de generar la respuesta final.
• Búsqueda híbrida: combinar búsqueda por palabras clave (exacta, rápida) con búsqueda semántica por vectores (tolerante a sinónimos) para que ni los acrónimos ni las referencias legales exactas se pierdan por el camino.

Agentes y MCP: cuando la IA actúa, no solo responde

Agente (AI agent): un sistema que, además de generar texto, puede decidir qué acciones ejecutar (consultar una base de datos, llamar a una API, rellenar un formulario) para completar una tarea de varios pasos, no solo contestar una pregunta aislada. Un agente de atención al cliente, por ejemplo, puede consultar su base de conocimiento, comprobar el estado de un pedido y redactar una respuesta, todo en una sola interacción.

MCP (Model Context Protocol): un estándar abierto que define cómo un asistente de IA (como Claude, Cursor o ChatGPT) puede conectarse a herramientas y fuentes de datos externas de forma uniforme, sin que cada integración requiera código a medida. Gracias a MCP, una misma base de conocimiento puede consultarse desde varios clientes distintos. Si quiere entender el estándar en profundidad, tenemos una guía completa sobre qué es MCP, y si ya sabe qué es y quiere conectarlo, le interesa conectar Claude, Cursor o ChatGPT a una base de conocimiento.

Fine-tuning vs RAG, y qué hacer con las alucinaciones

Fine-tuning (ajuste fino): reentrenar un modelo con ejemplos propios para que cambie su estilo o su comportamiento por defecto. Es útil para fijar un tono de marca o un formato de salida, pero resulta caro de mantener actualizado y no es la herramienta adecuada para que un modelo «conozca» documentos que cambian cada semana: para eso existe RAG, que recupera la información más reciente en el momento de la pregunta sin reentrenar nada. La comparación detallada está en RAG vs modelos de contexto largo.

Alucinación: cuando un modelo de lenguaje genera una afirmación que suena convincente pero es falsa o no está respaldada por ninguna fuente, por ejemplo inventando un artículo de ley que no existe. Las alucinaciones no son un fallo puntual, son una consecuencia natural de cómo funcionan estos modelos, y se reducen (no se eliminan del todo) anclando cada respuesta a pasajes citables de documentos reales. Profundizamos en los mecanismos concretos en cómo reducir las alucinaciones de la IA y en cómo comprobar una respuesta en verificar una respuesta de IA con sus fuentes.

Tabla resumen: once términos en una vista

Cómo aplicar este glosario sin montar infraestructura

Entender los términos es el primer paso; el segundo es no tener que implementarlos todos usted mismo. En Kopik puede crear una base de conocimiento subiendo sus PDF, Word o Markdown desde este formulario: el sistema se encarga del chunking, la indexación y la búsqueda híbrida, y cada respuesta llega con los pasajes citados, ya sea desde la web, mediante API con claves propias o conectada por MCP a Claude, Cursor o ChatGPT. Es una forma directa de ver en la práctica cómo encajan RAG, embeddings y reranking sin tener que montar una base de datos vectorial desde cero.

Preguntas frecuentes