Los términos de inteligencia artificial y datos que más escucharás en un proyecto de IA, explicados en lenguaje claro. Cuando existe, añadimos la definición de referencia de una fuente oficial o primaria —el Reglamento de IA de la UE, la OCDE, el NIST, las normas ISO/IEC o el artículo científico original— con enlace para verificarla.

Ir a: A · B · C · D · E · F · G · I · K · L · M · P · R · S · T · U · V
A
Agente de IA
Sistema de software que, a partir de un objetivo, planifica y ejecuta tareas de forma autónoma: consulta datos, usa herramientas (API, sistemas o búsquedas) y decide los siguientes pasos dentro de los límites y permisos definidos. Ver servicio: Agentes de IA y multiagente →
Definición de referencia — Russell y Norvig, «Artificial Intelligence: A Modern Approach», 4.ª edición, cap. 2: «Un agente es cualquier cosa que pueda considerarse que percibe su entorno mediante sensores y actúa sobre ese entorno mediante actuadores.» (traducción de Wasivia del original en inglés) Ver fuente (se abre en una pestaña nueva)
Alfabetización en IA
Conocimientos y habilidades para usar la IA de forma informada, entendiendo sus oportunidades, sus riesgos y los perjuicios que puede causar. Ver servicio: Capacitación empresarial en IA →
Definición de referencia — Reglamento (UE) 2024/1689, art. 3.56: «las capacidades, los conocimientos y la comprensión que permiten a los proveedores, responsables del despliegue y demás personas afectadas, teniendo en cuenta sus respectivos derechos y obligaciones en el contexto del presente Reglamento, llevar a cabo un despliegue informado de los sistemas de IA y tomar conciencia de las oportunidades y los riesgos que plantea la IA, así como de los perjuicios que puede causar» Ver fuente (se abre en una pestaña nueva)
Alucinación
Respuesta de un modelo de IA generativa que suena convincente, pero es falsa o no está respaldada por los datos. Se reduce con técnicas como RAG, instrucciones precisas y la evaluación sistemática de las respuestas. Ver servicio: IA generativa, RAG y bases de conocimiento →
Definición de referencia — NIST, Perfil de IA generativa (NIST AI 600-1, 2024), sección 2.2 «Confabulation»: «La «confabulación» se refiere a un fenómeno en el que los sistemas de IA generativa generan y presentan con seguridad contenido erróneo o falso en respuesta a las instrucciones. […] Coloquialmente, estos fenómenos también se denominan «alucinaciones» o «fabricaciones».» (traducción de Wasivia del original en inglés) Ver fuente (se abre en una pestaña nueva)
Analítica de datos
Proceso de examinar, limpiar, transformar y modelar datos para obtener información útil que apoye la toma de decisiones. Ver servicio: Analítica de datos e inteligencia de negocio →
Aprendizaje automático (machine learning)
Rama de la inteligencia artificial en la que los sistemas aprenden patrones a partir de datos, en lugar de seguir reglas programadas explícitamente, para hacer predicciones o clasificaciones. Ver servicio: Modelos predictivos y machine learning en producción →
Aprendizaje profundo (deep learning)
Tipo de aprendizaje automático basado en redes neuronales con muchas capas, especialmente eficaz con imágenes, audio y texto. Es la base de los modelos de lenguaje actuales.
Arquitectura multiagente
Diseño en el que varios agentes de IA colaboran: un agente coordinador divide el trabajo y lo asigna a agentes especialistas, cada uno con sus propias herramientas y responsabilidades. Ver servicio: Agentes de IA y multiagente →
Ataque de evasión
Ataque que modifica ligeramente una entrada, a veces de forma imperceptible, para que el modelo la clasifique mal. Leer más en nuestro blog →
Definición de referencia — NIST, Taxonomía de aprendizaje automático adversario (NIST AI 100-2e2025), sección 2.2: «En un ataque de evasión, el objetivo del adversario es generar ejemplos adversarios: muestras cuya clasificación puede cambiarse a una clase arbitraria elegida por el atacante, a menudo con solo una perturbación mínima.» (traducción de Wasivia del original en inglés) Ver fuente (se abre en una pestaña nueva)
B
Base de conocimiento
Repositorio organizado con la información de una empresa (documentos, procedimientos, preguntas frecuentes) preparado para que lo consulten personas, asistentes de IA y agentes. Ver servicio: IA generativa, RAG y bases de conocimiento →
Base de datos vectorial
Base de datos que almacena embeddings y permite buscar contenidos por similitud de significado, no solo por coincidencia de palabras. Es un componente habitual de las soluciones RAG. Ver servicio: IA generativa, RAG y bases de conocimiento →
C
Cadena de pensamiento (chain of thought)
Técnica en la que se pide o se muestra al modelo un razonamiento paso a paso antes de la respuesta final, lo que suele mejorar los resultados en problemas complejos. Ver servicio: Capacitación empresarial en IA →
Definición de referencia — Wei et al., «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models» (2022): «Un método sencillo llamado prompting de cadena de pensamiento, en el que se proporcionan como ejemplos en la instrucción unas pocas demostraciones de cadenas de razonamiento.» (traducción de Wasivia del original en inglés) Ver fuente (se abre en una pestaña nueva)
D
Dashboard (tablero de control)
Panel visual que reúne los indicadores clave de un área o de la empresa, normalmente actualizados de forma automática, para seguir el desempeño de un vistazo. Ver servicio: Analítica de datos e inteligencia de negocio →
Datos de entrenamiento
Conjunto de ejemplos con los que se entrena un modelo de IA. Su calidad, cantidad y representatividad determinan en gran medida el rendimiento y los sesgos del modelo.
E
Embedding (representación vectorial)
Representación de un texto, una imagen u otro dato como una lista de números (vector) que captura su significado, de modo que los contenidos parecidos quedan cerca entre sí. Ver servicio: IA generativa, RAG y bases de conocimiento →
Envenenamiento de datos (data poisoning)
Ataque que manipula los datos con los que se entrena un modelo para alterar su comportamiento. Leer más en nuestro blog →
Definición de referencia — NIST, Taxonomía de aprendizaje automático adversario (NIST AI 100-2e2025), sección 2.3: «En un ataque de envenenamiento de datos, un adversario controla un subconjunto de los datos de entrenamiento, insertando o modificando muestras de entrenamiento.» (traducción de Wasivia del original en inglés) Ver fuente (se abre en una pestaña nueva)
ETL (extracción, transformación y carga)
Proceso que extrae datos de distintas fuentes, los limpia y transforma, y los carga en un destino común, como un almacén de datos, para analizarlos. Ver servicio: Analítica de datos e inteligencia de negocio →
Evaluación de modelos (evals)
Conjunto de pruebas sistemáticas para medir la calidad, la precisión y la seguridad de un modelo de IA antes y después de ponerlo en producción. Ver servicio: Modelos predictivos y machine learning en producción →
F
Fine-tuning (ajuste fino)
Proceso de entrenar adicionalmente un modelo ya existente con datos específicos para especializarlo en una tarea, un estilo o un dominio. Ver servicio: IA generativa, RAG y bases de conocimiento →
G
Gobernanza de la IA
Conjunto de políticas, roles, procesos y controles que aseguran que la IA se use de forma segura, ética, legal y alineada con los objetivos de la organización. Ver servicio: Consultoría y estrategia de IA →
Guardrails (salvaguardas)
Controles técnicos que limitan lo que un sistema de IA puede recibir, responder o hacer; por ejemplo, filtros de contenido, validaciones o restricciones de acciones. Ver servicio: IA generativa, RAG y bases de conocimiento →
I
IA confiable
IA que reúne las cualidades necesarias para usarla con garantías: que funcione bien, sea segura, transparente, respete la privacidad y trate a las personas de forma justa. Ver servicio: Consultoría y estrategia de IA →
Definición de referencia — NIST, AI Risk Management Framework 1.0 (NIST AI 100-1, 2023), sección 3: «Las características de los sistemas de IA confiables incluyen: ser válidos y fiables; seguros; protegidos y resilientes; responsables y transparentes; explicables e interpretables; con privacidad reforzada; y justos, con los sesgos perjudiciales gestionados.» (traducción de Wasivia del original en inglés) Ver fuente (se abre en una pestaña nueva)
IA generativa
Tipo de inteligencia artificial capaz de crear contenido nuevo (texto, imágenes, audio o código) a partir de instrucciones, basándose en patrones aprendidos de grandes volúmenes de datos. Ver servicio: IA generativa, RAG y bases de conocimiento →
Inferencia
Uso de un modelo ya entrenado para producir una predicción o una respuesta a partir de datos nuevos. Es la fase en la que el modelo trabaja en producción. Ver servicio: Modelos predictivos y machine learning en producción →
Inteligencia de negocio (BI)
Conjunto de procesos y herramientas para recopilar, integrar y visualizar los datos de la empresa con el fin de apoyar las decisiones. Ver servicio: Analítica de datos e inteligencia de negocio →
ISO/IEC 42001
Norma internacional para implantar un sistema de gestión de la IA en una organización: políticas, roles, riesgos y mejora continua, de forma parecida a lo que ISO/IEC 27001 hace con la seguridad de la información. Ver servicio: Consultoría y estrategia de IA →
Definición de referencia — ISO/IEC 42001:2023 (resumen oficial de la norma): «Este documento especifica los requisitos y ofrece orientación para establecer, implementar, mantener y mejorar continuamente un sistema de gestión de la IA dentro del contexto de una organización.» (traducción de Wasivia del original en inglés) Ver fuente (se abre en una pestaña nueva)
K
KPI (indicador clave de desempeño)
Métrica que mide el avance hacia un objetivo del negocio, como las ventas mensuales, el tiempo de respuesta o la tasa de abandono de clientes. Ver servicio: Analítica de datos e inteligencia de negocio →
L
LLM (modelo de lenguaje de gran tamaño)
Modelo de IA entrenado con enormes cantidades de texto para comprender y generar lenguaje. Es la tecnología detrás de los asistentes conversacionales y de muchos agentes de IA. Ver servicio: IA generativa, RAG y bases de conocimiento →
M
MCP (Model Context Protocol)
Protocolo abierto, presentado por Anthropic en 2024, que estandariza la forma en que las aplicaciones de IA se conectan con herramientas y fuentes de datos externas. Ver servicio: Agentes de IA y multiagente →
Definición de referencia — Documentación oficial de Model Context Protocol: «MCP (Model Context Protocol) es un estándar de código abierto para conectar aplicaciones de IA con sistemas externos.» (traducción de Wasivia del original en inglés) Ver fuente (se abre en una pestaña nueva)
Definición de referencia — Anthropic, anuncio del 25 de noviembre de 2024: «El Model Context Protocol es un estándar abierto que permite a los desarrolladores construir conexiones seguras y bidireccionales entre sus fuentes de datos y las herramientas impulsadas por IA.» (traducción de Wasivia del original en inglés) Ver fuente (se abre en una pestaña nueva)
MLOps
Prácticas para desplegar, monitorear, versionar y mantener modelos de machine learning en producción de forma fiable, inspiradas en DevOps. Ver servicio: Modelos predictivos y machine learning en producción →
Modelo de IA de uso general
Modelo capaz de realizar muchas tareas distintas, como los grandes modelos de lenguaje, que después se integra en otras aplicaciones. El Reglamento de IA de la UE le dedica obligaciones específicas. Ver servicio: IA generativa, RAG y bases de conocimiento →
Definición de referencia — Reglamento (UE) 2024/1689, art. 3.63: «un modelo de IA, también uno entrenado con un gran volumen de datos utilizando autosupervisión a gran escala, que presenta un grado considerable de generalidad y es capaz de realizar de manera competente una gran variedad de tareas distintas, independientemente de la manera en que el modelo se introduzca en el mercado, y que puede integrarse en diversos sistemas o aplicaciones posteriores, excepto los modelos de IA que se utilizan para actividades de investigación, desarrollo o creación de prototipos antes de su introducción en el mercado» Ver fuente (se abre en una pestaña nueva)
Modelo fundacional (foundation model)
Modelo entrenado con grandes volúmenes de datos generales que puede adaptarse a muchas tareas específicas, como los grandes modelos de lenguaje o de imágenes. Ver servicio: IA generativa, RAG y bases de conocimiento →
Definición de referencia — Bommasani et al., «On the Opportunities and Risks of Foundation Models», Stanford (2021): «Llamamos a estos modelos «modelos fundacionales» para subrayar su carácter fundamentalmente central, pero incompleto.» (traducción de Wasivia del original en inglés) Ver fuente (se abre en una pestaña nueva)
Modelo predictivo
Modelo estadístico o de machine learning que estima un valor o una probabilidad futura, como la demanda o el riesgo de abandono, a partir de datos históricos. Ver servicio: Modelos predictivos y machine learning en producción →
P
Prompt
Instrucción o texto de entrada que se le da a un modelo de IA generativa para obtener una respuesta. Su claridad y su contexto influyen directamente en la calidad del resultado. Ver servicio: Capacitación empresarial en IA →
Prompt injection (inyección de instrucciones)
Ataque en el que un texto malicioso, incluido en un documento, una web o un mensaje, intenta que un modelo o un agente de IA ignore sus instrucciones y haga algo no autorizado. Leer más en nuestro blog →
Definición de referencia — NIST, Taxonomía de aprendizaje automático adversario (NIST AI 100-2e2025), sección 3.3: «Se conocen como ataques de inyección directa de instrucciones aquellos en los que el usuario principal proporciona instrucciones en contexto que se añaden a instrucciones de mayor confianza, como las del diseñador de la aplicación (por ejemplo, el prompt del sistema).» (traducción de Wasivia del original en inglés) Ver fuente (se abre en una pestaña nueva)
Definición de referencia — NIST, Taxonomía de aprendizaje automático adversario (NIST AI 100-2e2025), sección 3.4: «A diferencia de la inyección directa, los ataques de inyección indirecta de instrucciones no los lanza el usuario principal de un modelo, sino un tercero.» (traducción de Wasivia del original en inglés) Ver fuente (se abre en una pestaña nueva)
Proveedor (de IA)
En el Reglamento de IA de la UE, quien desarrolla un sistema o un modelo de IA y lo comercializa o pone en servicio con su propio nombre o marca.
Definición de referencia — Reglamento (UE) 2024/1689, art. 3.3: «una persona física o jurídica, autoridad pública, órgano u organismo que desarrolle un sistema de IA o un modelo de IA de uso general o para el que se desarrolle un sistema de IA o un modelo de IA de uso general y lo introduzca en el mercado o ponga en servicio el sistema de IA con su propio nombre o marca, previo pago o gratuitamente» Ver fuente (se abre en una pestaña nueva)
R
RAG (generación aumentada por recuperación)
Técnica que combina un modelo de IA generativa con la búsqueda en una base de conocimiento: primero recupera la información relevante y luego genera la respuesta a partir de ella, citando las fuentes. Ver servicio: IA generativa, RAG y bases de conocimiento →
Definición de referencia — Lewis et al., «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks» (2020): «Exploramos una receta de ajuste fino de propósito general para la generación aumentada por recuperación (RAG): modelos que combinan memoria paramétrica preentrenada y memoria no paramétrica para la generación de lenguaje.» (traducción de Wasivia del original en inglés) Ver fuente (se abre en una pestaña nueva)
Responsable del despliegue
En el Reglamento de IA de la UE, la organización o persona que utiliza un sistema de IA en su actividad profesional. Una empresa que implanta un asistente de IA para su equipo suele tener este papel.
Definición de referencia — Reglamento (UE) 2024/1689, art. 3.4: «una persona física o jurídica, o autoridad pública, órgano u organismo que utilice un sistema de IA bajo su propia autoridad, salvo cuando su uso se enmarque en una actividad personal de carácter no profesional» Ver fuente (se abre en una pestaña nueva)
Riesgo (en IA)
Combinación de la probabilidad de que un sistema de IA provoque un problema y de la gravedad de sus consecuencias. Gestionarlo es la base de la gobernanza de la IA. Ver servicio: Consultoría y estrategia de IA →
Definición de referencia — NIST, AI Risk Management Framework 1.0 (NIST AI 100-1, 2023), sección 1.1: «En el contexto del AI RMF, el riesgo se refiere a la medida compuesta de la probabilidad de que ocurra un evento y de la magnitud o el grado de las consecuencias de dicho evento.» (traducción de Wasivia del original en inglés) Ver fuente (se abre en una pestaña nueva)
Riesgo sistémico
Riesgo que, por la escala y las capacidades de los modelos de IA de uso general más potentes, puede tener efectos amplios en el mercado o en la sociedad.
Definición de referencia — Reglamento (UE) 2024/1689, art. 3.65: «un riesgo específico de las capacidades de gran impacto de los modelos de IA de uso general, que tienen unas repercusiones considerables en el mercado de la Unión debido a su alcance o a los efectos negativos reales o razonablemente previsibles en la salud pública, la seguridad, la seguridad pública, los derechos fundamentales o la sociedad en su conjunto, que puede propagarse a gran escala a lo largo de toda la cadena de valor» Ver fuente (se abre en una pestaña nueva)
RLHF (aprendizaje por refuerzo con retroalimentación humana)
Técnica para ajustar un modelo usando valoraciones de personas sobre sus respuestas, de modo que siga mejor las instrucciones y se comporte de forma más útil. Ver servicio: IA generativa, RAG y bases de conocimiento →
Definición de referencia — Ouyang et al., «Training language models to follow instructions with human feedback» (2022): «Recopilamos un conjunto de datos de clasificaciones de las salidas del modelo, que usamos para ajustar aún más este modelo supervisado mediante aprendizaje por refuerzo a partir de retroalimentación humana.» (traducción de Wasivia del original en inglés) Ver fuente (se abre en una pestaña nueva)
S
Shadow AI (IA en la sombra)
Uso de herramientas de IA por parte de los empleados sin la aprobación ni el control del área de tecnología, con riesgos para la seguridad y la privacidad de los datos. Leer más en nuestro blog →
Sistema de IA
Sistema basado en software que, a partir de los datos que recibe, genera predicciones, contenidos, recomendaciones o decisiones con cierto grado de autonomía. Es el concepto central sobre el que se construyen las leyes y normas de IA. Ver servicio: Consultoría y estrategia de IA →
Definición de referencia — Reglamento (UE) 2024/1689 de Inteligencia Artificial, art. 3.1: «un sistema basado en una máquina que está diseñado para funcionar con distintos niveles de autonomía y que puede mostrar capacidad de adaptación tras el despliegue, y que, para objetivos explícitos o implícitos, infiere de la información de entrada que recibe la manera de generar resultados de salida, como predicciones, contenidos, recomendaciones o decisiones, que pueden influir en entornos físicos o virtuales» Ver fuente (se abre en una pestaña nueva)
Definición de referencia — OCDE, Recomendación del Consejo sobre Inteligencia Artificial (definición revisada en 2023): «Un sistema de IA es un sistema basado en máquinas que, para objetivos explícitos o implícitos, infiere, a partir de la información que recibe, cómo generar resultados como predicciones, contenidos, recomendaciones o decisiones que pueden influir en entornos físicos o virtuales. Los distintos sistemas de IA varían en sus niveles de autonomía y de adaptabilidad tras su despliegue.» (traducción de Wasivia del original en inglés) Ver fuente (se abre en una pestaña nueva)
Definición de referencia — UNESCO, Recomendación sobre la Ética de la Inteligencia Artificial (2021): La UNESCO no fija una definición única de la IA: aborda los sistemas de IA como sistemas capaces de procesar datos e información de una manera que se asemeja a un comportamiento inteligente, y que suelen abarcar aspectos de razonamiento, aprendizaje, percepción, predicción, planificación o control. Ver fuente (se abre en una pestaña nueva)
Sobreajuste (overfitting)
Error de un modelo que aprende demasiado bien los datos de entrenamiento, incluido su ruido, y por eso funciona mal con datos nuevos. Ver servicio: Modelos predictivos y machine learning en producción →
T
Token
Unidad mínima de texto que procesa un modelo de lenguaje; puede ser una palabra, parte de una palabra o un signo. El costo y los límites de uso de los modelos suelen medirse en tokens.
Transformer
Arquitectura de red neuronal basada en el mecanismo de atención, que permite procesar secuencias de texto de forma eficiente. Es la base de los modelos de lenguaje actuales. Ver servicio: IA generativa, RAG y bases de conocimiento →
Definición de referencia — Vaswani et al., «Attention Is All You Need» (2017): «Proponemos una nueva arquitectura de red sencilla, el Transformer, basada únicamente en mecanismos de atención, que prescinde por completo de la recurrencia y las convoluciones.» (traducción de Wasivia del original en inglés) Ver fuente (se abre en una pestaña nueva)
U
Ultrasuplantación (deepfake)
Imagen, audio o video creado o alterado con IA que parece real y puede hacer creer que algo ocurrió o que alguien dijo algo que no dijo. Leer más en nuestro blog →
Definición de referencia — Reglamento (UE) 2024/1689, art. 3.60: «un contenido de imagen, audio o vídeo generado o manipulado por una IA que se asemeja a personas, objetos, lugares, entidades o sucesos reales y que puede inducir a una persona a pensar erróneamente que son auténticos o verídicos» Ver fuente (se abre en una pestaña nueva)
V
Ventana de contexto
Cantidad máxima de texto, medida en tokens, que un modelo de lenguaje puede considerar a la vez, incluidas las instrucciones, los documentos y la conversación.
Fuentes y metodología
Las explicaciones de cada término son de Wasivia. Las definiciones de referencia proceden de fuentes primarias y se contrastaron con el documento original en septiembre de 2026: el Reglamento (UE) 2024/1689 de Inteligencia Artificial (texto oficial en español, cotejado con su publicación en el Diario Oficial de la UE), la OCDE, la UNESCO, el NIST, las normas ISO/IEC y los artículos científicos que introdujeron cada técnica. Las traducciones del inglés son de Wasivia y no son versiones oficiales.
- Reglamento (UE) 2024/1689 de Inteligencia Artificial — texto oficial en español (EUR-Lex) (se abre en una pestaña nueva)
- OCDE — Recomendación del Consejo sobre Inteligencia Artificial (OECD/LEGAL/0449) (se abre en una pestaña nueva)
- UNESCO — Recomendación sobre la Ética de la Inteligencia Artificial (2021) (se abre en una pestaña nueva)
- NIST — AI Risk Management Framework 1.0 (NIST AI 100-1) (se abre en una pestaña nueva)
- NIST — Perfil de IA generativa (NIST AI 600-1) (se abre en una pestaña nueva)
- NIST — Taxonomía de aprendizaje automático adversario (NIST AI 100-2e2025) (se abre en una pestaña nueva)
- ISO/IEC 42001:2023 — Sistemas de gestión de la IA (se abre en una pestaña nueva)
- ISO/IEC 22989:2022 — Conceptos y terminología de la IA (se abre en una pestaña nueva)
¿Falta algún término? Actualizamos este glosario de forma periódica. Última actualización: 25 de septiembre de 2026. Este contenido es informativo y no constituye asesoramiento legal.
