Glosario de IA para directivos: 30 términos que vas a oír en cada reunión

La reunión en la que nadie se atreve a preguntar

El proveedor habla de “un RAG con embeddings sobre tu base documental”, alguien del equipo menciona que “el agente tirará de MCP” y otro pregunta si “eso consume muchos tokens”. Todo el mundo asiente. Nadie quiere ser quien pregunte qué significa cada cosa, y la decisión se toma a medias.

Este glosario de IA para directivos existe para que eso no vuelva a pasar. No hace falta ser técnico para decidir bien sobre inteligencia artificial, pero sí entender el vocabulario lo justo para hacer las preguntas correctas.

Un glosario de IA para directivos es una selección de los términos que aparecen en propuestas, presupuestos y reuniones de proyecto, explicados en lenguaje de negocio: qué es cada concepto, para qué sirve y qué implica para coste, riesgo o resultado.

Hemos agrupado los 30 términos en cinco bloques. Donde tenemos un artículo que profundiza, lo enlazamos.

Bloque 1: los fundamentos

IA generativa. Sistemas que crean contenido nuevo (texto, imágenes, audio, código) a partir de instrucciones. Es la familia a la que pertenecen ChatGPT, Claude o Gemini, que comparamos en nuestra guía sobre cuál elegir para tu empresa.

Modelo de lenguaje (LLM). El “motor” que hay detrás de un asistente de IA. Ha aprendido de enormes cantidades de texto a predecir cuál es la mejor continuación de una frase, y de ahí sale su capacidad de redactar, resumir o razonar.

Token. La unidad en la que el modelo lee y escribe: un trozo de palabra, aproximadamente. Importa porque los proveedores cobran por tokens consumidos. Lo explicamos en detalle en qué son los tokens y por qué afectan a tu factura.

Ventana de contexto. La cantidad máxima de información que el modelo puede tener “delante” a la vez: instrucciones, documentos y conversación. Si se supera, lo más antiguo se pierde o hay que resumirlo.

Prompt. La instrucción que le das al modelo. Un buen prompt incluye contexto, tarea, formato esperado y ejemplos. Es la habilidad más rentable que puede aprender tu equipo, como contamos en escribir buenos prompts.

Modelo de razonamiento. Modelos que “piensan” en varios pasos antes de responder. Son más lentos y caros, pero mucho mejores en problemas complejos. Los explicamos para no técnicos en modelos de razonamiento.

Bloque 2: calidad y riesgos

Alucinación. Cuando el modelo inventa un dato con total seguridad: una cifra, una cita o una norma que no existe. Es el riesgo número uno en usos de empresa y tiene antídotos concretos, como la cadena de verificación.

Anclaje en fuentes (grounding). Obligar al modelo a responder solo con información de documentos concretos y citar de dónde sale cada dato. Reduce mucho las alucinaciones.

Sesgo. Tendencia del modelo a reproducir prejuicios presentes en los datos con los que aprendió. Es crítico en procesos que afectan a personas, como la selección de candidatos.

Temperatura. Un ajuste que controla cuánta creatividad o variación tienen las respuestas. Baja para tareas que deben ser repetibles (extraer datos de una factura), más alta para ideas o textos creativos.

Evaluación (evals). Baterías de pruebas con casos reales que miden si un sistema de IA responde bien antes y después de cada cambio. Sin evaluación, “funciona” es solo una impresión. Lo desarrollamos en cómo evaluar un agente antes de producción.

Guardarraíles. Reglas y controles que limitan lo que un sistema de IA puede decir o hacer: temas vetados, acciones que requieren aprobación, datos que nunca debe tocar. Ver guardarraíles y supervisión humana.

Bloque 3: conectar la IA con tu empresa

RAG (generación aumentada por recuperación). Técnica para que la IA consulte tus propios documentos (manuales, contratos, catálogo) antes de responder, en lugar de tirar solo de lo que aprendió. Es la base de los asistentes internos y la explicamos en RAG agéntico.

Embeddings. Una forma de convertir textos en coordenadas numéricas según su significado, de manera que “factura impagada” y “cobro pendiente” queden cerca. Es lo que permite buscar por sentido y no por palabras exactas.

Base de datos vectorial. El almacén donde se guardan esos embeddings para buscarlos rápido. Es una pieza habitual en cualquier proyecto RAG.

API. La “puerta” técnica por la que un programa habla con otro. Cuando un proveedor dice que usará “la API del modelo”, significa que tu sistema enviará peticiones al modelo y pagará por uso.

MCP (Model Context Protocol). Un estándar para conectar asistentes de IA con herramientas y datos (CRM, correo, carpetas) sin desarrollos a medida para cada caso. Lo contamos en MCP y conectores.

Ajuste fino (fine-tuning). Reentrenar un modelo con tus propios ejemplos para especializarlo. Suele ser menos necesario de lo que parece: en la mayoría de PYMEs, un buen prompt más RAG resuelve el problema con menos coste.

Bloque 4: agentes de IA

Agente de IA. Un sistema que no solo responde, sino que decide pasos y ejecuta acciones para cumplir un objetivo: consultar datos, rellenar un formulario, enviar un correo. Si quieres empezar por la base, tenemos una serie completa sobre agentes.

Herramientas (tool use). Las capacidades concretas que se le dan a un agente: buscar en el CRM, crear una tarea, calcular un importe. Un agente vale lo que valen sus herramientas, como explicamos en skills y herramientas.

Orquestación. La coordinación de varios pasos, modelos o agentes dentro de un mismo proceso, con un “director” que reparte el trabajo. Ver orquestación de agentes.

Sistema multiagente (subagentes). Varios agentes especializados que colaboran, cada uno en su parte. Más potente, pero también más difícil de controlar. Lo tratamos en subagentes.

Memoria. La capacidad de un sistema de recordar información entre conversaciones: preferencias de un cliente, decisiones anteriores. Detalle en memoria y contexto.

Computer use. Agentes que manejan un ordenador o un navegador como lo haría una persona: hacen clic, rellenan campos, leen pantallas. Útil cuando una aplicación no tiene API. Ver agentes que usan el navegador.

Humano en el bucle. Diseño en el que una persona revisa o aprueba los pasos delicados antes de que el sistema actúe. Es la diferencia entre una automatización segura y una que da sustos.

Bloque 5: negocio y regulación

Inferencia. Cada vez que el modelo trabaja para darte una respuesta. Es lo que se paga en el día a día, frente al coste puntual de construir el sistema.

Cascada de modelos. Usar un modelo barato para la mayoría de tareas y escalar a uno caro solo cuando hace falta. Es una de las palancas de ahorro más efectivas; la explicamos en cascada de modelos.

AI Act. El reglamento europeo de inteligencia artificial, que clasifica los usos por nivel de riesgo y fija obligaciones para proveedores y empresas usuarias. Resumen práctico en el calendario del AI Act.

Alfabetización en IA. La obligación del AI Act de que el personal que usa sistemas de IA tenga formación suficiente para hacerlo con criterio. Más en la obligación que casi nadie conoce.

Shadow AI. El uso de herramientas de IA por parte de empleados sin conocimiento ni control de la empresa, por ejemplo pegando datos de clientes en un chat gratuito. Es un riesgo de privacidad real que conviene atajar con una política clara, como contamos en RGPD e IA.

Cómo usar este glosario en la próxima reunión

Conocer los términos no es el objetivo; el objetivo es hacer mejores preguntas. Algunas que funcionan:

• “¿Esto usa RAG o el modelo responde de memoria?” Si es lo segundo, pregunta cómo se controlan las alucinaciones.
• “¿Cuánto cuesta la inferencia al mes con nuestro volumen?” Un buen proveedor sabe estimarlo.
• “¿Dónde hay un humano en el bucle?” Si la respuesta es “en ningún sitio”, desconfía.
• “¿Cómo lo vamos a evaluar?” Sin pruebas con casos reales, no hay forma de saber si mejora o empeora.
• “¿Qué implica el AI Act para este uso?” La mayoría de usos de PYME son de riesgo bajo, pero conviene que alguien lo haya comprobado.

Preguntas frecuentes

¿Necesito entender todos estos términos para implantar IA?

No. Basta con dominar los del primer y segundo bloque y saber que existen los demás. Lo importante es poder seguir una conversación técnica y detectar cuándo una propuesta promete más de lo que puede cumplir.

¿Qué término es el más importante para el presupuesto?

Token e inferencia, porque determinan el coste recurrente. Un sistema puede ser barato de construir y caro de mantener si nadie ha estimado el consumo con volúmenes reales.

¿Agente y chatbot son lo mismo?

No. Un chatbot conversa y responde; un agente además ejecuta acciones en tus sistemas. Por eso un agente necesita más controles, permisos acotados y supervisión en los pasos sensibles.

Llévate el diccionario completo

Treinta términos dan para defenderse en una reunión, pero el vocabulario de la IA es más amplio. Si quieres tenerlo a mano, en Rakaty hemos preparado un diccionario de IA descargable y gratuito con muchos más conceptos explicados con el mismo enfoque práctico.

Y si después de la próxima reunión te queda la duda de si una propuesta tiene sentido para tu empresa, escríbenos: te lo explicamos sin jerga y con números.