Este glosario explica, sin jerga, los 59 términos que aparecen al implantar inteligencia artificial en una empresa: de LLM, RAG y agentes a RGPD, Reglamento europeo de IA y posicionamiento en buscadores de IA (GEO). Cada definición se entiende sola, trae un ejemplo cuando ayuda y enlaza a la guía o comparativa que desarrolla el tema.
Lo que casi nadie dice: en un proyecto de IA en una empresa mediana, los términos que más pesan en el resultado no son los del modelo, sino integración, supervisión humana y residencia de datos. Elegir el mejor LLM importa menos que conectarlo bien a tus sistemas y decidir quién revisa sus excepciones.
Conjunto de técnicas que permiten a un programa hacer tareas que asociamos a la inteligencia humana: entender texto, reconocer imágenes, predecir o decidir. En una empresa suele significar dos cosas: modelos que predicen a partir de datos históricos y modelos generativos que leen y redactan. Por dónde empezar: cómo implantar IA en una empresa.
IA que produce contenido nuevo (texto, imágenes, audio o código) a partir de una instrucción. ChatGPT, Copilot o Gemini son productos de IA generativa. En una empresa su valor práctico está en leer y redactar: resumir correos, extraer datos de facturas o preparar borradores de respuesta. Comparativa: ChatGPT, Copilot o Gemini para empresas.
Modelo de IA entrenado con enormes cantidades de texto para predecir la continuación más probable de una secuencia. De esa capacidad salen el resumen, la traducción, la clasificación o la redacción. GPT, Claude, Gemini o Mistral son familias de LLM; cuál conviene a una empresa lo vemos en modelos de IA para empresa.
Programa que conversa con el usuario por texto o voz. Los clásicos siguen árboles de respuestas fijas; los actuales usan un LLM y entienden preguntas formuladas de cualquier forma. Un chatbot responde, pero no actúa sobre tus sistemas: cuando además ejecuta tareas hablamos de agente. Ver chatbot o agente de IA.
Asistente integrado en una herramienta de trabajo (correo, hoja de cálculo, editor de código) que sugiere o redacta mientras la persona trabaja. La decisión final es siempre de quien lo usa. Es la forma más habitual de empezar con IA en una oficina y la que más necesita reglas claras: política de uso de IA para empleados.
Instrucción que se le da a un modelo de IA. Un buen prompt dice qué tarea hacer, con qué información, en qué formato devolver el resultado y qué no hacer. En un proceso de empresa no lo escribe cada empleado: se diseña una vez, se prueba con casos reales y se versiona como cualquier otra pieza del sistema.
Respuesta de un modelo que suena correcta pero es falsa: un dato, una cita o una referencia inventados. Ocurre porque el modelo genera texto probable, no comprobado. Se reduce dándole las fuentes (ver RAG), pidiéndole que indique de dónde sale cada dato y revisando las salidas en los casos sensibles.
Modelo capaz de trabajar con varios tipos de entrada o salida: texto, imágenes, audio o PDF. Es lo que permite, por ejemplo, leer un albarán escaneado y devolver sus líneas en una tabla sin una herramienta de OCR aparte. Caso típico: IA en finanzas para facturas y conciliación.
Cada vez que se usa un modelo ya entrenado para obtener una respuesta. Es lo que se paga en el día a día de un proyecto de IA, normalmente por tokens, y lo que determina en qué país se procesan los datos. Cómo se reparten los costes: cuánto cuesta implantar IA.
Modelos que aprenden patrones de datos históricos para estimar un valor futuro o una probabilidad: demanda de un producto, riesgo de que un cliente se vaya, plazo de cobro. Necesita datos propios en cantidad y calidad suficientes; sin histórico fiable no hay predicción útil. Ejemplo: IA en logística y gestión de stock.
Unidad en la que un modelo trocea el texto: un fragmento de palabra, una palabra corta o un signo. Los proveedores cobran por tokens de entrada y de salida, y los límites de los modelos se miden en tokens. Una palabra en español puede ocupar uno o varios tokens, así que el coste se estima con textos reales, no contando palabras.
Cantidad máxima de texto, medida en tokens, que un modelo puede tener en cuenta a la vez: la instrucción, los documentos que se le pasan y la conversación. Si un contrato no cabe, hay que trocearlo o recuperar solo las partes relevantes con RAG. Una ventana grande no garantiza que el modelo atienda igual a cada parte.
Parámetro que controla cuánta variación hay en las respuestas de un modelo. Con temperatura baja, ante la misma entrada responde de forma más parecida; con temperatura alta, más variada. Para extraer datos o clasificar se usa baja; para proponer ideas, más alta.
Técnica que, antes de que el modelo responda, busca en tus documentos los fragmentos relevantes y se los pasa como contexto. Así responde con tu información (catálogo, procedimientos, contratos) y puede citar la fuente. Es la forma habitual de montar un asistente sobre la documentación interna sin reentrenar ningún modelo.
Representación de un texto como una lista de números que captura su significado. Dos textos que dicen lo mismo con palabras distintas tienen embeddings cercanos. Es lo que permite buscar por significado («devolución de un pedido roto») y no solo por palabras exactas, y es la base del RAG.
Base de datos pensada para guardar embeddings y encontrar rápido los más parecidos a una consulta. En un proyecto de RAG guarda los fragmentos de tus documentos ya convertidos. Puede ser un producto específico o una extensión de una base de datos que ya uses, como PostgreSQL con pgvector.
Reentrenar un modelo existente con ejemplos propios para que adopte un formato, un tono o una tarea muy concreta. Es más caro y lento de mantener que el RAG, y no es la vía para que el modelo conozca tus datos, que cambian cada día. En empresas medianas rara vez es el primer paso.
Modelo cuyos parámetros se publican para que cualquiera pueda descargarlo y ejecutarlo en su propia infraestructura, como Llama o parte de los modelos de Mistral. Da más control sobre dónde se procesan los datos, a cambio de asumir el alojamiento y el mantenimiento. Pesos abiertos no siempre significa código abierto: hay que leer la licencia.
Conjunto de casos de prueba con la respuesta correcta conocida para medir si un sistema de IA acierta. Se ejecuta antes de ponerlo en producción y cada vez que cambia el modelo o el prompt. Sin evaluación, «funciona bien» es una impresión. Cómo medir el resultado de negocio: cómo medir el ROI de la IA.
Controles que limitan lo que un sistema de IA puede recibir o devolver: filtros de datos personales, formatos obligatorios, temas vetados o validación de la salida antes de usarla. Son la diferencia entre un prototipo y algo que se puede dejar funcionando con clientes.
Sistema que recibe un objetivo, decide qué pasos dar, consulta información y ejecuta acciones en tus herramientas dentro de unos límites. Por ejemplo: leer un correo de reclamación, buscar el pedido en el ERP, preparar la respuesta y dejarla para aprobación. Más en agentes de IA para empresas.
Capacidad de un modelo para pedir que se ejecute una función definida de antemano, como consultar un pedido o crear un ticket, con los parámetros correctos. El modelo no ejecuta nada por sí mismo: lo hace el programa que lo rodea, que decide qué funciones ofrece y con qué permisos. Es la pieza que convierte un chatbot en un agente.
Coordinación de los pasos, herramientas y modelos que intervienen en un proceso con IA: qué va primero, qué hacer si algo falla y cuándo pasar el caso a una persona. Puede ser un flujo fijo, un agente que decide o, a menudo, una mezcla de los dos.
Estándar abierto, presentado por Anthropic en noviembre de 2024, para conectar asistentes y agentes de IA con herramientas y fuentes de datos de forma uniforme. En lugar de programar una integración distinta para cada modelo, el sistema expone un servidor MCP que cualquier cliente compatible puede usar. Ahorra trabajo, pero cada conexión sigue necesitando sus permisos.
Software que imita los clics y tecleos de una persona en las pantallas de otras aplicaciones. Es útil cuando un sistema no tiene API, pero se rompe cuando cambia la pantalla y no entiende documentos variables. Comparativa: agente de IA o RPA.
Automatización que ejecuta siempre los mismos pasos cuando se cumple una condición: «si llega una factura de este proveedor, guárdala en esta carpeta». Es barata, predecible y fácil de auditar. Si una regla resuelve el caso, es mejor opción que un agente. Ver automatización de procesos con IA.
Diseño en el que una persona revisa o aprueba ciertas decisiones del sistema antes de que tengan efecto: un pago, un correo a un cliente, un cambio en datos maestros. Qué acciones lo necesitan se decide y se deja por escrito. El Reglamento europeo de IA exige supervisión humana en los sistemas de alto riesgo.
Interfaz que permite a dos programas comunicarse de forma controlada: pedir datos o ejecutar acciones sin pasar por la pantalla. Que tu ERP, CRM o helpdesk tengan API es lo que más abarata una integración con IA. Sin API se puede trabajar con exportaciones, pero es más frágil.
Conexión entre el sistema de IA y las herramientas que ya usa la empresa, para que lea de ellas y escriba en ellas. Suele ser la parte más laboriosa de un proyecto y la que más pesa en el mantenimiento. Un piloto sin integración demuestra poco, porque el equipo acaba copiando y pegando. Ver IA a medida o SaaS.
Aviso automático que un sistema envía a otro cuando ocurre algo: un pedido nuevo, un ticket abierto, un pago recibido. Permite que un proceso con IA arranque en el momento, sin comprobar cada pocos minutos si hay novedades.
Herramientas como Make, Zapier o n8n que conectan aplicaciones mediante flujos visuales, con pasos de IA incluidos. Sirven para procesos sencillos y volúmenes moderados; en procesos críticos conviene valorar el coste por ejecución y quién los mantiene. Comparativa: Make, Zapier o n8n.
Reglamento (UE) 2016/679, que regula el tratamiento de datos personales en la Unión Europea. Se aplica a un proyecto de IA en cuanto el sistema trata datos de personas: clientes, empleados o proveedores. Obliga, entre otras cosas, a tener base legal, informar, minimizar datos y firmar contratos con los proveedores. Guía: RGPD e inteligencia artificial en la empresa.
Análisis previo que exige el artículo 35 del RGPD cuando un tratamiento puede suponer un alto riesgo para los derechos de las personas, por ejemplo por usar nuevas tecnologías o evaluar a personas de forma sistemática. Describe el tratamiento, valora si es necesario y proporcionado, identifica riesgos y fija medidas. La AEPD publica guías y una lista de tratamientos que la requieren.
Quien decide para qué y cómo se tratan los datos personales (artículo 4 del RGPD). En un proyecto de IA dentro de tu empresa, el responsable eres tú, aunque la tecnología sea de terceros. Te toca justificar la base legal y elegir proveedores que ofrezcan garantías suficientes.
Empresa que trata datos personales por cuenta de otra y siguiendo sus instrucciones (artículo 28 del RGPD). Un proveedor de modelos o de alojamiento suele serlo respecto a los datos que le envías. La relación exige un contrato de encargo que fije qué hace con los datos, dónde y con qué subencargados.
Lugar geográfico donde se almacenan y procesan los datos. En IA hay que preguntarlo por separado para cada pieza: dónde se guardan los documentos, dónde se ejecuta el modelo y dónde quedan los registros. Que la web o la base de datos estén en la UE no implica que el resto también lo esté.
Envío de datos personales a un país fuera del Espacio Económico Europeo. El RGPD solo la permite con las garantías de su capítulo V, como una decisión de adecuación de la Comisión Europea o cláusulas contractuales tipo. Es habitual cuando el proveedor de IA procesa fuera de Europa, y debe constar en el contrato.
Anonimizar es eliminar de forma irreversible la posibilidad de identificar a la persona; los datos anonimizados dejan de ser datos personales. Seudonimizar es sustituir los identificadores (nombre, DNI) por códigos que se pueden revertir con información adicional, así que siguen siendo datos personales. Seudonimizar antes de enviar documentos a un modelo reduce el riesgo.
Uso de herramientas de IA por parte de empleados sin conocimiento ni autorización de la empresa, por ejemplo pegar un contrato en un chat gratuito. El riesgo no es la herramienta, sino no saber qué datos han salido ni a dónde. Se aborda con una política de uso de IA y alternativas aprobadas.
Reglamento (UE) 2024/1689, que regula el desarrollo y el uso de sistemas de IA en la UE según su nivel de riesgo. Entró en vigor el 1 de agosto de 2024 y se aplica por fases: las prácticas prohibidas y la alfabetización desde el 2 de febrero de 2025, y las obligaciones de los modelos de uso general desde el 2 de agosto de 2025. Qué supone para una pyme: Reglamento europeo de IA para pymes.
Usos de la IA que veta el artículo 5 del Reglamento, como la manipulación que causa perjuicios, la puntuación social o el reconocimiento de emociones en el trabajo y en centros educativos, salvo por motivos médicos o de seguridad. Están prohibidos desde el 2 de febrero de 2025. Una empresa mediana rara vez se acerca a ellos, pero conviene descartarlos por escrito.
Sistema que el Reglamento considera de alto riesgo por su uso, según el artículo 6 y el anexo III: por ejemplo, seleccionar candidatos, evaluar a empleados o evaluar la solvencia de personas físicas. Conlleva obligaciones de gestión de riesgos, documentación, registro y supervisión humana. Automatizar facturas no suele serlo; filtrar currículos, sí. Ver IA en recursos humanos.
Obligación del artículo 4 del Reglamento: quien proporciona o utiliza sistemas de IA debe adoptar medidas para que su personal tenga un nivel suficiente de conocimientos sobre IA, según su puesto y el uso que hace. Se aplica desde el 2 de febrero de 2025 y afecta también a empresas que solo usan herramientas de terceros. En la práctica: formación proporcionada al uso y documentada.
Término del Reglamento (artículo 3) para quien utiliza un sistema de IA bajo su propia autoridad en una actividad profesional. Es el papel de casi cualquier empresa que usa IA, frente al del proveedor, que la desarrolla o la comercializa. Tiene obligaciones propias, más intensas si el sistema es de alto riesgo.
Modelo entrenado con grandes volúmenes de datos que sirve para muchas tareas distintas, como los LLM de los grandes proveedores. El Reglamento impone a quienes los desarrollan obligaciones de documentación técnica, política de derechos de autor y resumen de los datos de entrenamiento desde el 2 de agosto de 2025. La empresa que solo los usa no asume esas obligaciones, pero sí las de responsable del despliegue.
Deberes del artículo 50 del Reglamento: avisar a las personas de que interactúan con un sistema de IA cuando no sea evidente y marcar como artificial cierto contenido generado, como las ultrasuplantaciones. Afecta, por ejemplo, a un asistente de atención al cliente que no se presente como tal. Ver IA en atención al cliente.
Agencia Española de Supervisión de la Inteligencia Artificial, con sede en A Coruña. Su estatuto se aprobó por el Real Decreto 729/2023 y le encarga supervisar en España el cumplimiento de la normativa sobre IA, incluido el Reglamento europeo. Es la referencia pública para consultas y guías sobre su aplicación.
Posicionamiento en buscadores: trabajo técnico y de contenido para que una web aparezca en los resultados de Google o Bing cuando alguien busca lo que ofreces. Sigue siendo la base, porque muchas respuestas de IA se construyen a partir de páginas que un buscador ha rastreado e indexado. Comparativa: SEO o GEO.
Trabajo para que los asistentes de IA (ChatGPT, Gemini, Perplexity o la vista con IA de Google) mencionen y citen tu empresa cuando alguien pregunta por lo que ofreces. Combina SEO técnico, contenido que responde de forma directa, datos estructurados y presencia de la marca en otras fuentes. Más en posicionamiento en buscadores de IA.
Término cercano al GEO, centrado en que tu contenido sea la respuesta directa a una pregunta: fragmentos destacados, asistentes de voz y respuestas de IA. En la práctica GEO y AEO comparten casi las mismas técnicas; la diferencia es más de etiqueta que de técnica.
Resúmenes generados con IA que Google muestra encima de algunos resultados de búsqueda, con enlaces a las páginas que usa como fuente. Pueden reducir los clics hacia las webs, pero ser una de las fuentes citadas da visibilidad. Qué cambia: AI Overviews de Google para empresas.
Fichero de texto en la raíz de una web (/llms.txt) que resume en Markdown qué es el sitio y enlaza sus páginas clave, pensado para que lo lean los modelos de lenguaje. Es una propuesta publicada en 2024, no un estándar oficial, y no hay garantía de que los asistentes lo usen. Crearlo cuesta poco: qué es llms.txt y cómo crearlo.
Código, normalmente en formato JSON-LD, que describe el contenido de una página con un vocabulario común: esto es una organización, esto un servicio, esto una pregunta frecuente. Ayuda a buscadores y sistemas de IA a interpretar la página sin ambigüedad y es requisito para algunos resultados enriquecidos de Google. El vocabulario se mantiene en schema.org.
Siglas en inglés de experiencia, conocimiento, autoridad y fiabilidad: los criterios con los que las directrices para evaluadores de calidad de Google describen el contenido fiable. No es una puntuación que se mida, sino una forma de juzgar si una página merece confianza. Se trabaja con autoría clara, fuentes citadas y contenido basado en experiencia real.
Medida informal de lo fácil que es para un sistema de IA extraer y citar un fragmento de tu página. Ayudan las respuestas directas al principio, los datos con fuente, las definiciones que se entienden solas y las tablas. Este glosario está escrito así: cada definición se entiende sin leer las demás.
Robot que recorre webs para una empresa de IA, ya sea para entrenar modelos o para buscar información al responder. Ejemplos: GPTBot y OAI-SearchBot de OpenAI, ClaudeBot de Anthropic o PerplexityBot. Se pueden permitir o bloquear uno a uno en robots.txt; bloquear los de búsqueda puede dejarte fuera de sus respuestas.
Fichero en la raíz de la web que indica a cada rastreador qué puede recorrer. Google-Extended, por ejemplo, es una marca que permite decidir si el contenido se usa para los modelos Gemini sin afectar a la presencia en la Búsqueda de Google. Es una indicación que los rastreadores serios respetan, no una medida de seguridad.
Proporción de respuestas de asistentes de IA, para un conjunto fijo de preguntas, en las que aparece tu marca, y con qué posición y tono. Se mide repitiendo las mismas preguntas de forma periódica, porque las respuestas varían. Cómo hacerlo: cómo medir si las IAs citan tu marca.
Referencias a tu empresa en otras webs, medios, directorios, foros o reseñas, con enlace o sin él. Los asistentes que buscan en la web leen esas fuentes, así que lo que otros dicen de ti pesa en lo que responde una IA. Ver cómo aparecer en ChatGPT.
La IA generativa es la categoría amplia de sistemas que crean contenido: texto, imágenes, audio o código. Un LLM es un tipo concreto de modelo generativo especializado en lenguaje. Cualquier LLM es IA generativa, pero un generador de imágenes, por ejemplo, es IA generativa y no es un LLM.
En la mayoría de casos, RAG. Si quieres que la IA responda con tu información (catálogo, procedimientos, contratos), el RAG se la pasa en cada consulta y se actualiza en cuanto cambian tus documentos. El fine-tuning tiene sentido para fijar un formato o un tono muy concretos cuando el RAG y un buen prompt no bastan.
Una RPA repite clics y tecleos siempre de la misma forma y se rompe cuando cambia la pantalla o el documento. Un agente de IA entiende información variable, como correos o facturas de formatos distintos, decide pasos dentro de unos límites y escala a una persona lo que no sabe resolver. Si el proceso es fijo y estable, una RPA o una regla pueden ser más baratas.
Sí, aunque de forma limitada. Como responsable del despliegue, desde el 2 de febrero de 2025 debes procurar que tu personal tenga conocimientos suficientes de IA (artículo 4). Las obligaciones fuertes solo llegan si usas la IA para algo de alto riesgo, como seleccionar personal, o si la pones a hablar con clientes sin avisar de que es una IA.
No. El GEO se apoya en el SEO: si tu web no se puede rastrear ni indexar bien, es difícil que un asistente de IA la encuentre y la cite. El GEO añade trabajo específico, como respuestas directas, datos estructurados, llms.txt y menciones en otras fuentes, y una forma distinta de medir: si te citan, no solo en qué posición sales.
En el diagnóstico gratuito de 45 minutos vemos qué proceso tiene sentido automatizar primero y qué hace falta para hacerlo bien. Si te interesa que las IAs citen tu empresa, la radiografía de visibilidad también es gratis y dura 30 minutos.
Escríbenos por WhatsApp