Glosario

Todos los términos que usa el programa, en lenguaje claro.

¿Es tu primera vez? Lee la primera lección gratis. No necesitas cuenta.

Conceptos de IA

Agent: Un sistema de IA que da varios pasos por su cuenta hacia un objetivo: elige tools y se va adaptando sobre la marcha.
AGI: Inteligencia artificial general: una IA hipotética, tan capaz como una persona en casi cualquier tarea. Se debate mucho y todavía no existe.
Closed model: Un modelo propietario al que solo se puede acceder a través de la API o la app de su proveedor.
Coding agent: Un asistente de IA con manos: lee archivos, los edita y ejecuta comandos, comprobando el resultado a cada paso.
Compaction: Resumir las partes antiguas de una conversación para liberar espacio en la context window.
Completion / response: Lo que el modelo devuelve después de tu prompt.
Context: Todo lo que el modelo puede ver ahora mismo: tu prompt, la conversación, los archivos adjuntos y cualquier nota que se le haya inyectado.
Context rot: Un fallo del bucle: el historial crece hasta que la señal se ahoga. Se arregla resumiendo los turnos viejos y volviendo a fijar el objetivo.
Context window: El máximo de tokens que un modelo puede tener presentes a la vez: tu prompt más todo lo que ya ha leído.
Corpus de origen: Donde vive la verdad en un montaje de RAG: las páginas, los documentos, los contratos o los tickets antiguos de los que recuperas.
Embedding: Una representación numérica de un texto que permite a un sistema buscar por significado en vez de por palabras exactas.
Embedding models: Modelos que convierten texto en números para que los tools puedan buscar por significado. Funcionan entre bastidores en los asistentes conectados a tus documentos.
Fine-tuning: Training adicional y especializado sobre un modelo base para ajustarlo a un uso concreto.
Frontier model: El modelo más grande, más nuevo y más capaz que ofrece un proveedor.
Generation: El último paso del RAG: meter los fragmentos recuperados en el prompt y dejar que la IA responda con ese context.
Gradient descent: El proceso de training en el que un modelo va ajustando poco a poco miles de millones de parámetros internos hasta que acierta al predecir la palabra siguiente.
Inference: Cada vez que usas el modelo de verdad. Le envías un prompt, pasa por unos parámetros congelados y produce un resultado.
LLM: Gran modelo de lenguaje: la tecnología que hay detrás de los asistentes de chat como ChatGPT, Gemini y Claude.
Long context: Cuánto puede tener presente un asistente en una sola conversación. Un long context abarca de golpe el equivalente a una biblioteca pequeña.
MCP (Model Context Protocol): Una forma estándar de conectar las apps de IA con tools, datos y servicios de fuera. Piensa en un USB para la IA.
Memory: Una función que guarda ciertos datos sobre ti y los vuelve a poner en el context al empezar las conversaciones siguientes.
Modelos de imagen: Modelos que generan imágenes a partir de descripciones en texto, como DALL-E, Midjourney o Stable Diffusion.
Modelos de voz: Modelos que convierten voz en texto y al revés, como Whisper para transcribir o ElevenLabs para sintetizar voz.
Multimodal: Modelos que manejan algo más que texto: imágenes y, a veces, audio o video.
Open weights: Un modelo cuyos parámetros puedes descargar y ejecutar tú mismo.
Predicción de la palabra siguiente: Cómo funciona un LLM en el fondo: predice una y otra vez la palabra siguiente más probable hasta formar una respuesta útil.
RAG (Retrieval-Augmented Generation): El sistema busca primero en tus documentos o en la web, y el modelo responde con lo que ha encontrado.
Session: Una conversación continua. Un chat nuevo empieza con el context vacío.
System prompt: Las instrucciones que fijan el rol y las reglas de la IA al principio de una conversación.
Token: Los trocitos de texto que un asistente lee y escribe, más o menos tres cuartos de palabra. La longitud y el costo se cuentan en tokens.
Tool: Un conector que permite a la IA hacer algo más que escribir texto: buscar, calcular o llegar a otro sistema.
Training: El proceso caro y único en el que un modelo aprende patrones a partir de cantidades enormes de texto. Lo hacen los proveedores, no tú.
Training cutoff: La fecha a partir de la cual el modelo no sabe nada por training, así que se pierde lo posterior salvo que se lo cuentes.

Prompting y técnicas

Capa siempre activa: El puñado de cosas que se leen en cada turno: las restricciones duras, las reglas de la casa y la tarea en curso.
Carga bajo demanda: Cargar esquemas, especificaciones, manuales o documentos solo cuando una tarea los necesita, pidiéndolos por su nombre.
Chain (prompt chaining): Una secuencia de prompts en la que cada resultado se convierte en la entrada del siguiente. Tú llevas la chain; la IA ejecuta cada etapa.
Chain of thought: Pedirle al modelo que razone paso a paso antes de responder. Mejora la precisión en los problemas de varios pasos.
Chunking: Partir un corpus en trozos manejables (de 256 a 512 tokens, con un solapamiento del 10 al 20 %) para poder recuperarlos.
Descomposición de procesos: Partir en pasos un proceso que pasa por varios equipos y decidir cuáles son de IA, cuáles deterministas y cuáles necesitan a una persona.
Determinismo frente a criterio: Un paso determinista da siempre el mismo resultado. Un paso de criterio puede variar con toda legitimidad. Marca cada etapa como una de las dos.
Diario de prompts: Una colección guardada de los prompts que funcionaron. Con el tiempo se convierte en una biblioteca de plantillas para tu propio trabajo.
Few-shot: Darle al modelo unos pocos ejemplos del patrón de entrada y resultado que quieres. Sube mucho la fiabilidad.
Formato del resultado: Mantener los resultados intermedios en un formato que una máquina pueda leer: tablas, JSON, campos siempre iguales. La prosa libre rompe las chains.
Marco de cuatro elementos: La estructura de prompt fiable: Rol, Context, Tarea, Formato (también llamada CRAFT o RCTF).
Meta-prompting: Pedirle a la IA que critique y reescriba tu prompt para que produzca resultados más fiables.
Paso de IA: Un paso del proceso que necesita un criterio que cambia según la entrada. Aquí es donde vale la pena gastar tu presupuesto de IA.
Paso determinista: Un paso del proceso que se resuelve con una lógica fija: una fórmula, un campo de una base de datos o un script.
Persona: Asignarle al modelo un papel para subirle el nivel de calidad. Da forma a cómo responde, pero no cambia si tiene razón.
Persona prompts: Dale un rol a cada etapa: un abogado junior, un responsable de cumplimiento. La Persona cambia el vocabulario, la profundidad y el tono.
Planifica y luego ejecuta: Pedirle al modelo que primero planifique y señale los huecos, y solo después produzca el entregable, para que no rellene esos huecos a base de suposiciones.
Progressive disclosure: Cargar poco siempre y el resto solo cuando sea relevante. Mantén pequeña la capa siempre activa.
Prompt: Lo que le escribes a un asistente. El prompting es el oficio de pedir bien las cosas.
Prompting en varios pasos: Partir el trabajo en etapas en lugar de escribir un prompt gigante. Cada etapa produce un resultado limpio y con nombre que usa la siguiente.
Refinamiento iterativo: Tratar la IA como una conversación y mejorar el resultado en unas cuantas rondas, en vez de esperar que el primer borrador salga perfecto.
Regla de oro: Dale a la IA todo el context que puedas, siempre. Mejores entradas dan mejores resultados, de forma constante.
Rellenar la respuesta por adelantado: Empezar tú la respuesta de la IA. Fija el formato y el tono desde la primera palabra y reduce mucho el drift.
Restricciones negativas: Decirle a la IA lo que no debe hacer. Empuja contra sus valores por defecto y suele ser más fácil que describir lo que quieres.
Retrieval: Elegir los fragmentos correctos para cada consulta. El retrieval híbrido (semántica más palabras clave) con un reranker es lo estándar en producción.
Structured outputs: Pedir un esquema concreto, como JSON o una tabla, para que el resultado quede claro y otros tools puedan reutilizarlo sin pelearse con él.
Superponer roles: Hacer que la IA analice algo desde varios puntos de vista expertos, uno tras otro, y después sintetice una sola recomendación.
Traspaso (la costura): El momento en que el resultado de un paso pasa a ser la entrada del siguiente. Casi todas las chains se rompen aquí, así que pon las comprobaciones en la costura.
Zero-shot: Pedirle al modelo que haga una tarea sin darle ningún ejemplo. Vale para tareas simples y muy conocidas.

Construir y lanzar

Agent loop: El ciclo en ejecución: leer el context, decidir, llamar a un tool, leer el resultado, decidir otra vez, hasta que la tarea está hecha.
AGENTS.md: El archivo de instrucciones estándar entre tools. Pon aquí tus convenciones, como única fuente de verdad.
Anatomía de unas instrucciones: Las piezas que necesitan unas buenas instrucciones de agent: rol, trigger, entradas, pasos, formato del resultado y guardrails.
Archivo de instrucciones: Un archivo con reglas permanentes que un agent lee antes de ponerse a trabajar. AGENTS.md es el nombre habitual.
Archivos de referencia: Documentos estables (normativa, guías de estilo, glosarios) que se adjuntan a un asistente personalizado para que razone siempre con ellos.
Branch: Una línea de trabajo paralela dentro del mismo repo. Experimentas en una branch sin molestar a la principal.
Changelog: Una nota corta al final de unas instrucciones donde apuntas los cambios de cada versión, para que los demás vean cómo han evolucionado.
Checkout: Cambiar tu carpeta de trabajo para que muestre una branch o un commit concretos. El mismo repo, otra vista.
CLAUDE.md: El archivo de instrucciones de Claude Code, en la raíz del proyecto o en ~/.claude para el global. Muchas veces es solo un puntero a AGENTS.md.
Cobertura: Una de las fuerzas del diseño de un harness: darle al modelo lo suficiente para actuar bien. Con demasiado poco, adivina o se inventa una API.
Commit: Un cambio guardado, con una nota que dice qué cambió y por qué. El historial de un repo es una cadena de commits.
Context budget: Tratar la context window como un presupuesto que repartes a propósito, gastando más en lo que de verdad cambia la respuesta.
Contexto oculto: Los system prompts, los archivos de referencia, el historial de la conversación y los fragmentos recuperados gastan tokens en cada ejecución.
Costo: Lo que cuesta cada token: en dinero, en latencia y en atención diluida.
Costo por resultado aprovechable: El gasto total dividido entre los resultados que no hubo que rehacer. La métrica de gasto que conviene interiorizar.
Costura: El punto donde la información pasa de una persona, un equipo o un sistema a otro. Por las costuras se escapan tiempo y calidad.
Deferred tools: Listar los tools por su nombre y dejar que el modelo pida la definición completa cuando la necesite, para que el context siga ligero.
Edge cases: Entradas válidas pero raras. Unas buenas instrucciones dicen qué hacer cuando falta un campo, cuando hay contradicciones y cuando aparecen datos sensibles.
Entradas de confianza: Entradas que ya venían validadas antes de llegar aquí, como una fila de base de datos con un esquema obligatorio. Puedes actuar sobre ellas directamente.
Etapa de validación: La primera etapa de la chain, la que comprueba que cada campo obligatorio está y es válido. Si una comprobación falla, se detiene y avisa a una persona.
Fallo de diseño: Un fallo que viene de la arquitectura del flujo de trabajo. Se arregla rehaciendo las etapas o rediseñándolo.
Forking: Copiar el agent o el asistente que ha compartido otra persona y adaptarlo, heredando lo que aprendió quien lo escribió.
Format drift: La IA devuelve el resultado con una forma un poco distinta a la especificada, y eso rompe todo lo que venía después esperando el formato exacto.
Frontmatter: Un bloque pequeño de YAML justo al principio de un archivo, con datos sobre el propio archivo.
Harness: Todo lo que montas alrededor de un modelo: el context que le das, los tools que puede llamar y el bucle en el que se mueve.
Idempotency: Un agent es idempotente si ejecutarlo dos veces con la misma entrada no hace daño: da el mismo resultado o se salta el trabajo.
Infraestructura (frente a una herramienta): Algo construido de lo que dependen muchas personas. A esa escala necesita un responsable con nombre, un comportamiento documentado, HITL gates y un plan de mantenimiento.
La regla de construir: Cuando te encuentres haciendo el mismo trabajo dos veces, móntalo como un agent para que la tercera vez se haga sola.
La regla de las 50 entradas: Prueba un agent con 50 entradas reales distintas antes de confiar en él sin supervisión. Clasifica cada fallo.
Límite del modelo: Un fallo en el que la IA no es lo bastante fiable para la tarea. Se arregla con una comprobación determinista o con un HITL gate más estricto.
Listo para producción: Un flujo de trabajo probado con entradas reales, con los modos de fallo y los HITL gates escritos en las instrucciones, documentado, con responsable y con registro para detectar el drift.
Mapa de costuras: Un mapa de los traspasos de un proceso: quién entrega, quién recoge, qué se pierde, cuánto tiempo cuesta y dónde encajaría la IA.
Merge: Fusionar los cambios de una branch con la línea principal cuando ya están listos.
Niveles de madurez: Etiquetas para los flujos compartidos: úsalo a tu riesgo, destacado (revisado) y oficial (mantenido y listo para producción).
Output schema: Una definición escrita y precisa de los campos y los tipos de un resultado, fijada antes de escribir el prompt.
Plan de mantenimiento: Un documento corto que nombra al responsable, a su suplente, cada cuánto se revisa, los modos de fallo conocidos y cómo se prueban los cambios.
Plantillas con variables: Las instrucciones de producción son plantillas con variables con nombre, y eso las vuelve inspeccionables, versionables y bifurcables.
Predominio del resultado: Los tokens de resultado suelen costar de 3 a 5 veces más que los de entrada, así que un ajuste por defecto verboso multiplica el gasto muy rápido.
Prueba del objetivo: Una condición de parada que el agent ejecuta en vez de afirmar: la compilación pasa, o el endpoint devuelve 200.
Pull request: Un paquete de commits que se ofrece a revisión antes de fusionarlo.
Recall: Con cuánta fiabilidad el modelo aplica una regla concreta. Las reglas enterradas en medio de un long context se pasan por alto.
Repository (repo): Una carpeta de proyecto con memoria. Guarda los archivos, las pruebas y un registro de cada cambio, así que nada se pierde de verdad.
Skill: Un paquete de instrucciones y material de referencia que le enseña a un asistente a hacer bien un trabajo concreto, reutilizable en cualquier conversación futura.
SKILL.md: El único archivo obligatorio de una skill: arriba, el frontmatter YAML con el nombre y la descripción; debajo, el procedimiento.
Symlink: Un archivo de acceso directo que apunta a otro archivo, para que una sola copia real aparezca en varios sitios.
Terminal (shell): La ventana de texto donde escribes comandos en lugar de pulsar botones. Aquí viven los coding agents.
Test suite: Las comprobaciones propias de un proyecto: un solo comando las ejecuta todas e informa de si pasan o fallan.
Tope de presupuesto: Una condición de parada que pone un techo duro de turnos, de tokens o de llamadas a tools.
Triggers: Cómo arranca un agent: por calendario, a demanda o por un evento, como una fila nueva en una base de datos.
Utilizable frente a exacto: Utilizable significa que las etapas siguientes pueden leer el resultado. Exacto significa que el contenido es correcto. Hacen falta las dos cosas.
Vibe coding: Construir algo describiendo en palabras normales lo que quieres y dejando que la IA escriba el código; tú vas corrigiendo el rumbo por intuición.
Worktree: Una segunda copia de trabajo del mismo repo, en su propia carpeta y con su propia branch, para que dos frentes no se pisen nunca.
YAML: Configuración escrita como líneas con etiqueta, del estilo name: pdf-export. Léelo como un formulario, no como código.

Riesgo y seguridad

Acciones que siempre pasan por HITL: Lo que siempre necesita el visto bueno de una persona: dinero, salud, seguridad, contratos, condiciones legales, trámites con la administración y situación legal.
Adversarial testing: Darle a propósito al agent entradas retorcidas, contradictorias, incompletas o maliciosas mientras lo pruebas, para encontrar por dónde se rompe.
Adversarial verification: Separar el crear del juzgar. Una pasada produce, otra ataca con el mandato de refutar, y solo se lanza lo que sobrevive.
AI slop: Texto o imágenes de IA producidos en cadena y sin ningún cuidado. Justo lo que evita un buen prompting.
Audit logs: El registro de cada llamada a un tool MCP, con la hora, quién llamó, con qué scope y con qué resultado. Es lo que consultas para ver qué hizo la IA.
Blast radius: El alcance que tiene un agent si algo sale mal: hasta qué sistemas puede llegar el daño. Un agent conectado necesita puntos de control más estrictos.
Confidence calibration: Hacer que la IA puntúe su propia confianza (alta, media, baja) y dé un motivo, para que sepas qué resultados hay que revisar.
Drift: Cuando los resultados de un modelo empeoran poco a poco porque el patrón de las entradas cambió. Es silencioso y solo se ve mirando muchos resultados juntos.
Drift (loop): Un fallo del bucle: el agent se olvida del objetivo y se pone a optimizar una subtarea. Repite el objetivo cerca del final del context.
Equivocado con aplomo: Una respuesta que suena con autoridad pero está mal en algún detalle sutil, dicha con el mismo tono que las respuestas correctas.
Guardrails: Las reglas y comprobaciones que impiden que la IA haga cosas peligrosas.
Hallucination: Cuando un asistente afirma algo falso con total seguridad. Siempre merece una comprobación rápida.
Higiene de datos: Los hábitos para manejar información privada con IA. Deja los datos sensibles donde viven, en vez de pegarlos en un tool que no controlas.
HITL gate: Un punto de revisión con una persona en el bucle: alguien mira el trabajo antes de que el agent actúe. Obligatorio en acciones irreversibles o de poca confianza.
Human-in-the-loop (HITL): Una persona revisa o aprueba el resultado de la IA antes de que se actúe, sobre todo en pasos regulados, irreversibles o de mucho impacto.
Jailbreak: Un prompt montado para saltarse los guardrails de una IA. No lo intentes: esos guardrails te protegen a ti y a los demás.
La regla inflexible: Nunca pegues datos bancarios, credenciales, documentos de identidad ni nada privado que no sea tuyo en un tool de IA de uso general.
Parada incorrecta: Un fallo del bucle: el agent se rinde antes de tiempo o no se rinde nunca. Se arregla con una prueba de terminación explícita.
Pausa automática: Un cortacircuitos que detiene al agent cuando la exactitud medida por muestreo cae por debajo de un umbral fijado, hasta que una persona vuelve a activarlo.
Prompt injection: Instrucciones maliciosas escondidas dentro del contenido que la IA lee, con la intención de secuestrar lo que hace.
Revisión por muestreo: Tomar una parte de los resultados de un flujo de trabajo (digamos un 10 %) y revisarlos tú mismo.
Revocation: Quitarle los scopes a una conexión MCP cuando el flujo de trabajo se retira, para que no se vayan acumulando conexiones dormidas.
Scopes: Los permisos por acción que expone un servidor MCP, como read_employees separado de update_employee. Concede solo el mínimo.
Sin avance: Un fallo del bucle: el agent reintenta la misma acción que ya falla. Registra lo que se ha probado y pon un tope de reintentos.
Umbral mínimo de confianza: El umbral por debajo del cual el agent se detiene y escala en vez de actuar.
Vía de escalación: El camino definido para un caso marcado: a quién se avisa, cómo y con qué contexto. Todo HITL gate necesita una.

Herramientas y asistentes

Agente integrado en tu espacio de trabajo: Un agent que vive dentro de un tool como Notion y lee y escribe sus páginas y sus bases de datos.
AI agent: Unas instrucciones guardadas que ejecutan por su cuenta un trabajo recurrente: por calendario, a demanda o por un evento.
Artifacts: Una función de Claude que genera código, documentos, diapositivas y resultados interactivos en un panel lateral editable.
Asistente de IA: Tu tool de chat independiente: ChatGPT, Gemini, Claude o Grok. Es reactivo: tú preguntas y responde.
Asistente guardado (reutilizable): Un asistente personalizado que configuras una vez y reutilizas, como un Custom GPT, un Gem o un Claude Project.
Asistente incorporado (dentro de la app): IA metida dentro de una app que ya usas, como Gmail, Notion o Word. Actúa sobre la página que tienes abierta.
ChatGPT: El asistente de OpenAI, gratis en chatgpt.com. Un todoterreno de confianza y con la comunidad de usuarios más grande.
Claude: El asistente de Anthropic, gratis en claude.ai. Fuerte escribiendo textos largos, analizando documentos densos y razonando cosas difíciles.
Claude Projects: Espacios de trabajo permanentes de Claude que guardan documentos de referencia y que Claude recuerda en todas las conversaciones.
Co-pilot: El copiloto: IA que trabaja a tu lado dentro de un tool y te va sugiriendo mientras avanzas, con el mando siempre en tus manos.
Connectors: Enlaces que permiten a Claude conectarse con tools como Drive, Gmail, Slack, GitHub y Linear, con tu permiso.
Custom GPTs: Los asistentes guardados y reutilizables de ChatGPT: los configuras una vez y los reutilizas.
Deep Research: Un modo que lanza una investigación larga sobre muchas fuentes y devuelve un informe escrito y con las fuentes citadas.
Gemini: El asistente de Google, gratis en gemini.google.com. El más fuerte cuando la entrada es grande, mezclada o visual, y funciona dentro de Google Workspace.
Gems: Los asistentes personalizados de Gemini, guardados y reutilizables: los configuras una vez y los reutilizas.
Grok: El asistente de xAI, gratis en grok.com. Conectado a X y a la web en directo, es el más fuerte en actualidad.
Plataforma de automatización: Un tool sin código (Zapier, Make) que copia datos entre apps por calendario.

Trabajar con IA

Ahora todos somos constructores: Quien monta un flujo de trabajo con IA es un constructor, diga lo que diga su puesto.
AI-pilled: Convertido a la IA. En cuanto le encuentras el punto con una tarea, empiezas a recurrir a ella para todo. Se suele decir medio en broma.
Contrastar entre herramientas: Pasa la misma pregunta importante por dos tools y compara. Si coinciden, ganas confianza; si no coinciden, has encontrado algo que merece que lo mires.
El trabajo tiene que desaparecer: La idea de que la IA debería borrar categorías enteras de trabajo, eliminando tareas de raíz.
Empezar siempre por la IA: Dedicar 30 segundos en cada tarea nueva a pensar cómo podría ayudarte la IA, antes de ponerte a hacerla a mano.
La mentalidad del 100x: El ritmo nuevo: los meses se vuelven días y los días, horas. Cuando el costo cae 100 veces, se vuelven posibles cosas que antes no lo eran.
La regla del 80 %: Empieza siempre por tu asistente de IA, para todo. El tool que vive dentro de la app es un atajo cómodo del que puedes prescindir.
Reaprender a aprender: La metahabilidad de seguir aprendiendo mientras la experiencia de siempre se automatiza. La nueva ventaja que no se copia.
Soltura con la IA: La capacidad de trabajar con la IA, construir sobre ella y pensar a su lado. La habilidad más rentable de la década.