Glosario Ejecutivo de Inteligencia Artificial

Sistema de IA capaz de planificar y ejecutar tareas de forma autónoma, tomando decisiones intermedias sin intervención humana en cada paso. A diferencia de un chatbot, un agente puede usar herramientas (buscar en internet, ejecutar código, enviar emails) para completar objetivos complejos. Los agentes más avanzados pueden encadenar múltiples herramientas y adaptarse a resultados inesperados.

Regulación de la Unión Europea (en vigor desde agosto 2024) que clasifica los sistemas de IA por nivel de riesgo: inaceptable (prohibido), alto riesgo (requiere documentación y auditoría), limitado y mínimo. Las empresas que usen IA en RRHH, crédito, educación o infraestructuras críticas tienen obligaciones específicas desde diciembre de 2026. Las sanciones pueden alcanzar el 3% de la facturación global anual.

Fenómeno por el que un modelo de lenguaje genera información falsa con apariencia de veracidad. El modelo no "sabe que no sabe" — produce texto fluido y convincente aunque el contenido sea incorrecto. Afecta especialmente a datos numéricos, fechas, nombres propios, citas bibliográficas y referencias legales.

Creación de flujos de trabajo automatizados mediante interfaces visuales sin necesidad de programar. Herramientas como Make o Zapier permiten conectar aplicaciones y definir reglas "si pasa X, haz Y" sin escribir código. La IA añade la capacidad de procesar texto, resumir o clasificar dentro de esos flujos, multiplicando su utilidad para ejecutivos y profesionales.

Propiedad de un sistema de IA que garantiza que sus objetivos y comportamientos estén alineados con los valores e intenciones humanas. Un sistema “desalineado” puede optimizar un objetivo de forma técnicamente correcta pero con consecuencias no deseadas. Por ejemplo: un sistema de IA de atención al cliente optimizado para “reducir el tiempo de llamada” puede aprender a colgar antes de resolver el problema. El alignment es el desafío central de la seguridad en IA a largo plazo.

Práctica de seguridad en la que un equipo interno o externo intenta deliberadamente encontrar fallos, sesgos, vulnerabilidades y comportamientos no deseados en un sistema de IA antes de su despliegue. Incluye: intentar hacer que el sistema genere contenido dañino, eludir sus restricciones, provocar alucinaciones en escenarios críticos o explotar vulnerabilidades de prompt injection. Es una práctica recomendada por el AI Act para sistemas de alto riesgo.

Prueba estándar que mide el rendimiento de un modelo de IA en tareas específicas (razonamiento, matemáticas, código, comprensión lectora). Los benchmarks permiten comparar modelos entre sí, aunque no siempre predicen el rendimiento en casos de uso reales de empresa.

Incidente de seguridad que resulta en acceso no autorizado, pérdida o divulgación de datos personales. En el contexto de IA, una brecha puede ocurrir si se introducen datos sensibles en herramientas sin DPA o con configuración de seguridad inadecuada. El RGPD obliga a notificar brechas a la AEPD en 72 horas desde que se tiene conocimiento del incidente.

Técnica de prompt engineering que consiste en pedir al modelo que razone paso a paso antes de dar la respuesta final. Mejora significativamente la precisión en tareas de análisis, matemáticas y toma de decisiones complejas. Se activa añadiendo frases como "razona paso a paso" o "explica tu proceso antes de concluir".

Sistema conversacional que responde preguntas o ejecuta tareas simples mediante texto. Los chatbots modernos basados en LLMs (como ChatGPT) son mucho más capaces que los chatbots de árbol de decisión tradicionales, pero siguen siendo reactivos: responden a lo que se les pregunta, no actúan de forma autónoma. La diferencia clave con un agente es la capacidad de iniciativa y uso de herramientas externas.

Modelo de lenguaje de Anthropic, competidor directo de ChatGPT. Destaca por su ventana de contexto muy amplia (hasta 200.000 tokens), lo que lo hace especialmente útil para analizar documentos largos, contratos o informes completos en una sola sesión. Claude Pro (20$/mes) es el plan individual; Claude Team/Enterprise añade garantías de confidencialidad empresarial y DPA.

Cantidad máxima de texto (medida en tokens) que un modelo puede procesar en una sola conversación. Un contexto de 128.000 tokens equivale a unas 100.000 palabras — suficiente para un libro completo. Cuando la conversación supera ese límite, el modelo "olvida" las partes más antiguas, lo que puede degradar la calidad de las respuestas.

Asistente de IA integrado en las aplicaciones de Microsoft 365 (Word, Excel, PowerPoint, Outlook, Teams). No está incluido en las licencias estándar de M365 — requiere una licencia add-on de ~30€/usuario/mes. Tiene acceso a los datos del tenant corporativo (emails, documentos, calendarios), lo que lo hace muy potente pero también requiere una configuración de seguridad cuidadosa.

Conjunto de obligaciones legales y regulatorias que una empresa debe cumplir al usar sistemas de IA. Incluye el RGPD (datos personales), el AI Act (sistemas de alto riesgo), normativas sectoriales (DORA en finanzas, MDR en sanidad) y políticas internas de gobernanza. El incumplimiento puede derivar en multas, responsabilidad civil y daño reputacional.

Acuerdo de procesamiento de datos que establece cómo el proveedor de IA gestiona los datos que le envías: qué datos guarda, durante cuánto tiempo, si los usa para entrenar modelos y qué garantías de seguridad ofrece. Es un requisito del RGPD cuando se tratan datos personales de terceros (clientes, empleados).

Tres fases de madurez en la implementación de IA. Demo: prueba con datos ficticios o anonimizados para validar el concepto (1-2 semanas). Piloto: prueba real con un subconjunto de usuarios o procesos, con supervisión activa (4-8 semanas). Producción: despliegue completo con gobernanza, monitorización y revisión periódica establecidas.

Representación numérica del significado de un texto. Los embeddings permiten buscar documentos por similitud semántica (no solo por palabras clave exactas). Son la base de los sistemas RAG y de las búsquedas inteligentes en bases de conocimiento corporativas. Permiten que una búsqueda de "reducción de costes" encuentre también documentos que hablan de "eficiencia operativa".

Categoría de herramientas de IA diseñadas para uso corporativo, con garantías adicionales de seguridad, confidencialidad, cumplimiento normativo y soporte. Incluye planes como ChatGPT Enterprise, Claude Enterprise, Microsoft 365 Copilot y Google Gemini for Workspace Enterprise. Se diferencian de los planes individuales en que ofrecen DPA, no usan los datos para entrenar modelos y permiten configuración centralizada por IT.

Capacidad de un sistema de IA para explicar por qué tomó una decisión concreta en términos comprensibles para humanos. El AI Act y el RGPD exigen explicabilidad en decisiones automatizadas que afecten a personas (contratación, crédito, seguros). Los LLMs actuales tienen explicabilidad limitada — pueden generar una justificación, pero no siempre refleja el proceso real de decisión.

Técnica de prompt engineering que consiste en incluir 2-5 ejemplos del resultado esperado dentro del propio prompt, para que el modelo aprenda el patrón y lo replique. Es especialmente útil para tareas con formato específico (informes, clasificaciones, respuestas estandarizadas). Zero-shot es cuando no se dan ejemplos; one-shot cuando se da uno solo.

Proceso de ajuste de un modelo de IA preentrenado con datos específicos de una empresa para que aprenda su terminología, tono y casos de uso particulares. Requiere datos etiquetados de calidad y capacidad técnica. Para la mayoría de empresas medianas, el RAG es más práctico y económico que el fine-tuning, y no requiere compartir datos con el proveedor del modelo.

Secuencia de pasos automatizados que se ejecutan cuando ocurre un evento (trigger). En el contexto de IA, un flujo puede incluir pasos de procesamiento de lenguaje natural: resumir un email, clasificar un documento, generar un borrador de respuesta. Herramientas como Make o Zapier permiten construir estos flujos sin programar.

Familia de modelos de lenguaje de Google, disponibles como asistente web (gemini.google.com) y como componente integrado en Google Workspace (Gmail, Docs, Sheets, Meet). Gemini 2.5 Pro tiene un contexto de 1 millón de tokens — uno de los mayores del mercado. Gemini for Workspace requiere una licencia add-on de ~22€/usuario/mes sobre Google Workspace Business.

Conjunto de políticas, procesos y controles que una organización establece para usar la IA de forma responsable. Incluye: quién puede usar qué herramientas, qué datos pueden introducirse, cómo se revisan los outputs, cómo se documentan las decisiones asistidas por IA y cómo se gestiona el riesgo regulatorio.

Arquitectura de modelo de lenguaje desarrollada por OpenAI. "GPT" se usa coloquialmente para referirse a los modelos de ChatGPT (GPT-5.4, o1, o3, etc.), aunque técnicamente es solo el nombre de la arquitectura. Otros modelos como Claude (Anthropic) o Gemini (Google) usan arquitecturas similares pero distintas.

Modelo de operación en el que un humano revisa y aprueba las decisiones o acciones de la IA antes de que tengan efecto real. Es el estándar de seguridad recomendado para procesos de alto impacto (contratación, crédito, comunicaciones externas, decisiones legales). El AI Act lo exige explícitamente para sistemas de alto riesgo.

Categoría de IA capaz de crear contenido nuevo: texto, imágenes, audio, video, código o datos sintéticos. Se diferencia de la IA predictiva (que clasifica o predice a partir de datos existentes) en que genera outputs originales. ChatGPT, Claude, Gemini, Midjourney y Sora son ejemplos de IA generativa. Es la tecnología que ha democratizado el acceso a la IA para no técnicos.

Proceso de usar un modelo de IA ya entrenado para generar respuestas o predicciones a partir de nuevos inputs. Es lo que ocurre cada vez que envías un mensaje a ChatGPT: el modelo no aprende de tu pregunta, simplemente "infiere" la respuesta más probable según su entrenamiento previo. El coste computacional de la inferencia determina el precio por uso de las APIs de IA.

Proceso de refinamiento progresivo de un prompt para obtener mejores resultados. Rara vez el primer prompt produce el output óptimo — la iteración es parte del flujo de trabajo normal con IA. Consiste en analizar qué falló en la respuesta anterior y ajustar el prompt: añadir contexto, cambiar el tono, especificar el formato o dividir la tarea en pasos.

Modelo de IA entrenado con enormes cantidades de texto para comprender y generar lenguaje natural. Los LLMs (GPT-5.4, Claude Sonnet 4, Gemini, Llama) son la tecnología que impulsa los asistentes conversacionales modernos. Se entrenan una vez con datos masivos y luego se despliegan para responder preguntas, redactar textos, analizar documentos o ejecutar tareas complejas.

Plataforma de automatización visual que permite conectar más de 1.500 aplicaciones y construir flujos de trabajo complejos con ramificaciones, bucles y transformaciones de datos. Más potente y flexible que Zapier para flujos complejos, aunque con curva de aprendizaje algo mayor. Incluye conectores nativos con OpenAI, Claude y otros LLMs para añadir inteligencia a los flujos.

Agente de IA autónomo capaz de ejecutar tareas complejas que requieren múltiples pasos: investigar en internet, analizar documentos, escribir código, crear archivos y entregar resultados completos sin intervención humana en cada paso. A diferencia de ChatGPT (que responde preguntas), Manus actúa: puede construir un informe de mercado completo, crear una presentación o desarrollar una aplicación web desde cero.

Modelo de IA de gran escala entrenado con datos masivos y diseñado para ser la base de múltiples aplicaciones. GPT-5.4, Claude Sonnet 4, Gemini 2.5 y Llama 4 son modelos fundacionales. Las empresas los usan directamente (a través de APIs) o los adaptan mediante fine-tuning o RAG para casos de uso específicos. El AI Act regula específicamente a los proveedores de modelos fundacionales de uso general (GPAI).

Documento estándar que describe las características, capacidades, limitaciones, sesgos conocidos y condiciones de uso de un modelo de IA. Es el equivalente a la ficha técnica de un producto. Google, OpenAI y Anthropic publican model cards para sus modelos. El AI Act exige documentación equivalente para sistemas de alto riesgo. Para ejecutivos y profesionales: antes de desplegar un sistema de IA crítico, exige al proveedor su model card.

Capacidad de un modelo de IA para procesar y generar múltiples tipos de contenido: texto, imágenes, audio y video. GPT-5.4, Claude Sonnet 4 y Gemini 2.5 son modelos multimodales. Permiten, por ejemplo, subir una imagen de una tabla y pedir que la analice, o transcribir y resumir una reunión grabada. La multimodalidad amplía enormemente los casos de uso para ejecutivos y profesionales.

Herramienta de Google que permite crear una base de conocimiento personalizada a partir de documentos propios (PDFs, Docs, webs, YouTube) y conversar con ella. Implementa RAG de forma nativa y sin configuración técnica. Su función "Audio Overview" genera podcasts de conversación entre dos voces que resumen los documentos cargados — muy útil para consumir informes largos en formato audio.

Resultado generado por un modelo de IA en respuesta a un prompt. La calidad del output depende de la calidad del prompt (input), del modelo elegido y del contexto proporcionado. Los outputs deben siempre revisarse antes de usarse en decisiones reales, especialmente cuando contienen datos numéricos, referencias legales o afirmaciones sobre terceros.

Fenómeno por el que un modelo aprende demasiado bien los datos de entrenamiento y pierde capacidad de generalizar a casos nuevos. Un modelo sobreajustado funciona perfectamente con los datos que conoce pero falla con datos reales diferentes. Es relevante para ejecutivos y profesionales que evalúan modelos de IA predictiva (scoring, clasificación) desarrollados internamente.

Motor de búsqueda potenciado por IA que responde preguntas con información actualizada de internet, citando siempre las fuentes. A diferencia de ChatGPT (que usa datos de entrenamiento con fecha de corte), Perplexity busca en tiempo real y proporciona referencias verificables. Ideal para investigación de mercado, seguimiento de noticias sectoriales y due diligence rápida.

Prueba controlada de un sistema de IA con un subconjunto real de usuarios, procesos o datos, antes del despliegue completo. El piloto permite identificar fallos, medir el impacto real y ajustar la solución con riesgo limitado. Debe tener métricas de éxito definidas antes de empezar y un criterio claro de "go/no-go" para pasar a producción.

Arte y técnica de diseñar instrucciones (prompts) para obtener los mejores resultados de un modelo de IA. Incluye técnicas como especificar el rol del modelo, dar contexto, definir el formato del output, usar ejemplos (few-shot) y pedir razonamiento paso a paso (chain-of-thought). Es la habilidad más transferible para cualquier ejecutivo o profesional que quiera usar IA de forma efectiva.

Conjunto de técnicas y controles diseñados para identificar y neutralizar intentos de prompt injection antes de que afecten al comportamiento del sistema de IA. Incluye: filtrado de inputs externos, sandboxing de agentes, validación de outputs antes de ejecutar acciones, y monitorización de comportamientos anómalos. Es una capa de seguridad obligatoria en sistemas de IA agentes que procesan contenido externo no confiable.

Técnica que ancla las respuestas de un LLM a fuentes de información verificables y actualizadas, reduciendo las alucinaciones. El grounding puede hacerse mediante RAG (documentos propios), búsqueda web en tiempo real (como hace Perplexity) o conexión a bases de datos estructuradas. Un modelo con grounding dice “según el informe Q3 de tu empresa...” en lugar de inventar datos.

Tipo de ataque de seguridad en el que un actor malicioso introduce instrucciones ocultas en el contenido que procesa un sistema de IA (un email, un documento, una página web) para manipular su comportamiento. Por ejemplo: un email con texto invisible que instruye al agente de IA a reenviar información confidencial. Es uno de los principales riesgos de seguridad en sistemas de IA agentes.

Técnica que combina un LLM con una base de documentos propios: antes de responder, el sistema recupera los fragmentos más relevantes de los documentos y los incluye en el contexto del modelo. Permite que la IA responda sobre información interna de la empresa (manuales, contratos, informes) con mucha mayor precisión que el fine-tuning y sin riesgo de que el modelo "invente" datos. NotebookLM implementa RAG de forma nativa.

Regulación europea de protección de datos personales (en vigor desde 2018). En el contexto de IA, aplica cuando se procesan datos de personas identificables (empleados, clientes, candidatos) con herramientas de IA. Requiere base legal para el procesamiento, DPA con los proveedores, y garantiza el derecho de los afectados a no ser objeto de decisiones automatizadas con impacto significativo.

Medición del retorno sobre la inversión en iniciativas de IA. Incluye beneficios cuantificables (horas ahorradas × coste hora, reducción de errores, aumento de conversión) y beneficios cualitativos (velocidad de decisión, calidad de análisis, satisfacción del equipo). El ROI de IA suele ser difícil de aislar porque la IA actúa como multiplicador de capacidades humanas, no como sustituto directo.

Tendencia sistemática de un sistema de IA a producir resultados injustos o discriminatorios hacia ciertos grupos, como consecuencia de sesgos en los datos de entrenamiento o en el diseño del modelo. Puede manifestarse en contratación (favorecer ciertos perfiles), crédito (discriminar por código postal), o atención al cliente (responder peor en ciertos idiomas). El AI Act exige auditorías de sesgo para sistemas de alto riesgo.

Uso de herramientas de IA por parte de empleados sin conocimiento ni aprobación de la organización. Es el equivalente al "Shadow IT" pero con IA. El riesgo principal es que los empleados introduzcan datos confidenciales (contratos, datos de clientes, información financiera) en herramientas sin DPA, creando brechas de seguridad y violaciones del RGPD sin que la empresa lo sepa.

Categoría del AI Act que incluye sistemas de IA usados en: selección y evaluación de personal, scoring crediticio, educación y formación, infraestructuras críticas, servicios esenciales, aplicación de la ley y administración de justicia. Estos sistemas requieren documentación técnica, evaluación de conformidad, supervisión humana obligatoria, registro de decisiones y transparencia hacia los afectados. Las obligaciones entran en vigor en diciembre de 2026.

Documento que describe paso a paso cómo usar una herramienta de IA para una tarea específica dentro de la organización: qué prompt usar, qué datos pueden introducirse, cómo revisar el output y quién aprueba el resultado final. Los SOPs de IA son la forma práctica de institucionalizar el uso de IA y garantizar consistencia, calidad y cumplimiento normativo en toda la organización.

Certificación de seguridad emitida por auditores independientes que verifica que los controles de seguridad de un proveedor de servicios están correctamente diseñados en un momento concreto. El “Tipo I” es una fotografía: el auditor comprueba que los controles existen y están bien definidos en la fecha de la auditoría, pero no verifica si funcionan de forma sostenida en el tiempo. Es el primer nivel de certificación SOC 2 y suele preceder al Tipo II.

El estándar de seguridad más exigente para proveedores de servicios en la nube. A diferencia del Tipo I, el SOC 2 Tipo II verifica que los controles de seguridad han funcionado de forma efectiva durante un período de tiempo (normalmente 6 a 12 meses), mediante pruebas continuas realizadas por auditores independientes. Evalúa cinco criterios: seguridad, disponibilidad, integridad del procesamiento, confidencialidad y privacidad. El informe resultante es confidencial y se comparte con clientes bajo NDA.

Norma internacional (ISO/IEC 27001:2022) que especifica los requisitos para establecer, implementar, mantener y mejorar un Sistema de Gestión de Seguridad de la Información (SGSI). A diferencia del SOC 2 (que es una auditoría puntual), la ISO 27001 es una certificación continua que requiere auditorías de renovación cada 3 años con revisiones anuales. Cubre 93 controles en 4 dominios: organizativos, personas, físicos y tecnológicos. Es reconocida globalmente y especialmente valorada en Europa y Asia.

Extensión de la ISO 27001 específicamente diseñada para la gestión de la privacidad de datos personales. Mientras la ISO 27001 cubre la seguridad de la información en general, la ISO 27701 añade controles específicos para el tratamiento de datos personales, alineados con el RGPD europeo y otras regulaciones de privacidad globales. Establece requisitos tanto para los responsables del tratamiento (controladores) como para los encargados (procesadores). Un proveedor con ISO 27701 ha demostrado que su gestión de datos personales está auditada y certificada de forma independiente.

Campo de investigación y práctica que busca garantizar que los sistemas de IA se comporten de forma segura, predecible y alineada con los valores humanos. A nivel directivo, AI Safety se traduce en: definir qué puede y no puede hacer la IA en tu organización, establecer mecanismos de supervisión humana, documentar las decisiones asistidas por IA y tener un plan de respuesta ante fallos. Es la dimensión práctica de la gobernanza de IA.

Marco de principios para el desarrollo y uso de IA que equilibra la innovación con la protección de las personas. Los principios clave son: equidad (sin discriminación), fiabilidad (comportamiento predecible), privacidad (protección de datos), inclusión (accesible para todos), transparencia (explicable) y responsabilidad (rendición de cuentas). Microsoft, Google y la UE han publicado marcos de Responsible AI que pueden servir de referencia para la política interna de tu empresa.

Datos generados artificialmente por IA que imitan las propiedades estadísticas de datos reales sin contener información personal identificable. Permiten entrenar modelos, hacer pruebas y desarrollar aplicaciones sin exponer datos sensibles de clientes o empleados. Son especialmente útiles en sectores regulados (salud, finanzas) donde compartir datos reales tiene restricciones legales.

Parámetro que controla el nivel de aleatoriedad o creatividad en las respuestas de un modelo. Temperatura 0 produce respuestas deterministas y consistentes (ideal para análisis de datos, clasificaciones, respuestas factuales). Temperatura alta (0.8-1.0) produce respuestas más variadas y creativas (ideal para brainstorming, copywriting, generación de ideas). La mayoría de interfaces no exponen este parámetro directamente, pero se puede indicar en el prompt: "sé preciso y consistente" vs "sé creativo y explora opciones".

Unidad básica de texto que los modelos de lenguaje procesan. Aproximadamente 1 token = 0.75 palabras en inglés (algo menos en español). Los modelos tienen un límite de tokens por conversación (ventana de contexto) y las APIs de IA se facturan por tokens consumidos. 1.000 tokens ≈ 750 palabras ≈ 1-2 páginas de texto.

Evento que activa automáticamente un flujo de trabajo. Puede ser: la llegada de un email, el envío de un formulario, una hora programada, un cambio en una hoja de cálculo o una llamada a una API (webhook). En Make y Zapier, el trigger es el primer paso de cualquier automatización. Elegir el trigger correcto es fundamental para que la automatización sea fiable y no genere falsos positivos.

Réplica virtual en tiempo real de un proceso, máquina, edificio o sistema físico, alimentada con datos de sensores IoT. Permite simular escenarios, predecir fallos y optimizar operaciones sin intervenir en el sistema real. La IA potencia los digital twins al analizar los datos en tiempo real y generar recomendaciones. Sectores como manufactura, energía y logística son los principales adoptantes.

Base de datos especializada en almacenar y buscar embeddings (representaciones numéricas de texto). Permite búsquedas semánticas ultrarrápidas sobre grandes volúmenes de documentos. Es el componente técnico central de los sistemas RAG empresariales. Pinecone, Weaviate y Chroma son ejemplos de bases de datos vectoriales. Para ejecutivos y profesionales, lo relevante es que permiten crear "buscadores inteligentes" sobre la documentación interna de la empresa.

Plataforma de automatización no-code que conecta más de 6.000 aplicaciones mediante "Zaps" (flujos de trabajo simples de trigger + acción). Más fácil de usar que Make para flujos lineales simples, aunque con menos flexibilidad para flujos complejos. Incluye conectores con OpenAI y otros LLMs. Ideal para automatizaciones sencillas como "cuando llega un email con asunto X, crea una tarea en Asana y envía un resumen a Slack".

Técnica de prompting en la que se da una instrucción directa al modelo sin proporcionar ejemplos previos del resultado esperado. Funciona bien para tareas que el modelo conoce bien (traducción, resumen, clasificación estándar). Para tareas con formato muy específico o criterios propios de la empresa, el few-shot (con ejemplos) suele producir mejores resultados.