El Glosario de Jerga de IA que Realmente Necesitas: De AGI a Difusión, Explicado Claramente

Puntos clave

• AGI, o inteligencia general artificial, no tiene una definición única acordada, ni siquiera entre los laboratorios que compiten por construirla.
• OpenAI define AGI como sistemas que "superan a los humanos en la mayoría del trabajo económicamente valioso", mientras que Google DeepMind establece el criterio en igualar la capacidad humana en la mayoría de tareas cognitivas.
• Los agentes de IA, herramientas de software que realizan tareas de múltiples pasos en tu nombre, están redefiniendo cómo los desarrolladores construyen productos en 2025.
• Técnicas como el razonamiento en cadena de pensamiento y la destilación son ahora componentes estándar dentro de la mayoría de productos comerciales de IA.
• Conocer algunos de estos términos hace mucho más fácil juzgar titulares de IA, reclamaciones de productos y debates políticos sobre sus méritos.

Cada semana trae un nuevo lote de términos que la gente inteligente se avergüenza de admitir que no conoce. TechCrunch AI publicó un glosario vivo para ayudar; a continuación está nuestra propia guía en inglés simple sobre los que más importan en este momento.

¿Qué significan realmente todos estos términos de IA?

La mayoría de la jerga de IA nombra una técnica específica o un objetivo específico. Una vez que sabes qué problema resuelve cada término, la palabra generalmente se queda.

AGI (inteligencia general artificial) es la idea de una IA que puede hacer la mayoría de las cosas que una persona puede hacer, al menos tan bien. La carta fundacional de OpenAI la describe como "sistemas altamente autónomos que superan a los humanos en la mayoría del trabajo económicamente valioso." Google DeepMind la enmarca como IA que iguala la capacidad humana en la mayoría de tareas cognitivas. Ninguno de los dos laboratorios está de acuerdo con el otro, y ninguno la ha construido.

Un agente de IA es software que realiza una secuencia de tareas en tu nombre, sin que hagas cada paso manualmente. Piensa en: reservar un vuelo o presentar un informe de gastos. Es diferente de un chatbot, que solo responde preguntas. La infraestructura para que los agentes sean confiables aún se está construyendo.

Los puntos finales de API son, en términos simples, botones ocultos dentro del software que otros programas pueden presionar. Un desarrollador que construye una aplicación podría presionar el botón de un servicio de mapas para obtener direcciones, o el de un proveedor de pagos para cobrar con tarjeta. A medida que los agentes de IA se vuelven más capaces, pueden encontrar y presionar estos botones sin intervención humana, lo que es poderoso y ocasionalmente sorprendente.

El razonamiento en cadena de pensamiento significa pedirle a un modelo de IA que muestres tu trabajo, de la manera en que un profesor de matemáticas le pide a un estudiante que escriba cada paso en lugar de solo rodear una respuesta. Dividir un problema en piezas más pequeñas produce resultados más precisos, especialmente para tareas lógicas. Toma más tiempo, pero es más probable que la respuesta sea correcta.

Un agente de codificación es un agente de IA construido para el desarrollo de software. En lugar de sugerir código para que un humano lo pegue, escribe, ejecuta y depura código de forma autónoma, pasando por prueba y error de la manera en que lo haría un desarrollador. Un humano aún debe revisar el resultado.

Cómputo es la abreviatura de la potencia de procesamiento bruta que los modelos de IA necesitan, tanto para aprender como para ejecutarse. El hardware que realiza ese trabajo incluye GPUs (chips especializados construidos para realizar cálculos pesados), CPUs (los chips de propósito general dentro de la mayoría de computadoras) y TPUs (chips que Google diseñó específicamente para cargas de trabajo de IA).

El aprendizaje profundo es un método de construcción de IA donde el sistema se estructura en muchas capas, ligeramente inspirado en la forma en que las neuronas se conectan en un cerebro humano. Cada capa detecta patrones en los datos, y todo el sistema aprende corrigiendo sus propios errores en millones de ejemplos. Cubrimos cómo el aprendizaje profundo se relaciona con el campo más amplio del aprendizaje automático en nuestra guía en inglés simple del 23 de julio.

Difusión es la técnica detrás de la mayoría de generadores de imágenes y música de IA. El sistema aprende a destruir una imagen agregando ruido aleatorio hasta que no queda nada reconocible, luego aprende a invertir ese proceso. Una vez que puede invertir el ruido, puede generar nuevas imágenes desde cero.

Destilación es cómo los laboratorios comprimen un modelo de IA grande y costoso en uno más pequeño y económico. Un modelo "maestro" grande responde miles de preguntas; un modelo "estudiante" más pequeño estudia esas respuestas y aprende a copiar el comportamiento del maestro. El resultado es un modelo más rápido y ligero que conserva la mayoría de la calidad. Usar el modelo de un competidor como maestro casi siempre viola los términos de servicio de esa empresa. Vale la pena el contexto: como informamos el 28 de julio, la destilación está en el centro de una disputa tecnológica activa entre Estados Unidos y China, con Washington argumentando que China la utilizó para extraer conocimiento estadounidense y Silicon Valley llamándola ingeniería estándar.

Ajuste fino significa tomar un modelo de IA de propósito general y entrenarlo aún más en un tema específico, como registros médicos o contratos legales, para que funcione mejor en esa área estrecha. Muchas empresas emergentes de IA construyen sus productos de esta manera en lugar de entrenar un modelo desde cero.

¿Qué deberían entender las personas ordinarias de todo esto?

No necesitas construir con estas herramientas para beneficiarte de entenderlas. Si un producto afirma usar un "agente de IA" para gestionar tus finanzas, ahora sabes que significa software actuando en tu nombre, a menudo sin pedirte permiso en cada paso. Vale la pena saberlo antes de dar acceso.

Cuando una noticia menciona que un laboratorio ha "ajustado" un modelo con datos de salud, puedes visualizar en qué consistió ese proceso. Cuando alguien dice que una empresa destiló el modelo de un rival, sabes que probablemente violó un contrato.

Los términos siguen multiplicándose. Pero las preguntas subyacentes son siempre las mismas: ¿de qué datos aprendió, qué está haciendo por su cuenta y quién verificó el trabajo?

Preguntas comunes

¿Está realmente cerca la AGI?

Ningún laboratorio ha construido AGI, y los investigadores no están de acuerdo sobre cómo se vería cruzar esa línea. Las definiciones de OpenAI, Google DeepMind e investigadores independientes difieren de maneras significativas, así que trata cualquier afirmación de AGI inminente con sano escepticismo.

¿Es seguro usar agentes de IA para tareas personales?

Los agentes aún se están desarrollando. Son más confiables para tareas contenidas con objetivos claros y resultados fáciles de verificar, como redactar un documento o escribir un fragmento de código. Para cualquier cosa que implique dinero, datos sensibles o acciones irreversibles, revisa cada paso antes de que se ejecute.

¿Necesito entender estos términos para usar herramientas de IA?

No para empezar. Pero saber qué hace realmente un agente, un modelo ajustado finamente o un punto final de API te ayuda a hacer mejores preguntas, detectar exageración de marketing y tomar decisiones más inteligentes sobre qué herramientas confiar.