Siglas de IA explicadas: glosario 2026 de términos de prompting, agentes y entrenamiento

Dedica diez minutos a leer sobre IA moderna y te ahogarás en abreviaturas. Un artículo de investigación menciona CoT y ReAct; una presentación comercial promete RLHF; un ingeniero dice que simplemente va a hacer LoRA a un modelo. La jerga es una barrera, pero las ideas de fondo son sorprendentemente accesibles en cuanto alguien las explica.

Este glosario descifra las siglas que más aparecen en 2026, divididas en dos familias: cómo conseguimos que la IA piense y actúe (prompting y agentes), y cómo construimos y damos forma a los propios modelos (entrenamiento). De cada término obtendrás su significado completo, una definición en lenguaje claro y una nota sobre cuándo importa de verdad.

Parte 1 — Prompting y agentes

Esta primera familia trata sobre el tiempo de inferencia : técnicas que aplicas a un modelo ya entrenado para que razone mejor, use herramientas y funcione como parte de un sistema mayor. Ninguna de ellas requiere tocar los pesos del modelo; van de cómo formulas las instrucciones, las estructuras y las orquestas. Si el concepto de agente te resulta nuevo, empieza por nuestra introducción a qué son los agentes de IA y por qué tu negocio necesita uno.

CoT — Chain of Thought

El truco más sencillo e influyente del prompting. En lugar de pedirle al modelo una respuesta directa, le pides que muestre su razonamiento paso a paso («vamos a pensarlo bien»). Recorrer los pasos intermedios mejora enormemente la precisión en todo lo que requiere lógica: matemáticas, preguntas de varios pasos, planificación. Funciona porque el modelo «piensa en voz alta» y se da margen para trabajar en lugar de adivinar de un solo salto. Chain of Thought es la base sobre la que se construyen casi todas las demás técnicas de esta lista.

ToT — Tree of Thoughts

Tree of Thoughts generaliza CoT desde una única línea de razonamiento hasta un árbol ramificado. El modelo genera varios pasos siguientes posibles, evalúa lo prometedor que parece cada uno y explora el mejor, retrocediendo cuando un camino resulta ser un callejón sin salida, muy parecido a un ajedrecista que valora varias jugadas por adelantado. Cuesta más cómputo, pero brilla en problemas con un gran espacio de búsqueda y muchos enfoques válidos, como rompecabezas, planificación y resolución creativa de problemas, donde la primera idea no siempre es la mejor.

ReAct — Reason + Act

ReAct es el patrón que convierte un chatbot en un agente. El modelo intercala el razonamiento («necesito el tipo de cambio actual») con la acción («llamar a la API de divisas») y después la observación del resultado («el tipo es 1,08») antes de volver a razonar. Este bucle pensar-actuar-observar permite que un modelo use herramientas, busque en la web, ejecute código y reaccione a la realidad en lugar de depender solo de lo que tiene en la cabeza. Casi todos los agentes en producción en 2026 ejecutan alguna versión de este bucle por debajo; consulta nuestro análisis sobre la IA agéntica pasando de los pilotos a producción para ver cómo se traduce en la práctica.

AoT — Agent of Thought

Agent of Thought lleva más lejos la idea del razonamiento como acción: cada paso del pensamiento del modelo se plantea como una acción autónoma que ejecuta un agente, y no simplemente como una frase de una cadena. En la práctica esto difumina la línea entre «razonar» y «hacer»: el modelo decide, actúa y reflexiona en un bucle más estrecho y autodirigido. Es un término más nuevo y menos estandarizado que los demás de esta lista, así que tómalo como una dirección de avance (más agéntico, razonamiento más autoguiado) y no como una receta fija.

HITL — Human In The Loop

No todas las decisiones deberían automatizarse. Human In The Loop (persona en el bucle) significa que una persona revisa, edita o aprueba la salida de la IA en los puntos que importan: antes de que salga un pago, se envíe un correo o se modifique un registro. HITL es el patrón de seguridad más importante para desplegar IA en una empresa real: te permite capturar la mayor parte de la eficiencia manteniendo a una persona responsable de las decisiones críticas. El diseño correcto amplía la autonomía de forma gradual, a medida que el sistema se gana la confianza con un historial medible.

A2A — Agente a agente

A medida que más organizaciones ejecutan sus propios agentes, esos agentes necesitan cada vez más hablar entre ellos : tu agente de compras negociando con el agente comercial de un proveedor, por ejemplo. A2A se refiere a los protocolos y patrones que permiten a los agentes comunicarse, compartir contexto y delegar directamente, en lugar de enrutarlo todo a través de una persona o de una integración frágil. Es una capa estándar emergente, y es lo que hace posible una automatización realmente entre organizaciones.

MAS — Sistema multiagente

Un sistema multiagente es un equipo de agentes especializados que colaboran en un trabajo que ningún agente individual podría abordar de forma fiable: uno investiga, otro redacta, un tercero revisa el cumplimiento normativo y un orquestador coordina todo el esfuerzo. Las arquitecturas MAS mejoran la precisión mediante la especialización, la velocidad mediante el paralelismo y la seguridad mediante el aislamiento. También multiplican el coste y la complejidad, así que solo merecen la pena cuando un único agente falla estructuralmente. Cubrimos los patrones que funcionan en producción en nuestro análisis a fondo sobre los sistemas multiagente y cuándo un solo agente no basta.

Parte 2 — Entrenamiento de modelos

La segunda familia trata de cambiar el propio modelo , ajustando sus pesos internos para que se comporte de otra manera. Es maquinaria pesada: requiere datos, cómputo y experiencia, y normalmente solo merece la pena cuando el prompting y la recuperación de información han llegado a su límite. Entender estos términos te ayuda a hacerle la pregunta correcta a cualquier proveedor: ¿realmente estás entrenando un modelo o simplemente usándolo bien? Ambas cosas tienen perfiles de coste y riesgo muy distintos, algo que abordamos en cuánto cuesta realmente implantar IA.

FT — Fine-Tuning

Hacer fine-tuning significa tomar un modelo ya entrenado con internet en general y seguir entrenándolo con tus propios datos, más acotados para que se adapte a un estilo, dominio o tarea concretos. Piensa en ello como enviar a especializarse a un generalista bien formado. Puede fijar la voz de tu marca, enseñar un vocabulario de nicho o mejorar el rendimiento en una tarea repetitiva, pero exige datos de calidad y mantenimiento continuo, y a menudo es excesivo cuando un buen prompting o una buena recuperación bastarían.

SFT — Fine-Tuning supervisado

La forma más habitual de fine-tuning. En el Fine-Tuning supervisado proporcionas pares explícitos de entrada y salida correcta —una pregunta y su respuesta ideal, un documento y su resumen ideal— y el modelo aprende a imitar esos ejemplos. «Supervisado» simplemente significa que cada ejemplo viene con una respuesta correcta conocida. El SFT suele ser la primera fase de adaptación de un modelo base y, para muchos casos de uso empresariales, es todo lo que necesitas antes de recurrir a los métodos de alineación más avanzados que siguen.

RLHF — Aprendizaje por refuerzo a partir de feedback humano

RLHF es la técnica que hizo que los asistentes de IA modernos resultaran útiles y bien educados. En lugar de mostrarle al modelo una única respuesta «correcta», dejas que produzca varias, haces que personas ordenen cuáles prefieren, entrenas un «modelo de recompensa» independiente para predecir esas preferencias y después usas aprendizaje por refuerzo para empujar al modelo hacia las respuestas mejor valoradas. Es potente para capturar cualidades difusas como la utilidad, el tono y la seguridad, difíciles de expresar como una única respuesta etiquetada, pero es complejo, caro y tiene varias piezas móviles.

DPO — Optimización directa de preferencias

DPO es el sucesor simplificado de RLHF. Usa el mismo tipo de datos de preferencia humana —«la respuesta A es mejor que la B»— pero se salta por completo el modelo de recompensa independiente y el bucle de aprendizaje por refuerzo, optimizando el modelo directamente sobre esos pares de preferencias con un único paso de entrenamiento estable. El resultado es mucho más simple y barato de ejecutar y alcanza una calidad comparable, y por eso DPO se ha convertido en el método de ajuste por preferencias por defecto para muchos equipos en 2026.

PPO — Optimización de política proximal

PPO no es en absoluto específico de los modelos de lenguaje: es un algoritmo de aprendizaje por refuerzo de propósito general, procedente de la robótica y los juegos, que se convirtió en el «motor» estándar dentro de RLHF. Su idea clave es mejorar el modelo en pasos pequeños y controlados, de modo que cada actualización nunca se aleje demasiado de la versión anterior, manteniendo estable el entrenamiento. Cuando la gente dice que RLHF es delicado, la sensibilidad de PPO es buena parte del motivo, y evitarlo es precisamente lo que hace atractivo a DPO.

PEFT — Fine-Tuning eficiente en parámetros

El fine-tuning completo actualiza todos los pesos de un modelo —miles de millones de números—, lo que resulta lento, caro y genera una copia gigantesca nueva del modelo para cada tarea. PEFT es el término paraguas para los métodos que congelan el modelo original y entrenan solo un pequeño conjunto de parámetros nuevos en su lugar. Obtienes casi todo el beneficio del fine-tuning con una fracción del coste de cómputo, memoria y almacenamiento, y puedes mantener muchas especializaciones ligeras alrededor de un único modelo base compartido. PEFT es lo que puso los modelos personalizados al alcance de equipos que no son hiperescalares.

LoRA — Adaptación de rango bajo

LoRA es, con diferencia, el método PEFT más popular. Funciona insertando pequeñas matrices de rango bajo junto al modelo congelado y entrenando solo esas: unos pocos millones de parámetros en lugar de miles de millones. El modelo original queda intacto, el «adaptador» entrenado es lo bastante pequeño como para intercambiarlo a voluntad, y la calidad se mantiene cerca del fine-tuning completo. LoRA (y su variante QLoRA, que ahorra memoria) es la razón práctica de que hoy una startup pueda ajustar un modelo potente en una sola GPU. Cuando un ingeniero dice que «va a hacerle un LoRA», se refiere a esto.

Cómo encaja todo

Estas dos familias no compiten: son capas. Primero se entrena y alinea un modelo (SFT, después RLHF o DPO, a menudo mediante PEFT/LoRA) para que sea capaz y se comporte bien. Después, en tiempo de inferencia, aplicas técnicas de prompting y de agentes (CoT, ReAct, HITL, MAS) para poner esa capacidad a trabajar en tareas reales. La mayoría de las empresas dedican el grueso de su esfuerzo a la segunda capa, y hacen bien, porque es más rápida, más barata y de menor riesgo que el entrenamiento. Saber dónde encaja cada sigla te ayuda a juzgar si una solución propuesta tiene el tamaño adecuado para el problema.

Si estás intentando trasladar estas decisiones a una hoja de ruta y un presupuesto reales, nuestra guía sobre cómo construir una estrategia de IA que genere ROI explica cómo decidir qué merece la pena hacer y qué no.

Preguntas frecuentes

¿Cuál es la diferencia entre Chain of Thought y Tree of Thoughts?

Chain of Thought razona en una única línea recta de pasos. Tree of Thoughts explora varias ramas de razonamiento a la vez, las puntúa y puede retroceder, gastando más cómputo a cambio de mejores resultados en problemas con muchos caminos posibles.

RLHF o DPO: ¿cuál es mejor?

Resuelven el mismo problema (alinear un modelo con las preferencias humanas), pero DPO lo hace sin un modelo de recompensa independiente ni un bucle de aprendizaje por refuerzo, lo que lo hace más simple y más estable de entrenar. RLHF es más flexible y está más probado. Para la mayoría de los equipos en 2026, DPO es la opción pragmática por defecto; RLHF sigue siendo valioso cuando necesitas esa flexibilidad adicional.

¿Necesito hacer fine-tuning de un modelo para mi negocio?

Normalmente no como primer paso. Un buen prompting, la recuperación de información (alimentar el modelo con tus documentos) y un agente bien diseñado resuelven gran parte de los casos de uso empresariales sin ningún entrenamiento. El fine-tuning (FT/SFT) y el ajuste por preferencias (RLHF/DPO) merecen la pena cuando ya has llegado al límite de esos enfoques más baratos y dispones de datos de calidad con los que entrenar.

¿LoRA es lo mismo que fine-tuning?

LoRA es un tipo de fine-tuning, concretamente uno eficiente en parámetros. En lugar de actualizar el modelo entero, entrena un pequeño adaptador añadido, lo que te da la mayor parte del beneficio a una fracción del coste. Es hoy la forma más habitual en que los equipos pequeños ajustan modelos.