GelişimTeknoloji

La brecha de vocabulario de la IA: 40 términos que necesitas para seguir las conversaciones sobre IA en 2026

Professional learning on a laptop on a sofa by a sunny window, with blank index cards on the table

TL;DR. Muchas discusiones sobre IA son, en el fondo, discusiones de vocabulario. Este glosario define 40 términos en siete familias y ancla cada uno en el texto que lo define: el Reglamento europeo de IA (EU AI Act), el Digital Omnibus que lo modificó a partir del 27 de julio de 2026, la definición de sistema de IA de la OCDE de 2024, los documentos de IA del NIST, los artículos originales o la documentación de los proveedores. El mapa de fuentes de CEOtudent concluye que 14 de los 40 términos descansan sobre todo en la documentación de los proveedores, incluidas las unidades en las que pagas: tokens, ventanas de contexto y latencia. Según las propias reglas aproximadas de los proveedores, el mismo texto de 10.000 caracteres equivale a unos 2.500 tokens con la regla de Google y a unos 3.700 con la regla de Anthropic para su tokenizador más reciente. La jugada de CEO: exige que cada proveedor defina sus unidades por escrito antes de comparar precios. La jugada de estudiante: aprende primero los 10 términos de tu función y después una familia por semana.

Para la mecánica que hay detrás de las palabras, empieza por cómo funcionan realmente los grandes modelos de lenguaje. Para saber qué hacer con ellas, lee alfabetización en IA frente a fluidez en IA: conocer los términos es alfabetización; usarlos para cambiar una decisión es fluidez.

¿Por qué el vocabulario decide quién sigue una conversación sobre IA?

Un proveedor promete una “ventana de contexto de 1M”; una abogada dice que tu empresa puede ser un “responsable del despliegue” (deployer). Cada frase esconde una decisión: un precio, un riesgo, una obligación legal. Si no puedes desmontar el término, no puedes poner a prueba la afirmación.

La brecha es estructural: los legisladores definen las palabras pensando en la responsabilidad, los investigadores en los experimentos y los proveedores en la facturación. Cada entrada que sigue ofrece una definición en lenguaje sencillo, por qué importa para una decisión, un término relacionado y su texto de referencia.

¿Cómo definen los textos oficiales los términos en disputa?

Término Texto que lo define (extracto) Segundo texto (extracto) Qué cambia
Sistema de IA (AI system) EU AI Act, artículo 3(1): “diseñado para funcionar con distintos niveles de autonomía y que puede mostrar capacidad de adaptación tras el despliegue”, y que “infiere, a partir de la información de entrada que recibe, la manera de generar resultados de salida” Definición actualizada de la OCDE (marzo de 2024): “para objetivos explícitos o implícitos, infiere, a partir de la información de entrada que recibe, cómo generar resultados como predicciones, contenidos, recomendaciones o decisiones” Núcleo casi idéntico. NIST AI 100-1 (2023) mantiene la redacción anterior de la OCDE, “para un conjunto dado de objetivos, generar resultados”, sin “infiere” y sin “contenidos”
Modelo de IA de uso general frente a modelo fundacional EU AI Act, artículo 3(63): “presenta un grado considerable de generalidad y es capaz de realizar de manera competente una gran variedad de tareas distintas” Bommasani et al. (2021): “entrenado con datos amplios (por lo general mediante autosupervisión a gran escala) que puede adaptarse (por ejemplo, mediante ajuste fino) a una amplia gama de tareas posteriores” La ley excluye los modelos usados solo para investigación o creación de prototipos antes de su introducción en el mercado
Alucinación frente a confabulación Ji et al. (estudio de revisión de 2022): “el contenido generado que carece de sentido o es infiel al contenido de origen proporcionado” NIST AI 600-1 (2024): “La producción de contenido erróneo o falso expresado con seguridad” La investigación se centra en una fuente; el NIST se centra en la falsedad expresada con seguridad, haya fuente o no
Alfabetización en IA (AI literacy) EU AI Act, artículo 3(56): “las capacidades, los conocimientos y la comprensión” para un “despliegue informado de los sistemas de IA” (sin cambios) Artículo 4 tal como lo sustituye el Reglamento (UE) 2026/1744: medidas “para apoyar el desarrollo de la alfabetización en IA”, sin obligación de “garantizar un nivel específico” La definición se mantiene; la obligación se suavizó respecto a garantizar “un nivel suficiente”

Fuentes: Reglamento (UE) 2024/1689 y 2026/1744; OECD AI Papers No. 8; NIST AI 100-1 y 600-1; Bommasani et al.; Ji et al.

¿Cambió el Digital Omnibus alguna de las definiciones usadas aquí? No. En el artículo 3 solo reescribió el punto (14), “componente de seguridad”, e insertó los puntos (14a) y (14b) sobre pymes y pequeñas empresas de mediana capitalización. Lo que cambió es el calendario: las obligaciones de alto riesgo para los sistemas del anexo III se aplican ahora a partir del 2 de diciembre de 2027, y para los sistemas vinculados a productos del artículo 6(1), a partir del 2 de agosto de 2028.

Familia 1: ¿Cómo se construyen los modelos? (términos 1-9)

1. Modelo fundacional (foundation model). Un modelo entrenado con datos amplios, normalmente mediante autosupervisión, que puede adaptarse a muchas tareas posteriores (Bommasani et al., 2021). Por qué importa: la mayoría de las herramientas que compras se apoyan en uno de unos pocos modelos fundacionales, así que sus límites pasan a ser los tuyos. Relacionado: modelo de IA de uso general (36).

2. Gran modelo de lenguaje (large language model, LLM). Un modelo de lenguaje con muchísimos parámetros, entrenado con enormes volúmenes de texto, que genera texto, responde preguntas y resume (glosario de Anthropic). Por qué importa: predice texto plausible; no consulta datos a menos que lo haga un sistema construido a su alrededor. Relacionado: RAG (14).

3. Transformer. La arquitectura presentada por Vaswani et al. (2017) que se basa en mecanismos de atención en lugar de recurrencia; casi todos los LLM actuales la usan. Por qué importa: la atención explica por qué las entradas largas cuestan más y por qué los modelos pierden el hilo del material en prompts muy largos. Relacionado: ventana de contexto (11).

4. Parámetros (pesos, weights). Los números ajustables que un modelo modifica durante el entrenamiento; el EU AI Act define los datos de entrenamiento como los datos usados para “ajustar sus parámetros entrenables” (artículo 3(29)). Por qué importa: que los pesos sean públicos decide si puedes ejecutar, inspeccionar o ajustar un modelo por tu cuenta. Relacionado: modelo de pesos abiertos (32).

5. Preentrenamiento (pre-training). La primera y mayor fase de entrenamiento, en la que un modelo aprende a predecir la siguiente palabra en un gran corpus sin etiquetar (glosario de Anthropic). Por qué importa: un modelo preentrenado todavía no sigue bien las instrucciones; las etapas posteriores moldean lo que experimentan los usuarios. Relacionado: ajuste fino (6).

6. Ajuste fino (fine-tuning). Entrenamiento adicional de un modelo preentrenado con datos complementarios para que imite los patrones de esos datos (glosario de Anthropic). Por qué importa: cambia el comportamiento y el estilo; los datos que cambian cada semana corresponden a la recuperación. Relacionado: RLHF (7).

7. RLHF (aprendizaje por refuerzo a partir de retroalimentación humana, reinforcement learning from human feedback). Ajuste fino que usa las clasificaciones humanas de las respuestas como señal de entrenamiento. En el estudio InstructGPT, un modelo de 1,3 mil millones de parámetros entrenado de este modo fue preferido frente a GPT-3, de 175 mil millones de parámetros, pese a tener más de 100 veces menos parámetros (Ouyang et al., 2022). Por qué importa: cómo se ajustó un modelo puede importar más que su tamaño. Relacionado: ficha de modelo (31).

8. Destilación (distillation). Entrenar un modelo más pequeño para que reproduzca un modelo mayor o un conjunto de modelos, comprimiendo su conocimiento en algo más barato de desplegar (Hinton, Vinyals y Dean, 2015). Por qué importa: los niveles “mini” más baratos pueden estar destilados; comprueba que conservan la capacidad que necesita tu tarea. Relacionado: inferencia (16).

9. Mezcla de expertos (mixture of experts, MoE). Un diseño en el que una red de compuerta envía cada entrada a unas pocas de entre muchas subredes (“expertos”). Shazeer et al. (2017) informaron de aumentos de capacidad de más de 1.000 veces con solo pérdidas menores de eficiencia computacional. Por qué importa: las cifras de parámetros de los titulares exageran lo que se ejecuta en cada solicitud. Relacionado: parámetros (4).

Familia 2: ¿Qué entra en un modelo? (términos 10-15)

10. Token. La unidad que un modelo lee y escribe: una palabra, parte de una palabra, un carácter o un byte (glosario de Anthropic). Por qué importa: los límites y las facturas se cuentan en tokens, y los recuentos no son trasladables de un proveedor a otro. Relacionado: tokens de entrada y de salida (34).

11. Ventana de contexto (context window). Todo aquello a lo que el modelo puede remitirse al responder, incluida la propia respuesta; el prompt de sistema, los mensajes, los resultados de herramientas, los documentos y las definiciones de herramientas cuentan (documentación de Anthropic). Por qué importa: la ventana anunciada es un techo, no una promesa de atención, como muestra el análisis sobre ventanas de contexto y carga cognitiva. Relacionado: ingeniería de contexto (15).

12. Prompt de sistema (system prompt). Las instrucciones permanentes que una aplicación da a un modelo antes de la entrada del usuario, como una descripción de rol; NIST AI 100-2 (2025) usa el término en este sentido. Por qué importa: es donde viven las reglas de comportamiento de un producto. Relacionado: inyección de prompts (25).

13. Embedding (representación vectorial). Números que representan un texto de modo que los significados similares queden cerca entre sí; Mikolov et al. (2013) introdujeron representaciones vectoriales continuas y eficientes de las palabras. Por qué importa: los embeddings deciden qué recuperan la búsqueda semántica y el RAG. Relacionado: RAG (14).

14. Generación aumentada por recuperación (retrieval-augmented generation, RAG). Combinar la memoria integrada (paramétrica) de un modelo con un índice externo de documentos que se consulta en el momento de la pregunta (Lewis et al., 2020). Por qué importa: es la forma en que una herramienta responde a partir de tus documentos, y los errores de recuperación se convierten en errores de respuesta. Relacionado: anclaje (20).

15. Ingeniería de contexto (context engineering). Seleccionar y mantener el mejor conjunto de tokens delante de un modelo durante la inferencia, más allá del propio prompt (ingeniería de Anthropic). Por qué importa: los fallos en tareas largas suelen ser fallos de contexto, como muestra la explicación de la ingeniería de contexto. Relacionado: ventana de contexto (11).

¿Cuántos tokens tiene una palabra, según los propios proveedores?

Los proveedores publican reglas aproximadas, no tipos de cambio, así que un precio por millón de tokens no puede compararse entre proveedores sin contar el mismo texto con cada tokenizador.

Documentación del proveedor Regla tal como se formula Caracteres por token Tokens para 10.000 caracteres (derivado)
Google, Gemini API “un token equivale aproximadamente a 4 caracteres”; 100 tokens son unas 60-80 palabras en inglés unos 4 unos 2.500
Anthropic, modelos Claude anteriores “un token representa aproximadamente 3,5 caracteres en inglés” unos 3,5 unos 2.857
Anthropic, Claude 4.7 y posteriores el tokenizador más reciente da “aproximadamente un 30 % más de tokens para el mismo texto” unos 2,7 (derivado) unos 3.714
OpenAI, cookbook de tiktoken los tokens en inglés “suelen tener una longitud que va de un carácter a una palabra” sin cifra única no derivable

Fuente: documentación de los proveedores (Google, “Understand and count tokens”; glosario de Anthropic; OpenAI Cookbook), consultada el 17 de noviembre de 2026. Columnas derivadas: análisis de CEOtudent en calc.py. Son aproximaciones de los proveedores; los recuentos exactos requieren cada tokenizador.

La regla de Google implica 1,25-1,67 tokens por palabra en inglés, de modo que un briefing de 1.000 palabras ronda los 1.250-1.667 tokens. Los mismos 10.000 caracteres salen aproximadamente un 49 % más altos con la regla del tokenizador más reciente de Anthropic que con la de Google. No es una clasificación de calidad; la unidad misma es distinta.

Familia 3: ¿Qué sale, y cómo falla? (términos 16-21)

16. Inferencia (inference). Ejecutar un modelo entrenado para producir un resultado, en contraposición a entrenarlo. En derecho, “infiere” significa otra cosa: el EU AI Act y la OCDE lo usan para describir cómo un sistema obtiene resultados a partir de entradas, una prueba para saber si algo es siquiera un sistema de IA. Por qué importa: pagas por cada solicitud de inferencia. Relacionado: latencia (33).

17. Temperatura (temperature). Un ajuste que regula lo aleatoria que es la elección de palabras: más alta da resultados más variados, más baja da resultados más conservadores y predecibles (glosario de Anthropic). Por qué importa: una temperatura baja hace que el resultado sea repetible, no correcto. Relacionado: alucinación (18).

18. Alucinación (hallucination). Un resultado que carece de sentido o es infiel a su fuente; los casos intrínsecos contradicen la fuente y los extrínsecos no pueden verificarse a partir de ella (Ji et al., 2022). Por qué importa: el mecanismo determina la comprobación, como explica la guía sobre la mecánica de las alucinaciones. Relacionado: confabulación (19).

19. Confabulación (confabulation). El término del NIST para el contenido falso expresado con seguridad que puede inducir a error a los usuarios; el NIST llama a las “alucinaciones” el nombre coloquial (NIST AI 600-1). Por qué importa: las auditorías alineadas con el NIST usan esta palabra. Relacionado: red teaming (30).

20. Anclaje (grounding). Vincular una respuesta a pruebas suministradas, normalmente documentos que se pasan a la ventana de contexto (glosario de Anthropic, entrada RAG). Por qué importa: las respuestas ancladas pueden seguir leyendo mal las fuentes; pregunta si las citas apuntan al pasaje exacto. Relacionado: RAG (14).

21. Modelo de razonamiento (reasoning model, cadena de pensamiento o chain of thought). Un modelo o modo que escribe pasos de razonamiento intermedios antes de responder; Wei et al. (2022) mostraron que este tipo de prompts mejoraba el razonamiento complejo en modelos suficientemente grandes. Por qué importa: el razonamiento cuesta tokens de salida y tiempo adicionales; resérvalo para problemas de varios pasos. Relacionado: tokens de entrada y de salida (34).

Familia 4: ¿Cómo actúan los modelos en el mundo? (términos 22-26)

22. Uso de herramientas (tool use, llamada a funciones o function calling). Un modelo que solicita una función, como una búsqueda o la ejecución de código, que la aplicación o el proveedor ejecuta y devuelve (documentación de Anthropic). Por qué importa: en cuanto un modelo puede llamar a herramientas, sus permisos son tu superficie de riesgo. Relacionado: agente de IA (23).

23. Agente de IA (AI agent). Anthropic distingue los flujos de trabajo (workflows), en los que modelos y herramientas siguen “rutas de código predefinidas”, de los agentes, en los que el modelo dirige su propio proceso y su uso de herramientas. Por qué importa: los agentes cambian previsibilidad por flexibilidad; la alfabetización en agentes cubre las comprobaciones previas a delegar. Relacionado: supervisión humana (26).

24. Model Context Protocol (MCP). Un protocolo abierto para conectar aplicaciones de IA con datos y herramientas. En la especificación (última revisión 2026-07-28), los hosts son aplicaciones de modelos, los clientes son conectores dentro de ellas y los servidores exponen recursos, prompts y herramientas mediante JSON-RPC 2.0. Por qué importa: la especificación dice que los usuarios “deben consentir explícitamente y comprender todo acceso a datos y todas las operaciones”; pregunta cómo lo hace un producto. Relacionado: uso de herramientas (22).

25. Inyección de prompts (prompt injection). Un ataque que anula las instrucciones de un modelo. La forma indirecta coloca instrucciones en el contenido que el sistema ingiere, como una página web, y un jailbreak es un tipo de ataque directo mediante prompts (NIST AI 100-2). Por qué importa: cualquier herramienta que lea contenido externo puede ser dirigida por él. Relacionado: prompt de sistema (12).

26. Supervisión humana (human oversight). El requisito del EU AI Act (artículo 14) de que los sistemas de alto riesgo se diseñen para que personas físicas puedan supervisarlos de forma efectiva mientras se usan. Por qué importa: alguien debe poder entender y anular el resultado, a tiempo. Relacionado: responsable del despliegue (39).

Familia 5: ¿Cómo sabes si un modelo es bueno? (términos 27-31)

27. Benchmark (prueba de referencia). Un conjunto de pruebas público y fijo para comparar modelos; los autores de HELM señalan que los benchmarks “orientan la IA” (Liang et al., 2023). Por qué importa: mide su propia tarea, rara vez la tuya. Relacionado: eval (28).

28. Eval (evaluación a medida). Una prueba construida para tu tarea, con criterios de éxito explícitos y casos calificados, desde comprobaciones de coincidencia exacta hasta calificación basada en modelos (documentación de Anthropic). Por qué importa: tus propios casos de prueba valen más que una clasificación pública; consulta la habilidad de evaluación. Relacionado: benchmark (27).

29. Contaminación de datos (data contamination). Material de prueba que se filtra en los datos de entrenamiento e infla las puntuaciones; los autores de HELM advierten de “la posibilidad de contaminación entre entrenamiento y prueba” y dicen que se comprende poco su alcance. Por qué importa: una puntuación alta en un benchmark público antiguo es una prueba débil. Relacionado: benchmark (27).

30. Red teaming (equipo rojo). Ejercicios estructurados que sondean un modelo o sistema en busca de comportamientos adversos y someten a prueba de estrés sus salvaguardas (NIST AI 600-1). Por qué importa: pregunta quién hizo el red teaming del producto y qué cambió después. Relacionado: inyección de prompts (25).

31. Ficha de modelo (model card). Un documento breve que acompaña a un modelo e informa del rendimiento evaluado en distintas condiciones y grupos (Mitchell et al., 2019). Por qué importa: es donde se revelan las limitaciones; sin ficha, compras a ciegas. Relacionado: benchmark (27).

Familia 6: ¿Cuánto cuesta ejecutarlo? (términos 32-34)

32. Modelo de pesos abiertos (open-weight model). Un modelo cuyos parámetros, incluidos los pesos, son públicos. Los considerandos del EU AI Act vinculan las excepciones de código abierto a la publicación de los pesos, la arquitectura y la información de uso, y las niegan a los modelos con riesgo sistémico. Por qué importa: el alojamiento local da control sobre los datos, pero traslada a ti la seguridad y las actualizaciones. Relacionado: riesgo sistémico (37).

33. Latencia y tiempo hasta el primer token (latency, time to first token, TTFT). La latencia es el retraso entre el prompt y el resultado; el TTFT es el tiempo hasta que aparece el primer token (glosario de Anthropic). Por qué importa: el TTFT condiciona la velocidad percibida en un chat. Relacionado: inferencia (16).

34. Tokens de entrada y de salida (input and output tokens). Lo que envías y lo que genera el modelo; la documentación de Google indica que el coste de la Gemini API se determina en parte por ambos. Por qué importa: las respuestas largas y el razonamiento también se facturan, así que un precio de entrada barato puede ocultar una tarea cara. Relacionado: token (10).

Familia 7: ¿Quién es responsable según la ley? (términos 35-40)

35. Sistema de IA (AI system). La definición maestra del EU AI Act (artículo 3(1)): un sistema basado en una máquina, con distintos niveles de autonomía, que infiere a partir de la entrada cómo generar resultados que pueden influir en entornos físicos o virtuales, muy próxima a la redacción de la OCDE de 2024. Por qué importa: si una herramienta no es un sistema de IA, la mayor parte del Reglamento no se aplica. Relacionado: inferencia (16).

36. Modelo de IA de uso general (general-purpose AI model). Un modelo con un grado considerable de generalidad capaz de realizar de manera competente una gran variedad de tareas distintas (artículo 3(63)). Por qué importa: sus obligaciones recaen en el proveedor del modelo, no en la empresa que usa un producto construido sobre él. Relacionado: modelo fundacional (1).

37. Riesgo sistémico (systemic risk). El riesgo específico de las capacidades de gran impacto de los modelos de uso general más avanzados, con efectos que pueden propagarse a gran escala (artículo 3(65)). Se presume una capacidad de gran impacto cuando el cómputo de entrenamiento supera 10^25 operaciones de coma flotante (artículo 51(2)). Por qué importa: estos modelos imponen obligaciones adicionales a sus proveedores. Relacionado: red teaming (30).

38. Proveedor (provider). Quien desarrolla un sistema de IA o un modelo de uso general, o encarga su desarrollo, y lo introduce en el mercado o lo pone en servicio con su propio nombre o marca (artículo 3(3)). Por qué importa: poner tu marca en una herramienta construida para ti puede convertirte en el proveedor. Relacionado: responsable del despliegue (39).

39. Responsable del despliegue (deployer). Cualquiera que use un sistema de IA bajo su propia autoridad, salvo en una actividad personal de carácter no profesional (artículo 3(4)). Por qué importa: la mayoría de los empleadores que usan herramientas de IA son responsables del despliegue; la nueva alfabetización técnica cubre las obligaciones de quien las opera. Relacionado: supervisión humana (26).

40. Alfabetización en IA (AI literacy). Las capacidades, los conocimientos y la comprensión necesarios para un despliegue informado de la IA y para tomar conciencia de sus oportunidades y riesgos (artículo 3(56)); desde el Omnibus, el artículo 4 exige medidas para apoyar su desarrollo. Por qué importa: un glosario compartido es una parte práctica de esa obligación. Relacionado: responsable del despliegue (39).

¿De dónde proceden realmente las 40 definiciones?

Familia Términos Texto legal o normativo Artículo de investigación Documentación del proveedor o del proyecto
1. Cómo se construyen los modelos 9 1 5 3
2. Entradas y contexto 6 1 2 3
3. Resultados y errores 6 2 2 2
4. Agentes y herramientas 5 2 0 3
5. Evaluación 5 1 3 1
6. Coste y despliegue 3 1 0 2
7. Gobernanza y derecho 6 6 0 0
Total 40 14 12 14

Análisis de CEOtudent de las fuentes que figuran abajo: cada término se clasifica según su anclaje principal, reproducido en calc.py.

La ley define quién es responsable; la investigación define cómo funciona la tecnología; pero las unidades que fijan tu factura y tus límites (token, ventana de contexto, latencia, tokens facturados) las definen las empresas que cobran en ellas. Consigue esas definiciones por escrito.

¿Qué 10 términos deberías aprender primero según tu función?

Función Primeros 10 términos (por número) Por qué este conjunto
Mánager 2, 11, 18, 23, 26, 28, 35, 38, 39, 40 Delegación, supervisión y roles legales
Freelance u operador en solitario 2, 6, 10, 11, 14, 15, 17, 20, 22, 34 Calidad del resultado por unidad de coste y de tiempo
Analista 10, 11, 13, 14, 18, 19, 20, 27, 28, 29 Recuperación, detección de errores, pruebas de calidad
Comprador de herramientas de IA 1, 10, 11, 25, 31, 32, 33, 34, 38, 39 Unidades, divulgación, seguridad, obligaciones legales

Marco editorial de CEOtudent. Los conjuntos por función son un criterio editorial, no datos de encuesta.

El hábito de estudiante: una familia por semana, escribiendo una frase por término sobre una herramienta que usas; el término sobre el que no puedas escribir es el siguiente que debes estudiar. Elegir un modelo para cada trabajo es el paso siguiente, cubierto en la guía de enrutamiento de modelos.

¿Qué deberías comprobar antes de firmar un contrato con un proveedor de IA?

Pregunta por escrito.

# Término Pregunta para el proveedor Respuesta de alarma
1 Token (10) ¿Qué tokenizador cuenta nuestro uso, y podemos contar el texto antes de que se facture? “Unos cuatro caracteres”, sin herramienta de recuento
2 Ventana de contexto (11) ¿Cuál es la ventana en nuestro nivel, y qué ocurre cuando la superamos? Solo se cita el máximo del nivel superior
3 Tokens de entrada y de salida (34) ¿Se facturan los pasos de razonamiento y los resultados de herramientas, y a qué tarifa? Solo se cita el precio de entrada
4 Modelo fundacional (1) ¿Qué modelo y qué versión nos atiende, y cómo se nos informa de los cambios? “Siempre usamos el mejor modelo”
5 Ajuste fino (6) ¿Servirán nuestros datos para entrenar o ajustar algún modelo? Ninguna respuesta por escrito
6 Anclaje (20) ¿Las respuestas citan el pasaje exacto en el que se basan? Solo citas a documentos completos
7 Inyección de prompts (25) ¿Cómo se gestionan las instrucciones ocultas en los documentos ingeridos? “Nuestro modelo es seguro”
8 Ficha de modelo y eval (31, 28) ¿Podemos ver la ficha de modelo y ejecutar antes nuestro propio conjunto de pruebas? Solo puntuaciones de clasificaciones públicas
9 Proveedor y responsable del despliegue (38, 39) Según el EU AI Act, ¿quién es el proveedor, y qué esperáis de nosotros como responsables del despliegue? Se trata como algo irrelevante
10 Supervisión humana (26) ¿Dónde puede una persona revisar, anular o detener una acción? Solo un panel de control a posteriori

Marco editorial de CEOtudent.

Lo que este glosario no hace

Es información general, no asesoramiento jurídico: que seas proveedor o responsable del despliegue depende de hechos que un glosario no puede ver. No clasifica a los proveedores; la tabla de tokens compara reglas aproximadas, no recuentos medidos. Y el vocabulario no es fluidez: conocer la palabra “confabulación” del NIST es alfabetización; detectar una en la demo de un proveedor es la habilidad.

Preguntas frecuentes

¿El término correcto es “alucinación” o “confabulación”?
Ambos. La investigación dice sobre todo alucinación; el NIST dice confabulación. Usa el marco de tu público y nombra el fallo al que te refieres.

¿Cambió el Digital Omnibus de 2026 las definiciones del EU AI Act?
Solo de forma limitada: reescribió “componente de seguridad” y añadió definiciones de pyme y de pequeña empresa de mediana capitalización. Las definiciones de este glosario no cambian, pero la obligación de alfabetización del artículo 4 se suavizó y los plazos de alto riesgo se movieron.

¿Cuántas palabras caben en un millón de tokens?
Depende del tokenizador. La regla de Google de 60-80 palabras en inglés por cada 100 tokens implica 600.000-800.000 palabras para los modelos Gemini; otros tokenizadores difieren.

¿Qué diferencia hay entre un agente y un flujo de trabajo?
Un flujo de trabajo sigue rutas de código predefinidas; un agente decide sus propios pasos y su uso de herramientas. Los flujos de trabajo son más fáciles de probar.

¿MCP es un producto?
No. Es un protocolo abierto; los productos lo implementan, con distinto grado de cuidado en cuanto al consentimiento y los permisos.

Fuentes

  1. Reglamento (UE) 2024/1689 (Artificial Intelligence Act). Diario Oficial de la Unión Europea, 12 de julio de 2024. Artículos 3, 4, 14, 51; considerandos 102 y 104.
  2. Reglamento (UE) 2026/1744 (Digital Omnibus on AI). Diario Oficial de la Unión Europea, 24 de julio de 2026.
  3. OECD. Explanatory Memorandum on the Updated OECD Definition of an AI System. OECD Artificial Intelligence Papers No. 8, marzo de 2024.
  4. NIST. AI Risk Management Framework (AI RMF 1.0), NIST AI 100-1, enero de 2023.
  5. NIST. Generative Artificial Intelligence Profile, NIST AI 600-1, julio de 2024.
  6. NIST. Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations, NIST AI 100-2e2025, marzo de 2025.
  7. Vaswani, A. et al. Attention Is All You Need. NIPS 2017 (arXiv 1706.03762).
  8. Lewis, P. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. 2020 (arXiv 2005.11401).
  9. Ouyang, L. et al. Training language models to follow instructions with human feedback. 2022 (arXiv 2203.02155).
  10. Hinton, G., Vinyals, O. y Dean, J. Distilling the Knowledge in a Neural Network. 2015 (arXiv 1503.02531).
  11. Shazeer, N. et al. Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer. 2017 (arXiv 1701.06538).
  12. Wei, J. et al. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. NeurIPS 2022 (arXiv 2201.11903).
  13. Bommasani, R. et al. On the Opportunities and Risks of Foundation Models. Stanford CRFM, 2021 (arXiv 2108.07258).
  14. Mikolov, T. et al. Efficient Estimation of Word Representations in Vector Space. 2013 (arXiv 1301.3781).
  15. Ji, Z. et al. Survey of Hallucination in Natural Language Generation. Preprint de ACM Computing Surveys, 2022 (arXiv 2202.03629).
  16. Mitchell, M. et al. Model Cards for Model Reporting. FAT* 2019 (arXiv 1810.03993).
  17. Liang, P. et al. Holistic Evaluation of Language Models. Transactions on Machine Learning Research, 2023 (arXiv 2211.09110).
  18. Anthropic. Documentación de la plataforma Claude: Glossary; Context windows; Tool use overview; Define success criteria and build evaluations. Documentación del proveedor, consultada el 17 de noviembre de 2026.
  19. Anthropic. Building effective agents (19 de diciembre de 2024); Effective context engineering for AI agents (29 de septiembre de 2025). Publicaciones del proveedor.
  20. Google. Understand and count tokens, documentación de la Gemini API. Documentación del proveedor, consultada el 17 de noviembre de 2026.
  21. OpenAI. How to count tokens with tiktoken, OpenAI Cookbook. Documentación del proveedor, consultada el 17 de noviembre de 2026.
  22. Model Context Protocol. Specification, revisión 2026-07-28; What is the Model Context Protocol. Documentación del proyecto, consultada el 17 de noviembre de 2026.

Análisis de CEOtudent: las columnas de tokens derivadas, la comparación del 49 % y la tabla del mapa de fuentes. Marcos editoriales de CEOtudent: el mapa por funciones y la lista de verificación del contrato. Deliberadamente no utilizado: afirmaciones de encuestas sobre cuántos trabajadores malinterpretan los términos de IA (no se abrió ninguna encuesta primaria), la redacción de ISO/IEC 22989 (no disponible en abierto) y los tamaños de ventana de contexto de los proveedores, tratados en un artículo hermano.


Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.

This post is also available in: Türkçe English Français Deutsch

Benzer içerikler