Glosario esencial de IA: los términos que todo líder debe entender

Por qué este glosario importa

La inteligencia artificial no solo está transformando industrias; también genera un lenguaje propio que cambia constantemente. Cuando leen sobre IA encontrarán siglas y palabras como AGI, LLM, RAG, RLHF, agentes de IA o diffusion que pueden parecer intimidantes. Este glosario ordena y aclara esos términos claves para que líderes y equipos técnicos en América Latina puedan tomar decisiones informadas sin perderse en la jerga.

AGI (Inteligencia Artificial General)

AGI, o inteligencia artificial general, es un concepto amplio y aún discutido. En términos prácticos se refiere a sistemas de IA con capacidades superiores a las de una persona promedio en muchas tareas diferentes. Diferentes actores definen AGI de maneras ligeramente distintas: el CEO de OpenAI, Sam Altman, la comparó con un “humano promedio que podrías contratar como compañero de trabajo”; la carta de OpenAI habla de “sistemas altamente autónomos que superan a los humanos en la mayoría del trabajo económicamente valioso”; y Google DeepMind lo describe como IA tan capaz como los humanos en la mayoría de las tareas cognitivas.

La confusión entre expertos es normal: AGI sigue siendo una meta teórica que influye en planificación estratégica y debates sobre riesgos y gobernanza.

Agente de IA

Un agente de IA es un sistema que ejecuta tareas de forma autónoma y secuencial en nombre de una persona u organización. Ese “más allá” de un chatbot básico implica coordinar múltiples acciones: reservar viajes, gestionar gastos, programar reuniones o mantener fragmentos de código.

El término abarca implementaciones diversas y en muchos casos emergentes; la infraestructura para que los agentes cumplan todas sus promesas aún se está construyendo. Para las empresas latinoamericanas, los agentes prometen automatizar flujos operativos repetitivos, pero su adopción exige supervisión, control de accesos y análisis de riesgos regulatorios y de privacidad.

Endpoints de API

Los endpoints de una API son interfaces que permiten a un programa “presionar un botón” en otro software para que ejecute acciones o entregue datos. Los desarrolladores los usan para integrar servicios: por ejemplo, para que una aplicación invoque funcionalidades de otra sin intervención humana.

Muchas plataformas y dispositivos conectados ya exponen estos botones. A medida que los agentes de IA se vuelven más sofisticados, serán capaces de descubrir y usar endpoints por su cuenta, lo que abre posibilidades de automatización poderosa pero también planteamientos de seguridad y gobernanza que las empresas deben gestionar.

Cadena de pensamiento (chain of thought)

En humanos, resolver ciertos problemas requiere pasos intermedios —anotar cuentas o descomponer un ejercicio— y lo mismo sucede con algunos modelos de lenguaje. La técnica llamada chain of thought implica que el modelo descompone un problema en pasos intermedios para mejorar la calidad de la respuesta.

Esto puede tardar más pero suele incrementar la precisión, especialmente en tareas lógicas o de programación. Los modelos de razonamiento se desarrollan a partir de grandes modelos de lenguaje y se optimizan para ese tipo de pensamiento mediante técnicas como el aprendizaje por refuerzo.

Agentes de código (coding agents)

Un agente de código es un agente de IA especializado en desarrollo de software: no solo sugiere fragmentos de código, sino que escribe, prueba y depura de forma iterativa. Estos agentes pueden recorrer bases de código extensas, detectar errores, ejecutar pruebas y proponer correcciones con supervisión humana mínima.

En empresas latinoamericanas con limitaciones de talento o recursos, los coding agents pueden acelerar tareas repetitivas y mejorar productividad, pero siempre será necesario revisar los resultados por parte de desarrolladores humanos para garantizar calidad, seguridad y cumplimiento.

Compute (capacidad de cómputo)

Compute es el término que agrupa la potencia computacional necesaria para entrenar y ejecutar modelos de IA. Habitualmente se refiere al hardware y la infraestructura detrás de la IA: GPUs, CPUs, TPUs y otros elementos que permiten procesar grandes volúmenes de datos.

Para organizaciones, el costo y la disponibilidad de compute son factores críticos al evaluar proyectos de IA. En la región, decidir entre servicios en la nube, proveedores locales o centros de datos propios implica analizar costos, latencia, regulación y soberanía de datos.

Deep learning (aprendizaje profundo)

Deep learning es un subconjunto del machine learning que utiliza redes neuronales artificiales con múltiples capas para aprender representaciones complejas de los datos. Estas arquitecturas permiten al modelo identificar características relevantes por sí mismas en lugar de depender de ingeniería manual de rasgos.

Los modelos de deep learning suelen necesitar grandes cantidades de datos y tiempo de entrenamiento, lo que puede elevar costos y requerir mayor infraestructura. Su aplicación es común en visión por computador, procesamiento de lenguaje natural y reconocimiento de voz.

Diffusion (modelos de difusión)

Los modelos de difusión son la tecnología detrás de muchas herramientas de generación de imágenes, audio y otros contenidos creativos. Inspirados en procesos físicos, estos sistemas comienzan añadiendo ruido de forma progresiva a un dato (por ejemplo, una imagen) hasta que su estructura se disuelve. Luego aprenden a invertir ese proceso para generar nuevos ejemplos.

Los modelos de difusión han impulsado gran parte del avance en generación multimodal —desde arte hasta música— y plantean preguntas relevantes sobre derechos de autor, uso de datos de entrenamiento y calidad del contenido generado.

Cómo usar este vocabulario en la toma de decisiones

• No confundan términos técnicos con promesas operativas: conceptos como AGI son útiles para el debate estratégico, pero las decisiones del día a día suelen depender de capacidades prácticas (agentes, modelos de lenguaje, capacidades de compute).
• Evalúen riesgos y gobernanza desde el inicio: cuando un sistema puede actuar sobre APIs o acceder a datos sensibles, la seguridad, privacidad y trazabilidad se vuelven prioritarias.
• Adopten pilotos controlados: los agentes y coding agents ofrecen eficiencia, pero requieren marcos de validación y revisiones humanas.
• Consideren la infraestructura y la regulación local: en América Latina, temas como soberanía de datos, latencia y costos de nube son decisivos.

Conclusión

Entender estos términos facilita conversaciones productivas entre áreas técnicas y de negocio. La IA evoluciona rápido y el lenguaje cambiará con ella; este glosario sirve como punto de partida para que líderes en la región evalúen oportunidades, riesgos y prioridades sin quedar atrapados por la jerga.