Glosario de IA práctica

Para alumnos del taller y para cualquiera que quiera entender de qué habla la gente sin quedarse callado en la junta. Cada término trae qué es, sin jerga, una analogía cotidiana y un ejemplo real.

19 términos 4 secciones sin jerga

Fundamentos del LLM

LLM

Large Language Model

Un modelo de IA entrenado con cantidades enormes de texto para predecir qué palabra viene después. Cuando le escribes algo, no piensa como humano: calcula la continuación más probable basándose en patrones que aprendió.

Analogía y ejemplo

Analogía. Un escritor que leyó casi todos los libros, artículos y conversaciones de Internet. Cuando le pides algo, no recuerda de dónde sacó la idea, pero puede improvisar en cualquier estilo porque vio millones de ejemplos.

Ejemplo. Claude, ChatGPT y Gemini son LLMs. Cuando le pides a Claude redacta un correo profesional para cobrar a un cliente moroso, está generando palabra por palabra usando lo que aprendió de millones de correos similares.

Token

Unidad mínima de texto

La unidad mínima con la que el modelo procesa texto. No es ni una letra ni una palabra completa: es un fragmento. Hola es 1 token, increíblemente puede ser 3 tokens, un emoji es 1-2 tokens.

Analogía y ejemplo

Analogía. Las fichas de Scrabble. El idioma no se mueve letra por letra ni frase por frase, sino en pedazos. El modelo arma respuestas pegando fichas, no escribiendo a mano.

Ejemplo. Cuando ves que un modelo cuesta $3 por millón de tokens, significa que cada conversación consume fichas. Un correo de 200 palabras ≈ 250-300 tokens. Por eso conversaciones largas se vuelven caras y lentas.

Ventana de contexto

Memoria de trabajo

La cantidad máxima de tokens que el modelo puede ver al mismo tiempo: tu pregunta, los archivos que adjuntaste, el historial y la respuesta que va a generar. Todo cabe ahí o no cabe.

Analogía y ejemplo

Analogía. El escritorio de tu oficina. Caben ciertos documentos abiertos a la vez. Si metes uno nuevo, alguno viejo se cae al piso (el modelo lo olvida). Más grande el escritorio, más cosas en paralelo, pero ningún escritorio es infinito.

Ejemplo. Claude 4 maneja ~200,000 tokens de ventana (≈ un libro de 500 páginas). Si pegas un PDF gigante + 3 horas de conversación previa, eventualmente el modelo deja de recordar lo del inicio.

Prompt

La instrucción al modelo

La instrucción que le das al modelo. Puede ser una pregunta, una orden, un texto a editar, o una mezcla. Es el input completo: lo que escribes + los archivos que adjuntas + el rol que asignaste.

Analogía y ejemplo

Analogía. El brief que le pasas a un freelancer. Si es vago (hazme algo bonito), el resultado será genérico. Si es específico (audiencia, tono, ejemplos, formato), el entregable se acerca a lo que tienes en la cabeza.

Ejemplo. Resume esto es un prompt malo. Resume este correo en 3 bullets, máximo 15 palabras cada uno, enfocados en las acciones que debo tomar esta semana es un prompt que funciona.

Modelo

Claude · GPT · Gemini

El cerebro específico que está detrás de una interfaz. Cada empresa entrena varios: unos más rápidos y baratos, otros más caros y potentes. La interfaz es solo la ventana. El modelo es lo que piensa.

Analogía y ejemplo

Analogía. Marcas y motores de auto. ChatGPT, Claude y Gemini son las marcas. Dentro de cada una hay motores distintos (GPT-5, Claude Opus 4.7, Gemini 2.5 Pro). Eliges el motor según el viaje: ciudad, carretera, off-road.

Ejemplo. Para escribir un correo rápido, usas un modelo barato (Haiku, GPT-mini). Para analizar un contrato legal de 40 páginas, usas un modelo grande (Opus, GPT-5). Saber elegir el modelo correcto es la mitad de la eficiencia.

Cómo interactuamos con la IA

Prompt Engineering

Patrones de redacción

El arte de redactar prompts para que el modelo entregue lo que necesitas. No es magia ni código: son patrones probados (dar contexto, ejemplos, estructura, rol). Incluye Zero-shot, Few-shot, Chain-of-Thought, Role Playing y Red Team.

Analogía y ejemplo

Analogía. Aprender a delegarle bien a un asistente nuevo. Las primeras semanas le explicas todo mal; con práctica encuentras la forma exacta de pedir las cosas para que salgan al primer intento.

Ejemplo. En Clase 1 vimos cómo el mismo prompt mal escrito da resultados genéricos, y reescrito con rol + contexto + formato esperado da resultados usables. Esa diferencia es prompt engineering.

Zero-shot

Sin ejemplos previos

Pedirle al modelo que haga una tarea sin darle ningún ejemplo previo. Solo la instrucción.

Analogía y ejemplo

Analogía. Decirle a alguien hazme una tortilla sin mostrarle cómo. Si la persona es experimentada, sale bien. Si no, sale rara.

Ejemplo. Clasifica este correo como urgente o no urgente. El modelo decide solo, sin ejemplos tuyos de qué es urgente para ti.

Few-shot

Con 2-5 ejemplos

Darle al modelo 2-5 ejemplos del tipo de respuesta que esperas, antes de pedirle la tarea real. El modelo imita el patrón.

Analogía y ejemplo

Analogía. Antes de pedirle al asistente que conteste tus correos, le muestras 3 correos tuyos respondidos como referencia. Aprende tu tono.

Ejemplo. Para el Analizador de Correos: le das 3 ejemplos de cómo TÚ clasificarías correos (urgente / delegable / archivo). El modelo aprende tu criterio en segundos.

Chain-of-Thought

Cadena de Pensamiento

Pedirle al modelo que razone paso a paso antes de dar la respuesta final. Mejora la precisión en tareas con lógica, matemáticas o decisiones de varios pasos.

Analogía y ejemplo

Analogía. Pedirle a alguien que muestre el procedimiento de la cuenta, no solo el resultado. Si se equivoca, ves dónde, y muchas veces, al pensarlo en voz alta, ya no se equivoca.

Ejemplo. Analiza si este contrato me conviene. Primero lista los riesgos, luego los beneficios, luego compara con estándares de la industria, y al final da tu veredicto.

Skill

Capacidad pre-empaquetada

Una capacidad pre-empaquetada que le enseñas al modelo una vez y reutiliza siempre. Contiene instrucciones, archivos de referencia, scripts y ejemplos. Se invoca con un trigger.

Analogía y ejemplo

Analogía. Un recetario plastificado en la cocina. No tienes que explicarle al cocinero cómo hacer pasta cada vez: dice receta 7 y ejecuta. Las skills son recetas que el modelo aplica cuando detecta el momento correcto.

Ejemplo. Cuando le dices a Claude corre el daily sync, se activa una skill que ya sabe qué archivos leer, qué calcular, qué escribir y dónde guardarlo. No le explicas el procedimiento cada mañana.

Agente

Modelo con autonomía

Un modelo configurado para ejecutar tareas con autonomía: decide qué pasos seguir, qué herramientas usar y cuándo terminar. No solo responde: actúa.

Analogía y ejemplo

Analogía. Un agente de viajes. No le dices compra el vuelo X. Le dices necesito ir a CDMX la próxima semana, barato y con buen horario. Él investiga, compara, decide y te trae la opción final.

Ejemplo. Un agente puede revisar tus correos sin leer, clasificar los importantes, redactar borradores y dejarlos listos para que solo apruebes. Tú no orquestas paso por paso: defines el resultado y deja que se las arregle.

Integraciones e infraestructura

API

Application Programming Interface

Un enchufe estándar que permite que dos programas se hablen entre sí. Cuando una app dice usa la API de OpenAI, quiere decir que se conecta directamente al modelo sin pasar por la web.

Analogía y ejemplo

Analogía. El menú de servicio a la habitación de un hotel. Tú no entras a la cocina: pides desde una lista predefinida y recibes el plato. La cocina (el modelo) no cambia, solo recibe pedidos por un canal estándar.

Ejemplo. Cuando integras Claude en tu app de notas, tu app le habla a Claude por API. Cada mensaje cuesta tokens. La API es lo que permite construir tus propias herramientas sin abrir la web de Claude.

MCP

Model Context Protocol

Un protocolo estándar que conecta modelos de IA con herramientas externas (tu calendario, tus correos, tu Obsidian, tu base de datos). Antes, cada integración era un parche; con MCP se conectan como módulos plug-and-play.

Analogía y ejemplo

Analogía. El estándar USB. Antes, cada dispositivo traía su propio cable raro. Con USB, todo se conecta igual. MCP es el USB de la IA: conectas el puerto MCP de Google Drive y el modelo ya puede leer tus archivos sin código adicional.

Ejemplo. Claude en mi máquina tiene MCPs conectados a Obsidian, Gmail, Calendar y Wallet. Cuando le pido revisa mi semana, lee del calendario, del journal y de las finanzas, sin que yo copie y pegue nada.

Integración

Conexión a herramientas

Cualquier conexión entre el modelo y una herramienta externa (app, base de datos, servicio web). MCPs son un tipo de integración; también las hay vía API directa, plugins de cada plataforma, o automatizaciones tipo Zapier.

Analogía y ejemplo

Analogía. Los electrodomésticos de la cocina conectados al tomacorriente. La licuadora sola no hace jugo; conectada a la pared, sí. La integración es lo que le da al modelo acceso al mundo real.

Ejemplo. Conectar ChatGPT con tu Google Drive es una integración. Conectar Claude con Notion vía MCP, otra. Sin integraciones, el modelo solo trabaja con lo que pegas manualmente en el chat.

CLI

Command Line Interface

Una forma de interactuar con programas escribiendo comandos en texto, en vez de hacer clic en botones. Más rápido y poderoso para tareas repetitivas, pero requiere aprender los comandos.

Analogía y ejemplo

Analogía. Pedirle al mesero por nombre del platillo en vez de señalarlo en la carta con fotos. Al principio es incómodo; cuando ya te sabes los nombres, pides más rápido y con más precisión.

Ejemplo. Claude Code es un CLI: en vez de abrir una web, escribes claude en la terminal y conversas con el modelo directamente desde donde están tus archivos. Ideal para flujos serios.

Terminal

La ventana de comandos

La aplicación negra (o de cualquier color) donde escribes comandos. Es la ventana donde corren los CLIs. En Mac se llama Terminal o iTerm; en Windows, PowerShell o WSL.

Analogía y ejemplo

Analogía. El tablero del coche. No es el motor ni las llantas: es donde escribes y lees lo que pasa. La terminal por sí sola no hace nada útil: es el lugar desde el cual operas todo lo demás.

Ejemplo. Para usar Claude Code, primero abres la terminal. Ahí escribes claude y empiezas la conversación. La terminal es el punto de entrada al mundo CLI.

Cron Job

Tarea programada

Una instrucción para que algo se ejecute automáticamente en un horario fijo: todos los lunes a las 9am, cada 15 minutos, el primer día del mes. No requiere que estés presente.

Analogía y ejemplo

Analogía. La cafetera programada. La dejas lista la noche anterior; a las 7am se enciende sola y prepara el café. Tú no haces nada, solo defines el horario y la receta.

Ejemplo. Mi sistema tiene un cron job que cada mañana a las 9:30am dispara el daily sync: lee mi journal, revisa el calendario, calcula mi plan del día y me lo deja escrito antes de que abra la laptop.

Apéndice: Second Brain

Second Brain

Conocimiento externo

Un sistema externo donde guardas y organizas tu conocimiento (notas, ideas, referencias, proyectos) para que tu cerebro biológico no tenga que recordarlo todo. Cuando se combina con IA, el modelo puede leer tu Second Brain y trabajar contigo sobre lo que ya sabes.

Analogía y ejemplo

Analogía. Tu archivero personal + biblioteca + agenda, todo en un solo lugar y todo buscable. La diferencia con Notion o Evernote: el Second Brain está diseñado para que TÚ y tu IA lo consulten juntos.

Ejemplo. Mi Second Brain vive en Obsidian. Cuando le pido a Claude analiza mi semana, lee notas que escribí hace meses + journal + proyectos activos. La IA no inventa: trabaja con MI material.

Capa Raw / Wiki / Output

Estructura mínima

La estructura mínima de un Second Brain. Raw: material crudo sin procesar (clippings, journal diario, capturas). Wiki: conocimiento procesado y enlazado (conceptos, personas, frameworks). Output: lo que produces hacia afuera (posts, proyectos entregados, decisiones).

Analogía y ejemplo

Analogía. Una cocina. Raw es la despensa (ingredientes crudos). Wiki es el recetario y los preparados base. Output son los platos servidos al cliente. Sin las tres capas, o cocinas sin orden o sirves ingredientes crudos.

Ejemplo. En Clase 1 vimos por qué importa esta separación: si mezclas raw con output, terminas buscando información en un caos. Si las separas, tu IA sabe a qué capa acudir según lo que le pidas.

¿Y si en vez de leer los términos, alguien te los instala?

Una sesión de trabajo para ver qué de todo esto ya aplica en tu día a día, con tus propios archivos.

Agenda tu sesión gratis