Glosario de IA para diseñadores: términos clave explicados en una línea

¿Qué términos explican cómo funciona un modelo?

• LLM: modelo de lenguaje grande, entrenado con mucho texto para predecir el siguiente token.
• Token: unidad de texto que procesa el modelo; puede ser una palabra, un fragmento o un signo. Con tokens se mide el tamaño y el costo.
• Ventana de contexto: máximo de tokens que el modelo maneja en una petición, incluida su respuesta.
• Embedding: lista de números que representa un texto o imagen, de modo que lo parecido queda cerca.
• Knowledge cutoff: fecha hasta la que llegan los datos de entrenamiento; lo posterior no lo sabe por sí mismo.
• Alucinación: respuesta falsa presentada con seguridad, efecto de cómo se genera el texto y no una mentira intencional.
• Modelo de razonamiento: modelo que genera pasos intermedios antes de responder, a cambio de más tiempo y costo.
• Modelo multimodal: modelo que procesa más de un tipo de dato, como texto, imagen, audio o video.
• Temperatura y top-p: parámetros que controlan qué tan variable o conservadora es la elección del siguiente token.
• Modelo abierto vs. cerrado: pesos disponibles para alojar, frente a un modelo accesible solo por API.

¿Cómo se le dan instrucciones y datos a un modelo?

• Prompt engineering: diseñar instrucciones, contexto, ejemplos y formato para obtener resultados útiles y consistentes.
• System prompt: instrucciones permanentes que definen el rol, el tono y los límites del modelo.
• Few-shot prompting: incluir unos pocos ejemplos de entrada y salida para que el modelo siga el patrón.
• Chain of thought: lograr que el modelo escriba pasos intermedios antes de la respuesta final.
• Salida estructurada: respuesta en formato fijo, normalmente JSON, que una aplicación puede leer sin interpretar texto libre.
• Context engineering: decidir qué entra al modelo en cada paso, no solo el prompt.
• RAG: buscar fragmentos relevantes en documentos y añadirlos a la petición para que la respuesta se base en ellos.
• Fine-tuning vs. prompting: seguir entrenando el modelo con datos propios, frente a guiarlo con instrucciones en cada petición.
• Prompt caching: reutilizar partes del prompt ya procesadas para bajar costo y latencia.

¿Qué términos describen a un agente?

• Agente de IA: sistema donde un modelo recibe un objetivo, decide los pasos y usa herramientas hasta terminar.
• Asistente, copiloto y agente: el primero responde, el segundo sugiere dentro de tu tarea, el tercero ejecuta varios pasos.
• Tool use: el modelo pide ejecutar una función externa; la aplicación la corre y le devuelve el resultado.
• Loop de agente: ciclo que se repite hasta terminar: el modelo decide, se ejecuta una herramienta y el resultado vuelve.
• MCP: estándar abierto para conectar aplicaciones de IA con archivos, bases de datos y herramientas.
• Niveles de autonomía: escala de cinco niveles (Feng, McDonald y Zhang) según el rol que asume la persona frente al agente.
• Human-in-the-loop: una persona aprueba o corrige en los puntos donde el error cuesta más.
• Modo plan: el agente investiga y propone cambios, pero no ejecuta hasta que apruebas el plan.
• Subagente: agente especializado con contexto y permisos propios que devuelve solo el resultado final.
• Skill: carpeta con un SKILL.md que enseña un procedimiento al agente y se carga solo cuando hace falta.
• Sandboxing y permisos: aislamiento del sistema operativo más reglas sobre qué herramientas necesitan aprobación.
• Computer use: el modelo observa la pantalla y opera mouse y teclado como lo haría una persona.

¿Cómo se mide y se controla la calidad?

• Evals: pruebas para un sistema de IA; equivalen a tests automatizados para comportamientos variables.
• Golden dataset: casos de prueba con respuestas de referencia para comparar versiones de forma repetible.
• LLM como juez: un modelo califica respuestas con un criterio escrito; solo es confiable si lo validas con personas.
• Benchmark: prueba estandarizada para comparar modelos; el puntaje solo describe lo que la prueba mide.
• Regresión de prompt: un cambio que empeora casos que antes funcionaban.
• Guardrails: controles que revisan entradas, salidas o acciones y pueden bloquearlas; no garantizan seguridad total.
• Red teaming: atacar el sistema a propósito para hallar fallos antes de que los encuentre alguien más.
• Sesgo en modelos: tendencia repetible que da resultados peores o injustos para ciertos grupos.

¿Qué términos importan al diseñar la experiencia y el producto?

• Streaming: mostrar la respuesta por fragmentos mientras se genera; el modelo no tarda menos, el texto aparece antes.
• Calibración de confianza: que la confianza de la persona coincida con la fiabilidad real del sistema.
• Incertidumbre: comunicar qué tan seguro está el sistema y cómo verificar lo que dice.
• Explicabilidad: dar al usuario lo necesario para saber de dónde sale un resultado y cuándo revisarlo.
• Handoff a humano: pasar la conversación a una persona con el contexto necesario para no repetir todo.
• Dark patterns de IA: diseños o diálogos que empujan al usuario a creer o hacer algo que no habría elegido.
• UI generativa: interfaz donde el modelo decide qué componentes mostrar, en lugar de fijarlos de antemano.
• AI-first vs. AI-added: producto diseñado alrededor de la IA desde el inicio, frente a IA agregada a uno existente.
• AEO: término de marketing para preparar un sitio y que los motores de respuesta con IA lo citen; no es un estándar.
• llms.txt: archivo propuesto en Markdown con un resumen del sitio y enlaces clave para agentes de IA.
• Vibe coding: construir software describiéndolo a una IA y aceptar el código sin revisarlo a fondo.
• Design engineer: perfil entre diseño y frontend que prototipa y construye en código; el puesto no tiene definición estándar.
• Design tokens: valores de diseño con nombre en formato estándar, que un agente puede usar sin adivinar un hex.
• Code Connect: herramienta de Figma que vincula un componente de Figma con su componente de código.

Ejemplo

Ejemplo ilustrativo: en una reunión alguien dice “el agente alucinó porque se le acabó la ventana de contexto”. Con este glosario puedes separar los términos. La ventana de contexto es el límite de tokens por petición. Si el agente perdió instrucciones iniciales, el problema es de context engineering. Si inventó un dato, es una alucinación, y la defensa es RAG con citas, o un eval que lo detecte. Tres problemas distintos que en la reunión sonaban a uno solo.

Errores comunes

• Usar “agente” para cualquier chat con IA. Un asistente que responde y un agente que ejecuta varios pasos con herramientas piden diseños de permisos y de supervisión muy diferentes.
• Creer que temperatura 0 garantiza la misma respuesta. La documentación de Anthropic aclara que ni así los resultados son totalmente deterministas.
• Confundir RAG con fine-tuning. RAG añade documentos a la petición; el fine-tuning cambia el comportamiento del propio modelo.
• Tratar un benchmark como veredicto. El puntaje describe el rendimiento en esa prueba y no en tu producto; para eso necesitas tus propios evals.
• Usar AEO como garantía. Es un término de marketing, no una función con ajustes propios.

Fuentes

• Glossary (documentación de Claude)
• What is the Model Context Protocol (MCP)? (modelcontextprotocol.io)
• Building effective agents (Anthropic)
• Levels of Autonomy for AI Agents (Feng, McDonald y Zhang, arXiv:2506.12469)
• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis et al., arXiv:2005.11401)
• The /llms.txt file (llmstxt.org)