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

> Glosario de IA para diseñadores con 53 términos explicados en una línea: modelos, prompts, agentes, evaluación y UX. Cada uno enlaza a su artículo de la wiki.

*Tags: ia, glosario, referencia, diseno*

---


> [!info] Definición Rápida
> Este **glosario de IA para diseñadores** reúne 53 términos que aparecen en la wiki, agrupados por tema y con una definición de una línea. Cada término enlaza a su artículo completo. Si uno no está aquí, probablemente tiene su propio artículo: búscalo en el índice de la sección.


## ¿Qué términos explican cómo funciona un modelo?

- [[que-es-un-llm|LLM]]: modelo de lenguaje grande, entrenado con mucho texto para predecir el siguiente token.
- [[tokens|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|Ventana de contexto]]: máximo de tokens que el modelo maneja en una petición, incluida su respuesta.
- [[embeddings|Embedding]]: lista de números que representa un texto o imagen, de modo que lo parecido queda cerca.
- [[knowledge-cutoff|Knowledge cutoff]]: fecha hasta la que llegan los datos de entrenamiento; lo posterior no lo sabe por sí mismo.
- [[alucinaciones|Alucinación]]: respuesta falsa presentada con seguridad, efecto de cómo se genera el texto y no una mentira intencional.
- [[modelos-de-razonamiento|Modelo de razonamiento]]: modelo que genera pasos intermedios antes de responder, a cambio de más tiempo y costo.
- [[modelos-multimodales|Modelo multimodal]]: modelo que procesa más de un tipo de dato, como texto, imagen, audio o video.
- [[temperatura-y-top-p|Temperatura y top-p]]: parámetros que controlan qué tan variable o conservadora es la elección del siguiente token.
- [[modelos-abiertos-vs-cerrados|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|Prompt engineering]]: diseñar instrucciones, contexto, ejemplos y formato para obtener resultados útiles y consistentes.
- [[system-prompt|System prompt]]: instrucciones permanentes que definen el rol, el tono y los límites del modelo.
- [[few-shot-prompting|Few-shot prompting]]: incluir unos pocos ejemplos de entrada y salida para que el modelo siga el patrón.
- [[chain-of-thought|Chain of thought]]: lograr que el modelo escriba pasos intermedios antes de la respuesta final.
- [[salidas-estructuradas|Salida estructurada]]: respuesta en formato fijo, normalmente JSON, que una aplicación puede leer sin interpretar texto libre.
- [[context-engineering|Context engineering]]: decidir qué entra al modelo en cada paso, no solo el prompt.
- [[rag|RAG]]: buscar fragmentos relevantes en documentos y añadirlos a la petición para que la respuesta se base en ellos.
- [[fine-tuning-vs-prompting|Fine-tuning vs. prompting]]: seguir entrenando el modelo con datos propios, frente a guiarlo con instrucciones en cada petición.
- [[prompt-caching|Prompt caching]]: reutilizar partes del prompt ya procesadas para bajar costo y latencia.

## ¿Qué términos describen a un agente?

- [[que-es-un-agente-de-ia|Agente de IA]]: sistema donde un modelo recibe un objetivo, decide los pasos y usa herramientas hasta terminar.
- [[agente-vs-asistente-vs-copiloto|Asistente, copiloto y agente]]: el primero responde, el segundo sugiere dentro de tu tarea, el tercero ejecuta varios pasos.
- [[tool-use|Tool use]]: el modelo pide ejecutar una función externa; la aplicación la corre y le devuelve el resultado.
- [[loop-de-agente|Loop de agente]]: ciclo que se repite hasta terminar: el modelo decide, se ejecuta una herramienta y el resultado vuelve.
- [[mcp|MCP]]: estándar abierto para conectar aplicaciones de IA con archivos, bases de datos y herramientas.
- [[niveles-de-autonomia|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|Human-in-the-loop]]: una persona aprueba o corrige en los puntos donde el error cuesta más.
- [[modo-plan|Modo plan]]: el agente investiga y propone cambios, pero no ejecuta hasta que apruebas el plan.
- [[subagentes|Subagente]]: agente especializado con contexto y permisos propios que devuelve solo el resultado final.
- [[skills-de-agentes|Skill]]: carpeta con un `SKILL.md` que enseña un procedimiento al agente y se carga solo cuando hace falta.
- [[sandboxing-y-permisos|Sandboxing y permisos]]: aislamiento del sistema operativo más reglas sobre qué herramientas necesitan aprobación.
- [[computer-use|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?

- [[que-son-los-evals|Evals]]: pruebas para un sistema de IA; equivalen a tests automatizados para comportamientos variables.
- [[golden-datasets|Golden dataset]]: casos de prueba con respuestas de referencia para comparar versiones de forma repetible.
- [[llm-as-judge|LLM como juez]]: un modelo califica respuestas con un criterio escrito; solo es confiable si lo validas con personas.
- [[benchmarks-de-ia|Benchmark]]: prueba estandarizada para comparar modelos; el puntaje solo describe lo que la prueba mide.
- [[regresiones-en-prompts|Regresión de prompt]]: un cambio que empeora casos que antes funcionaban.
- [[guardrails|Guardrails]]: controles que revisan entradas, salidas o acciones y pueden bloquearlas; no garantizan seguridad total.
- [[red-teaming|Red teaming]]: atacar el sistema a propósito para hallar fallos antes de que los encuentre alguien más.
- [[sesgos-en-modelos|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-de-respuestas|Streaming]]: mostrar la respuesta por fragmentos mientras se genera; el modelo no tarda menos, el texto aparece antes.
- [[calibracion-de-confianza|Calibración de confianza]]: que la confianza de la persona coincida con la fiabilidad real del sistema.
- [[mostrar-incertidumbre|Incertidumbre]]: comunicar qué tan seguro está el sistema y cómo verificar lo que dice.
- [[explicabilidad|Explicabilidad]]: dar al usuario lo necesario para saber de dónde sale un resultado y cuándo revisarlo.
- [[handoff-a-humano|Handoff a humano]]: pasar la conversación a una persona con el contexto necesario para no repetir todo.
- [[dark-patterns-de-ia|Dark patterns de IA]]: diseños o diálogos que empujan al usuario a creer o hacer algo que no habría elegido.
- [[ui-generativa|UI generativa]]: interfaz donde el modelo decide qué componentes mostrar, en lugar de fijarlos de antemano.
- [[ai-first-vs-ai-added|AI-first vs. AI-added]]: producto diseñado alrededor de la IA desde el inicio, frente a IA agregada a uno existente.
- [[que-es-aeo|AEO]]: término de marketing para preparar un sitio y que los motores de respuesta con IA lo citen; no es un estándar.
- [[llms-txt|llms.txt]]: archivo propuesto en Markdown con un resumen del sitio y enlaces clave para agentes de IA.
- [[que-es-vibe-coding|Vibe coding]]: construir software describiéndolo a una IA y aceptar el código sin revisarlo a fondo.
- [[design-engineer|Design engineer]]: perfil entre diseño y frontend que prototipa y construye en código; el puesto no tiene definición estándar.
- [[design-tokens-para-agentes|Design tokens]]: valores de diseño con nombre en formato estándar, que un agente puede usar sin adivinar un hex.
- [[code-connect|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)](https://platform.claude.com/docs/en/about-claude/glossary)
- [What is the Model Context Protocol (MCP)? (modelcontextprotocol.io)](https://modelcontextprotocol.io/docs/getting-started/intro)
- [Building effective agents (Anthropic)](https://www.anthropic.com/engineering/building-effective-agents)
- [Levels of Autonomy for AI Agents (Feng, McDonald y Zhang, arXiv:2506.12469)](https://arxiv.org/abs/2506.12469)
- [Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis et al., arXiv:2005.11401)](https://arxiv.org/abs/2005.11401)
- [The /llms.txt file (llmstxt.org)](https://llmstxt.org/)


---

Source: https://www.fernandoux.com/es/wiki/ia/glosario-de-ia-para-disenadores/