Glosario
Glosario
Definiciones en lenguaje claro para operadores que construyen sistemas de IA prácticos. Sin hype — términos que verás en Discovery y en producción.
Agent observability (observabilidad de agentes)
La observabilidad de agentes significa ver trazas de lo que hizo un agente: prompts o llamadas a herramientas, alcances de datos, latencia, coste y resultados. Sin ella, los incidentes se vuelven acusaciones.
Agentic AI (IA agéntica)
La IA agéntica son sistemas que persiguen objetivos con herramientas y planes multi-paso — no respuestas de un solo tiro. Solo rentan cuando alcance, aprobaciones y evaluación se diseñan desde el inicio.
AI agent (agente de IA)
Un agente de IA es software con objetivo, herramientas y límites — no un chatbot que solo conversa. Puede triar, redactar o actualizar sistemas bajo tus reglas, con humanos aprobando lo sensible.
AI Operating Layer (Capa Operativa de IA)
Una Capa Operativa de IA es la pila de producción que ejecuta agentes prácticos sobre tus datos — modelos open por defecto, frontier cuando se justifica, herramientas MCP y aprobación humana en lo sensible — como un sistema gobernado.
Article 50 transparency (transparencia del Artículo 50)
El Artículo 50 del Reglamento de IA cubre obligaciones de transparencia para ciertos usos de IA — como informar a las personas de que interactúan con IA cuando importa. Para muchos usos de agentes de cara al cliente, aplican desde el 2 de agosto de 2026.
Audit trail (traza de auditoría)
Una traza de auditoría es un registro durable de quién o qué accedió a qué recurso, con qué propósito, cuándo y con qué aprobación. Para agentes de IA debe incluir uso de herramientas y rutas de modelo, no solo inicios de sesión humanos.
Context window (ventana de contexto)
La ventana de contexto es cuánto texto puede considerar un modelo a la vez (prompt más historial). Más grande no siempre es mejor: meter contexto irrelevante sube el coste y puede bajar la precisión.
Data lakehouse (lakehouse de datos)
Un data lakehouse combina gobernanza tipo warehouse con almacenamiento flexible tipo lake — a menudo con capas bronce/plata/oro, catálogo y acceso granular. Para IA, es donde viven tablas y documentos de confianza para que los agentes no peinen carpetas sin gobierno.
Data residency (residencia de datos)
La residencia de datos exige que ciertos datos permanezcan en una región o entorno que controlas. Para IA, condiciona qué rutas de modelo están permitidas: open en tu región frente a nubes de proveedor.
Embedding (embedding)
Un embedding es una representación numérica del contenido que sitúa significados parecidos cerca en el espacio vectorial. Alimenta búsqueda semántica y RAG.
EU AI Act (Reglamento de IA de la UE)
El Reglamento de IA de la UE es la ley europea basada en riesgo para sistemas de IA. Las obligaciones difieren según uso y clase de riesgo.
Evaluation (evals)
Las evals son pruebas estructuradas del comportamiento de agentes o modelos frente a ejemplos y criterios — precisión, tono, coste, rechazo, uso de herramientas. Sin evals, «funcionó en la demo» es la única evidencia.
FinOps (FinOps)
FinOps es la práctica de hacer visible, atribuible y decidido el gasto cloud y de IA — no solo pagarlo. Para IA, significa conocer coste por flujo, por ruta de modelo y por entorno, y cambiar enrutado o alcance cuando los números no cuadran con el valor.
Frontier model (modelo frontier)
Un modelo frontier es un modelo cerrado o de alta capacidad, suele ofrecerse como API de proveedor. Suele costar más por llamada que rutas open capaces.
Guardrails (guardarraíles)
Los guardarraíles son límites técnicos y de proceso que mantienen a los agentes dentro del comportamiento permitido: listas de herramientas, alcances de datos, filtros de salida, límites de ritmo y rutas de escalado. Complementan la aprobación humana — no sustituyen la propiedad clara de quién puede cambiar las reglas.
Hallucination (alucinación)
Una alucinación es una salida fluida del modelo que es falsa o no está respaldada. En operaciones, el riesgo no es la poesía — es inventar una reserva, una política o un dato de cliente.
Human-in-the-loop (humano en el bucle)
Humano en el bucle significa que una persona debe aprobar o corregir ciertos pasos antes de que surtan efecto — sobre todo mensajes salientes, pagos, borrados o excepciones de política. No es un fallo de la automatización; es cómo mantienes seguros a los agentes donde el error es caro.
Inference (inferencia)
La inferencia es ejecutar un modelo para producir una salida ante una petición. Para operadores, es el coste y la latencia recurrentes de la automatización — no el build puntual.
LLM (modelo de lenguaje grande)
Un modelo de lenguaje grande (LLM) predice tokens de texto a partir del contexto. Los operadores lo usan dentro de flujos — triaje, borradores, extracción — no como producto entero.
MCP (Model Context Protocol)
MCP (Model Context Protocol) es una forma estándar de que los agentes hablen con herramientas y fuentes de datos mediante interfaces consistentes. Para operadores, reduce pegamento a medida y facilita razonar el acceso de mínimo privilegio — cuando los servidores están acotados y registrados como cualquier integración.
Model routing (enrutado de modelos)
El enrutado de modelos envía cada flujo o paso al modelo que encaja — open para volumen, frontier cuando se justifica, rutas regionales cuando los datos lo exigen. Un gateway separa agentes y proveedores para cambiar modelos, seguir gasto y mantener la política en un sitio.
Open-weights model (modelo de pesos abiertos)
Un modelo de pesos abiertos publica sus parámetros para ejecutarlo tú o en un host que elijas. Para operadores, el punto es el control: región, coste y cambiar de host sin reescribir flujos.
PBAC (control de acceso por propósito)
PBAC (control de acceso por propósito) concede acceso para un propósito y tiempo declarados, no privilegios permanentes. Para agentes, un bot de triaje puede leer campos del buzón para clasificar pero no exportar todo el CRM.
Prompt caching (caché de prompts)
La caché de prompts reutiliza prefijos estables (políticas, esquemas, instrucciones largas) para que las llamadas repetidas cuesten menos y vayan más rápido. En volumen con peticiones similares, la tasa de acierto suele mover la factura más que cambiar de modelo.
RAG (generación aumentada por recuperación)
RAG (generación aumentada por recuperación) trae documentos o registros relevantes antes de que el modelo responda, para anclar la respuesta en tu contenido y no solo en memoria. Necesita recuperación limpia, permisos y evaluación — no solo una base vectorial.
Token (token)
Un token es un trozo de texto que el modelo lee o escribe — más o menos una pieza de palabra. Precio y límites de contexto suelen medirse en tokens.
Vector database (base de datos vectorial)
Una base de datos vectorial guarda embeddings para encontrar texto, imágenes o registros similares por significado. Es infraestructura para búsqueda y RAG, no sustituto del control de acceso o la retención.
Yerbabuena Digital
¿Listos para plantar algo bueno juntos?
Cuéntanos en qué temporada estás. Recorreremos el campo contigo — con honestidad — y te sugeriremos el siguiente paso más pequeño que pueda echar raíces.