El glosario de agentes de IA: 60 términos de IA explicados en lenguaje sencillo (2026)

Ahora, cualquier página de producto de IA se lee como un dictado de ortografía: agéntico, MCP, RAG, ventana de contexto, llamada a herramientas, barreras de seguridad, orquestación. Las ideas detrás de las palabras son en su mayoría sencillas, pero nadie las explica en un solo lugar, y ese vacío es la razón por la que tanta gente "usa IA" sin llegar nunca a encargarle un trabajo de verdad.

Este glosario de IA soluciona eso. Cubre 60 términos que te encontrarás al leer sobre agentes de IA, grandes modelos de lenguaje y automatización en 2026, agrupados por tema y explicados en lenguaje sencillo con un ejemplo concreto. Guárdalo en marcadores, compártelo con tu equipo, y úsalo junto a nuestras guías sobre qué es la IA agéntica y cómo funcionan los subagentes de IA. Cuando un término importe para usar Jobbit, lo indicamos.

Conceptos básicos: las palabras que todo el mundo usa

• Inteligencia artificial (IA): software que realiza tareas que normalmente requieren inteligencia humana, como entender el lenguaje, reconocer imágenes o tomar decisiones. En 2026 el término se refiere sobre todo a sistemas construidos sobre grandes modelos de lenguaje.

• Aprendizaje automático (machine learning, ML): la técnica de entrenar software con ejemplos en lugar de escribir reglas explícitas. Un filtro de spam aprende de millones de correos etiquetados; no se le dicta cada regla a mano.

• Aprendizaje profundo (deep learning): aprendizaje automático que usa redes neuronales con muchas capas. Es lo que hizo posibles el reconocimiento de imágenes moderno, el habla y los modelos de lenguaje.

• IA generativa: IA que crea contenido nuevo (texto, imágenes, código, audio o vídeo) a partir de un prompt. ChatGPT, Claude, Gemini y Midjourney son productos de IA generativa.

• Gran modelo de lenguaje (LLM): una red neuronal entrenada con enormes cantidades de texto que predice el siguiente token de una secuencia y, al hacerlo, aprende a razonar, escribir y seguir instrucciones. GPT, Claude, Gemini, Llama, DeepSeek y Mistral son familias de LLM.

• Modelo fundacional: un modelo grande entrenado con datos amplios que puede adaptarse a muchas tareas. Los LLM son modelos fundacionales para el lenguaje; existen equivalentes para imágenes y vídeo.

• Modelo multimodal: un modelo que entiende y produce más de un tipo de entrada, normalmente texto, imágenes, audio y a veces vídeo. Los modelos multimodales permiten que un agente lea una captura de pantalla o una factura escaneada.

• Prompt: la instrucción que le das a un modelo. Escribir buenos prompts es una habilidad; consulta cómo escribir prompts para agentes de IA.

• Prompt de sistema: instrucciones ocultas fijadas por quien construye el producto que determinan cómo se comporta el modelo en cada conversación: su papel, su tono, sus reglas y sus herramientas.

• Inferencia: el acto de ejecutar un modelo ya entrenado para producir una respuesta. El entrenamiento ocurre una vez; la inferencia ocurre cada vez que envías un mensaje, y es lo que pagas.

Cómo piensan los modelos: tokens, contexto y razonamiento

• Token: la unidad que leen y escriben los modelos, aproximadamente tres cuartas partes de una palabra en inglés. El precio, los límites y la velocidad se miden todos en tokens. "Un millón de tokens" equivale a unas 750.000 palabras.

• Ventana de contexto: la cantidad de texto que un modelo puede tener en cuenta a la vez, incluyendo tu conversación, los documentos y la propia respuesta del modelo. Las ventanas más grandes permiten que un agente mantenga en mente todo un repositorio de código o un contrato de cien páginas.

• Ingeniería de contexto: el arte de decidir qué entra en la ventana de contexto: qué documentos, ejemplos, resultados de herramientas y recuerdos, de modo que el modelo tenga lo que necesita y nada que lo distraiga. Ha sustituido en buena medida a la "ingeniería de prompts" como la habilidad importante en el diseño de agentes.

• Modelo de razonamiento: un modelo entrenado para "pensar" antes de responder, produciendo pasos intermedios que mejoran la precisión en matemáticas, código y planificación. Los modos de razonamiento cuestan más tokens, pero hacen que los agentes sean mucho más fiables.

• Cadena de pensamiento (chain of thought): el razonamiento paso a paso que un modelo escribe de camino a una respuesta. Los modelos de razonamiento lo hacen de forma nativa; a los modelos más antiguos se les puede pedir que lo hagan.

• Temperatura: un ajuste que controla la aleatoriedad. Una temperatura baja da resultados consistentes y predecibles; una temperatura más alta da resultados más variados y creativos.

• Alucinación: una afirmación falsa pero expresada con seguridad por un modelo, como una cita inventada o una función de producto que no existe. Los agentes reducen las alucinaciones comprobando fuentes y probando resultados en lugar de confiar en una sola respuesta.

• Grounding (anclaje): vincular la respuesta de un modelo a datos reales, documentos, resultados de búsqueda o salidas de herramientas, de modo que informe de lo que realmente hay en lugar de lo que suena plausible.

• Ajuste fino (fine-tuning): entrenar más un modelo con tus propios ejemplos para que adopte un estilo, un formato o un conocimiento de dominio. Útil para tareas concretas; normalmente innecesario para los agentes, que obtienen su conocimiento de las herramientas y el contexto.

• Generación aumentada por recuperación (RAG): buscar los documentos relevantes en el momento de la pregunta y ponerlos en la ventana de contexto para que el modelo responda a partir de tus datos. Así es como funcionan los productos de "chatea con tus documentos".

• Embeddings: representaciones numéricas del texto que capturan el significado, de modo que los pasajes similares quedan cerca entre sí. Los embeddings impulsan la búsqueda semántica y el RAG.

• Base de datos vectorial: una base de datos optimizada para almacenar y buscar embeddings. Pinecone, Weaviate, pgvector y Chroma son opciones habituales.

• Fecha de corte del conocimiento: la fecha a partir de la cual un modelo no tiene datos de entrenamiento. Los agentes la sortean buscando en la web y leyendo fuentes actuales.

Agentes: el vocabulario de la autonomía

• Agente de IA: software que combina un modelo con herramientas para completar tareas de forma autónoma: planifica, actúa, observa los resultados y se adapta. El tema central de la mayor parte de este glosario.

• IA agéntica: el enfoque más amplio de construir sistemas de IA orientados a objetivos y que usan herramientas, a menudo con varios agentes trabajando juntos. Explicado en detalle en ¿qué es la IA agéntica?.

• Asistente de IA / copiloto: ayuda con forma de agente que permanece bajo tu control directo, sugiriendo en lugar de actuar. GitHub Copilot en el editor es el ejemplo clásico; el "modo agente" es donde un copiloto se convierte en un agente.

• Autonomía: cuánto hace un agente sin preguntar. Los sistemas útiles ajustan la autonomía a la reversibilidad de la acción: redactar libremente, gastar solo con aprobación.

• Uso de herramientas / llamada a funciones: el mecanismo por el que un modelo llama a software: buscar en la web, ejecutar código, consultar una base de datos, enviar un correo. Las herramientas convierten un chatbot en un agente.

• Model Context Protocol (MCP): un estándar abierto, presentado por Anthropic, para conectar modelos con herramientas y fuentes de datos de forma coherente. Piensa en él como un enchufe universal para agentes; su soporte se extendió por las principales plataformas de IA durante 2025 y 2026.

• Protocolo agente a agente (A2A): un estándar propuesto por Google para que agentes de distintos proveedores se descubran y hablen entre sí. Junto con el MCP, apunta hacia agentes que colaboran entre empresas.

• Orquestación: coordinar varios pasos, herramientas o agentes en un solo flujo de trabajo: decidir qué se ejecuta, en qué orden, y qué ocurre si algo falla.

• Sistema multiagente: varios agentes con roles distintos trabajando en un mismo objetivo, típicamente un agente líder que planifica y delega, más agentes especializados que investigan, construyen o verifican.

• Subagente: un agente creado por otro agente para encargarse de una parte de un trabajo en paralelo. Jobbit usa subagentes para investigar muchas fuentes o construir y probar varias funciones a la vez; consulta los subagentes de IA explicados.

• Planificador: la parte de un agente que descompone un objetivo en pasos y revisa el plan a medida que llegan los resultados.

• Memoria: lo que un agente retiene más allá de un solo mensaje. La memoria a corto plazo es el contexto actual; la memoria a largo plazo guarda preferencias, decisiones pasadas y datos sobre ti para que el agente mejore con el tiempo.

• Bucle del agente: el ciclo que se repite de planificar, actuar, observar y ajustar, y que se ejecuta hasta que se cumple el objetivo o el agente necesita una decisión.

• Humano en el bucle: un diseño en el que una persona revisa o aprueba ciertos pasos, como enviar un correo a un cliente o hacer un pago.

• Uso del ordenador / agente de navegador: un agente que opera el software mirando la pantalla y haciendo clic y escribiendo como una persona, lo que le permite trabajar con herramientas que no tienen API. Explicado en los agentes de IA de uso del ordenador.

• Investigación profunda (deep research): un flujo de trabajo agéntico en el que el agente lee docenas de fuentes, contrasta afirmaciones y produce un informe con citas. Consulta cómo hacer investigación profunda con IA.

• Automatización de flujos de trabajo: secuencias de acciones predefinidas y basadas en reglas entre aplicaciones, el terreno de Zapier, Make y n8n. Los agentes añaden criterio a los flujos de trabajo; comparamos ambos en Zapier frente a Make, n8n y los agentes de IA.

• Agente de IA multipropósito: un solo agente que se ocupa de muchos tipos de trabajo (investigación, redacción, construcción de software, diseño, automatización) desde un único chat, en lugar de una herramienta distinta para cada cosa. Jobbit está construido así.

Construir software con IA

• Vibe coding: construir software describiendo lo que quieres en lenguaje natural y dejando que un agente de IA escriba, ejecute y corrija el código, juzgando el resultado por cómo se comporta en lugar de leyendo cada línea. Guía completa: ¿qué es el vibe coding?.

• Creador de apps con IA: un producto que convierte una descripción en una aplicación funcional, a menudo con alojamiento incluido. Lovable, Bolt, v0, Replit y Jobbit son ejemplos; comparados en las mejores herramientas de vibe coding.

• Agente de programación: un agente que trabaja dentro de un repositorio de código: lee archivos, escribe código, ejecuta pruebas y corrige fallos. Claude Code, OpenAI Codex, el modo agente de Cursor y Devin son agentes de programación.

• No-code / low-code: herramientas visuales para construir software sin programar (o programando poco), como Bubble, Webflow, Airtable y Retool. Cómo se comparan con el vibe coding se explica en vibe coding frente a no-code y low-code.

• Sandbox: un entorno aislado donde un agente puede ejecutar código de forma segura sin tocar tus sistemas reales. Imprescindible para cualquier agente que ejecute código.

• Despliegue: poner el software en marcha en un servidor para que la gente pueda usarlo. Los agentes que despliegan por ti, con alojamiento incluido, eliminan el paso que detiene a la mayoría de quienes no son desarrolladores.

• API (interfaz de programación de aplicaciones): la forma estructurada en que un software habla con otro. Los agentes usan API para leer y cambiar datos en otros sistemas.

• Webhook: un mensaje que un sistema envía a otro cuando ocurre algo ("nuevo pedido realizado"), usado habitualmente para activar automatizaciones.

• MVP (producto mínimo viable): la versión más pequeña de un producto que permite que usuarios reales lo prueben. Los agentes han reducido los plazos de un MVP de meses a días; consulta cómo construir un SaaS con IA.

• Deuda técnica: atajos en el código que hacen que los cambios futuros sean más lentos y arriesgados. El código generado por IA la acumula rápido si nadie revisa la estructura, uno de los riesgos tratados en errores de vibe coding y seguridad.

Seguridad, calidad y confianza

• Barreras de seguridad (guardrails): reglas y comprobaciones que limitan lo que un agente puede hacer o decir: acciones bloqueadas, límites de gasto, filtros de contenido, aprobaciones obligatorias.

• Inyección de prompts: un ataque en el que el texto que lee el agente (una página web, un correo, un documento) contiene instrucciones diseñadas para secuestrarlo. Los agentes robustos tratan todo lo que leen como datos, nunca como órdenes.

• Alineación: el esfuerzo general por hacer que los modelos se comporten conforme a las intenciones y los valores humanos, desde rechazar peticiones dañinas hasta seguir instrucciones con fidelidad.

• Evaluación (evals): pruebas sistemáticas de la calidad de un modelo o un agente sobre un conjunto fijo de tareas. Los equipos serios ejecutan evaluaciones antes de confiarle un flujo de trabajo a un agente.

• Benchmark: una evaluación pública usada para comparar modelos, como SWE-bench para tareas de ingeniería de software. Señales útiles, pero el rendimiento real en tu tarea importa más.

• Observabilidad: registrar lo que hizo un agente, qué herramientas llamó y por qué, para que puedas auditar los resultados y depurar los fallos.

• Red teaming: atacar deliberadamente a un modelo o un agente para encontrar debilidades antes de que lo haga otra persona.

• Residencia de datos y privacidad: dónde se almacenan tus datos y quién puede verlos. Comprueba si un proveedor de IA entrena con tus entradas, y dónde están sus servidores, antes de subir nada sensible.

Términos de negocio y precios

• Créditos: la moneda de uso que venden muchas plataformas de agentes en lugar de tokens en bruto, de modo que un crédito puede cubrir un mensaje, un paso de construcción o una ejecución de investigación. Lee bien la conversión; lo desglosamos en ¿cuánto cuestan los agentes de IA?.

• Límite de tasa (rate limit): el tope de cuántas solicitudes o tokens puedes usar en un periodo. Alcanzarlo a mitad de una tarea es la razón más común por la que se atasca la ejecución de un agente.

• Latencia: cuánto tarda una respuesta. Los agentes cambian latencia por rigor: una investigación de dos minutos vale más que una conjetura de dos segundos.

• Precio por puesto frente a precio por uso: pagar por usuario al mes frente a pagar por lo que consumes. Los productos de agentes mezclan cada vez más los dos modelos.

• ROI de la automatización: el retorno de una automatización, normalmente medido en horas ahorradas, tiempos de respuesta más rápidos o ingresos influidos, frente al coste de la herramienta y el tiempo de configurarla.

• Trabajador digital / empleado de IA: lenguaje de marketing para un agente de nivel 4 que es dueño de un rol en lugar de una tarea. Trata la expresión con el mismo escepticismo que aplicarías a un currículum.

Preguntas frecuentes

¿Cuál es la diferencia entre un agente de IA y un LLM?

Un LLM es el modelo que lee y escribe texto. Un agente de IA es un sistema construido alrededor de un modelo que añade planificación, herramientas, memoria y un bucle de retroalimentación para poder completar tareas y no solo responder preguntas. El LLM es el motor; el agente es el coche.

¿Qué significa MCP en IA?

MCP son las siglas de Model Context Protocol, un estándar abierto para conectar modelos de IA con herramientas y fuentes de datos de forma coherente. En lugar de que cada producto construya integraciones a medida, las herramientas exponen un servidor MCP y cualquier agente compatible puede usarlas.

¿Qué es una ventana de contexto y por qué importa?

La ventana de contexto es cuánto texto puede tener en cuenta un modelo a la vez, medido en tokens. Importa porque todo lo que el agente sabe sobre el trabajo actual (tus instrucciones, los documentos, los resultados de las herramientas) tiene que caber dentro de ella. Las ventanas más grandes permiten que los agentes manejen repositorios de código más grandes y documentos más largos.

¿Cuál es la diferencia entre el RAG y el ajuste fino?

El RAG recupera los documentos relevantes en el momento de la pregunta y se los da al modelo, de modo que responde a partir de datos actuales sin volver a entrenarlo. El ajuste fino cambia el propio modelo entrenándolo con ejemplos, lo que conviene a estilos o formatos fijos. Para la mayoría de las empresas, el RAG más buenas herramientas es suficiente, y los agentes hacen que ambos sean menos necesarios simplemente leyendo la fuente.

¿Qué es el vibe coding en una frase?

El vibe coding es construir software describiendo lo que quieres y dejando que un agente de IA escriba, ejecute y corrija el código, de modo que juzgas el resultado por cómo se comporta la app en lugar de leyendo cada línea.

Ahora que el vocabulario tiene sentido, ponlo a trabajar: empieza gratis en Jobbit y encárgale a un agente un trabajo que merezca la pena.