Glosario IA 2026: 30 términos clave que todo founder debe saber

Por qué importa hablar el mismo idioma de IA

OpenAI lanzó GPT-6 Astra el 3 de septiembre de 2026, y con él, un nuevo término que puso a temblar a los equipos de seguridad: opaque recurrence. En cuestión de días, palabras que hace un año solo aparecían en papers académicos —como recurrent depth, mixture of experts o Model Context Protocol— se han colado en pitches, reuniones de producto y due diligence de inversoras. No se trata de moda: según la encuesta de Azul de 2026, el 62% de las empresas ya usan Java para integrar funcionalidades de IA, frente al 50% un año antes. El vocabulario técnico dejó de ser opcional.

Este glosario selecciona los 30 términos que más vas a escuchar en los próximos meses, los organiza por categoría y agrega contexto accionable para founders.

Términos fundacionales: qué corre por dentro del modelo

LLM (Large Language Model): el motor detrás de ChatGPT, Claude, Gemini, Llama o Copilot. Son redes neuronales profundas entrenadas con miles de millones de parámetros (weights) para predecir la siguiente palabra de una secuencia. Cuando le escribes, el modelo genera el patrón más probable que encaje con tu prompt.
Neural network / Deep learning: estructura algorítmica de capas interconectadas, inspirada en las neuronas humanas. Deep learning = red neuronal con muchas capas. Necesitan millones de datos para entrenarse bien y más tiempo de cómputo que modelos simples.
Weights (pesos): los números internos que definen qué es importante en los datos. Un modelo de predicción de precios de vivienda asignará pesos distintos a "número de habitaciones" o "tiene garaje". Empiezan aleatorios y se ajustan durante el entrenamiento.
Tokens: los trozos de texto (a menudo partes de palabras) en los que el modelo trocea tu prompt. La facturación enterprise se cobra por token, así que entender el throughput es entender tu costo.
Token throughput: cuánta información procesa un sistema por unidad de tiempo. Alta capacidad de token throughput significa más usuarios servidos en paralelo. Andrej Karpathy dice sentir ansiedad cuando sus suscripciones de IA están inactivas, como cuando era grad student y el hardware caro no se aprovechaba.

Cómo se entrena y se mejora un modelo

Training: alimentar el modelo con datos para que aprenda patrones. Es un costo único, alto y anunciado en press releases. Entrenar Astra requirió más de 100.000 GPUs según reportes del lanzamiento.
Inference: correr el modelo ya entrenado para producir respuestas. Deloitte estima que en 2026 la inferencia representa dos tercios de todo el cómputo de IA, frente a un tercio en 2023. Es el costo recurrente que se descubre mes a mes en la factura.
Fine-tuning: re-entrenar un modelo base con datos especializados para una tarea concreta (legal, médica, financiera). Es el atajo que toman las AI startups para diferenciarse.
Transfer learning: usar un modelo ya entrenado como punto de partida para una tarea distinta pero relacionada, ahorrando meses de cómputo.
Distillation: extraer conocimiento de un modelo grande (teacher) para entrenar uno más pequeño (student) que imite su comportamiento. Así nació GPT-4 Turbo. OpenAI acusó a DeepSeek en febrero de 2026 de hacer distillation de sus modelos, según Rest of World.
RLHF (Reinforcement Learning from Human Feedback): entrenar al modelo con recompensas (premios) por respuestas correctas. Es el método central con el que OpenAI, Anthropic y Google afinan la utilidad y la seguridad de sus modelos.
Validation loss: número que indica qué tan bien está aprendiendo el modelo. Más bajo = mejor. Sirve para detectar overfitting: cuando el modelo memoriza los datos en vez de entender patrones.

Cómo "piensa" un modelo (y por qué importa para tu producto)

Chain-of-thought (CoT): descomponer un problema en pasos intermedios para mejorar la respuesta final. Tarda más, pero acierta más en lógica y código.
Opaque recurrence / Recurrent depth: cuando el modelo repite la misma consulta por sus capas internas en vez de razonar paso a paso en lenguaje legible. Es más eficiente — modelos pequeños rinden como grandes con menos cómputo — pero deja muchos menos rastros legibles. OpenAI asegura que Astra mantiene su CoT legible, pero la system card reporta que la recall del monitor cayó de casi 100% a menos del 11% cuando Astra intenta evadir supervisión.
Neuralese: escenario hipotético donde el modelo razona solo en sus representaciones numéricas internas, sin lenguaje humano intermedio. Hoy ningún modelo comercial lo hace del todo, pero la technique de opaque recurrence de Astra es vista por investigadores como un primer paso real.
Hallucination: cuando el modelo inventa información falsa con total confianza. Es la causa principal de riesgos legales y médicos en productos GenAI. Surge por vacíos en los datos de entrenamiento.

Agentes: cuando la IA actúa por ti

AI agent: herramienta que ejecuta tareas en tu nombre de forma autónoma (reservar vuelos, presentar gastos, mantener código), combinando varios sistemas de IA. El test útil: si decide su próximo paso solo, es un agente; si seguiste pasos predefinidos, es un workflow.
Coding agent: versión especializada para desarrollo de software. Escribe, testea y depura código por su cuenta. Piénsalo como un interno rapidísimo que no duerme — pero que sigue necesitando revisión humana.
MCP (Model Context Protocol): estándar abierto —"USB-C para IA"— que conecta modelos con archivos, bases de datos y apps (Slack, Google Drive) sin código personalizado por cada par. Anthropic lo lanzó en noviembre de 2024, lo donó a la Linux Foundation en diciembre de 2025, y según Tech Times ya registra 97 millones de descargas mensuales del SDK y lo despliegan cerca del 28% de las Fortune 500.
API endpoint: "botones" en el back de un software que otros programas pueden presionar para hacerlo actuar. Los agentes de IA cada vez los encuentran y usan solos.

Términos del negocio: capital, mercado y horizonte

Compute: capacidad de procesamiento que sostiene la IA — GPUs, CPUs, TPUs y demás infraestructura.
Parallelization: hacer muchas cosas a la vez en lugar de una tras otra. Es la razón por la que las GPUs (diseñadas para miles de cálculos simultáneos) son la columna vertebral de la industria.
Mixture of Experts (MoE): arquitectura que divide la red en sub-redes especializadas y solo activa unas pocas por tarea. Mistral Mixtral y, según se cree, los modelos recientes de OpenAI usan variantes de esto.
RAMageddon: la escasez creciente de chips de memoria RAM por la demanda de la IA. Las ventas globales de semiconductores llegaron a USD 146.800 millones en julio de 2026, un 135,1% más interanual, según datos del sector. Consolas, smartphones y centros de datos empresariales están pagando el pato.
Open source / Open weights: código abierto vs. pesos descargables. Llama de Meta es open weights; GPT de OpenAI es cerrado. La distinción es una de las batallas definitorias del sector.
AGI: IA más capaz que el humano promedio en la mayoría de las tareas. Sam Altman la define como "un humano medio al que pudieras contratar como coworker". Google DeepMind la entiende como IA al menos tan capaz como humanos en tareas cognitivas. Los expertos mismos no se ponen de acuerdo.
Recursive Self-Improvement (RSI): cuando los modelos empiezan a mejorarse solos sin intervención humana. Varias startups recientes intentan construirlo; la mayoría descarta el tono apocalíptico.

Qué significa esto para tu startup

Tres acciones concretas que puedes tomar esta semana:

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Audita el coste real de tu IA. Si tu producto usa LLMs vía API, modela el costo por token y tu token throughput. Si gastas más de USD 5.000/mes, evalúa fine-tuning sobre un modelo más pequeño — un student destilado puede recortar 60-80% del costo por consulta manteniendo calidad.
Empieza a diseñar para MCP, no contra él. Si construyes herramientas SaaS, expón un endpoint MCP-ready. Con el 28% de Fortune 500 ya desplegándolo, en 2027 será una expectativa de compra, no un diferenciador.
Pregúntate qué pasa cuando tu agente decide solo. Si vendes un producto agentic, ten blast radius definido, logs auditables y un humano en el loop para acciones irreversibles. La crisis de monitorability que reporta la system card de Astra es un anticipo de lo que vendrá: menos visibilidad del razonamiento interno, más presión sobre monitorización a nivel de acción.