Cuándo y por qué ajustar un modelo
En esta página
Actualización 2 de noviembre de 2026 — Disponibilidad del ajuste. OpenAI está eliminando gradualmente el ajuste autoservicio: desde el 7 de mayo de 2026, las organizaciones que nunca lo habían utilizado ya no pueden crear trabajos; desde el 2 de julio, es necesario haber usado un modelo ajustado en los últimos 60 días; y a partir del 6 de enero de 2027, ningún cliente podrá lanzar nuevos trabajos. Los modelos ya entrenados seguirán siendo utilizables hasta que se retire su modelo base. Este curso sigue siendo útil para comprender y aprovechar un modelo existente; para nuevos proyectos, prioriza la ingeniería de prompts, RAG y las evaluaciones.
¿Qué es el ajuste?
El ajuste consiste en reentrenar un modelo de lenguaje existente con tus propios datos para adaptar su comportamiento a tus necesidades específicas. Mientras que la ingeniería de prompts guía al modelo mediante instrucciones contextuales —que se reescriben, envían y facturan en cada llamada—, el ajuste modifica los pesos internos del modelo para integrar nuevos comportamientos de forma permanente. Una vez finalizado el entrenamiento, lo que antes describías en un prompt de sistema extenso pasa a formar parte del propio modelo.
En OpenAI, los modelos ajustables siguen el catálogo actual (la familia GPT-5.6 desde julio de 2026); consulta la documentación oficial de ajuste para ver la lista exacta de variantes disponibles para entrenamiento. El flujo de trabajo en sí no cambia: creas un conjunto de datos de entrenamiento en formato JSONL, lanzas un trabajo mediante la API y recibes un modelo personalizado al que llamas exactamente igual que al modelo base. En tu código, solo cambia el identificador del modelo.
¿Cuándo es apropiado el ajuste?
El ajuste no siempre es la respuesta correcta, y eso es lo primero que debes interiorizar antes de escribir una sola línea de JSONL. Aporta valor real principalmente para el tono y el estilo: si tu producto requiere una voz específica, entrenarlo con unos pocos cientos de intercambios ya redactados en esa voz te evita tener que repetir esas instrucciones en cada prompt. El segundo caso de uso sólido es el formato de salida estructurada. Cuando tu canal espera JSON con un esquema que nunca debe variar, unas instrucciones bien redactadas te acercan, pero nunca garantizan un cumplimiento del 100 %; ejemplos sistemáticamente conformes reducen esa brecha a casi cero.
Estos dos impulsores conducen mecánicamente a otros dos. Un modelo ajustado consultado con un prompt corto responde más rápido que un modelo base lastrado por un prompt de sistema largo, lo que reduce la latencia percibida por el usuario; y menos tokens de entrada significan una factura más ligera a volumen constante, lo que se traduce en una reducción de costes que se nota directamente en un servicio que maneja varios miles de solicitudes al día.
Destacan dos familias de tareas adicionales donde el ajuste sobresale. La primera abarca las tareas de clasificación: categorizar tickets de soporte, analizar sentimientos, ordenar documentos. La salida esperada aquí es corta, de respuesta cerrada y se ilustra perfectamente con ejemplos. La segunda es la llamada a funciones consistente: cuando el modelo debe llamar sistemáticamente a las funciones correctas con los parámetros adecuados, mostrarle un centenar de llamadas correctas funciona mejor que describir la regla.
Por el contrario, hay cuatro situaciones que deberían disuadirte. Si tienes pocos datos, menos de 50 ejemplos, la ingeniería de prompts con unos pocos ejemplos few-shot rendirá mejor con mucho menos esfuerzo. Si tu dominio cambia rápidamente, con un catálogo de productos o precios que varían semanalmente, RAG (Generación Aumentada por Recuperación) te evitará tener que reentrenar constantemente. La confusión más común intenta inyectar conocimiento factual: el ajuste enseña comportamientos, no hechos, y aquí de nuevo RAG es la herramienta adecuada. Por último, si la ingeniería de prompts es suficiente, si unas pocas instrucciones bien elaboradas ya dan buenos resultados, no compliques tu canal por hacerlo.
Ajuste frente a alternativas
Estos tres enfoques no son competidores: abordan necesidades diferentes y se combinan muy bien, por ejemplo, un modelo ajustado para el formato alimentado por RAG para los hechos.
| Enfoque | Ideal para | Limitaciones |
|---|---|---|
| Ingeniería de prompts | Prototipado rápido, tareas variadas | Consume tokens, resultados variables |
| RAG | Conocimiento dinámico, bases documentales | Mayor latencia, complejidad de infraestructura |
| Ajuste | Comportamientos estables, tono, formato, clasificación | Requiere datos, coste de entrenamiento |
Flujo de trabajo típico
El resto de este curso sigue el orden en el que ejecutarás realmente estos pasos. Tómate unos minutos antes de continuar para anotar el primero: articular el comportamiento deseado en una sola frase te evitará recoger datos al azar.
- Identificar la necesidad: ¿qué comportamiento quieres que adopte el modelo de forma sistemática?
- Recopilar datos: reúne al menos entre 50 y 100 ejemplos de conversaciones ideales
- Preparar el JSONL: formatea tus datos según el esquema esperado por la API
- Lanzar el entrenamiento: crea un trabajo de ajuste mediante
client.fine_tuning.jobs.create() - Evaluar: compara el rendimiento del modelo ajustado frente al modelo base
- Iterar: ajusta tus datos y vuelve a ejecutar si es necesario
Puntos clave
- El ajuste cambia el comportamiento del modelo, no su conocimiento factual
- Tiene sentido cuando tienes datos suficientes y necesidad de consistencia
- Empieza siempre con la ingeniería de prompts; ajusta solo si eso no es suficiente
- La lista de modelos ajustables evoluciona con el catálogo de OpenAI; consulta la documentación oficial antes de lanzar un trabajo