Ir al contenido principal
Español— Elegir un idioma
Menú

Conceptos clave de la IA generativa

Lección 12 de 16 Actualizado el 2 de noviembre de 2026 Principiante
En esta página
  1. Dominio del vocabulario esencial
  2. RAG: Generación Aumentada por Recuperación
  3. Embeddings: Representaciones vectoriales
  4. Ajuste fino (Fine-tuning): Adaptación a medida
  5. Temperatura: El regulador de la creatividad
  6. Alucinaciones: Cuando el modelo se inventa cosas
  7. Anclaje (Grounding): Fijación en la realidad
  8. Prompt: La instrucción al modelo
  9. Puntos clave

Actualizado el 2 de noviembre de 2026 — Le Chat pasa a llamarse Vibe. Desde el 28 de mayo de 2026, Le Chat es ahora Vibe (todavía en chat.mistral.ai): un único agente para el trabajo y el código que conserva tus conversaciones, configuraciones y suscripciones. La experiencia heredada de Le Chat sigue accesible en el modo Chat; en el modo Work, los agentes son ahora habilidades (que se invocan con @), las memorias se han convertido en la base de conocimientos y la búsqueda profunda es ahora la habilidad Deep Research. Los planes se llaman ahora Mistral Free, Pro, Team y Enterprise. Esta lección utiliza el nombre Vibe; es posible que algunos menús descritos aquí hayan cambiado de nombre o de ubicación.

Dominio del vocabulario esencial

Hay un puñado de términos con los que te toparás en cada reunión, en cada documento técnico y en cada conversación con un equipo técnico sobre IA generativa: RAG, embeddings, ajuste fino (fine-tuning), temperatura, alucinaciones y anclaje (grounding). Esta lección los explica uno a uno, no como definiciones de glosario, sino como herramientas que sabrás situar en una conversación real. Cuando un proveedor te proponga «un chatbot RAG con embeddings de Mistral», sabrás exactamente qué te está vendiendo y qué preguntas debes hacer.

RAG: Generación Aumentada por Recuperación

RAG (retrieval-augmented generation o generación aumentada por recuperación) es una de las técnicas más extendidas para mejorar la calidad de las respuestas de un LLM. El principio parte de una observación sencilla: en lugar de depender únicamente del conocimiento interno del modelo, le proporcionas, en el momento de la pregunta, información relevante extraída de una base de datos externa.

El mecanismo se desarrolla en cuatro pasos:

  1. El usuario formula una pregunta
  2. Un sistema de búsqueda identifica documentos relevantes en una base de conocimientos
  3. Estos documentos se inyectan en el contexto del modelo
  4. El modelo genera su respuesta basándose en esta información actualizada

¿Por qué es tan importante? Porque RAG resuelve un problema fundamental de los LLM: su conocimiento está congelado en la fecha de su entrenamiento. Un modelo entrenado el año pasado no sabe nada de tu nuevo catálogo de productos, de la reorganización de tu departamento ni de la normativa publicada el mes pasado. Con RAG, puede responder a preguntas sobre eventos recientes, sobre datos internos de tu empresa o sobre documentos que tú le facilites. Imagina un departamento de recursos humanos que recibe cada semana las mismas preguntas sobre el convenio colectivo: un asistente RAG conectado a los acuerdos de la empresa responde citando el artículo correcto, en lugar de improvisar desde la memoria. Esta es la técnica que impulsa la búsqueda web de Vibe y la mayoría de los chatbots empresariales.

Embeddings: Representaciones vectoriales

Los embeddings son representaciones numéricas de texto en forma de vectores, es decir, listas de números. Cada palabra, frase o documento se transforma en un punto en un espacio matemático de alta dimensión. La idea clave cabe en una frase: dos textos semánticamente cercanos tendrán embeddings próximos en este espacio. «Perro» y «canino» serán vecinos; «perro» y «hoja de cálculo» estarán muy lejos, aunque ninguno de estos pares comparta letras significativas en común.

Esta propiedad lo cambia todo para la recuperación de información. Una búsqueda tradicional por palabras clave no encontrará un documento sobre «extinción mutua del contrato» si buscas «fin amistoso del contrato»; una búsqueda semántica por embeddings sí lo hará, porque ambas formulaciones apuntan a la misma zona del espacio vectorial. Más allá de la búsqueda, los embeddings se utilizan para clasificar automáticamente textos por temática, detectar duplicados o contenidos similares y, como vimos en la lección anterior de esta sección, para seleccionar documentos relevantes en una canalización RAG. Mistral ofrece modelos de embedding dedicados, Mistral Embed y Codestral Embed, que transforman tu texto en vectores utilizables.

Ajuste fino (Fine-tuning): Adaptación a medida

El ajuste fino (fine-tuning) consiste en continuar el entrenamiento de un modelo preentrenado con tus propios datos para adaptarlo a una necesidad específica. La imagen más precisa es la de un médico de cabecera formado como especialista: el conocimiento general ya está ahí, tú añades una experiencia puntual.

Se recurre a él en varias situaciones. Una marca que quiera que todas sus respuestas a clientes respeten un tono y un estilo específicos puede hacer un ajuste fino de un modelo con sus mejores intercambios pasados. Un bufete de abogados o un departamento médico puede inculcar un vocabulario específico del sector que el modelo generalista maneja de forma aproximada. Un equipo que procesa miles de correos electrónicos al día puede especializar un modelo en una tarea concreta, como la clasificación o la extracción de entidades, con mejores resultados que un prompt genérico. Por último, la destilación consiste en transferir conocimientos de un modelo grande a uno pequeño para lograr un rendimiento similar a un coste mucho menor. En Mistral, es la plataforma Forge la que te permite hacer ajustes finos de modelos Open: preparas un conjunto de datos de pares pregunta-respuesta, lanzas el entrenamiento y obtienes un modelo personalizado desplegable mediante la API.

Temperatura: El regulador de la creatividad

La temperatura es un parámetro que controla el grado de «creatividad» —técnicamente, la aleatoriedad— en las respuestas del modelo. A baja temperatura (de 0 a 0,3), el modelo elige sistemáticamente las respuestas más probables: el resultado es predecible, preciso y reproducible, lo cual conviene a tareas factuales, extracción de datos y código. A temperatura media (de 0,4 a 0,7), obtienes un equilibrio entre coherencia y variedad que se adapta a la mayoría de los usos conversacionales. A alta temperatura (de 0,8 a 1,0), el modelo explora formulaciones menos obvias: más creatividad, pero también más riesgo de errores; una configuración que debes reservar para la lluvia de ideas y la escritura creativa.

En Vibe, la temperatura se gestiona automáticamente; no tienes que preocuparte por ella. Sin embargo, a través de la API puedes definirla con precisión para cada solicitud, y es una palanca potente: la misma pregunta formulada a 0,1 y a 0,9 producirá en un caso la respuesta de un contable y en el otro la de un redactor publicitario.

Alucinaciones: Cuando el modelo se inventa cosas

Las alucinaciones son respuestas que parecen plausibles pero son factualmente incorrectas. El modelo «inventa» información y, he aquí el peligro, lo hace con el mismo tono de confianza que cuando dice la verdad. La causa es estructural: un LLM predice tokens probables, no hechos verificados. Por tanto, puede producir un texto lingüísticamente impecable pero factualmente falso. Las áreas de riesgo están bien identificadas: fechas precisas, cifras y estadísticas, citas atribuidas a personas reales, referencias a estudios o artículos y detalles técnicos específicos. Pide a un modelo la bibliografía de un autor poco conocido: te proporcionará de buen grado títulos de libros perfectamente creíbles… que no existen.

No se eliminan las alucinaciones, se limitan. RAG ancla las respuestas en fuentes verificadas; una baja temperatura favorece las respuestas más probables; pedir al modelo las fuentes y verificarlas tú mismo revela las invenciones; el anclaje (grounding), que veremos justo después, conecta el modelo con datos reales. Y en cualquier asunto crítico, la regla sigue siendo absoluta: nunca confíes ciegamente en una respuesta.

Anclaje (Grounding): Fijación en la realidad

El anclaje (grounding) se refiere al conjunto de técnicas que conectan un modelo con fuentes de información fiables y actualizadas. RAG es una forma, pero el concepto es más amplio. La búsqueda web permite al modelo verificar hechos en Internet en lugar de extraerlos de su memoria congelada. La conexión a bases de datos le da acceso a tus datos internos: tu inventario real, tus clientes reales. La llamada a funciones (function calling), por último, le permite llamar a APIs externas para obtener datos en tiempo real: el tiempo, el precio de una acción, el estado de un sistema. La diferencia es decisiva: el anclaje pasa de un asistente que «sabe cosas» a un asistente que «puede verificar cosas».

Prompt: La instrucción al modelo

El prompt es el texto que envías al modelo: tu instrucción, tu pregunta, tu solicitud. Su calidad determina en gran medida la de la respuesta; es el tema de toda una lección más adelante en este curso. Ten ahora presentes tres nociones. El prompt de sistema agrupa las instrucciones generales que se dan al modelo de antemano (tono, rol, restricciones), configurables mediante la API. El prompt de usuario es tu mensaje real, la pregunta o tarea en cuestión. Y el few-shot prompting consiste en proporcionar ejemplos de respuestas esperadas para guiar al modelo: mostrar suele ser mejor que explicar.

Puntos clave

  • RAG enriquece las respuestas del modelo con datos externos actualizados
  • Los embeddings transforman el texto en vectores para la búsqueda semántica
  • El ajuste fino adapta un modelo a tus necesidades específicas mediante Forge
  • La temperatura controla el equilibrio entre precisión y creatividad
  • Las alucinaciones son respuestas plausibles pero falsas; el anclaje fija el modelo en datos verificables para limitarlas