TechCrunch publicó ayer su glosario definitivo de inteligencia artificial para 2026, y aunque suena a contenido de relleno, el ejercicio revela algo bastante más incómodo: llevamos años hablando de IA como si entendiéramos lo que decimos, y la mayoría de las veces estamos improvisando. Alucinaciones, tokens, embeddings, RAG, agentes, fine-tuning — términos que se repiten en juntas, en podcasts, en hilos de LinkedIn — y que muy poca gente sabe definir con precisión cuando se les pregunta de frente. El glosario no es el problema; el problema es la cultura de aparentar que ya lo sabemos todo desde hace dos años.
El vocabulario como campo de batalla
El lenguaje técnico siempre ha funcionado como filtro social. En tecnología esto es especialmente agresivo: quien domina el vocabulario domina la conversación, aunque no domine el tema. Con la IA esto se multiplicó por diez. Desde 2023, el ritmo de adopción de nuevos términos superó por mucho la capacidad de la industria de explicarlos con honestidad. "Modelo fundacional", "inferencia", "contexto de ventana", "RLHF" — todos cayeron al lenguaje cotidiano de producto, marketing y periodismo sin que nadie se detuviera a preguntar si la gente realmente sabía de qué estaba hablando.
El resultado es una especie de analfabetismo funcional de lujo: puedes participar en cualquier conversación sobre IA usando cinco o seis términos estratégicamente, y nadie te va a desafiar porque ellos tampoco quieren que los desafíen a ellos. Es un pacto tácito de ignorancia mutua que, honestamente, le hace más daño a la industria que cualquier regulación.
Lo que el glosario sí logra
Dicho eso, el esfuerzo de TechCrunch tiene mérito real. Reunir en un solo lugar definiciones claras de los términos más usados — desde los básicos como "prompt" hasta los más técnicos como "temperatura" o "grounding" — es útil para cualquiera que quiera salirse del ciclo de fingir. Algunos términos que vale la pena tener claros:
Alucinación (Hallucination): Cuando un modelo genera información falsa con total confianza. No es un bug en el sentido tradicional; es una consecuencia estructural de cómo funcionan los LLMs. El modelo no "sabe" si algo es verdad; predice qué texto viene después del tuyo.
RAG (Retrieval-Augmented Generation): Técnica que conecta un modelo de lenguaje con fuentes externas de información en tiempo real, en lugar de depender solo de lo que aprendió durante el entrenamiento. Reduce alucinaciones. No las elimina.
Agente (Agent): Un sistema de IA que no solo responde preguntas sino que toma acciones en el mundo: busca en internet, ejecuta código, llama APIs, encadena tareas. Es la diferencia entre un chatbot y algo que puede hacer cosas por ti.
Fine-tuning: Tomar un modelo ya entrenado y entrenarlo de nuevo con datos específicos para una tarea. Como contratar a alguien con educación general y darle un curso especializado.
Embedding: Representación matemática de palabras, frases o conceptos en un espacio vectorial. La base técnica de por qué los modelos pueden entender similitud semántica — por qué "perro" y "can" son similares aunque las letras sean distintas.
Temperatura: Parámetro que controla qué tan "creativo" o predecible es el modelo. Temperatura baja = respuestas más deterministas. Temperatura alta = más variedad, más riesgo de delirio.
El problema real: los términos cambian más rápido que el consenso
Lo que ningún glosario puede resolver del todo es la velocidad de mutación del campo. "Agente" significaba una cosa en 2023, otra en 2024 y hoy en 2026 hay al menos tres definiciones compitiendo dependiendo de si hablas con alguien de OpenAI, de Anthropic o de un equipo de automatización empresarial. Lo mismo con "multimodal", con "razonamiento" y con el cada vez más abusado término "general intelligence".
Esto no es un problema académico: tiene consecuencias prácticas. Cuando un cliente le pide a una agencia "un agente de IA para atención al cliente" y la agencia entiende algo completamente diferente, el proyecto nace mal. Cuando un periodista describe un sistema como "capaz de razonar" sin clarificar qué entiende por eso, el lector construye expectativas que el producto no puede cumplir.
Para qué sirve esto en la práctica
Si trabajas en música, en eventos, en medios, en cualquier industria que ya está siendo tocada por la IA — que es básicamente todas — entender este vocabulario no es opcional ni nerd. Es la diferencia entre poder evaluar una herramienta con criterio propio y dejarte vender humo por alguien que aprendió cinco palabras en un webinar.
El glosario de TechCrunch es un buen punto de entrada. No es exhaustivo — ninguno lo es — pero es honesto en su alcance y está escrito para humanos, no para ingenieros. Úsalo como base. Y la próxima vez que alguien en una junta diga "necesitamos implementar un agente con RAG y fine-tuning sobre nuestros datos propietarios", ya sabes exactamente qué preguntar.
Fuente: TechCrunch — The only AI glossary you'll need this year