NAiOS Wiki

Inteligencia artificial general, capaz de cualquier tarea intelectual humana

Sistemas que ejecutan tareas multi-paso sin supervisión constante

Alinear los objetivos de la IA con los valores humanos

Fatiga cognitiva aguda por usar o supervisar herramientas de IA en exceso. Término acuñado por investigadores de BCG y la Universidad de California (Riverside) en 2026.

Asistente de IA integrado en herramientas de trabajo

Marco regulatorio y de gestión para el uso responsable de la IA

Resúmenes generados por IA en los resultados de búsqueda

Término informal (no es un diagnóstico clínico reconocido) para los síntomas tipo psicótico —delirios, paranoia— asociados al uso intensivo de chatbots de IA.

Disciplina enfocada en garantizar que la IA sea segura

Aplicación que simplemente envuelve un modelo existente sin añadir valor real

IA capaz de planificar, decidir y actuar de forma autónoma

Flujos de trabajo donde agentes de IA actúan de forma autónoma

Cuando la IA reproduce o amplifica prejuicios presentes en los datos

Técnica donde la IA piensa paso a paso antes de responder

Cantidad de texto que un modelo puede recordar en una conversación

Cuando datos de evaluación se filtran al entrenamiento, sesgando benchmarks

Ventaja competitiva de una empresa gracias a sus datos únicos

Uso de IA para mejorar la toma de decisiones empresariales

Contenido falso hiperrealista generado con IA

Ejecutar IA directamente en el dispositivo, sin depender de la nube

Representación numérica del significado de textos o imágenes

Reentrenar un modelo con datos específicos para un caso de uso

Los modelos más avanzados y potentes en cada momento

El nuevo SEO, optimizar contenido para que lo cite la IA generativa

Inteligencia artificial que crea contenido nuevo (texto, imagen, video, audio)

Anclar las respuestas de la IA a datos reales y verificables

Restricciones y límites que se imponen a la IA para evitar daños

Cuando la IA genera información falsa con total confianza

Marco que permite probar y evaluar el rendimiento de agentes

Dedicar más capacidad de cómputo durante la respuesta, no el entrenamiento

Técnicas para evadir las restricciones de seguridad de un modelo

Modelo de lenguaje grande, la base de los chatbots actuales

Técnicas para adaptar modelos con pocos recursos

Ejecutar modelos de IA en tu propio hardware

Diseñar los bucles autónomos que guían a los agentes de código (término de 2026)

Arquitectura que activa solo partes del modelo según la tarea

Protocolo estándar para que los modelos se conecten con herramientas externas

Comprimir un modelo grande en uno pequeño conservando calidad

Debate ético sobre si los modelos avanzados merecen algún tipo de consideración

Gestión operativa del ciclo de vida de los modelos de IA

Coordinar varios agentes de IA para resolver tareas complejas juntos

Modelos que entienden y generan texto, imagen, audio y video

Herramientas de IA que no requieren programación para usarse

Cuando un prompt que funcionaba deja de dar buenos resultados con el tiempo

Diseño y optimización de instrucciones para obtener mejores resultados de la IA

Ataques que manipulan la IA insertando instrucciones maliciosas

Combinar búsqueda de datos reales con generación de texto

Aprendizaje por refuerzo con retroalimentación humana

Modelos diseñados específicamente para razonar, no solo predecir texto

Probar una IA intentando romperla para encontrar vulnerabilidades

La estructura de código que conecta y orquesta a un agente de IA

Uso no autorizado de herramientas de IA dentro de organizaciones

Modelos de lenguaje ligeros, diseñados para funcionar en dispositivos

Prioridad estratégica de los países de tener sus propias infraestructuras de IA

IA que supera la capacidad intelectual humana en todos los ámbitos

Datos generados artificialmente para entrenar modelos

Medios (imagen, audio, video) creados artificialmente por IA

Parámetro que controla la creatividad vs. precisión de la IA

Generar video a partir de una descripción de texto

Etiqueta divulgativa para la fase de adopción masiva y transversal de la IA en todos los sectores. No es un término académico ni una cita del MIT.

Proceso de dividir texto en unidades (tokens) que el modelo puede procesar

Exprimir al máximo la ventana de contexto de un modelo. Coloquialmente, también: usar muchos tokens como métrica (discutible) de productividad.

La arquitectura base de casi todos los modelos de lenguaje actuales

Programar describiendo lo que quieres y dejando que la IA escriba el código

Clonar una voz humana con IA a partir de pocos segundos de audio

Modelos que aprenden la dinámica de un entorno, no solo texto

Capacidad de un modelo para realizar tareas sin haber sido entrenado específicamente