DEL PROMPT AL AGENTE DE INTELIGENCIA ARTIFICIAL: EVOLUCIÓN DEL LENGUAJE Y LOS CONCEPTOS DE LA IA GENERATIVA DESDE 2022 A LA FECHA
Dr. en AIE Xavier Gaytán Zepeda
Mtra. en AP Nancy González González
Desde la aparición pública de ChatGPT el 30 de noviembre de 2022, se marcó un punto de inflexión en la difusión social, profesional, académica y empresarial de la Inteligencia Artificial Generativa (IAGen)
. Aunque las tecnologías que sustentan estos sistemas, tales como: redes neuronales, aprendizaje automático, procesamiento del lenguaje natural, transformers, modelos generativos y aprendizaje por refuerzo se han estado desarrollaron durante varios años (incluso décadas), la disponibilidad de interfaces conversacionales accesibles al público general aceleró extraordinariamente la incorporación de la IAGen a las actividades cotidianas prácticamente de cualquier persona, teniendo hoy día opciones además de “Chat GPT” de Open AI, la herramienta de “Google” Gemini, de Microsfot “Copilot”, de Anthropic “Cloude”, de Alibaba “Qwen”, de Deepseek la misma IA que lleva su nombre, de Moonshot AI “Kimi K3”, de Meta “Llama”, entre otros.
A partir de lo anteriormente enunciado, se ha producido una rápida expansión de conceptos, acrónimos y expresiones técnicas que anteriormente estaban restringidos principalmente a comunidades de investigación y desarrollo. Términos como LLM, GPT, prompt, prompt engineering, master prompt, token, embedding, RAG, fine-tuning, multimodalidad, agente de IA, súper agente IA, function calling, contexto, alucinación, razonamiento, modelo fundacional, Vibe Coding y MCP, entre muchos otros, forman actualmente parte del vocabulario habitual de la transformación digital.
La propia naturaleza de la IAGen explica esta expansión terminológica tan vertiginosa como la propia IA. Las IA generativas son una clase de modelos capaces de generar contenido sintético derivado, incluyendo texto, imágenes, video, audio y otros contenidos digitales (National Institute of Standards and Technology [NIST], 2024).
En este contexto, resulta totalmente entendible, el por qué para la mayoría de las personas que eran (o son) ajenas a este mundo tecnológico de la Inteligencia Artificial Generativa, este nuevo vocabulario se ha convertido en un mar sin fin de nueva información dinámica, y cuesta trabajo familiarizarse con dichos términos, al igual que la pertinencia para seleccionar algún curso de actualización teniendo al alcance una impresionante cantidad de cursos que están ofertándose cada día, tanto presenciales, como en línea. Es por ello que resulta necesario irse familiarizando con el siguiente glosario, el cual tiene como finalidad, proporcionar una referencia integral en español, distinguiendo entre el término, su acrónimo cuando existe, su significado y su aplicación práctica.
Conceptos fundamentales (mínimos) de IA e IA Generativa
Término / acrónimo | Significado | Definición | Uso o aplicación |
IA / AI | Inteligencia Artificial / Artificial Intelligence | f. Inform. Disciplina científica que se ocupa de crear programas informáticos que ejecutan operaciones comparables a las que realiza la mente humana, como el aprendizaje o el razonamiento lógico. Diccionario de la Lengua Española | - El GPS calcula una ruta y propone una alternativa cuando hay tráfico. - Una cámara del teléfono detecta automáticamente rostros. - Un banco detecta una operación que podría ser fraudulenta. - Un correo electrónico identifica mensajes que probablemente sean spam. - Una plataforma recomienda una película que probablemente te guste. - Un asistente de voz entiende que dijiste “pon una alarma a las 7” (como Alexa). |
IAGen / GenAI | Inteligencia Artificial Generativa / Generative AI | IA capaz de generar contenido nuevo como texto, imágenes, audio, video, código o combinaciones de ellos. | La IA crea algo nuevo: - Un texto; - Una imagen; - Una presentación; - Una canción; - Un video; - Código; - Una receta; - Un resumen; - Una historia. |
IA generativa multimodal | Generative Multimodal AI | Sistemas capaces de procesar y/o generar diferentes modalidades de información. | Imagina que tomas una fotografía de los productos que tienes: leche + huevos + tortillas + queso + jitomates + pollo
Después preguntas mediante texto o voz: “¿Qué puedo preparar para cuatro personas con estos ingredientes?”
La IA puede: Ver la fotografía. Identificar los alimentos. Comprender tu pregunta escrita o hablada. Razonar sobre las posibilidades. Generar una respuesta textual.
Aquí intervienen diferentes modalidades: Imagen + texto + posiblemente voz → respuesta generada |
ML | Machine Learning / Aprendizaje Automático | Rama de la IA en la que los sistemas aprenden patrones a partir de datos. | Ejemplo cotidiano: las recomendaciones de Netflix, YouTube o Spotify.
Supongamos que durante meses: - Ves muchas películas de acción; - Ves algunas películas de ciencia ficción; - Abandonas rápidamente las películas románticas; - Ves determinados actores con frecuencia.
El sistema analiza enormes cantidades de información sobre tu comportamiento y aprende patrones.
Después puede concluir: “Probablemente a esta persona le interese esta nueva película.”
No necesariamente existe una regla escrita por un programador que diga: “Si el usuario vio 75 películas de acción, recomiéndale la película X.”
El sistema aprende relaciones y patrones a partir de datos. |
DL | Deep Learning / Aprendizaje Profundo | Subcampo del ML basado principalmente en redes neuronales profundas. | Supongamos que se le muestran: 100,000 rostros de diferentes personas.
Cada imagen está asociada con la identidad correspondiente.
El modelo hace una predicción: "Creo que este rostro corresponde a la Persona A." |
NLP / PLN | Natural Language Processing / Procesamiento de Lenguaje Natural | Tecnologías para procesar y comprender lenguaje humano. | NLP es la tecnología que permite a las computadoras interpretar, analizar y generar lenguaje humano, ya sea texto o voz. |
NLG | Natural Language Generation | Generación automática de lenguaje natural. | Ejemplo: generar automáticamente un reporte del clima “Este miércoles, en Toluca se espera una temperatura máxima de 22 °C y una mínima de 9 °C. Existe una probabilidad de lluvia del 70 %, acompañada de vientos de aproximadamente 15 km/h.” |
NLU | Natural Language Understanding | Comprensión computacional del lenguaje humano. | Ejemplo: Lenguaje humano “Quiero un hotel cerca de la playa en Cancún que no sea demasiado caro.”
NLU Identifica: Intención: buscar hotelLugar: CancúnUbicación: cerca de la playaPrecio: económico
Resultado: “Encontré varios hoteles cerca de la playa en Cancún dentro de un rango de precio económico.” |
Computer Vision / CV | Visión por Computadora | Análisis e interpretación automática de imágenes y video. | Un ejemplo muy práctico y cotidiano de Computer Vision (CV) / Visión por Computadora es cuando un teléfono identifica automáticamente objetos en una fotografía. |
Speech AI | Inteligencia Artificial del habla | Reconocimiento, comprensión y generación de lenguaje hablado. | Captura de voz: el micrófono registra lo que dices. |
Prompt | Instrucción o indicación. Voz inglesa que significa literalmente ‘aviso’ o ‘incitación’. En inteligencia artificial (IA), es el texto con el que se le pide a un modelo que realice una tarea. | No registrada en el DLE (consulta: 2026). Al ser anglicismo crudo, debe escribirse en cursiva. Voces españolas equivalentes recogidas por el DLE: instrucción: conjunto de reglas o advertencias dirigidas a un fin determinado. indicación: acción y efecto de indicar, esto es, de mostrar o señalar algo mediante indicios o señales. | ROL:Actúa como especialista en turismo y planificación de viajes. OBJETIVO:Diseña un itinerario turístico de 3 días en Oaxaca, México. CONTEXTO:El viajero busca conocer cultura, gastronomía, arquitectura y atractivos naturales. INSTRUCCIONES:
FORMATO DE SALIDA:Presenta el itinerario en una tabla con: Día, horario, actividad, ubicación, duración y costo estimado. CRITERIO:La propuesta debe ser práctica, realista, clara y evitar información inventada. |
Prompt Engineering | Ingeniería de instrucciones (también diseño de instrucciones). Disciplina que estudia cómo formular, estructurar y depurar las instrucciones para obtener respuestas precisas, verificables y reproducibles. | No registrada en el DLE como unidad. El componente español se apoya en: ingeniería: conjunto de conocimientos orientados a la invención y al empleo de técnicas para aprovechar los recursos naturales o para la actividad industrial. Por analogía: aplicación sistemática de técnicas al diseño de instrucciones. | Derecho. Un despacho diseña una plantilla fija para revisar contratos: rol (abogado corporativo), contexto (legislación mexicana aplicable), tarea (detectar cláusulas abusivas), formato de salida (tabla de riesgo alto/medio/bajo) y restricciones (citar el artículo que fundamenta cada observación). La plantilla se reutiliza y se audita, lo que estandariza criterios entre todo el equipo. Es fundamental estos elementos esenciales: Rol → Objetivo → Contexto → Instrucciones → Formato de salida → Criterios de calidad. Este mismo esquema puede utilizarse para crear prompts profesionales en cualquier otra área del conocimiento |
AI Agent | Agente de inteligencia artificial. Sistema basado en IA capaz de planear y ejecutar por sí mismo una secuencia de tareas, usando herramientas externas (navegador, hojas de cálculo, bases de datos) hasta alcanzar un objetivo. | La locución no está registrada; sí la voz simple: agente: que obra o tiene capacidad de obrar; persona o cosa que produce un efecto. El DLE no recoge todavía una acepción informática del término. | Logística y comercio. Un agente revisa cada mañana el inventario, detecta los productos por debajo del mínimo, consulta precios de tres proveedores, genera las órdenes de compra y avisa por correo al responsable. A diferencia del asistente conversacional, el agente actúa; por ello exige supervisión humana: la responsabilidad de la decisión sigue siendo del profesional. |
LLM | Large Language Model Gran modelo de lenguaje. Modelo estadístico entrenado con enormes volúmenes de texto que predice y genera lenguaje natural. | Siglas no registradas en el DLE. Sus componentes sí: modelo: esquema teórico de un sistema o de una realidad compleja que se elabora para facilitar su comprensión y el estudio de su comportamiento. lenguaje: sistema de comunicación verbal, y casi siempre escrito, propio de una comunidad humana. | Educación. Un docente lo emplea para redactar objetivos de aprendizaje, generar rúbricas de evaluación, crear reactivos de examen con distractores plausibles y adaptar un mismo texto a distintos niveles de lectura. Es el motor de herramientas como ChatGPT, Claude o Gemini.
Advertencia: no es una calculadora ni una fuente de autoridad; todo dato, cifra o cita debe verificarse en la fuente original, es una herramienta. |
Token | Ficha o unidad mínima de texto. Fragmento en que el modelo divide el texto para procesarlo: puede ser una palabra completa, una sílaba o un signo de puntuación. En español equivale, en promedio, a unos tres o cuatro caracteres. Es la unidad con la que se mide la memoria de trabajo del modelo y con la que se cobra su uso. | No registrada en el DLE. En inglés significa ‘señal’, ‘muestra’ o ‘ficha’. Voces españolas próximas: ficha: pieza pequeña a la que se asigna un valor convencional y que sirve para señalar o contar. unidad: cantidad que se toma como término de comparación para medir otras de su misma especie. | Imagina que le escribes a una IA: “¿Cuál es la capital de México?”
La IA no necesariamente procesa toda la pregunta como una sola pieza. Puede dividirla en pequeñas partes o “tokens”, por ejemplo: ¿Cuál | es | la | capital | de | México |?
Cada una de esas piezas puede representar un token. |
|
|
|
|
Conclusión
Como se mencionó en un inicio, desde noviembre de 2022, con la aparición de herramientas como ChatGPT, la Inteligencia Artificial pasó rápidamente de ser un tema principalmente técnico para convertirse en una tecnología de uso cotidiano. El lenguaje evolucionó de conceptos como algoritmos y machine learning hacia términos como IA generativa, prompts, multimodalidad, copilotos, agentes y automatización, reflejando una transformación en la manera en que la que diversas personas a nivel mundial estudian, trabajan, crean y acceden al conocimiento.
Sin embargo, este proceso ha tenido un impacto muy desigual entre los distintos sectores de la población. La IA ha democratizado el acceso a capacidades que anteriormente requerían conocimientos especializados, pero también ha evidenciado nuevas brechas relacionadas con edad, educación, ingresos, infraestructura y habilidades digitales. Solo para contextualizar esta reflexión, se estima que en el año 2025, más de un tercio de las personas en los países de la OCDE utilizó herramientas de IA generativa, pero la adopción presenta diferencias importantes entre grupos sociales.
Por ello, la principal conclusión es que el desafío ya no consiste únicamente en aprender a utilizar la Inteligencia Artificial, sino en desarrollar una verdadera alfabetización en IA, comprender cómo funciona, saber formular problemas e instrucciones de manera puntual en las diversas áreas del conocimiento o actividades que pueda realizar cualquier persona, fundamental el que los usuarios de este tipo de herramientas tecnológicas siempre evalúen de manera crítica sus resultados, reconocer sus limitaciones y utilizarla de manera ética y responsable. En este sentido, la IA ya está dejando de ser simplemente una herramienta tecnológica para convertirse en una nueva competencia transversal que influirá cada vez más en la educación, el empleo, las profesiones y la participación social en general, así como en políticas públicas que se generen en torno a ella.
Comentarios