Qué es IA generativa: la guía conceptual para gestores no técnicos

Eres director, gestor, jefe de RH, jefe de operaciones. En reuniones, escuchas “vamos a poner IA ahí” como si fuera café — algo que se sirve. Pero cuando hay que decidir comprar Copilot, contratar consultoría, autorizar piloto, te das cuenta de que falta el vocabulario básico. Esta guía resuelve eso.

Sin código, sin matemática, sin hype. Los 10 conceptos que necesitas en 2026 para conversar con cualquier proveedor de IA sin que te empujen.

1 · LLM (Large Language Model)

El LLM es la fundación. Piensa en un empleado que leyó básicamente todo lo publicado en texto en internet hasta el año de entrenamiento. Ese empleado no tiene memoria entre conversaciones (cada chat empieza de cero) y no tiene opinión propia — compone respuestas a partir de patrones que vio.

Ejemplos prácticos: Claude, GPT-5, Gemini, Llama. Las diferencias vienen de quién entrenó, cómo entrenó y con qué corpus. No confundas LLM con “IA” — IA es el término paraguas, LLM es la tecnología específica que hace funcionar a ChatGPT.

2 · Prompt

El prompt es la instrucción que le das al LLM. “Resume este informe en 3 bullets” es un prompt. “Escribe un email pidiendo disculpas por el retraso, tono profesional, máximo 5 líneas” también lo es. La calidad del prompt define la calidad de la respuesta — no es “la IA es inteligente”, es “el prompt es claro”.

3 · Contexto

Es lo que el LLM puede leer de una vez. Imagina una ventana: el prompt y todo lo adjunto (PDF, planilla, historial de conversación) debe caber dentro. Cuando se desborda, la IA “olvida” el inicio.

Ventanas hoy (2026) son enormes — 200 mil palabras común, 1 millón en modelos premium. Pero grande no es gratis: contexto largo cuesta más tiempo y más dinero, y la IA presta menos atención al medio del contexto.

4 · Hallucination (alucinación)

Cuando el LLM responde con confianza total una información inventada. Cita un libro que no existe, inventa un juez que nunca falló, fabrica una estadística. No es “bug” — así funciona el modelo. Los modelos completan patrones; cuando el patrón “suena convincente”, entregan incluso sin dato real.

Mitigación: nunca aceptes afirmación factual sin verificación independiente. Especialmente: nombres propios, fechas, citas de leyes, números específicos, links.

5 · Tool use

Capacidad del LLM de llamar herramientas externas: buscar en la web, leer archivo, ejecutar código, enviar email. Cuando una IA “lee tu Outlook” o “agenda reunión en Google Calendar”, es tool use. Eleva drásticamente lo que puedes automatizar — y el riesgo. Tool use sin gobernanza es la mayor causa de incidente de agente en producción.

6 · Agente

Un agente es LLM + tools + un loop. En vez de hacer cada pregunta tú, el agente lee el objetivo (“agendar reunión con Juan sobre proyecto Y”), planifica, llama las tools necesarias (calendar, email), ejecuta. Puede ser autónomo o pausar en puntos críticos pidiendo confirmación.

Diferencia con chatbot: el chatbot responde. El agente actúa.

7 · RAG (Retrieval-Augmented Generation)

Técnica que combina LLM con tu base de conocimiento. En vez de que el modelo solo sepa lo que aprendió en el entrenamiento, consulta tus documentos en tiempo real y responde con base en ellos. Es como darle al empleado acceso al Drive de la empresa antes de responder.

Aplicación típica: chatbot interno que responde sobre política de la empresa usando los PDFs de RH.

8 · Fine-tuning

Entrenar el modelo adicionalmente en tus datos, para que “aprenda” el tono de la empresa. Caro, lento, raramente necesario en 2026 — RAG resuelve 80% de los casos. Si un proveedor empuja fine-tuning, pregunta si RAG no resuelve primero.

9 · Multimodal

LLM que procesa texto + imagen + audio + video. Envías foto de planilla en papel, extrae los números. Envías grabación de reunión, transcribe y resume. En 2026 ya es el estándar en modelos de punta.

10 · Token

La unidad de medida por la que el proveedor cobra. Aproximadamente: 1 token = 0,75 palabra en inglés, ~0,5 palabra en español. Cuando alguien dice “Claude tiene ventana de 200K tokens”, son ~150 mil palabras.

El token también es la métrica que define si tu uso superará el presupuesto. Pregunta siempre al proveedor: ¿cuántos tokens por interacción media? ¿costo por mil tokens?

Lo que esto cambia para ti

Con estos 10 conceptos sales de “vamos a poner IA ahí” hacia “qué modelo, qué contexto, qué tool use, qué gobernanza, qué presupuesto de tokens”. La diferencia entre comprar caja negra y comprar capacidad.

Próximo paso práctico: corre el diagnóstico AI Agency Ladder en tu equipo. Sabrás en qué nivel operan y la inversión que destraba el salto.