¿Qué es un modelo de IA?
Fundamentos, modelos y capacidades de IA
Un modelo de IA es el componente computacional que recibe entradas y produce salidas como clasificaciones, puntuaciones, recomendaciones o contenido generado. No es el producto completo ni el flujo de trabajo. En la práctica, el modelo se encuentra dentro de un sistema más amplio que también incluye datos, instrucciones o reglas, interfaces, monitorización y toma de decisiones humana.
Revisado por Jackie, Head of Learning & Development, Levellers - Última revisión: 8 de junio de 2026
Qué significa esto
NIST define un modelo de inteligencia artificial como un componente de un sistema de información que implementa tecnología de IA y utiliza técnicas computacionales, estadísticas o de aprendizaje automático para producir salidas a partir de un conjunto de entradas. Esa formulación a nivel de componente es importante porque separa el modelo del resto del sistema que lo rodea.
En lenguaje claro, un modelo de IA es la parte que realiza el trabajo basado en patrones. Puede clasificar una imagen, predecir una puntuación, detectar spam, transcribir voz o generar texto. La aplicación que lo envuelve sigue necesitando gestionar el acceso a los datos, las instrucciones o reglas de negocio, la experiencia de usuario, el registro, la evaluación y la revisión. Para el contexto más amplio, véase ¿Qué es la inteligencia artificial?.
Por qué es importante
La distinción importa porque los equipos suelen adquirir o probar una capacidad de modelo y dan por sentado que han resuelto el flujo de trabajo. Por lo general, no es así. Un modelo capaz es solo una capa. Para que resulte útil, aún se necesitan entradas, salidas, controles, decisiones de despliegue y un lugar fiable donde las personas puedan revisar el resultado o actuar en consecuencia.
También importa al comparar opciones. Los distintos modelos varían en modalidad, tamaño, capacidad, latencia, coste y adecuación a una tarea. Elegir bien significa ajustar el modelo al trabajo, en lugar de asumir que la opción más reciente o más grande es automáticamente la correcta.
Cómo funciona
Google Cloud describe el entrenamiento del modelo como la fase en la que aprende patrones a partir de datos; las pruebas, como la fase en la que se evalúa qué tan bien generaliza; y la inferencia, como la fase de ejecución en la que un modelo entrenado o ajustado realiza predicciones sobre datos nuevos. El despliegue expone ese modelo para que las aplicaciones puedan utilizarlo.
En la práctica, esto significa que la vida de un modelo no es un único evento. Habitualmente existe una cadena de preparación, entrenamiento o ajuste fino, evaluación, despliegue, inferencia, monitorización y revisión. Para usos generativos, las instrucciones y, en ocasiones, el acceso a herramientas o la fundamentación también forman parte de la configuración operativa.
Ejemplos
Un modelo de IA puede estar integrado en un flujo de trabajo documental para clasificar archivos entrantes, en un proceso financiero para puntuar transacciones en busca de anomalías, en un proceso de atención al cliente para transcribir llamadas, o en un asistente de conocimiento para generar respuestas. En cada caso, el producto visible puede parecer sencillo, pero el modelo es solo una pieza en movimiento.
Google también señala que los modelos preentrenados pueden servir como punto de partida para nuevas aplicaciones. Por eso los modelos fundacionales suelen aparecer dentro de herramientas derivadas, en lugar de como flujos de trabajo completos por sí mismos.
Malentendidos frecuentes
Un malentendido habitual es creer que un modelo es lo mismo que un chatbot, una aplicación o un asistente. No lo es. Un chatbot es una capa de aplicación. Un modelo es el componente subyacente que produce la salida relevante. La orientación de la Comisión Europea sobre el AI Act también distingue entre modelos de IA y sistemas de IA, señalando que los modelos de IA de propósito general suelen constituir la base de sistemas de IA derivados.
Otro malentendido es que todos los modelos de IA son generativos. No lo son. Algunos modelos generan contenido, mientras que otros clasifican, ordenan, detectan o pronostican. Si se busca el subconjunto de generación de contenido, véase ¿Qué es la IA generativa?.
Riesgos y límites
El Marco de Gestión de Riesgo de IA de NIST subraya que la IA digna de confianza depende de características como la validez, la seguridad, la protección, la responsabilidad, la transparencia, la explicabilidad, la mejora de la privacidad y la equidad con el sesgo perjudicial gestionado. Estas son preocupaciones a nivel de sistema, no solo métricas del modelo.
NIST SP 800-218A también establece explícitamente que los modelos de IA, los sistemas de IA que los utilizan y quienes adquieren esos sistemas tienen responsabilidades propias. Esto sirve como recordatorio útil de que un modelo debe evaluarse dentro de su contexto de despliegue, y no de forma aislada respecto a la seguridad, la gobernanza de la IA y el uso posterior.
Próximos pasos
Antes de elegir un modelo, conviene redactar un breve documento de selección: la tarea, el tipo de entrada, la salida necesaria, dónde se ejecutará el modelo, qué aspecto tiene un buen resultado, cómo se verificará ese resultado y qué límites de latencia, coste o privacidad son relevantes. Esto proporciona una base práctica para comparar modelos sin convertir el ejercicio en una conjetura.
¿Tiene alguna pregunta o sugerencia, o desea saber cómo investigamos y revisamos estas guías? Lea sobre nuestros estándares editoriales y cómo contactarnos.
Preguntas frecuentes
¿Es un modelo de IA lo mismo que un sistema de IA?
No. Un modelo es un componente. Un sistema de IA incluye el contexto de aplicación más amplio, las interfaces, los flujos de datos, los controles y el uso posterior.
¿Cuál es la diferencia entre entrenamiento e inferencia?
El entrenamiento es la fase en la que el modelo aprende a partir de datos. La inferencia es la fase en la que el modelo entrenado se utiliza con nuevas entradas para producir una salida.
¿Puede un producto utilizar varios modelos?
Sí. Una aplicación real puede combinar más de un modelo, o combinar modelos con reglas, instrucciones, bases de datos y otros componentes de software.
¿Son todos los modelos de IA modelos de lenguaje grandes?
No. Los modelos de lenguaje grandes son una familia. Otros modelos pueden centrarse en visión, voz, pronóstico, clasificación, detección de anomalías o tareas multimodales.