60 términos organizados en cinco ejes: de los fundamentos técnicos de la IA a la validez oficial SEP de un posgrado en México. Escrito por el equipo del Instituto de Posgrado en Inteligencia Artificial (IPIA).
Los términos que hacen falta para entender de qué se habla cuando se habla de inteligencia artificial.
Sistemas capaces de ejecutar tareas que, hasta hace poco, exigían juicio humano: reconocer un patrón, generar un texto, tomar una decisión con información incompleta. No es una tecnología — es una categoría de tecnologías, tan amplia como "transporte" o "energía". Lo que las une es el objetivo, no el método.
Rama de la IA en la que un sistema mejora su desempeño en una tarea a partir de datos, sin que un programador escriba regla por regla cómo hacerla. En vez de instrucciones explícitas, el sistema encuentra patrones en ejemplos y los generaliza a casos nuevos.
Un sistema entrenado con enormes cantidades de texto para predecir, con precisión estadística, qué palabra sigue después de otra. De esa tarea aparentemente simple —predecir la siguiente palabra— emerge la capacidad de escribir, resumir, traducir y razonar sobre texto. ChatGPT, Claude y Gemini son interfaces construidas sobre modelos de este tipo.
La familia de sistemas de IA que no clasifica ni predice un número — produce contenido nuevo: texto, imagen, audio, código. Antes de 2022 la IA se usaba sobre todo para decidir ("¿es esto spam?"); la generativa se usa para crear ("escribe esto", "dibuja esto"). Ese giro, de decidir a producir, es lo que la volvió visible para el público general.
No es un chatbot que responde. Es un sistema que actúa. La diferencia entre la IA generativa y la agéntica es la misma que hay entre un asesor que sugiere y un empleado que ejecuta: la primera propone texto; la segunda toma una meta, la descompone en pasos, y los lleva a cabo — consultando herramientas, tomando decisiones intermedias, corrigiendo el rumbo sin que un humano apruebe cada movimiento.
Arquitectura de cómputo inspirada, de forma laxa, en cómo se conectan las neuronas biológicas: capas de unidades simples que, combinadas en suficiente número y profundidad, aprenden funciones muy complejas. Es la base técnica detrás de casi toda la IA moderna.
La práctica de diseñar la instrucción que se le da a un modelo de IA para obtener el resultado deseado. No es magia ni un lenguaje secreto — es la misma disciplina de dar instrucciones claras que ya existía antes de la IA, aplicada a un colaborador que solo conoce el mundo a través de lo que le escribes.
Cuando un modelo genera información falsa con la misma confianza gramatical que usaría para información verdadera. No es una falla ocasional del sistema — es una consecuencia directa de cómo funciona: el modelo optimiza para que el texto suene coherente, no para que sea cierto. Verificar la salida de un modelo no es opcional; es parte del trabajo.
Ajuste adicional de un modelo ya entrenado, usando un conjunto de datos más pequeño y específico, para especializarlo en una tarea o dominio concreto. Permite partir de un modelo general y adaptarlo — por ejemplo, a la jerga legal mexicana o al catálogo de una empresa — sin entrenarlo desde cero.
La combinación de automatización tradicional (reglas fijas, pasos repetibles) con IA capaz de manejar excepciones y ambigüedad. Donde la automatización clásica se detenía frente a un caso que no encajaba en el manual, la automatización inteligente puede interpretarlo y decidir.
Subcampo del machine learning que usa redes neuronales de muchas capas apiladas para aprender representaciones cada vez más abstractas de los datos. Es la técnica detrás de casi todos los avances de IA de la última década, desde reconocimiento de imágenes hasta los modelos de lenguaje grandes.
La arquitectura de red neuronal, publicada en 2017, que hace posible a los modelos de lenguaje modernos. Su innovación central es el mecanismo de "atención": en vez de procesar el texto palabra por palabra en orden, evalúa la relación entre todas las palabras de una oración a la vez. La T de GPT significa, literalmente, Transformer.
El proceso de dividir un texto en unidades más pequeñas (tokens) — palabras, fragmentos de palabra o caracteres — antes de que un modelo de lenguaje pueda procesarlo. Es el primer paso, invisible para el usuario, de cualquier interacción con IA generativa.
La capacidad de un modelo de IA de procesar y generar más de un tipo de contenido — texto, imagen, audio, video — dentro del mismo sistema, en vez de requerir un modelo distinto para cada formato.
Dónde la inteligencia artificial deja de ser tecnología y se vuelve estrategia, gobernanza y resultado medible.
El proceso por el cual una organización rediseña sus operaciones —no solo su tecnología— alrededor de lo que la IA hace posible. La trampa más común es confundirla con comprar herramientas nuevas. La transformación real ocurre cuando cambia el proceso, no cuando cambia el software que lo ejecuta.
El plan que define dónde, cómo y con qué prioridad una empresa adopta inteligencia artificial, alineado a sus objetivos de negocio y no al revés. Sin esta capa, la adopción de IA se vuelve una colección de pilotos aislados que nunca se conectan entre sí.
El proceso —casi siempre más humano que técnico— por el cual los equipos de una organización empiezan a usar IA en su trabajo diario. La mayoría de los proyectos de IA no fracasan por la tecnología; fracasan porque nadie preparó a las personas que debían usarla.
El retorno medible de una inversión en IA: horas liberadas, costos evitados, ingresos generados. La razón por la que muchas iniciativas de IA no logran demostrarlo no es la tecnología — es que nunca se definió qué se iba a medir antes de empezar.
La diferencia entre una empresa que le agrega IA a sus procesos existentes y una que reconstruye sus procesos asumiendo la IA desde el diseño. La primera obtiene mejoras incrementales. La segunda cambia lo que su operación es capaz de hacer.
El conjunto de políticas, roles y controles que una organización define para decidir qué usos de la IA están permitidos, quién los aprueba y cómo se auditan. Sin gobernanza, la adopción de IA en una empresa no es una estrategia — es un experimento sin dueño.
El campo que examina qué decisiones puede tomar un sistema automatizado y cuáles deben quedar, siempre, en manos humanas. No es una lista de prohibiciones — es la pregunta de fondo detrás de cada implementación: ¿quién responde cuando el sistema se equivoca?
Dos relaciones inversas conviven bajo el mismo nombre: la IA como herramienta para detectar amenazas más rápido que un equipo humano, y la IA como nueva superficie de ataque —modelos que pueden ser engañados, datos de entrenamiento que pueden ser envenenados—. Adoptar IA sin considerar la segunda mitad de esa ecuación es adoptar un riesgo nuevo sin nombrarlo.
El uso de modelos de IA para identificar cuellos de botella, predecir demanda o reasignar recursos dentro de una operación ya existente, sin rediseñarla por completo. Es el punto de entrada más común —y el de menor fricción— para una empresa que empieza su adopción de IA.
La disciplina de dirigir equipos y empresas cuando parte del trabajo ya no lo hace exclusivamente una persona. El reto no es técnico —es saber qué decisiones delegarle a un sistema, cuáles reservar para un humano, y cómo evitar que la organización pierda criterio propio en el proceso.
La aplicación concreta y específica de la inteligencia artificial a un problema real de negocio — no "usar IA" en abstracto, sino, por ejemplo, "clasificar automáticamente tickets de soporte por urgencia". Una estrategia de IA sin casos de uso definidos es una intención, no un plan.
Una implementación de IA a pequeña escala, con alcance y tiempo limitados, diseñada para validar si un caso de uso funciona antes de invertir en escalarlo a toda la organización. El riesgo común no es hacer pilotos — es nunca sacarlos de ahí.
Un asistente de IA integrado directamente en el flujo de trabajo de una herramienta existente (un editor de código, un procesador de texto, un CRM) para asistir una tarea específica, en lugar de operar como una aplicación separada.
El costo acumulado de implementar IA rápido y sin gobernanza: modelos que nadie audita, pilotos que nunca se documentaron, datos de entrenamiento cuyo origen ya nadie recuerda. Se paga después, casi siempre en el peor momento.
Los términos que distinguen un posgrado real, con efectos legales, de un certificado sin reconocimiento oficial.
Lo otorga la Secretaría de Educación Pública (SEP) cuando un programa cumple los requisitos oficiales de plan de estudios, planta docente y operación. Sin RVOE, un título no tiene validez legal en México. El Executive MBA en IA del IPIA tiene el RVOE 2024P04417; el Doctorado en IA, el 2024P05083 — ambos verificables en el registro oficial del estado de Morelos.
Un programa de maestría o doctorado enfocado en inteligencia artificial que cuenta con RVOE vigente ante la SEP. La distinción importa: existen muchos cursos y certificados de IA en México sin ningún reconocimiento oficial — un posgrado con validez SEP es el único que otorga un título con efectos legales ante empleadores, otras instituciones y trámites profesionales.
Programa de posgrado ejecutivo, modalidad B2B, en el que las quince asignaturas del plan de estudios —de Finanzas a Liderazgo— se cursan asumiendo el uso de IA como parte del oficio, no como materia aislada. Se inscribe por empresa, con un mínimo de cinco colaboradores por cohorte, y el proyecto de titulación es una solución de IA real implementada dentro de la organización.
Programa de posgrado de investigación de más alto nivel académico en el área, con RVOE oficial ante la SEP. Se orienta a la generación de conocimiento original sobre IA —no solo a su aplicación— y culmina en una tesis doctoral evaluada por un comité.
Formato de capacitación de posgrado en el que la empresa, y no el individuo, es el cliente: inscribe a un grupo de colaboradores, define objetivos alineados a su operación, y recibe resultados aplicados directamente a su negocio en lugar de conocimiento genérico.
Formato de un programa educativo diseñado para cursarse en grupo, dentro de una misma empresa, con sesiones síncronas y contenido aplicado a casos reales de esa organización — en contraste con la modalidad individual, donde cada alumno cursa el programa de forma independiente.
Modalidad de titulación en la que, en lugar de un examen o una tesis puramente teórica, el alumno entrega una solución real —ya implementada y probada— como requisito para obtener el título. En un programa de IA para empresas, es la diferencia entre demostrar que se entendió la teoría y demostrar que funciona en producción.
La dependencia del gobierno federal mexicano responsable de regular y otorgar validez oficial a la educación en México, desde nivel básico hasta posgrado. Es la autoridad que emite el RVOE.
El identificador único que la SEP asigna a cada plantel educativo autorizado en México. La CCT del IPIA en Cuernavaca es 17PSU0159K — verificable directamente en el registro oficial.
El documento oficial que expide la Dirección General de Profesiones (SEP) y que autoriza legalmente a un egresado a ejercer su profesión en México. Se obtiene después de titularse en un programa con RVOE — sin RVOE, no hay cédula posible.
Formación que actualiza o amplía competencias profesionales sin otorgar un grado académico nuevo, a diferencia de un posgrado. Cursos, diplomados y capacitación ejecutiva caen en esta categoría — es el terreno donde opera IES, distinto del terreno de RVOE del Executive MBA y el Doctorado.
Los conceptos donde la definición de diccionario no basta — el terreno propio de un instituto fundado por un filósofo pionero en el uso de IA.
La pregunta que la ingeniería no puede responder por sí sola: no cómo construir un sistema más capaz, sino qué significa que exista. Qué es pensar, si una máquina puede simularlo. Qué es responsabilidad, cuando la decisión la tomó un algoritmo. La IA le devolvió a la filosofía preguntas que llevaban siglos dormidas.
La postura según la cual la tecnología se diseña para ampliar la agencia humana, no para sustituirla. No es una crítica a la IA — es una condición sobre cómo se construye: que el sistema más avanzado siga respondiendo, al final, a un criterio humano.
El momento actual, en el que los sistemas de IA dejan de limitarse a responder y empiezan a actuar por cuenta propia dentro de límites definidos. No se trata de una fecha en el calendario, sino de un cambio de categoría: de herramientas que se usan a sistemas que operan.
Hipótesis según la cual, en algún punto, la inteligencia artificial superará la capacidad humana de forma tan completa que el curso futuro de la tecnología dejará de ser predecible o controlable por personas. Sigue siendo, treinta años después de acuñado el término, una hipótesis — no una fecha en un calendario ni un consenso científico.
La distancia entre quienes tienen acceso real a la tecnología —conectividad, dispositivos, y la formación para usarla con criterio— y quienes no. Con la IA, esa brecha no desaparece: cambia de forma. Ya no es solo tener internet; es tener, o no tener, la capacidad de usar sistemas de IA con criterio propio.
Concepto que describe cómo las arquitecturas de recomendación —los algoritmos que deciden qué ves después— no solo predicen el deseo de consumo: lo producen. Desarrollado con más profundidad, desde la óptica de Baudrillard aplicada a México, en el artículo de investigación del Journal IPIA.
El problema de diseñar sistemas de IA cuyos objetivos reales coincidan con los objetivos que sus creadores querían darles — no los que el sistema encontró más fáciles de optimizar. Un modelo entrenado para "maximizar el tiempo de uso" y uno entrenado para "ser útil" pueden parecer idénticos en la demo y divergir por completo en producción.
La idea de que la tecnología sigue una trayectoria inevitable, ajena a las decisiones humanas que en realidad la moldean — como si la IA "simplemente fuera a pasar" independientemente de qué elijamos construir, regular o frenar. Es una postura cómoda para quien no quiere responsabilizarse de las decisiones que sí está tomando.
La corriente filosófica que cuestiona si el ser humano, tal como se ha entendido desde el humanismo clásico, sigue siendo el centro necesario de la reflexión ética y ontológica — o si la inteligencia artificial obliga a repensar esa posición desde cero. No es ciencia ficción: es una discusión filosófica activa desde antes de que existiera un solo modelo de lenguaje.
La capacidad de una persona de decidir y actuar por criterio propio, no por default de un sistema. Cada vez que una IA decide algo "por comodidad" de quien la usa — qué leer, qué comprar, qué pensar sobre un tema — hay una pregunta silenciosa detrás: ¿quién decidió, realmente?
Vocabulario de implementación, para quien ya pasó de la pregunta "qué es la IA" a la pregunta "cómo se construye".
Un sistema que persigue una meta a lo largo de múltiples pasos, tomando decisiones intermedias sin intervención humana en cada una. La autonomía no es total ni binaria — existe en grados, desde un agente que solo puede leer información hasta uno que puede ejecutar acciones con consecuencias reales (enviar un correo, mover dinero, modificar un sistema).
Un modelo de IA entrenado con datos masivos y de propósito general, pensado como base sobre la cual se construyen aplicaciones más específicas mediante fine-tuning o ingeniería de prompts. GPT, Claude y Gemini son modelos fundacionales; la mayoría de las aplicaciones de IA que usa una empresa están construidas sobre alguno de ellos, no entrenadas desde cero.
Técnica que le da a un modelo de lenguaje acceso a información específica y actualizada —documentos internos de una empresa, por ejemplo— en el momento de responder, en lugar de depender únicamente de lo que aprendió durante su entrenamiento. Reduce alucinaciones y permite que un modelo genérico responda con precisión sobre datos privados o recientes.
Cuando un sistema de IA reproduce, o amplifica, un patrón injusto presente en los datos con los que fue entrenado. No aparece porque alguien lo programó a propósito — aparece porque el mundo que generó los datos ya era desigual, y el modelo aprendió esa desigualdad como si fuera la norma.
La capacidad de un sistema de IA de mostrar, en términos comprensibles para un humano, por qué llegó a una decisión determinada. Importa especialmente donde la decisión tiene consecuencias reales — un crédito negado, un diagnóstico, una contratación—: sin explicabilidad, no hay forma de auditar si el sistema decidió bien.
El uso de infraestructura de servidores remotos —en lugar de hardware propio— para entrenar o ejecutar modelos de IA. Es lo que permite que una empresa mediana acceda a capacidad de cómputo que antes solo tenían corporaciones con su propio centro de datos.
El punto de conexión mediante el cual una aplicación o sistema empresarial envía información a un modelo de IA y recibe su respuesta, sin necesidad de alojar o entrenar el modelo internamente. Es la forma más común en que una empresa integra IA en un sistema ya existente.
La cantidad máxima de texto (medida en tokens) que un modelo de lenguaje puede "tener en mente" al mismo tiempo durante una conversación o tarea. Fuera de esa ventana, el modelo simplemente no tiene acceso a la información — no es que la olvide, es que nunca estuvo ahí.
Técnica que reduce la precisión numérica con la que un modelo de IA almacena sus parámetros, haciéndolo más pequeño y rápido a cambio de una pérdida mínima de calidad. Es lo que permite correr modelos grandes en hardware modesto, incluyendo laptops o teléfonos.
Una representación numérica del significado de una palabra, frase o documento, diseñada para que conceptos similares queden matemáticamente cerca entre sí. Es la tecnología detrás de la búsqueda semántica y de sistemas como RAG.
La coordinación de múltiples agentes de IA especializados —cada uno con una tarea distinta— dentro de un mismo flujo de trabajo, con un componente central que decide qué agente actúa, cuándo, y con qué información. Es el paso natural después de tener un solo agente autónomo: hacer que varios trabajen juntos sin pisarse.
El Executive MBA y el Doctorado en Inteligencia Artificial del IPIA tienen validez oficial SEP — no son otro certificado más.
Ver programas con RVOE →