Glosario de IA para Periodistas

También conocido como: Fine-tuning, adaptación de dominio

El proceso de tomar un modelo de IA pre-entrenado y entrenarlo más con un conjunto de datos específico y más pequeño para especializar su rendimiento en tareas particulares. Una redacción podría ajustar finamente un modelo de lenguaje con su propio archivo de artículos para que se ajuste mejor a su guía de estilo, terminología y estándares editoriales — creando un asistente de IA personalizado.

También conocido como: Fluidez en IA, competencia en IA, AI Literacy

La capacidad de entender, evaluar críticamente y usar efectivamente herramientas y conceptos de inteligencia artificial. Para los periodistas, la alfabetización en IA abarca saber cómo funciona la IA a nivel conceptual, poder usar herramientas de IA productivamente, entender las limitaciones y sesgos de la IA, y tomar decisiones informadas sobre cuándo y cómo aplicar IA en el trabajo periodístico.

También conocido como: Procedimiento computacional

Un conjunto de instrucciones o reglas paso a paso que una computadora sigue para resolver un problema o completar una tarea. En IA, los algoritmos son los procedimientos matemáticos que permiten a las máquinas aprender de datos y hacer predicciones o decisiones.

También conocido como: Confabulación, fabricación de IA

Cuando un sistema de IA genera información que suena plausible y autoritativa pero es factualmente incorrecta, fabricada o sin sentido. Las alucinaciones de IA son particularmente peligrosas en el periodismo porque pueden incluir citas falsas, fuentes inexistentes, estadísticas fabricadas y eventos inventados — todo presentado con confianza.

También conocido como: Interfaz de Programación de Aplicaciones, Application Programming Interface

Interfaz de Programación de Aplicaciones — un conjunto de protocolos que permite que diferentes aplicaciones de software se comuniquen entre sí. En el periodismo, las APIs permiten a las redacciones integrar capacidades de IA directamente en sus flujos de trabajo, sistemas de gestión de contenido y herramientas de publicación. Por ejemplo, usando la API de OpenAI para construir herramientas de IA personalizadas adaptadas a tareas específicas de la redacción.

También conocido como: Machine Learning, ML

Una rama de la inteligencia artificial donde los sistemas informáticos aprenden a realizar tareas analizando patrones en datos en lugar de ser programados explícitamente con reglas. En el periodismo, el aprendizaje automático se usa para recomendación de contenido, analítica de audiencia, clasificación automatizada de contenido y detección de patrones en grandes conjuntos de datos.

También conocido como: Deep Learning, redes neuronales profundas

Un subconjunto del aprendizaje automático que usa redes neuronales con muchas capas (de ahí 'profundo') para aprender patrones complejos de grandes cantidades de datos. El aprendizaje profundo impulsa la mayoría de las aplicaciones modernas de IA en el periodismo, incluyendo modelos de lenguaje, reconocimiento de imágenes y sistemas de voz a texto.

También conocido como: Almacén vectorial, base de datos de embeddings, Vector Database

Una base de datos especializada que almacena datos como vectores matemáticos (representaciones numéricas), permitiendo búsquedas eficientes de similitud. En el periodismo, las bases de datos vectoriales impulsan funciones de IA como búsqueda semántica en archivos de artículos, encontrar historias relacionadas y habilitar sistemas RAG que conectan herramientas de IA a bases de conocimiento específicas de la redacción.

También conocido como: IA conversacional, asistente de IA

Una aplicación de software diseñada para simular conversación con usuarios humanos, típicamente a través de interfaces basadas en texto. Los chatbots modernos de IA como ChatGPT, Claude y Gemini usan modelos de lenguaje grandes para generar respuestas contextualmente relevantes y pueden asistir a periodistas con tareas de investigación, escritura y análisis.

También conocido como: Conjunto de entrenamiento, corpus de entrenamiento, Training Data

La colección de texto, imágenes u otra información utilizada para enseñar a un modelo de IA. Para modelos de lenguaje grandes, los datos de entrenamiento típicamente incluyen libros, sitios web, artículos y otras fuentes de texto. La calidad, diversidad y sesgos presentes en los datos de entrenamiento dan forma directamente a las capacidades y limitaciones de la IA — incluyendo cualquier sesgo que pueda exhibir.

También conocido como: Video sintético, video de intercambio de rostros

Medios sintéticos — típicamente video o audio — creados usando IA de aprendizaje profundo para representar de manera realista a personas diciendo o haciendo cosas que nunca dijeron o hicieron realmente. Los deepfakes plantean desafíos significativos para el periodismo: pueden usarse para propagar desinformación, manipular la opinión pública y socavar la confianza en evidencia de video auténtica.

También conocido como: GenAI, modelos generativos

Sistemas de IA que pueden crear nuevo contenido — texto, imágenes, audio, video o código — basados en patrones aprendidos de datos de entrenamiento. Para periodistas, herramientas de IA generativa como ChatGPT y Claude pueden redactar texto, mientras que herramientas como DALL-E y Midjourney generan imágenes. El aspecto 'generativo' las distingue de la IA que solo analiza o clasifica contenido existente.

También conocido como: IA ética, IA confiable, Responsible AI

Un enfoque para desarrollar y desplegar sistemas de IA que prioriza consideraciones éticas, equidad, transparencia, responsabilidad y la minimización del daño. Para las redacciones, IA responsable significa usar herramientas de IA de maneras que sostengan los estándares periodísticos, protejan fuentes, eviten sesgos, mantengan la precisión y sirvan al interés público.

También conocido como: Inferencia del modelo, predicción

El proceso de usar un modelo de IA entrenado para generar salidas — predicciones, texto, imágenes o decisiones — a partir de nuevas entradas. Cuando escribes un prompt en ChatGPT y recibes una respuesta, el modelo está realizando inferencia. Entender la inferencia importa para los periodistas porque afecta la velocidad de respuesta, el costo y las implicaciones de privacidad de dónde se procesan tus datos.

También conocido como: IA

El amplio campo de la informática enfocado en crear sistemas capaces de realizar tareas que típicamente requieren inteligencia humana, como entender lenguaje, reconocer patrones, tomar decisiones y generar contenido. La IA moderna en el periodismo se refiere principalmente a sistemas de aprendizaje automático y modelos de lenguaje grandes.

También conocido como: Medios generados por IA, Synthetic Media

Cualquier contenido mediático — incluyendo texto, imágenes, audio y video — que es generado o significativamente modificado por IA. Esto abarca artículos escritos por IA, imágenes generadas, voces clonadas y videos deepfake. Para los periodistas, entender los medios sintéticos es crucial tanto para crear contenido éticamente como para detectar medios manipulados en el panorama informativo.

También conocido como: LLM (Large Language Model)

Un tipo de modelo de IA entrenado con grandes cantidades de datos de texto que puede entender, generar y manipular lenguaje humano. Los LLM impulsan herramientas como ChatGPT (GPT-4), Claude (Anthropic) y Gemini (Google). Funcionan prediciendo la palabra más probable siguiente en una secuencia, lo que les permite generar texto coherente y contextualmente relevante.

También conocido como: Periodismo algorítmico, escritura robótica

El uso de algoritmos e IA para generar automáticamente contenido noticioso a partir de datos estructurados sin escritura humana directa. Las aplicaciones comunes incluyen informes de ganancias financieras, resúmenes de partidos deportivos, actualizaciones del clima y resultados electorales. The Associated Press fue pionera en este enfoque en 2014 para historias de ganancias corporativas.

También conocido como: Reporteo asistido por computadora (RAC)

La aplicación de métodos de ciencias de la computación — incluyendo IA, análisis de datos y automatización — a la práctica periodística. Abarca el periodismo de datos, reporteo automatizado, reporteo de responsabilidad algorítmica y el uso de herramientas computacionales para investigación y narrativa. Representa la integración más amplia de la computación en los flujos de trabajo periodísticos.

También conocido como: Periodismo basado en datos, DDJ

Una práctica del periodismo que usa recopilación, análisis y visualización de datos para descubrir y contar historias. La IA mejora el periodismo de datos al permitir que los reporteros analicen conjuntos de datos más grandes, identifiquen patrones más rápidamente y creen visualizaciones más sofisticadas — incluso sin habilidades avanzadas de estadística o programación.

También conocido como: Periodismo bot, reporteo automatizado, Robot Journalism

Un término coloquial para el periodismo automatizado — el uso de algoritmos de IA para generar artículos noticiosos sin autoría humana directa. A pesar del nombre, no se involucran robots físicos; el término se refiere al software que convierte datos estructurados en texto narrativo. Se usa más comúnmente para contenido de alto volumen y formulaico como informes financieros y resultados deportivos.

También conocido como: PLN, NLP

La rama de la IA enfocada en permitir que las computadoras entiendan, interpreten y generen lenguaje humano. El PLN impulsa muchas herramientas relevantes para el periodismo incluyendo motores de búsqueda, servicios de traducción, análisis de sentimiento, resumen de texto y chatbots. Es la tecnología que te permite interactuar con la IA usando lenguaje cotidiano.

También conocido como: Indicación de IA, consulta de entrada

La entrada de texto o instrucción dada a un sistema de IA para generar una respuesta. En el periodismo, los prompts efectivos incluyen instrucciones específicas, contexto sobre la tarea, el formato de salida deseado y el rol que la IA debe desempeñar. La calidad del prompt afecta directamente la calidad de la salida de la IA — un concepto conocido como 'ingeniería de prompts'.

También conocido como: Generación Aumentada por Recuperación, Retrieval-Augmented Generation

Generación Aumentada por Recuperación — una técnica que mejora las respuestas de IA recuperando primero información relevante de una base de conocimiento o colección de documentos específica, y luego usando esa información para generar respuestas más precisas y contextuales. Para redacciones, RAG puede conectar herramientas de IA a archivos internos, guías de estilo o bases de datos verificadas, reduciendo alucinaciones y mejorando la precisión.

También conocido como: Red neuronal artificial, RNA

Un sistema informático inspirado en las redes neuronales biológicas del cerebro humano, compuesto por nodos interconectados (neuronas) organizados en capas que procesan información. Las redes neuronales aprenden ajustando la fuerza de las conexiones entre nodos basándose en datos de entrenamiento. Forman la columna vertebral de los sistemas modernos de IA utilizados en el periodismo.

También conocido como: Rendición de cuentas algorítmica, Algorithmic Accountability

El principio de que las organizaciones que usan algoritmos y sistemas de IA deben ser responsables de los resultados que esos sistemas producen. En el periodismo, esto tiene un doble significado: las redacciones deben ser responsables de su propio uso de IA, y los periodistas deben investigar cómo los algoritmos usados por gobiernos, corporaciones y plataformas afectan al público.

También conocido como: Sesgo algorítmico, sesgo de IA

Errores sistemáticos o perspectivas sesgadas en los sistemas de IA que resultan de datos de entrenamiento sesgados, suposiciones defectuosas en el diseño de algoritmos o recopilación de datos no representativa. En el periodismo, el sesgo de IA puede llevar a representaciones estereotipadas, subrepresentación de ciertas comunidades o análisis sesgados que reflejan inequidades históricas en lugar de la realidad actual.

También conocido como: Tokenización de texto

El proceso de dividir texto en unidades más pequeñas llamadas tokens — que pueden ser palabras, partes de palabras o caracteres — que los modelos de IA pueden procesar. Entender la tokenización ayuda a los periodistas a saber por qué las herramientas de IA tienen límites de entrada, por qué los costos varían según la longitud del texto, y por qué algunos idiomas requieren más tokens (y por lo tanto más procesamiento) que otros.

También conocido como: Arquitectura Transformer

Una arquitectura de red neuronal introducida en 2017 que revolucionó la IA al permitir que los modelos procesen secuencias enteras de texto simultáneamente y comprendan relaciones entre palabras independientemente de su distancia en una oración. Los Transformers son la base de todos los modelos de lenguaje grandes modernos — la 'T' en GPT significa Transformer.

También conocido como: Explicabilidad, apertura de IA, AI Transparency

La práctica de ser abierto y claro sobre cómo funcionan los sistemas de IA, qué datos usan, cómo se toman las decisiones y cuándo la IA está involucrada en la creación de contenido. Para el periodismo, la transparencia de IA significa divulgar el uso de IA a las audiencias, documentar procesos asistidos por IA y abogar por la transparencia de las empresas de IA y las instituciones que despliegan sistemas de IA que afectan al público.

También conocido como: Fact-checking, verificación

El proceso de verificar la precisión de afirmaciones, declaraciones e información antes o después de la publicación. En la era de la IA, la verificación de datos adquiere mayor importancia ya que las herramientas de IA pueden generar información que suena plausible pero es falsa. La IA puede asistir el proceso de verificación ayudando a organizar tareas de verificación, pero no puede reemplazar la verificación humana contra fuentes primarias.