Glosario
Fine-tuning (ajuste fino)
El fine-tuning es un entrenamiento adicional que adapta un modelo de IA existente a una tarea o estilo concreto usando tus propios ejemplos. Modifica el modelo en sí, a diferencia del prompting o el RAG, que solo cambian lo que le das.
Un modelo de IA de base es como un cocinero recién salido de una gran escuela de hostelería: técnica general impecable, conoce mil cocinas. El fine-tuning son los seis meses que ese cocinero pasa después en tu restaurante aprendiendo tus platos, tus raciones, tus clientes habituales. Después ya no necesita que le expliques la receta cada vez: la lleva en las manos.
Técnicamente, se continúa el entrenamiento del modelo sobre un conjunto enfocado de ejemplos: miles de tickets de soporte con sus respuestas ideales, o documentos en el tono exacto de tu empresa. El resultado es un modelo que hace esa tarea de forma más fiable, sin necesidad de instrucciones larguísimas.
La lectura honesta para la mayoría: los modelos con fine-tuning los usarás mucho más a menudo de lo que llegarás a crear uno. El fine-tuning requiere datos curados y presupuesto; para “responde usando mis documentos”, el RAG suele ser la opción más sencilla y económica, y unas buenas instrucciones personalizadas cubren la mayor parte de las necesidades cotidianas.
Dónde te lo vas a encontrar
En las descripciones de productos (“ajustado para texto médico”, “optimizado para español jurídico”), en las plataformas para desarrolladores de OpenAI y Mistral que lo ofrecen como servicio, y alrededor de los modelos open-weights, que cualquiera puede ajustar en su propio hardware.
Desde la perspectiva regulatoria española, si tu empresa hace fine-tuning con datos de clientes, la AEPD (Agencia Española de Protección de Datos) considera esos datos personales sujetos al RGPD. Necesitarás una base legal clara (normalmente interés legítimo o contrato) y, si los datos son sensibles, una evaluación de impacto (EIPD) antes de empezar.