Glosario de Inteligencia Artificial y su aplicación en el periodismo

La integración de la IA en los CMS especializados en periodismo digital, como es el caso de bCube CMS, permite automatizar flujos editoriales o personalizar y optimizar la distribución de contenidos. Aunque cada vez se usa más en las redacciones, no siempre entendemos cómo funciona realmente esta tecnología. 

A continuación, te presentamos algunos conceptos esenciales que te ayudarán a comprender mejor el papel de la inteligencia artificial, especialmente en su aplicación dentro de entornos editoriales, mediante ejemplos prácticos y usos reales en las redacciones.

A - C - D - E - I - L - M - P - R - S

Agentes (inteligentes): un agente es un componente de IA diseñado para cumplir una tarea específica de forma autónoma o semiautónoma. Puede tomar decisiones, usar herramientas o coordinarse con otros agentes para lograr un objetivo. Ejemplo: en bCube, hay agentes que generan titulares, otros que transcriben audios, y otros que recomiendan etiquetas. Cada uno actúa por su cuenta, pero pueden colaborar en tareas más complejas.

Agentes con memoria: son agentes que recuerdan interacciones anteriores, lo que les permite tener continuidad en una conversación o proceso. La memoria puede ser puntual (recordar lo dicho hace unos segundos) o persistente (recordar hábitos o decisiones del usuario).

Agente RAG (Retrieval-Augmented Generation): agente que primero busca información relevante en una base documental y después genera una respuesta usando esa información. Ayuda a evitar errores o invenciones, ya que las respuestas están fundamentadas en fuentes reales. Ejemplo: un agente RAG puede responder a una pregunta sobre legislación accediendo a textos legales previamente indexados.

Agentes ReAct: tipo de agente que combina razonamiento (Reasoning) con acción (Acting). Primero piensa qué necesita hacer, luego decide qué herramienta usar (por ejemplo, buscar algo, generar un texto, consultar una fuente) y finalmente actúa. Este ciclo se repite hasta que logra completar su tarea. Ejemplo: si se le pide a un agente ReAct crear un resumen, puede buscar el texto original, identificar las ideas clave y luego redactar el resumen final, todo en pasos separados y reflexivos.

Alucinación: cuando un modelo genera información incorrecta o inventada que suena creíble pero no está basada en datos reales. Ejemplo: si la IA cita una fuente que no existe, está alucinando.

A2A (Agent-to-Agent Protocol): protocolo abierto desarrollado por Google que permite la comunicación y colaboración entre agentes de IA de diferentes plataformas y tecnologías. A2A proporciona un lenguaje común para que los agentes descubran las capacidades de otros, negocien tareas y trabajen juntos de manera segura y eficiente, sin necesidad de exponer su estado interno o herramientas específicas. Ejemplo: en una redacción, un agente de IA encargado de la generación de titulares puede coordinarse con otro agente especializado en análisis de tendencias para crear contenido más relevante y atractivo.

Context Window (Ventana de contexto): cantidad máxima de texto que un modelo de lenguaje puede “leer” y tener en cuenta al generar una respuesta. Si el texto es muy largo y supera ese límite, el modelo puede omitir información.

Deep Learning (Aprendizaje profundo): subcategoría del Machine Learning que utiliza redes neuronales inspiradas en el cerebro humano. Es especialmente potente para tareas complejas, como el procesamiento de lenguaje, la visión artificial o el reconocimiento de voz. Ejemplo: los sistemas de transcripción automática de entrevistas usan deep learning.

Embeddings: representaciones numéricas de palabras, frases o documentos que capturan su significado de forma que pueda ser entendida por un modelo de inteligencia artificial. Gracias a los embeddings, la IA puede calcular similitudes entre textos, identificar temas o relacionar contenidos, incluso aunque no compartan exactamente las mismas palabras. Ejemplo: si dos artículos hablan de lo mismo usando palabras distintas, los embeddings ayudan a detectarlo.

Inteligencia Artificial (IA): conjunto de tecnologías que permiten a una máquina simular capacidades humanas como razonar, aprender o tomar decisiones. Ejemplo: en el periodismo, se usa para automatizar tareas, analizar grandes volúmenes de texto o generar contenido.

LLM (Large Language Model): modelo de lenguaje de gran escala entrenado con millones de textos. Puede generar contenido, responder preguntas, traducir o resumir textos con un nivel alto de fluidez y coherencia. Ejemplo: ChatGPT, Gemini o Claude son LLMs.

Machine Learning (Aprendizaje automático): rama de la IA que permite a un sistema aprender de los datos sin ser programado explícitamente para cada caso. Se basa en entrenar algoritmos con ejemplos para que reconozcan patrones y hagan predicciones. Ejemplo: un sistema que aprende qué titulares tienen mejor rendimiento según el tipo de contenido.

MCP (Model Context Protocol): protocolo abierto desarrollado por Anthropic que permite a los modelos de lenguaje (LLMs) conectarse de manera estandarizada y segura a fuentes de datos externas y herramientas. MCP facilita la integración de aplicaciones de IA con sistemas y servicios diversos, eliminando la necesidad de soluciones personalizadas para cada caso. Su arquitectura cliente-servidor permite que los modelos accedan a datos en tiempo real y ejecuten acciones dentro de su entorno de software. Ejemplo: un asistente de IA que, mediante MCP, puede consultar una base de datos interna para obtener información actualizada sin intervención humana.

Prompt: instrucción o texto que se le da a un modelo de lenguaje para que genere una respuesta. Una buena formulación del prompt mejora la calidad del resultado. Ejemplo: “Resume esta noticia en tres frases” es un prompt típico en un CMS con IA.

Prompt Engineering: técnica que consiste en diseñar cuidadosamente los prompts para que un modelo de IA genere respuestas más precisas, útiles o coherentes con un estilo editorial.

RAG (Retrieval-Augmented Generation): técnica de IA que combina dos pasos: primero recupera información relevante de una base de datos o documentos y luego genera una respuesta usando esa información. Es muy útil para responder preguntas con precisión, evitando que la IA “invente” contenido. Ejemplo: si un periodista pregunta por cifras económicas de un país, un sistema RAG buscaría esos datos en fuentes fiables antes de dar la respuesta.S

Sistemas multiagente: en lugar de tener un único agente que lo hace todo, se usan varios agentes especializados, cada uno con una función concreta. Un sistema orquestador los coordina para que trabajen juntos de forma eficiente.

* Este Glosario de términos se irá actualizando a medida que aparezcan nuevos avances en el sector de la inteligencia artificial.