Ajuste fino: adaptar un modelo de IA a una tarea concreta
El ajuste fino (fine-tuning) consiste en seguir entrenando un modelo ya entrenado con sus propios ejemplos para que adopte un estilo, un formato o una habilidad concreta. Es una herramienta para desarrolladores: si usted solo utiliza un asistente como ChatGPT o Claude, casi nunca lo necesitará.
Datos a 22 de octubre de 2026
Lo esencial en cifras
| Nivel | Intermedio |
|---|
Una definición sencilla
Un gran modelo de lenguaje aprende primero a partir de enormes cantidades de texto. Esa etapa se llama preentrenamiento y deja un modelo que sabe un poco de cada tema, pero nada específico de su negocio. El ajuste fino toma ese modelo y continúa su entrenamiento con un conjunto de datos mucho más pequeño, pensado para una sola tarea: pares «petición → respuesta correcta». Los parámetros del modelo se modifican ligeramente y se obtiene una versión nueva, especializada.
La documentación de Hugging Face lo resume bien: el ajuste fino es idéntico al preentrenamiento, salvo que no se parte de pesos aleatorios, y requiere mucho menos cálculo, datos y tiempo. El enfoque se consolidó en el procesamiento del lenguaje con trabajos como ULMFiT, publicado en 2018 por Jeremy Howard y Sebastian Ruder.
Un ejemplo concreto
Una aseguradora recibe correos de clientes a diario y quiere clasificarlos automáticamente: siniestros, bajas, cambios de dirección, reclamaciones. Solo con un prompt, el modelo a veces duda entre dos categorías o inventa una etiqueta propia. Tras un ajuste fino con correos que su equipo ya había clasificado, conoce las categorías internas y devuelve siempre el mismo formato, listo para que lo lea el sistema de incidencias.
Por qué es importante
El ajuste fino hace el comportamiento más predecible y permite usar prompts más cortos, es decir, menos tokens enviados en cada llamada. También permite especializar un modelo más pequeño y barato en una tarea concreta. Técnicas como LoRA entrenan solo una pequeña fracción de los pesos, lo que hace el proceso viable con un equipo modesto.
El panorama está cambiando: a 22 de octubre de 2026, la documentación de OpenAI indica que está cerrando su plataforma de ajuste fino, que ya no admite nuevos usuarios. La práctica sigue muy extendida con los modelos de pesos abiertos, que puede explorar en nuestra página de modelos de código abierto.
Ideas falsas y errores frecuentes
- «Es la mejor forma de añadir mis documentos». Pocas veces. Para conocimientos que cambian, el RAG es más fácil de mantener: se actualizan los documentos, no el modelo.
- «Mi asistente se ajusta solo cuando me recuerda». No. La memoria de un asistente añade contexto; no modifica el modelo.
- «Cuantos más ejemplos, mejor». En la práctica, la calidad y la coherencia de los ejemplos pesan más que su número.
- «El modelo ajustado sigue siendo igual de versátil». No siempre. Una especialización fuerte puede empeorar el rendimiento en otras tareas: evalúe antes y después.
Términos relacionados: preentrenamiento, LoRA, RAG, destilación y modelos de pesos abiertos.
Términos relacionados
- Preentrenamiento · Primera fase de entrenamiento de un modelo de lenguaje: aprende a predecir la continuación de textos en un corpus enorme, sin tarea concreta.
- LoRA (adaptación de bajo rango) · Método de ajuste fino que congela el modelo y solo entrena pequeñas matrices añadidas para adaptar un LLM con poco coste.
- RAG (generación aumentada por recuperación) · Técnica que primero busca pasajes relevantes en sus documentos y luego se los entrega al modelo para que base en ellos su respuesta.
- Destilación de conocimiento · Técnica que entrena un modelo «alumno» pequeño para imitar las respuestas de un modelo «profesor» grande y así hacerlo más ligero.
- Modelo de pesos abiertos · Modelo de IA cuyos parámetros entrenados (los «pesos») se pueden descargar, lo que permite ejecutarlo en sus propios equipos.
- Parámetros de un modelo · Números internos que un modelo ajusta durante su entrenamiento; su cantidad indica el tamaño del modelo, no directamente su calidad.
Para probar
Todo el glosario
Preguntas frecuentes
¿El ajuste fino enseña datos nuevos al modelo?
Un poco, pero no es su punto fuerte. Principalmente modifica el comportamiento: tono, formato, etiquetas, forma de redactar. Para información que cambia a menudo, como un catálogo o una documentación interna, el RAG suele ser más adecuado porque aporta los documentos en el momento de la pregunta.
¿Puedo hacer ajuste fino de ChatGPT o Claude desde la aplicación?
No. Las aplicaciones para el público nunca modifican el modelo: la memoria y las instrucciones personalizadas solo añaden contexto a sus conversaciones. El ajuste fino se hace mediante una API o herramientas para desarrolladores, muy a menudo con modelos de pesos abiertos.
¿OpenAI sigue ofreciendo ajuste fino?
A 22 de octubre de 2026, la documentación de OpenAI indica que está cerrando progresivamente su plataforma de ajuste fino: ya no acepta nuevos usuarios y los clientes existentes que cumplan los requisitos pueden crear entrenamientos hasta el 6 de enero de 2027. Consulte la página oficial antes de basar un proyecto en ella.
¿Cuántos datos necesito?
Muchos menos que para entrenar un modelo desde cero, pero los ejemplos deben ser limpios y coherentes. Unos ejemplos contradictorios o descuidados pueden empeorar el resultado en lugar de mejorarlo.
Fuentes de los datos
Datos a 22 de octubre de 2026
Señalar un error
¿Una cifra, una fecha o un dato le parece incorrecto? Díganoslo: verificamos cada aviso.