Guía integral de IA
Punto de entrada al hub. Mapa de contenidos y criterios de uso.
Leer artículoMarkdex · Base de referencia
Guías de
inteligencia
artificial
Documentación técnica por niveles. Conceptos, integración y medida. Sin promesas comerciales.
Guías por área de trabajo
Cinco entradas principales. Cada una cubre un bloque operativo.
Asistentes inteligentes
Selección de asistentes para tareas diarias. Límites y controles.
Leer artículoAutomatización de tareas
Reglas, disparadores y revisión humana. Coste por ejecución.
Leer artículoTutoriales de herramientas generativas
Pasos reproducibles. Configuración y verificación de salidas.
Leer artículoCasos prácticos en España
Despliegues documentados. Métricas antes y después.
Leer artículoMétodo de esta base
Revisión trimestral. Pruebas internas. Cifras reproducibles.
Ir a la secciónDefinición y alcance
Una guía de inteligencia artificial es un documento técnico de consulta. Define modelos, datos y límites operativos. Describe tareas repetibles. No sustituye a la prueba en producción.
Esta base se ordena por niveles. El nivel básico cubre conceptos. El intermedio trata la integración. El avanzado aborda el ajuste y la medida. Cada bloque se puede leer de forma aislada.
Las cifras provienen de pruebas internas. Se repiten cada trimestre. Los conjuntos de prueba son fijos. El resultado debe poder reproducirse.
Contenido del documento
- Definiciones de términos operativos.
- Criterios de selección de modelos.
- Estimaciones de coste y latencia.
- Listas de verificación antes de desplegar.
Una guía útil se mide por lo que evita. Menos errores de despliegue. Menos consumo sin control.
— Criterio de revisión de Markdex
Fundamentos: modelos, datos y cómputo
El LLM es la pieza central. Un LLM predice el token siguiente. El token es la unidad mínima de texto. La calidad depende de los datos de entrenamiento.
Términos de referencia
- Modelo generativo
- Sistema que produce texto, código o imagen desde una instrucción.
- Token
- Fragmento de texto de 3 a 5 caracteres en español.
- Ventana de contexto
- Número máximo de tokens que el modelo procesa a la vez.
- Inferencia
- Ejecución del modelo sobre una entrada concreta.
- Ajuste fino
- Entrenamiento adicional sobre un conjunto de datos propio.
Requisitos mínimos
- Conjunto de datos de prueba propio.
- Métrica de calidad definida antes de empezar.
- Registro de peticiones y respuestas.
- Límite de gasto mensual por equipo.
El coste medio por consulta se sitúa entre 0,002 y 0,020 €[1]. La latencia media ronda los 900 ms. Un documento largo multiplica ambos valores. El control de contexto reduce la factura.
Nivel intermedio: integración y estructura de instrucciones
La instrucción define el resultado. Una instrucción breve produce salidas variables. Una instrucción con formato produce salidas estables. El formato se fija con ejemplos.
Patrón de instrucción
- Rol: quién responde y con qué límite.
- Tarea: una sola acción por petición.
- Contexto: datos necesarios, sin relleno.
- Formato: estructura exacta de salida.
- Límite: longitud, tono y prohibiciones.
La integración diaria exige un asistente acotado. La guía de asistentes inteligentes para el flujo de trabajo detalla la selección por tarea. Un asistente mal delimitado añade 20 minutos al día. Uno acotado los reduce a 4.
Integración con el flujo de trabajo
La automatización requiere reglas explícitas. Cada regla necesita un disparador. Cada disparador necesita una validación. La revisión humana se mantiene en tareas sensibles.
El bloque de automatización de tareas con IA cubre el diseño de reglas. También el coste por ejecución. Los ejemplos son reproducibles en un equipo pequeño.
Nivel avanzado: ajuste fino, medida y control
El ajuste fino se aplica a tareas repetitivas. Requiere entre 200 y 1000 ejemplos etiquetados. El conjunto debe cubrir los casos límite. Sin esa cobertura, el modelo falla en producción.
Evaluación
La evaluación se fija antes del despliegue. Se mide sobre un conjunto cerrado. Se repite en cada versión. La comparación se hace contra la versión anterior.
- Exactitud en la tarea principal.
- Tasa de respuestas vacías o truncadas.
- Coste por cada 1000 peticiones.
- Tiempo medio de respuesta.
Control de costes
El gasto crece con el tamaño del contexto. Recortar el contexto un 40 % reduce el coste un 35 %[1]. La caché de respuestas elimina llamadas repetidas. Un registro de consumo por equipo evita sorpresas.
Los tutoriales de herramientas generativas incluyen la configuración paso a paso. Los casos prácticos de IA en España muestran cifras antes y después.
Tabla 1. Referencia operativa por tipo de tarea
Valores medios obtenidos en pruebas internas con modelos generales.
| Tarea | Tokens de entrada | Latencia media | Coste relativo |
|---|---|---|---|
| Clasificación de texto | 300 | 400 ms | 1× |
| Resumen de documento | 8 000 | 2 100 ms | 6× |
| Generación de código | 1 500 | 1 300 ms | 3× |
| Agente con herramientas | 12 000 | 4 800 ms | 11× |
Fuente: pruebas internas de Markdex, 2025.[1]
Lista de verificación antes de desplegar
La lista se revisa una vez por despliegue. Cada punto se marca o se bloquea. No hay puntos opcionales.
- Conjunto de prueba cerrado y versionado.
- Métrica de calidad definida por escrito.
- Límite de gasto mensual configurado.
- Registro de peticiones activo y accesible.
- Revisión humana en tareas sensibles.
- Plan de reversión documentado.
Notas
- [1] Cifras de referencia obtenidas de pruebas internas de Markdex durante 2025. Los valores varían según el modelo y la longitud del contexto.
- [2] Definiciones revisadas según el uso habitual en documentación técnica de LLM.
Continuar con la siguiente guía
La base se actualiza por trimestre. Elige el bloque que corresponda a tu tarea actual.