Fine-tuning (ajuste fino)

Última actualización: 6 de octubre de 2026

Qué es el fine-tuning

Los modelos de lenguaje grandes empiezan con un preentrenamiento general sobre enormes cantidades de texto. El fine-tuning es un segundo entrenamiento, mucho más pequeño, con ejemplos que eliges tú, normalmente pares de entrada y salida deseada. El resultado es una nueva versión del modelo cuyos parámetros internos, llamados pesos, se han desplazado hacia esos ejemplos.

El fine-tuning funciona bien para enseñar patrones: un tono constante, un formato de salida fijo, un esquema de clasificación o un lenguaje propio del sector. Encaja peor con datos que cambian, como precios, stock u horarios, porque cada cambio exigiría otro entrenamiento.

Cómo funciona el fine-tuning

Un proyecto de fine-tuning típico sigue cuatro pasos:

Reunir ejemplos: pares de entrada y salida de calidad que muestren el comportamiento deseado. La calidad y la coherencia importan más que el volumen.
Entrenar: el proveedor del modelo o tu propia infraestructura ajusta los pesos del modelo con esos ejemplos, a menudo con métodos como LoRA que solo modifican una pequeña parte del modelo.
Evaluar: comparar el modelo ajustado con el original en preguntas de prueba que no ha visto, para comprobar que mejora sin perder capacidades generales.
Desplegar y mantener: el modelo ajustado sustituye al modelo base en tu aplicación y hay que volver a entrenarlo cuando el modelo base se retira o cambia el comportamiento deseado.

Ejemplo

Un despacho de abogados quiere que su asistente interno resuma las llamadas con clientes en un formato estricto de cinco partes. Solo con instrucciones, el formato sale bien casi siempre, pero no siempre. El despacho aplica fine-tuning a un modelo con unos cientos de resúmenes escritos por su equipo, y el modelo ajustado respeta el formato con más constancia. Para los datos factuales, como las tarifas vigentes, el despacho sigue usando la recuperación de documentos, porque esos datos cambian a lo largo del año.

Por qué importa en los chatbots de empresa

En la mayoría de los chatbots web, la tarea principal es responder con precisión a partir del contenido actual de la empresa. La generación aumentada por recuperación (RAG) suele hacerlo mejor que el fine-tuning: los cambios se aplican en cuanto el contenido se vuelve a indexar, las respuestas se pueden rastrear hasta sus fuentes y no hace falta crear un conjunto de datos de entrenamiento. El fine-tuning merece la pena cuando una empresa necesita un comportamiento concreto que no consigue con instrucciones claras y ejemplos, y tiene los datos y el presupuesto para mantener un modelo propio.

	Fine-tuning	RAG
Qué cambia	Los pesos del modelo	El texto que recibe el modelo
Ideal para	Estilo, formato, tareas concretas	Datos, políticas, información de producto
Actualizar el conocimiento	Volver a entrenar el modelo	Editar y volver a indexar el contenido
Trazabilidad	Difícil saber de dónde sale una respuesta	Las respuestas remiten a fragmentos de origen

El fine-tuning e intoCHAT

intoCHAT no hace fine-tuning de modelos. Cuando «entrenas» un agente de intoCHAT, tus páginas web, archivos, fragmentos de texto y pares de preguntas y respuestas se convierten en fragmentos consultables con embeddings. El modelo de base, un modelo de OpenAI elegido y gestionado por intoCHAT, no cambia. Por eso los cambios se aplican en cuanto vuelves a entrenar una fuente, sin esperar a un ciclo de entrenamiento. El tono y el comportamiento los defines con las instrucciones del agente y con pares de preguntas y respuestas para lo que deba ser exacto.

Preguntas frecuentes

¿El fine-tuning es lo mismo que entrenar un chatbot con mi web?

Normalmente no. La mayoría de las plataformas de chatbots para webs, intoCHAT incluida, se «entrenan» con tu contenido indexándolo para la búsqueda, no cambiando los pesos del modelo. El fine-tuning es un proceso aparte, más complejo, que crea una versión modificada del modelo.

¿Fine-tuning o RAG para un chatbot de atención al cliente?

Para preguntas sobre productos, políticas y precios, RAG suele ser la mejor opción, porque el conocimiento es fácil de actualizar y comprobar. El fine-tuning puede ayudar con un estilo constante o una tarea concreta, y algunos equipos combinan ambos. Empieza con recuperación de documentos e instrucciones claras, y plantéate el fine-tuning solo si queda una carencia evidente.

¿El fine-tuning evita las alucinaciones?

No. Un modelo ajustado puede seguir dando respuestas falsas con seguridad, sobre todo sobre datos que no estaban en sus ejemplos de entrenamiento o que han cambiado. Anclar las respuestas en fuentes recuperadas y permitir que el modelo diga que no sabe son formas más directas de reducir ese riesgo.

¿intoCHAT hace fine-tuning de un modelo con mis datos?

No. intoCHAT indexa tu contenido para la búsqueda y pasa al modelo los fragmentos relevantes en cada pregunta; no entrena ni ajusta ningún modelo con tus datos. El comportamiento lo controlas con instrucciones, pares de preguntas y respuestas y las fuentes que añades.