¿Qué es el ajuste fino (fine-tuning) de un modelo de IA?

¿Qué es el ajuste fino?

Un modelo de lenguaje de inteligencia artificial llega «de fábrica» sabiendo escribir, resumir y razonar en general. El ajuste fino (fine-tuning) es entrenarlo un poco más con tus propios ejemplos para que se especialice. Anthropic lo define en su glosario como seguir entrenando un modelo preentrenado con datos adicionales, de modo que empiece a reproducir los patrones de ese conjunto de datos.

Es útil para adaptar un modelo a un dominio, una tarea o un estilo de redacción. Pero no es la herramienta para que «sepa» tus precios o tu inventario de hoy: esa información cambia todos los días y para eso existe RAG (generación aumentada por recuperación).

¿Cómo funciona, en simple?

1. Reúnes ejemplos de entradas con sus salidas correctas: por ejemplo, cientos de correos de reclamo con la clasificación que les dio tu analista más experimentado.
2. El proveedor entrena una versión del modelo con esos ejemplos.
3. Pruebas la versión ajustada con casos que no vio y la comparas con el modelo original.

La guía de OpenAI describe métodos como el ajuste supervisado, con ejemplos de respuestas correctas, y la optimización directa de preferencias, con una respuesta correcta y una incorrecta por cada caso. Google indica en su documentación de ajuste de Gemini que el ajuste rinde más en tareas complejas donde las técnicas avanzadas de prompt no bastan, y sugiere un conjunto etiquetado de unos 100 ejemplos o más.

¿Cuándo conviene y cuándo no?

OpenAI presenta la ingeniería de prompts como primer paso y dice que puede ser todo lo que necesitas. Entre las ventajas del ajuste fino menciona usar instrucciones más cortas, lo que puede bajar costos y tiempos de respuesta, y entrenar un modelo más pequeño para una tarea específica.

¿Qué cambió en 2026?

La disponibilidad no es igual en todos los proveedores. Según su página de retiros de servicios, OpenAI notificó el 7 de mayo de 2026 cambios en su plataforma de ajuste fino de autoservicio: dejó de aceptar organizaciones nuevas y fijó el 6 de enero de 2027 como la fecha en que sus clientes activos ya no podrán crear nuevos trabajos de ajuste. Los modelos ya ajustados seguirán disponibles hasta que se retire su modelo base. Anthropic, por su parte, indica en su glosario que su interfaz para desarrolladores (la API de Claude) no ofrece ajuste fino de forma general, y Google sí lo ofrece para varios modelos Gemini.

Antes de apostar por un modelo ajustado, pregunta por su disponibilidad a largo plazo y por cómo migrarías si el proveedor cambia.

Un ejemplo en una empresa ecuatoriana

Imagina una aseguradora que clasifica cada mes miles de reclamos que llegan por correo y WhatsApp en decenas de categorías propias. Con un buen prompt y ejemplos, el modelo resuelve casi todo, pero confunde categorías parecidas. Con su historial de reclamos ya clasificados, podría ajustar un modelo pequeño y comparar: si la precisión mejora y el costo por reclamo baja, el ajuste se justifica; si no, se queda con el prompt.

¿Cómo se relaciona con otros términos?

El ajuste fino actúa sobre el modelo de lenguaje; el prompt actúa sobre cada consulta. Ojo con los datos de entrenamiento: el glosario de Anthropic advierte que el ajuste fino exige cuidar ese conjunto de datos y su posible efecto en el desempeño y en los sesgos del modelo.