Qué es un ajuste fino
Qué se actualiza de verdad cuando alguien dice «entreno el modelo con sus datos»
Es la frase que más se vende y la que menos se explica. Conviene entenderla antes de firmar, porque de esto dependen el costo del proyecto y lo que se puede esperar del resultado.
La respuesta corta: no se reentrena el modelo. Se congela casi todo y se entrena una pieza pequeña que se suma por encima. Y esa pieza enseña a comportarse, no a saber.
Por qué nadie reentrena un modelo grande
Un modelo de lenguaje de los que se usan hoy tiene miles de millones de parámetros, que son los números que guardan lo que aprendió. Volver a entrenarlos todos con datos de una empresa costaría más que la empresa, y haría falta un centro de cómputo que casi nadie tiene.
Por eso la industria trabaja con una familia de técnicas que congelan el modelo original y entrenan solo una corrección compacta. Se las conoce por sus siglas en inglés, PEFT, que significa ajuste fino eficiente en parámetros. El modelo de base queda intacto; lo que se guarda es la corrección, que ocupa una fracción minúscula.
LoRA, que es lo que se usa casi siempre
La idea cabe en una frase: en lugar de modificar una matriz enorme de pesos, se aprenden dos matrices flacas cuyo producto es la corrección.
El rango, que es el botón que importa
El ancho de esas dos matrices se llama rango. Es el único parámetro que decide cuánto puede aprender la corrección y cuánta memoria cuesta entrenarla. Un rango bajo aprende poco y cuesta poco; uno alto, al revés. Quien le venda un ajuste fino debería poder decirle con qué rango trabaja y por qué.
Cuántos parámetros se tocan
Entre el uno por mil y el uno por ciento del total, según el rango y de cuántas capas se enganche. El resto del modelo no cambia ni un número, lo que significa que la corrección se puede quitar, guardar o cambiar por otra sin tocar el modelo de base.
Las variantes, y para qué sirve cada una
Congelar una de las dos matrices y entrenar solo la otra baja la memoria a la mitad. Usar matrices aleatorias fijas y entrenar solo unos vectores de escala la baja mucho más, a costa de capacidad. Otra variante devuelve al modelo de base parte de lo aprendido en cada paso. Y otra entrena las dos matrices a velocidades distintas, que suena menor y cambia bastante el resultado.
Qué significa que sea barato
Que el cuello de botella dejó de ser el cómputo. Hoy una corrección de estas se entrena en horas y con una tarjeta gráfica sola. Lo que cuesta está en otra parte, y es lo que sigue.
Enseña a comportarse, no a saber
Esta es la parte que decide si le conviene. Un ajuste fino cambia la forma: el formato de salida, el tono, el vocabulario del oficio, la manera de estructurar una respuesta. Si su problema es que el modelo responde bien pero en el formato equivocado, o con un registro que no es el de su empresa, el ajuste fino es la herramienta.
Lo que no hace de forma fiable es meter conocimiento nuevo. Los hechos de su empresa no quedan dentro de esa corrección de manera consultable, y si cambian mañana hay que repetir el proceso entero. Por eso el conocimiento va por recuperación, entregándole al modelo los documentos en el momento de responder, y la forma, si hace falta, por ajuste.
Hay un uso más, que es económico y no de calidad: poner a un modelo pequeño a imitar a uno grande en una tarea concreta. El pequeño sale más barato y más rápido de operar, y en esa tarea puede igualarlo. Es la razón por la que a veces se ajusta un modelo aunque la recuperación ya funcione.
Dónde está el costo real
No en las horas de cálculo. Está en construir el conjunto de ejemplos: miles de pares de pregunta y respuesta correcta, escritos o revisados por alguien que sepa del tema dentro de su empresa. Ese trabajo no se puede subcontratar del todo, porque la respuesta correcta la define quien conoce el negocio.
De ahí sale la pregunta que conviene hacer en la reunión de ventas: cuántos ejemplos hacen falta, quién los va a escribir y cuántas horas de su gente cuesta eso. Si en una propuesta le hablan de entrenar sin decirle el rango, el tamaño del conjunto de ejemplos ni quién lo va a redactar, la propuesta no está terminada. Es una pregunta legítima y la respuesta cabe en un párrafo.
El orden que recomienda la ingeniería del ramo
No es una preferencia mía. Es el orden que propone AI Engineering (Chip Huyen, O'Reilly, 2025) en su capítulo 7, y que cualquiera puede comprobar.
1. Pedirlo bien
Primero se intenta con instrucciones claras al modelo, versionadas como se versiona el código. Una parte sorprendente de los problemas se resuelve aquí.
2. Dar ejemplos en la propia instrucción
Entre uno y cincuenta, según el caso. Sigue sin tocarse el modelo y sigue sin costar nada más que escribirlos.
3. Conectarlo a las fuentes
Si falla por falta de información, se le entregan los documentos en el momento de responder. Buscando por palabra y por significado a la vez desde el primer día, que es lo que evita rehacer el trabajo, y midiendo cada cambio contra un conjunto de preguntas reales.
4. Y solo entonces, ajustar
Si lo que queda mal es el comportamiento, no la información, ahí entra el ajuste fino. El experimento de Ovadia y otros de 2024 midió que la recuperación supera al ajuste fino en casi todas las categorías, y que añadir recuperación sobre un modelo ya ajustado mejora el resultado solo el 43 % de las veces.
Si está evaluando una propuesta de inteligencia artificial sobre los documentos de su empresa, la conversación completa, con precios y con lo que conviene exigirle a cualquier proveedor, está en esta página.