Fine-tuning

El fine-tuning (ajuste fino) es la técnica de tomar un modelo de lenguaje ya preentrenado (un LLM) y continuar su entrenamiento con un conjunto de ejemplos propios para especializarlo en una tarea, un dominio o un estilo de respuesta concreto. En lugar de partir de cero, se aprovecha todo el conocimiento general del modelo base y solo se ajustan sus pesos internos con datos específicos de la empresa.

La diferencia clave con la ingeniería de prompts es que el fine-tuning modifica el modelo en sí, mientras que el prompt solo cambia las instrucciones que recibe en cada consulta. El conocimiento queda incorporado en los parámetros, no en el texto de entrada. Es una de las técnicas que, junto con el grounding y el RAG, permite que los agentes de IA respondan con la precisión y el tono que un caso de negocio real exige.

Cómo funciona en la práctica

Un modelo base como los que sirven de motor a los asistentes conversacionales aprende patrones generales del lenguaje a partir de enormes volúmenes de texto público. Ese modelo sabe redactar, resumir y razonar, pero no conoce la jerga, los productos ni el tono de tu empresa. El fine-tuning resuelve esa brecha: se arma un dataset de ejemplos (típicamente pares de pregunta y respuesta ideal) y se corre un entrenamiento adicional donde el modelo ajusta sus parámetros para reproducir ese comportamiento. El resultado es un modelo derivado que, ante consultas parecidas, contesta más alineado con lo que la organización espera.

En la mayoría de los casos no se reentrenan todos los pesos (sería carísimo), sino que se usan técnicas de ajuste eficiente como LoRA, que entrenan solo una pequeña fracción de parámetros y dejan el modelo base intacto. Eso baja el costo de cómputo y permite mantener varias versiones especializadas sin duplicar el modelo entero.

Por qué importa para un negocio

El fine-tuning aporta valor cuando una tarea es repetitiva, de alto volumen y con un patrón claro que el prompting no logra fijar de forma consistente. Sirve para imponer un formato de salida estricto, un tono de marca, una clasificación con categorías propias o un vocabulario técnico muy puntual. Bien aplicado, reduce la longitud de los prompts (el modelo ya "sabe" qué se espera) y mejora la estabilidad de las respuestas.

Un ejemplo concreto en LATAM: una empresa de Consumo Masivo en Argentina que recibe miles de pedidos por WhatsApp con abreviaturas y modismos locales ("mandame 2 bolsones de la promo", "el flete va a Floresta"). Un modelo base interpreta esto con errores; uno afinado con históricos reales de esa operación aprende a extraer producto, cantidad y zona de entrega con mucha mayor precisión, porque vio cientos de ejemplos del español rioplatense comercial que usan sus clientes.

Errores comunes

• Confundirlo con cargar información nueva. El fine-tuning enseña comportamiento y estilo, no es la vía para que el modelo conozca datos frescos o cambiantes (precios, stock, políticas). Para eso se usa RAG, que recupera la información actualizada en el momento de la consulta.
• Datos de baja calidad. Si los ejemplos tienen errores o son inconsistentes, el modelo los aprende y los amplifica. La regla es "basura entra, basura sale".
• Pocos ejemplos o mal balanceados. Un dataset chico o sesgado produce un modelo que generaliza mal y aumenta el riesgo de alucinaciones.
• Olvidar el mantenimiento. Un modelo afinado queda "congelado" en el momento de su entrenamiento; cuando el negocio cambia, hay que volver a entrenar.

Fine-tuning vs RAG vs prompting

La pregunta más frecuente es cuándo conviene cada técnica. No son excluyentes: en sistemas serios suelen combinarse. Esta tabla resume cuándo elegir cada una:

En resumen: si necesitás que el modelo conozca información que cambia, vas a RAG; si necesitás que responda siempre con un estilo o formato propio, vas a fine-tuning; y si la tarea es simple, un buen prompt alcanza. La decisión correcta depende del problema concreto, y muchas veces la mejor arquitectura para un agente de IA combina las tres.