Fine-tuning

Fine-tuning (ajuste fino) es tomar un modelo de IA ya entrenado y continuar su entrenamiento con un conjunto menor de ejemplos de tu propio dominio: pares de entrada y salida que muestran exactamente cómo quieres que responda. El modelo conserva todo lo que ya sabía e incorpora el comportamiento de tus ejemplos: tono de voz, formato, vocabulario, decisiones de clasificación.

Es distinto de RAG: el RAG le da conocimiento al modelo en el momento de la pregunta (busca documentos y los inyecta en el prompt); el fine-tuning cambia el comportamiento del propio modelo. Regla práctica: información que cambia con frecuencia → RAG; estilo, formato y tareas repetitivas bien definidas → fine-tuning. Proveedores como OpenAI ofrecen fine-tuning como servicio en la API; los modelos abiertos pueden ajustarse en infraestructura de GPU propia o alquilada (Replicate, RunPod).

Los costos: preparar cientos o miles de ejemplos de calidad, entrenar y evaluar; por eso conviene empezar con ingeniería de prompts y RAG, y pasar al fine-tuning solo cuando no basten. Ejemplo concreto: una fintech ajusta un modelo con miles de mensajes de clientes ya clasificados por categoría; el modelo afinado clasifica los tickets nuevos según el estándar exacto de la empresa, con prompts cortos y menor costo por llamada.