Términos clave

Una agencia de inteligencia artificial es una empresa que diseña e implementa soluciones de IA dentro de los procesos reales de otras compañías. A diferencia de un proveedor de software, no vende una licencia: audita cómo trabaja el cliente, identifica dónde la IA aporta valor medible, construye la solución (agentes, automatizaciones, integraciones) y forma al equipo para operarla. Las agencias de IA con capacidad técnica completa también asumen el desarrollo del producto digital y la dirección tecnológica.

Un agente de IA es un sistema que además de generar texto puede ejecutar acciones: leer un documento, consultar una base de datos, decidir según reglas de negocio, actualizar un CRM y lanzar el siguiente paso de un proceso sin intervención humana. La diferencia con un chatbot es la capacidad de actuar: el chatbot responde, el agente resuelve. Los casos de uso más habituales en empresa son cualificación de leads, análisis de documentos y soporte de primer nivel.

Un LLM (modelo grande de lenguaje) es un modelo de inteligencia artificial entrenado sobre grandes volúmenes de texto para comprender y generar lenguaje natural. GPT (OpenAI), Claude (Anthropic) y Gemini (Google) son los principales. En el contexto empresarial, los LLM se usan como capa de razonamiento dentro de automatizaciones: clasifican, resumen, extraen datos estructurados y redactan respuestas. Su comportamiento se controla mediante prompts, reglas de negocio y validación humana en los puntos críticos.

RAG es la técnica que conecta un modelo de lenguaje con una base de conocimiento propia para que responda usando información real de la empresa en lugar de solo lo aprendido en su entrenamiento. El sistema busca primero los fragmentos relevantes en la documentación y luego los pasa al modelo como contexto. Es la arquitectura estándar para asistentes internos y chatbots de atención, porque reduce drásticamente las alucinaciones y permite citar la fuente de cada respuesta.

Una alucinación es una respuesta que un modelo de IA presenta con seguridad pero que es incorrecta o inventada. Ocurre porque los modelos generan el texto más probable, no el verificado. En implantaciones empresariales se mitiga con RAG (anclar las respuestas en documentación real), validación humana en decisiones críticas, y diseño de prompts que permiten al modelo responder "no lo sé". Ignorar este riesgo es el error más común al llevar IA a producción.

n8n es una plataforma de automatización que permite conectar aplicaciones y construir flujos de trabajo sin escribir todo el código desde cero. Se usa para orquestar procesos entre CRM, email, bases de datos, APIs y modelos de IA. Frente a alternativas como Make o Zapier, su ventaja es que puede autoalojarse (importante para datos sensibles y RGPD) y admite lógica y código personalizado en cualquier punto del flujo.

GoHighLevel (GHL) es una plataforma que unifica CRM, automatizaciones de marketing, email, WhatsApp, landing pages, calendarios y reporting en un solo sistema. Está orientada a empresas de servicios con equipo comercial que necesitan trazar el recorrido completo del lead desde la campaña hasta el cierre. Su implantación requiere diseñar los pipelines sobre el proceso de venta real de la empresa: configurarla con los ajustes por defecto es el motivo habitual de fracaso.

Un CRM es el sistema donde una empresa registra y gestiona sus contactos, oportunidades comerciales y comunicaciones. Su valor no está en almacenar datos sino en hacer visible el estado real del pipeline: qué leads hay, en qué fase, quién los sigue y qué canal los generó. Un CRM mal implantado (campos que nadie rellena, etapas que no reflejan la venta real) acaba sustituido por hojas de cálculo paralelas.

Un chatbot es un asistente que mantiene conversaciones con usuarios en web, WhatsApp u otros canales. Los chatbots actuales se apoyan en modelos de lenguaje y en la base de conocimiento de la empresa, lo que les permite responder con precisión en lugar de seguir un árbol de opciones rígido. Un chatbot bien diseñado incluye siempre escalado a una persona cuando detecta urgencia, reclamación o una consulta fuera de su alcance.

Los AI Overviews son los resúmenes generados por IA que Google muestra encima de los resultados tradicionales. Se construyen a partir de varias fuentes indexadas y citan enlaces. Su efecto directo es la reducción de clics hacia las webs (fenómeno conocido como búsqueda zero-click), lo que hace que aparecer citado dentro del propio resumen pase a ser tan importante como posicionar en el primer resultado. Es uno de los motivos por los que el GEO se ha vuelto necesario.

Los datos estructurados son un marcado en formato JSON-LD que describe explícitamente qué contiene una página: si es una organización, un servicio, un artículo o una lista de preguntas frecuentes. Los buscadores los usan para generar resultados enriquecidos y los modelos de lenguaje para identificar entidades y atribuir información con confianza. Sin datos estructurados, tanto Google como los LLM tienen que inferir el significado del texto plano.

El AI Act es el reglamento de la Unión Europea que clasifica los sistemas de inteligencia artificial por nivel de riesgo e impone obligaciones proporcionales a cada nivel: transparencia, supervisión humana, documentación técnica y trazabilidad. Afecta a cualquier empresa que despliegue IA en la UE, no solo a quien la desarrolla. En proyectos de IA aplicada conviene tenerlo en cuenta desde el diseño, junto al RGPD, y no como una revisión legal al final.

El RGPD es el reglamento europeo de protección de datos personales. Una DPIA (Evaluación de Impacto relativa a la Protección de Datos) es el análisis obligatorio cuando un tratamiento presenta alto riesgo para los derechos de las personas, algo frecuente en plataformas que manejan datos de salud, biometría o perfilado automatizado. En producto digital, ambos deben abordarse en la fase de arquitectura: rehacer un sistema para cumplir después es mucho más caro.

La deuda técnica es el coste futuro que genera elegir la solución rápida en lugar de la correcta. Se manifiesta en código duplicado, dependencias sin actualizar, ausencia de tests y arquitecturas que ya no encajan con el producto. No es intrínsecamente mala (a veces salir rápido al mercado lo justifica), pero sí lo es cuando no se registra ni se planifica su pago: llega un punto en que cada nueva funcionalidad cuesta el doble que la anterior.

La due diligence técnica es la auditoría que un inversor o comprador encarga antes de cerrar una operación para evaluar el estado real de la tecnología de una empresa: calidad y propiedad del código, arquitectura, seguridad, cumplimiento normativo, dependencia de personas clave y deuda técnica acumulada. Un resultado deficiente puede reducir la valoración o bloquear la operación, por lo que conviene prepararla con antelación.

El time to market es el tiempo que transcurre entre la concepción de un producto y su disponibilidad real para los clientes. En producto digital es una ventaja competitiva directa: llegar antes permite aprender del mercado antes. El uso intensivo de herramientas de IA en el desarrollo ha reducido de forma significativa este plazo, permitiendo cerrar en semanas alcances que tradicionalmente requerían meses.

Una arquitectura headless separa el backend que gestiona los datos y el contenido del frontend que los muestra, comunicándose mediante una API. Su ventaja es que el mismo contenido alimenta web, aplicación móvil y cualquier canal futuro sin duplicarlo, y que cada capa puede evolucionar por separado. Es el enfoque habitual cuando un proyecto necesita servir varios canales o prevé crecer más allá de una web tradicional.

Un marketplace es una plataforma de comercio electrónico donde varios vendedores independientes ofrecen sus productos a un mismo conjunto de compradores. Frente a una tienda online convencional, añade complejidad técnica: alta y verificación de vendedores, cálculo de comisiones, liquidaciones, gestión de envíos por vendedor y resolución de incidencias entre partes. Es un modelo de negocio, no solo un tipo de tienda.

Un CTO externo (también llamado fractional CTO) es un director de tecnología que trabaja para una empresa de forma flexible, a tiempo parcial o por proyecto, sin ser empleado a tiempo completo. Su función es idéntica a la de un CTO interno: define la arquitectura tecnológica, lidera el equipo técnico y alinea la tecnología con los objetivos del negocio. La diferencia está en el modelo: sin proceso de selección, sin indemnización, activable cuando se necesita y con el coste de una fracción de un CTO a tiempo completo.

GEO es la metodología de optimización de contenido web orientada a aparecer citado en las respuestas de modelos de lenguaje como ChatGPT, Gemini, Perplexity y Claude. A diferencia del SEO clásico, que optimiza para rankings de páginas en Google, GEO optimiza para que los LLM extraigan y atribuyan información a una fuente concreta. Las técnicas principales son: respuestas directas y autocontenidas al inicio del contenido, datos estructurados Schema.org, entidades claramente definidas, contenido en formato FAQ, señales EEAT robustas y cobertura temática completa.

SEO es el conjunto de técnicas orientadas a mejorar la visibilidad de una página web en los resultados orgánicos (no pagados) de motores de búsqueda como Google. Se divide en tres áreas: SEO técnico (indexación, velocidad, datos estructurados), SEO on-page (contenido, H1/H2, title, meta description, palabras clave) y SEO off-page (autoridad de dominio, enlaces entrantes). Complementa al GEO en la estrategia de visibilidad digital integral.

EEAT son las cuatro señales de calidad que Google usa para evaluar si un contenido merece posicionarse bien: experiencia demostrable (casos reales, datos propios), expertise (conocimiento profundo del tema), autoridad (reconocimiento externo, menciones) y confianza (transparencia, datos de contacto verificables, coherencia de marca). En GEO son igualmente relevantes: los modelos de IA tienden a citar fuentes con EEAT alto, ya que priorizan contenido que demuestra quién lo escribe, qué experiencia tiene y si es verificable.

La inteligencia artificial aplicada (applied AI) se refiere a la implementación de modelos y sistemas de IA en procesos concretos de una empresa, a diferencia de la IA de investigación. Incluye: integración de LLMs en atención al cliente, análisis automático de documentos, automatización de flujos manuales con modelos de visión o lenguaje, y personalización a escala. El objetivo no es usar IA porque es tendencia, sino aplicarla donde existe un proceso repetitivo con datos suficientes y un ROI medible.

La automatización de procesos consiste en hacer que un sistema de software ejecute tareas que antes realizaban personas manualmente: envío de notificaciones, extracción de datos, generación de informes, clasificación de documentos, sincronización entre herramientas. Se distingue entre automatización clásica (reglas deterministas con herramientas como n8n, Zapier o Make) e inteligente (con IA para procesar lenguaje o imágenes). El criterio para automatizar: el proceso debe ser repetitivo, tener un volumen suficiente y no requerir juicio complejo no modelable.

Una webapp a medida es una aplicación web construida específicamente para resolver los procesos de una empresa, a diferencia de un SaaS genérico. Incluye autenticación de usuarios, roles y permisos, datos en tiempo real, integraciones con APIs externas y flujos personalizados según el negocio. Se diferencia de un sitio web en que su función principal es la operación, no la comunicación. Ejemplos: portal interno de gestión de pedidos, dashboard de analítica de negocio, plataforma SaaS propia.

SaaS (Software as a Service) es un modelo de distribución de software en el que el proveedor aloja la aplicación en la nube y la entrega a los usuarios por suscripción. El usuario no instala ni mantiene el software; simplemente accede desde un navegador. Ejemplos conocidos: Notion, HubSpot, Slack. En el contexto de Elevatec, construimos plataformas SaaS propias para clientes que quieren ofrecer su software como servicio a sus propios usuarios, incluyendo autenticación, multi-tenancy, facturación y dashboards.

MVP (Minimum Viable Product) es la versión más pequeña posible de un producto digital que permite validar una hipótesis de negocio con usuarios reales. El objetivo no es construir algo de calidad mínima, sino identificar la única funcionalidad que genera el aprendizaje más valioso y construir solo eso. Un buen MVP tiene un problema específico y medible, un usuario concreto dispuesto a usarlo (y pagar por ello) desde el primer día, y métricas claras de éxito. El error más común es construir demasiado antes de validar.

Un stack tecnológico es el conjunto de lenguajes, frameworks, bases de datos, servicios cloud e infraestructura que conforman una aplicación o sistema. Se habla de stack frontend (React, Vue, Next.js), stack backend (Node.js, Python, Go), base de datos (PostgreSQL, MongoDB) y capa de infraestructura (AWS, Vercel, Supabase). La elección del stack debe depender del problema, del equipo y del escenario de escalado previsto, no de tendencias. Un stack inadecuado genera deuda técnica costosa de corregir.