Fine-tuning (Ajuste fino)
El fine-tuning es el proceso de tomar un modelo de IA ya preentrenado y reentrenarlo con un conjunto de datos propio para especializarlo en una tarea, un dominio o un estilo concretos, sin partir de cero.
Fine-tuning (Ajuste fino)
El fine-tuning es el proceso de reentrenar un modelo de IA ya preentrenado con tus propios datos para especializarlo en una tarea, dominio o estilo concretos. A diferencia del prompt o de RAG, modifica los pesos del modelo, por lo que el conocimiento queda "horneado" dentro de él y no hace falta repetir las instrucciones en cada consulta.
Fine-tuning no es lo mismo que entrenar un modelo desde cero. Partes de un modelo base que ya entiende el lenguaje y solo lo ajustas con un dataset relativamente pequeño. Tampoco es RAG: RAG inyecta contexto en el momento de responder sin tocar los pesos; el fine-tuning sí los cambia.
Actualizado: 31 de mayo de 2026
Cómo funciona el fine-tuning paso a paso
- Eliges un modelo base preentrenado (por ejemplo Llama, Mistral, los modelos GPT vía API de OpenAI, o un modelo abierto que puedas alojar tú).
- Preparas el dataset: pares de entrada-salida que representan exactamente el comportamiento deseado (preguntas y respuestas ideales, textos en tu tono de marca, clasificaciones correctas, etc.). La calidad del dataset importa más que la cantidad.
- Entrenas: el modelo ajusta sus pesos para minimizar el error frente a tus ejemplos. Hoy esto casi siempre se hace con PEFT (Parameter-Efficient Fine-Tuning), normalmente LoRA o QLoRA, que entrenan solo unos pocos parámetros adicionales en lugar de los miles de millones del modelo completo.
- Evalúas y despliegas: mides el rendimiento en un conjunto de validación y, si mejora, sirves el modelo ajustado en producción.
Fine-tuning vs. RAG vs. Prompt engineering
| Criterio | Prompt engineering | RAG | Fine-tuning |
|---|---|---|---|
| Qué cambia | Solo las instrucciones | El contexto recuperado | Los pesos del modelo |
| Conocimiento actualizado | Limitado al corte de entrenamiento | Sí, en tiempo real | Solo hasta el reentrenamiento |
| Aprende estilo/comportamiento | Parcial | No | Sí, muy bien |
| Coste inicial | Nulo | Bajo-medio | Medio-alto (GPU) |
| Coste de actualización | Nulo | Bajo (reindexar) | Alto (reentrenar) |
| Cita fuentes | No | Sí | No |
| Mejor para | Tareas generales | Datos cambiantes y verificables | Tono, formato y tareas repetitivas |
Tabla comparativa actualizada a mayo de 2026. No son excluyentes: muchos sistemas en producción combinan fine-tuning (para el estilo y el formato) con RAG (para el conocimiento actualizado).
Por qué importa el fine-tuning en 2026
2021 — año de LoRA, la técnica de ajuste fino eficiente más usada. LoRA fue presentada por un equipo de Microsoft en 2021 y popularizó el ajuste fino eficiente en parámetros: en lugar de actualizar todos los pesos, entrena matrices de bajo rango que se suman al modelo, reduciendo drásticamente la memoria necesaria (fuente: Hu et al., "LoRA: Low-Rank Adaptation of Large Language Models", Microsoft, 2021, arXiv:2106.09685).
Hasta 65B parámetros en una sola GPU de 48 GB. QLoRA (2023) combinó la cuantización en 4 bits con LoRA y demostró que se podía ajustar un modelo de 65.000 millones de parámetros en una única GPU de 48 GB manteniendo prácticamente el rendimiento del fine-tuning completo (fuente: Dettmers et al., "QLoRA: Efficient Finetuning of Quantized LLMs", NeurIPS 2023, arXiv:2305.14314). Esto abarató tanto el proceso que el fine-tuning dejó de ser exclusivo de las grandes empresas.
Tipos de fine-tuning
- Fine-tuning completo (full fine-tuning): se actualizan todos los pesos. Máxima capacidad de adaptación, pero el más caro en cómputo y almacenamiento.
- PEFT (LoRA, QLoRA, adapters): se entrena solo una pequeña fracción de parámetros. Es el estándar práctico en 2026 por su relación coste-resultado.
- Instruction tuning: se ajusta el modelo con pares instrucción-respuesta para que siga mejor las órdenes del usuario.
- RLHF / DPO (alineación): se afina el modelo según preferencias humanas para mejorar utilidad y seguridad; es el tipo de ajuste que convierte un modelo base en un asistente conversacional.
Casos de uso reales
- Tono de marca: un modelo que escribe siempre con la voz y el estilo de tu empresa, sin tener que recordárselo en cada prompt.
- Clasificación especializada: detectar la intención de tickets de soporte o etiquetar documentos legales o médicos con vocabulario muy específico.
- Formato estricto de salida: generar JSON, código o informes con una estructura fija y fiable.
- Idiomas o jergas poco representados: mejorar el rendimiento en un dominio técnico o un dialecto donde el modelo base falla.
El fine-tuning no es la solución cuando el problema es de conocimiento desactualizado o cambiante: para eso es mejor RAG. Tampoco arregla datos de mala calidad: un dataset con errores o sesgos los amplifica. Y como el conocimiento queda fijado en los pesos, actualizarlo obliga a reentrenar, mientras que con RAG basta con reindexar.
Cuándo usar fine-tuning (y cuándo no)
Usa fine-tuning cuando necesites que el modelo adopte un estilo, formato o comportamiento estable y repetitivo, o cuando el prompt se vuelve demasiado largo y costoso de repetir. Usa RAG cuando necesites conocimiento actualizado y verificable con citas a la fuente. Y empieza siempre por prompt engineering: muchas veces un buen prompt resuelve el problema sin coste de entrenamiento.
Conceptos relacionados
Para dominar el fine-tuning conviene entender antes qué es un LLM, en qué se diferencia de RAG, cómo encaja dentro del machine learning y el deep learning, y por qué el prompt engineering suele ser el primer paso antes de ajustar un modelo.
Preguntas frecuentes sobre fine-tuning
¿Fine-tuning o RAG? Depende del problema. Fine-tuning para estilo, formato y tareas repetitivas; RAG para conocimiento actualizado y trazable. A menudo se combinan.
¿Cuántos datos necesito para hacer fine-tuning? Menos de lo que parece: con técnicas como LoRA, unos cientos o pocos miles de ejemplos de alta calidad suelen bastar para tareas concretas. La calidad pesa más que el volumen.
¿Es caro hacer fine-tuning? Con LoRA y QLoRA se ha abaratado mucho: se pueden ajustar modelos grandes en una sola GPU. El fine-tuning completo de modelos enormes sí sigue siendo costoso.
¿El fine-tuning puede empeorar el modelo? Sí. Un dataset pequeño o sesgado puede provocar sobreajuste u "olvido catastrófico" de capacidades generales. Por eso es clave evaluar siempre contra un conjunto de validación antes de desplegar.
Para comparar qué parte de tu proyecto cambia, consulta la guía RAG o fine-tuning: cómo decidir en un proyecto real. Empieza por una muestra revisable, antes de conectar datos privados o entrenar un modelo.