El fine-tuning o ajuste fino es un proceso de entrenamiento que modifica los parámetros de un modelo preentrenado utilizando datos específicos para adaptar su comportamiento a una tarea, dominio o patrón de salida.
En modelos generativos puede mejorar la consistencia, especialización o eficiencia para un caso acotado. No es una forma universal de «cargar los documentos de la empresa» y no debe iniciarse sin una evaluación que permita comparar el modelo ajustado con una línea base.
Qué cambia durante el ajuste
Un modelo base ya ha aprendido patrones generales. Durante el fine-tuning recibe ejemplos relacionados con un objetivo y actualiza una parte o la totalidad de sus parámetros para aumentar la probabilidad de producir el comportamiento deseado.
La expresión agrupa técnicas distintas. El ajuste supervisado utiliza pares de entrada y salida esperada. Otros métodos aprenden preferencias entre respuestas o utilizan una señal de recompensa. También existen técnicas eficientes que modifican un subconjunto pequeño de parámetros o añaden adaptadores.
Para decidir en una empresa no hace falta empezar por el algoritmo. Hace falta definir qué fallo debe corregirse, qué ejemplos lo representan y qué métrica demostraría que el cambio merece el coste y la dependencia añadidos.
Para qué puede servir
El ajuste fino puede aportar valor cuando se necesita:
- clasificar entradas según categorías propias y estables;
- generar un formato o estructura difícil de mantener solo con instrucciones;
- adaptar vocabulario o patrones de redacción especializados;
- mejorar el uso de funciones o herramientas en rutas repetitivas;
- transferir el comportamiento de un modelo mayor a otro más pequeño para reducir coste o latencia;
- corregir fallos de seguimiento de instrucciones que aparecen de forma sistemática en una tarea bien definida.
«Sonar como la marca» puede ser un caso, pero conviene comprobar primero si una guía de estilo, ejemplos en contexto y una revisión editorial consiguen el mismo resultado con menos riesgo.
Ejemplo empresarial
Una aseguradora necesita clasificar comunicaciones entrantes en veinte motivos propios. El prompt con descripciones funciona en casos sencillos, pero confunde categorías cercanas y consume demasiado contexto.
El equipo reúne ejemplos históricos revisados, elimina datos innecesarios, separa un conjunto de prueba que no se utilizará para entrenar y compara tres opciones: reglas, modelo base con ejemplos y modelo ajustado. El fine-tuning solo avanza si mejora las categorías críticas sin degradar otras, reduce el coste total y mantiene un procedimiento de revisión cuando cambie la taxonomía.
Cuándo no es la primera opción
No recomendamos empezar por fine-tuning cuando el problema es que el modelo no dispone de información vigente. Si las políticas, productos o expedientes cambian, suele ser preferible recuperar la fuente en el momento de la consulta mediante RAG o una herramienta estructurada.
Tampoco es la primera opción cuando:
- todavía no existe una línea base evaluada;
- el equipo no puede producir ejemplos correctos y representativos;
- el requisito puede resolverse con instrucciones, ejemplos o salida estructurada;
- los criterios cambian con frecuencia;
- se necesita citar o retirar conocimiento de forma inmediata;
- no se han revisado privacidad, derechos de uso y condiciones del proveedor para los datos de entrenamiento.
La decisión entre RAG, contexto largo y memoria aprendida ayuda a separar conocimiento cambiante de comportamiento aprendido.
Datos y evaluación
Un conjunto grande no compensa ejemplos inconsistentes. Cada ejemplo debe parecerse al tráfico real, reflejar excepciones y mostrar qué significa una salida correcta. Si varias personas discrepan al etiquetar, el modelo recibirá una señal ambigua.
Separa entrenamiento, validación y prueba. La prueba final debe contener casos no utilizados durante el ajuste y segmentos relevantes para el riesgo. Compara al menos:
| Comparación | Qué permite decidir |
|---|---|
| Modelo base con prompt actual | Si el ajuste mejora realmente la línea base |
| Modelo base con mejores ejemplos | Si basta con prompting en contexto |
| Modelo ajustado | Calidad, coste, latencia y nuevos fallos |
| Subgrupos y excepciones | Si la media oculta degradaciones relevantes |
La evaluación debe incluir seguridad y comportamiento fuera de distribución. Un modelo más consistente puede ser también más consistentemente incorrecto cuando recibe un caso que no estaba representado.
Qué no debe confundirse con fine-tuning
- Prompting: proporciona instrucciones y ejemplos en cada llamada sin modificar parámetros.
- RAG: recupera conocimiento externo y actualizable durante la inferencia.
- Entrenamiento desde cero: crea un modelo a partir de una fase de aprendizaje mucho más amplia.
- Embeddings: representan contenido para comparar o recuperar; no ajustan el generador.
- Memoria: conserva o recupera estado entre interacciones; no implica entrenamiento.
La decisión útil
No preguntes primero cuántos ejemplos necesita el proveedor. Define qué error repetible quieres reducir, construye una evaluación y comprueba si el prompt, el contexto o una regla lo resuelven. Ajusta el modelo solo cuando la comparación demuestre una ventaja sostenible.
Fuentes y lecturas recomendadas
- OpenAI Developers: supervised fine-tuning, ciclo de datos, entrenamiento y evaluación; consultado el 20 de agosto de 2026. La disponibilidad y los métodos dependen del proveedor y del modelo.
- Google Developers: introducción práctica al fine-tuning, relación con aprendizaje por transferencia, consultado el 20 de agosto de 2026.
- Hu et al., LoRA: Low-Rank Adaptation of Large Language Models, técnica de ajuste eficiente en parámetros, 2021.
Definición y vigencia revisadas el 20 de agosto de 2026.