El fine-tuning, o ajuste fino, consiste en reentrenar ligeramente un modelo de IA existente con sus propios ejemplos, para que realice una tarea concreta mejor que un modelo generalista. Desde LoRA y QLoRA, se ha vuelto asequible en un solo servidor. Pero no siempre es la herramienta adecuada: para que una IA conozca sus documentos, el RAG suele ser más sencillo, y a veces basta con un buen prompt.
Lo esencial
- Tres formas de especializar una IA: el prompt (instrucciones y ejemplos), el RAG (el modelo consulta sus documentos), el fine-tuning (el modelo aprende una tarea).
- El fine-tuning enseña sobre todo una forma, un estilo, una decisión repetitiva; se adapta mal a la información que cambia.
- LoRA y QLoRA lo hicieron accesible: solo se entrena una pequeña fracción del modelo.
- Los modelos abiertos pequeños recientes, con licencia Apache 2.0 o MIT, se prestan bien a este uso.
- Antes del primer entrenamiento: de unas decenas a unos cientos de ejemplos cuidados, un conjunto de prueba y una licencia verificada.
Prompt, RAG o fine-tuning: tres herramientas para tres problemas
El prompt es el primer paso, y no cuesta nada: instrucciones claras, algunos ejemplos de buenas respuestas. Muchos proyectos se quedan ahí.
El RAG (generación aumentada por recuperación) responde a otra necesidad: que la IA conozca sus procedimientos, sus contratos, su catálogo. El modelo no cambia; con cada pregunta, se le entregan los pasajes útiles de sus documentos. Cuando cambia una tarifa, usted actualiza el documento y la respuesta lo refleja. Expliqué el principio en este artículo sobre el RAG.
El fine-tuning modifica el propio modelo. Sirve cuando el problema no es lo que el modelo sabe, sino lo que hace: respetar siempre el mismo formato de salida, clasificar solicitudes según sus categorías, adoptar el tono de su empresa, extraer los mismos campos de miles de documentos. Un estudio de Meta publicado en 2023 (LIMA) apunta en ese sentido: sus autores concluyen que casi todo el conocimiento de un modelo procede de su preentrenamiento, y que basta con pocos datos para enseñarle a responder bien.
Mi regla práctica: conocimiento que cambia, RAG; comportamiento estable y repetitivo, fine-tuning; y siempre el prompt primero.
Por qué el fine-tuning es el futuro de los modelos pequeños especializados
Reentrenar un modelo entero estaba fuera del alcance de una pyme. Dos trabajos cambiaron las reglas. En 2021, un equipo de Microsoft publicó LoRA: se congela el modelo original y solo se entrenan pequeñas matrices añadidas. Con GPT-3, sus autores miden 10 000 veces menos parámetros que entrenar y tres veces menos memoria gráfica, con una calidad igual o superior. En 2023, QLoRA (Universidad de Washington) combinó este método con un modelo comprimido a 4 bits: un modelo de 65 000 millones de parámetros puede ajustarse entonces en una sola tarjeta gráfica de 48 GB.
Al mismo tiempo, los modelos abiertos pequeños se han multiplicado. A 15 de noviembre de 2026, Google publica Gemma 4 (de E2B a 31B) con licencia Apache 2.0, Alibaba la serie Qwen3.5 (de 0,8 a 9 000 millones de parámetros en los más pequeños) con Apache 2.0, Mistral AI los Ministral 3 (3B, 8B, 14B) con Apache 2.0, y Microsoft su familia Phi-4 con licencia MIT.
El futuro que veo para una pyme no es, por tanto, un modelo gigante que lo sabe todo, sino unos pocos modelos pequeños ajustados, cada uno excelente en una tarea, que funcionan en su casa. La elección del modelo generalista la trato en el artículo sobre los grandes modelos, y el alojamiento en el de la IA autoalojada.
Datos y licencia: lo que necesita antes de empezar
Los datos. Hacen falta pocos, pero buenos. La documentación de OpenAI indica un mínimo de 10 ejemplos, mejoras visibles a partir de 50 a 100, y recomienda empezar con 50 ejemplos bien elaborados. LIMA obtuvo buenos resultados con 1 000 ejemplos elegidos con cuidado. Reserve una parte de los ejemplos para probar el modelo: sin ese conjunto de prueba, es imposible saber si ha mejorado. Y si sus ejemplos contienen datos personales, la ley de protección de datos se aplica al entrenamiento como a todo lo demás.
La licencia del modelo base. Su modelo ajustado hereda sus condiciones. Apache 2.0 y MIT permiten el uso comercial sin condiciones particulares. Otras licencias sí las imponen: la de Llama 4 (Meta) obliga a mostrar «Built with Llama», a empezar por «Llama» el nombre de un modelo derivado que usted distribuya, y exige una licencia especial por encima de 700 millones de usuarios mensuales. Lea la ficha del modelo antes de elegir, no después.
Bajo el capó: para su informático
Un fine-tuning LoRA de un modelo abierto pequeño cabe en una sola tarjeta gráfica. Licencias verificadas en los repositorios oficiales el 15 de noviembre de 2026.
- Hugging Face PEFT (Apache 2.0): la implementación de referencia de LoRA y de los métodos afines, sobre Transformers.
- Hugging Face TRL (Apache 2.0): entrenadores listos para usar para el ajuste supervisado y la alineación por preferencias.
- Unsloth: el núcleo está bajo Apache 2.0, pero algunos componentes opcionales, como la interfaz Unsloth Studio, están bajo AGPL-3.0. Exporta, entre otros, al formato GGUF, legible por llama.cpp y Ollama.
- Axolotl (Apache 2.0): todo el proceso (preparación de datos, entrenamiento, evaluación, cuantización) descrito en un único archivo YAML, y por tanto reproducible.
- Servicio. vLLM puede servir varios adaptadores LoRA sobre un mismo modelo base: un modelo en memoria, varias especialidades. Si no, fusione el adaptador y cuantice.
- Trampas. Use la misma plantilla de conversación (chat template) que en el entrenamiento; vigile el sobreajuste en el conjunto de prueba; compruebe que el modelo no ha perdido sus capacidades generales. Un modelo puede reproducir pasajes de sus datos de entrenamiento: no ponga en ellos nada que no deba volver a salir, o manténgalo estrictamente interno.
Lo que he aprendido
Mi proyecto DataTerra tomó esta decisión para la visión artificial: en lugar de un gran modelo generalista, modelos pequeños entrenados con sus propias imágenes, cada uno para un defecto concreto como las fisuras o la corrosión. Cuento ese enfoque en el artículo sobre la detección.
Para mis agentes, en cambio, no ajusto ningún modelo. Lo que deben saber cambia cada día: decisiones, proyectos, preferencias. Eso vive en una memoria persistente, una base de búsqueda que alojo yo mismo, es decir, RAG, y las reglas de trabajo están escritas en sus instrucciones. Una tarea estable justifica un entrenamiento; un conocimiento vivo, no.
Por dónde empezar
1. Escribir la tarea y reunir 50 ejemplos
Una frase para la tarea, y luego 50 pares «entrada, respuesta correcta» tomados de su actividad real, revisados por la persona que hace hoy ese trabajo. Guarde una parte para la prueba.
2. Probar el prompt, y luego el RAG
Mida el resultado con sus ejemplos de prueba. Si el modelo se equivoca porque desconoce sus documentos, es un problema de RAG; si conoce la respuesta pero la formula mal, es candidato al fine-tuning.
3. Ajustar un modelo abierto pequeño, y comparar
Elija un modelo con una licencia clara, entrene un adaptador LoRA y compárelo con el modelo original con el mismo conjunto de prueba. Consérvelo solo si lo hace mejor.
Preguntas frecuentes
¿Puede el fine-tuning enseñarle mi catálogo a la IA?
Mal. Los precios y las referencias cambian, y un modelo ajustado no se actualiza solo. Para un catálogo, el RAG es la herramienta adecuada; el fine-tuning puede después ajustar la forma de presentar la respuesta.
¿Hace falta un especialista para hacer un fine-tuning?
En lo técnico, basta con un informático que se maneje con Python. El verdadero trabajo es definir la tarea y producir buenos ejemplos: eso lo hace su actividad.
¿De quién es el modelo ajustado?
Si lo entrena en casa sobre un modelo abierto, el adaptador es suyo, dentro de los límites de la licencia del modelo base. Si usa el servicio de un proveedor, el modelo ajustado se queda con él y sigue su calendario de retirada.
Para ir más lejos
Diseño aplicaciones y automatizaciones a medida, con un modelo local cuando la confidencialidad lo exige y una API externa cuando es aceptable. Las guías de mi servidor de IA personal detallan la pila técnica. Para saber si su caso pide un prompt, RAG o fine-tuning: una llamada de descubrimiento de 20 minutos.
Fuentes
- LoRA: Low-Rank Adaptation of Large Language Models, Hu et al., arXiv 2106.09685, 17 de junio de 2021.
- QLoRA: Efficient Finetuning of Quantized LLMs, Dettmers et al., arXiv 2305.14314, 23 de mayo de 2023.
- LIMA: Less Is More for Alignment, Zhou et al., arXiv 2305.11206, 18 de mayo de 2023.
- Supervised fine-tuning, OpenAI (consultado el 15 de noviembre de 2026).
- Gemma 4, ficha del modelo y licencia Apache 2.0, Google, marzo de 2026 (consultado el 15 de noviembre de 2026).
- Qwen3.5-9B, ficha del modelo, Qwen (Alibaba), febrero de 2026 (consultado el 15 de noviembre de 2026).
- Ministral 3 8B Instruct, ficha del modelo, Mistral AI (consultado el 15 de noviembre de 2026).
- Phi-4-reasoning-vision-15B, ficha del modelo, Microsoft, enero de 2026 (consultado el 15 de noviembre de 2026).
- Llama 4 Community License Agreement, Meta, 5 de abril de 2025.
- Repositorios oficiales y licencias: PEFT, TRL, Unsloth, Axolotl, vLLM, GitHub (consultados el 15 de noviembre de 2026).
Foto de portada: Yılmaz Kilim / Wikimedia Commons, dominio público (CC0).
Etiquetas: fine-tuning, ajuste fino, LoRA, RAG, modelos pequeños, IA especializada