Ajuste fino con tus datos: qué es y cuándo compensa

Qué es el ajuste fino, en una frase

El ajuste fino (fine-tuning) consiste en reentrenar un modelo de lenguaje ya existente con ejemplos de tu empresa para que haga tu tarea concreta como la haría tu mejor empleado. No se crea nada desde cero: se parte de un modelo abierto actual, como Qwen3.8-27B o DeepSeek V4 Flash 0731, que ya domina el idioma y el razonamiento general, y se le enseña lo específico de tu negocio. La analogía honesta es la del empleado recién contratado con buena formación: ya sabe leer, escribir y pensar. El fine-tuning es su periodo de formación interna.

Qué aprende de verdad el modelo

Tres cosas, y las tres valen dinero. Primero, tu vocabulario: cómo llamáis a los productos, las siglas internas, la jerga del sector, el tono con el que se contesta a un cliente. Segundo, tu formato: si vuestros informes tienen siempre las mismas secciones, si un parte de incidencias se rellena de una manera exacta, si una respuesta a un cliente de banca nunca promete rentabilidades, el modelo lo interioriza y deja de necesitar un manual de instrucciones en cada petición.

Tercero, y lo más valioso: tu criterio. Qué es urgente y qué no. Qué reclamación se escala y cuál se responde con plantilla. Qué cláusula se acepta y cuál se marca para revisión. Ese criterio vive hoy en la cabeza de unas pocas personas de tu plantilla. El ajuste fino lo convierte en un activo de la empresa.

Qué NO es: tu base de datos no se memoriza

El malentendido más caro es pensar que el fine-tuning mete tus datos dentro del modelo para poder consultarlos después. No funciona así. El modelo aprende patrones, no registros. No es fiable para responder cuánto stock queda de una referencia, qué dice el contrato firmado ayer o qué tarifa está vigente este mes.

Para los datos que cambian cada día existe otra técnica: RAG, generación aumentada por recuperación. En lugar de reentrenar nada, el sistema busca los documentos relevantes en tus fuentes (tu ERP, tu gestor documental, tu base de datos) y se los pasa al modelo en el momento de la pregunta. Si el dato cambia, la respuesta cambia, sin tocar el modelo. Regla rápida: lo que cambia a diario va por RAG; lo que define cómo trabajáis va por ajuste fino.

Cuándo se combinan (casi siempre)

En la práctica no eliges uno u otro. Los sistemas serios combinan ambos: el ajuste fino pone el cómo (tono, formato, criterio) y el RAG pone el qué (los datos verdaderos de hoy). En un despacho legal, el RAG recupera las cláusulas del contrato concreto y la normativa aplicable, y el modelo ajustado las analiza con el criterio de la casa y devuelve el informe en vuestro formato. En una planta industrial, el RAG trae el histórico de mantenimiento de esa máquina, y el modelo ajustado redacta el parte como lo redactan tus técnicos veteranos.

Un modelo genérico con RAG da respuestas correctas pero anodinas. Un modelo ajustado sin RAG da respuestas con tu voz pero desactualizadas. Juntos se parecen a lo que quieres: un empleado bien formado y con acceso al archivo.

El requisito incómodo: tus datos, ordenados

Aquí tropiezan muchos proyectos, y conviene decirlo antes de firmar nada. Para ajustar un modelo necesitas ejemplos utilizables: pares de entrada con su salida correcta. Correos con la respuesta que se aprobó. Informes terminados junto a los datos de partida. Tickets con su resolución. No hace falta big data: pesa más la calidad que el volumen, y un conjunto pequeño de ejemplos limpios rinde más que un volcado masivo sin revisar.

Sí hace falta limpieza: quitar duplicados, descartar los malos ejemplos (el modelo aprende tus errores con el mismo entusiasmo que tus aciertos) y pasar el filtro del RGPD. Si los ejemplos contienen datos personales, hay que anonimizarlos o tener base legal para tratarlos antes de entrenar. Si hoy no tienes esos ejemplos recopilados, no es mala noticia: ya sabes cuál es el primer paso, y no consiste en comprar nada.

Cuándo compensa y cuándo no

Compensa cuando se dan tres condiciones a la vez: una tarea repetitiva y valiosa (respuestas a clientes, informes, clasificación de documentos), ejemplos suficientes de cómo se hace bien, y un motivo para que el modelo sea tuyo, ya sea confidencialidad, RGPD, el AI Act europeo o puro volumen de uso. No compensa para tareas esporádicas, ni cuando un modelo genérico con buenas instrucciones ya llega al nivel exigido, ni como atajo para no ordenar tus datos.

Y el resultado cabe en una oficina: un modelo de 70.000 millones de parámetros ocupa unos 140 GB en FP16, y cuantizado a NVFP4 se queda en unos 39 GB (0,5625 bytes por parámetro: 4 bits por valor y una escala FP8 por cada bloque de 16), dentro de lo que maneja un equipo compacto con 128 GB de memoria unificada como un DGX Spark. Si quieres concretar cifras, aquí explicamos qué GPU necesita tu empresa según el modelo que quiera ejecutar.