Conceptos fundamentales

Aprendizaje por transferencia (transfer learning)

El aprendizaje por transferencia consiste en partir de un modelo ya entrenado en una tarea o dominio amplio y reutilizar ese conocimiento para una tarea nueva relacionada, en lugar de entrenar desde cero. Es la base económica de toda la IA moderna: en vez de que cada empresa entrene un modelo gigante (carísimo), parte de un modelo de fundación preexistente y solo lo adapta.

Por Ana María González Actualizado: 16 de mayo de 2026

Definición rápida

Respuesta directa

Explicación ampliada

Entrenar un modelo de lenguaje grande desde cero cuesta decenas o cientos de millones de euros y requiere infraestructura que casi ninguna organización posee. El aprendizaje por transferencia rompe esa barrera: un modelo de fundación ya ha aprendido representaciones generales del lenguaje (o de imágenes, audio, código) durante su pre-entrenamiento, y esas representaciones sirven como punto de partida para tareas específicas. La adaptación posterior puede ir desde un simple prompt bien diseñado, pasando por few-shot examples, hasta fine-tuning ligero (LoRA) o completo. Cuanto más se parezca la tarea objetivo al conocimiento ya presente en el modelo base, menos datos y menos cómputo hace falta para adaptarlo. Este principio explica por qué hoy una pyme puede tener un asistente especializado en su sector sin entrenar nada: aprovecha por transferencia todo el conocimiento del modelo de fundación y solo aporta el contexto propio. También explica un riesgo: si el modelo base trae sesgos o lagunas, se transfieren igualmente a la aplicación final.

Por qué importa para tu empresa

Aplicación práctica

Para una empresa, entender el aprendizaje por transferencia clarifica una decisión estratégica recurrente: casi nunca conviene entrenar un modelo propio; conviene partir de uno existente y adaptarlo por la vía más ligera que resuelva el problema. La regla práctica de menor a mayor coste: probar primero prompt + contexto; si no basta, RAG; si no basta, fine-tuning ligero; entrenar desde cero prácticamente nunca. Cada escalón multiplica coste y complejidad, así que se sube solo cuando el anterior demuestra ser insuficiente con datos.

Ejemplo concreto

Caso real

Una empresa de seguros española necesitaba un clasificador que asignara los correos entrantes a 14 categorías internas. La opción "entrenar un modelo propio" se presupuestó en más de 40.000 € y tres meses. La alternativa por transferencia —un modelo de fundación con 25 ejemplos en el prompt (few-shot) más una pequeña capa de validación— costó unos 1.200 € de desarrollo, alcanzó un 94% de acierto y entró en producción en dos semanas. El conocimiento lingüístico general del modelo base se transfirió a la tarea concreta sin entrenamiento adicional.