El fine-tuning es reentrenar un modelo de IA ya hecho con tus propios datos para especializarlo en una tarea o un estilo. En cristiano: coges un modelo que ya sabe de todo y le das clases particulares de lo tuyo.
Qué es el fine-tuning
Los modelos como Claude o GPT vienen entrenados con medio internet. Saben de todo, pero de nada en concreto de tu empresa. El fine-tuning ajusta ese modelo con ejemplos tuyos (tus textos, tus casos, tu tono) para que rinda mejor en tu terreno.
No confundas esto con darle contexto en el chat. Cuando pegas un documento en una conversación, el modelo lo usa un momento y lo olvida. El fine-tuning cambia el modelo por dentro: ajusta sus parámetros de forma permanente, así que ese comportamiento nuevo se queda ahí cada vez que lo uses.
Cómo funciona
Le das un montón de ejemplos de entrada y salida deseada (por ejemplo, correos y cómo los respondes tú), y el modelo ajusta sus parámetros para imitar ese patrón. Ojo con un matiz clave: no aprende datos nuevos que puedas consultar, aprende un comportamiento o un estilo.
Hay varias formas de hacerlo, y no todas sirven para lo mismo:
- Supervised fine-tuning (SFT): le enseñas pares de pregunta y respuesta correcta. Es el más común, y funciona bien para clasificar texto, traducir o generar contenido con un formato fijo.
- DPO (preference optimization): le das dos respuestas a la misma pregunta y le dices cuál prefieres. Va bien cuando quieres afinar el tono o el estilo, no solo el contenido.
- Reinforcement fine-tuning (RFT): alguien experto puntúa las respuestas del modelo y el modelo aprende a repetir lo que puntúa mejor. Se usa sobre todo en modelos de razonamiento y tareas técnicas.
Cuánto cuesta el fine-tuning
Pagas dos veces: el entrenamiento en sí (normalmente por hora de cómputo o por millón de tokens de tu dataset) y luego el uso normal del modelo ya afinado, como con cualquier otro modelo.
A julio de 2026, OpenAI está reduciendo su plataforma clásica de fine-tuning y limitando qué modelos se pueden ajustar, así que si te interesa conviene mirar su documentación oficial actualizada antes de comprometer presupuesto. Anthropic, por su parte, no ofrece fine-tuning público de Claude: su recomendación es resolver la personalización con buen prompting, ejemplos en el propio prompt o RAG. En cualquier caso, cuenta con que un fine-tuning serio (dataset limpio, varias rondas de prueba) es un proyecto de días, no de una tarde.
Fine-tuning vs RAG: cuál elegir
Se confunden mucho, y la diferencia importa para no gastar de más:
- Fine-tuning cambia CÓMO responde el modelo (tono, formato, tarea). Caro y lento, y se queda anticuado cuando tus datos cambian.
- RAG cambia CON QUÉ responde: le das acceso a tus datos en vivo. Barato y siempre al día.
Para la mayoría de empresas, RAG resuelve el 90% de los casos. El fine-tuning tiene sentido cuando necesitas un estilo o un comportamiento muy concreto y estable, no cuando lo que quieres es que el modelo conozca información nueva.
Cuándo tiene sentido el fine-tuning
Casos donde de verdad compensa:
- Necesitas que el modelo responda siempre en un formato muy rígido (una estructura JSON concreta, un guion de atención al cliente exacto).
- Quieres reducir la longitud del prompt en producción porque el volumen de peticiones es enorme y cada token cuenta.
- Trabajas en un dominio muy especializado (jerga médica, legal o técnica interna) donde el modelo base falla de forma sistemática.
Te lo digo con la carta sobre la mesa: yo no hago fine-tuning. Para lo que construyo en Barner y Digital Brain, conectar los datos por RAG y MCP me sobra, y lo puedo cambiar en minutos sin reentrenar nada. Pero conviene que sepas qué es para no pagar por algo que no necesitas, o para pedirlo cuando de verdad toca.
Preguntas frecuentes
¿El fine-tuning es solo para programadores?
Hace falta preparar un dataset limpio y saber usar una API, así que sí, requiere perfil técnico. No es algo que hagas desde el chat normal.
¿El modelo afinado aprende cosas nuevas de mi empresa?
Aprende un estilo o un comportamiento, no hechos concretos que pueda citar bien. Para eso (que sepa tus precios, tus políticas, tus documentos) usa RAG, no fine-tuning.
¿Se puede deshacer un fine-tuning?
El modelo base no se toca, tú creas una versión nueva a partir de él. Si el resultado no te convence, simplemente vuelves a usar el modelo original.
En una frase
El fine-tuning especializa un modelo con tus datos para cambiar cómo responde. Útil para casos muy concretos, pero para la mayoría, conectar tus datos con RAG sale mejor y más barato.
Cada día resumo lo importante de la IA en la newsletter de Digital Brain, y los miércoles voy a fondo con un tema práctico: digitalbrain.email.
Relacionado
