¿Qué es el fine-tuning? RAG, datos necesarios, precios y disponibilidad

«Quiero adaptar la IA a mi empresa». Una opción es el fine-tuning: el entrenamiento adicional de un LLM preentrenado con datos adaptados a un uso concreto. La cantidad de datos, los costes y los servicios disponibles varían, por lo que primero conviene establecer una referencia para medir las mejoras. Esta guía explica qué hace el fine-tuning, sus ventajas, cómo se compara con RAG y las instrucciones mediante prompts, los métodos principales, los requisitos y cómo empezar.

1. ¿Qué es el fine-tuning?

El fine-tuning consiste en entrenar adicionalmente un modelo de IA ya entrenado (el modelo base) con datos de tu caso de uso para ajustar sus patrones de respuesta. Por ejemplo, puede buscar que responda con el estilo de tu empresa, utilice un formato determinado o se adapte a terminología especializada. El objetivo es enseñar esos patrones al propio modelo.

Puedes imaginarlo como la formación de una nueva incorporación. Incluso una persona competente —el modelo base— desconoce las prácticas de tu empresa. El entrenamiento con ejemplos de la empresa busca adaptar las respuestas a esas prácticas y permite evaluar si bastan instrucciones más breves. El fine-tuning actualiza los pesos del modelo (parámetros) o adaptadores adicionales.

Un «modelo personalizado» no significa que seas propietario del modelo subyacente. Distingue entre acceder a un modelo mediante una API y gestionar sus pesos por tu cuenta, y revisa la licencia y las condiciones de distribución del modelo base.

2. Ventajas y limitaciones

Entender mal su objetivo puede conducir al fracaso. El fine-tuning es una opción para ajustar patrones de respuesta como el estilo, la clasificación y el seguimiento de instrucciones; no es un mecanismo que incorpore automáticamente información aparecida después del entrenamiento.

Si el objetivo es manejar con precisión información actual o datos internos, RAG (recuperar información y añadirla al contexto) encaja mejor que el fine-tuning. Este último permite acercar las respuestas al tono o formato deseado. Si necesitas un formato como JSON, compara también las salidas estructuradas de los modelos compatibles. La guía de salidas estructuradas de OpenAI distingue entre cumplir el formato y que los valores sean correctos en cuanto a significado, y explica cómo gestionar las negativas a responder.

3. Cómo elegir entre RAG, prompts y fine-tuning

Estas tres formas habituales de personalizar la IA tienen funciones y factores de coste diferentes. La tabla ofrece una visión general.

Una orientación útil es: «RAG para hechos y conocimientos; fine-tuning para comportamiento y patrones; primero los prompts». En producción puedes combinar RAG para aportar documentos y fine-tuning para ajustar respuestas, pero no todos los sistemas necesitan ambos. Esto se relaciona con la ingeniería de contexto.

4. Métodos principales: completo, LoRA y QLoRA

SFT aprende de las salidas deseadas. DPO utiliza preferencias entre respuestas, mientras que RFT utiliza señales como las puntuaciones de un evaluador. El fine-tuning completo, LoRA y QLoRA forman una clasificación diferente: se refieren a qué parámetros se actualizan y a la precisión numérica. Los servicios de API no permiten necesariamente elegir libremente la implementación interna. Consulta la guía de métodos de entrenamiento de OpenAI.

Hay varias formas de hacer fine-tuning. Para empezar, conviene entender estas tres.

La documentación oficial de PEFT y los artículos originales sobre LoRA y QLoRA explican los mecanismos. Sus resultados experimentales no garantizan el mismo rendimiento en todos los modelos.

Elige el fine-tuning completo, LoRA o QLoRA según los recursos disponibles y los resultados de evaluación. Que un método falle no demuestra que los demás también vayan a fallar. Con un LLM local, también puede ser posible realizar una prueba pequeña en tu PC.

5. Datos, costes y herramientas

Datos necesarios: el mínimo aceptado no equivale a la cantidad necesaria para lograr calidad útil

La guía SFT de OpenAI informa de mejoras con 50–100 ejemplos y recomienda revisar la tarea o el prompt si 50 ejemplos no producen mejoras. Es una orientación para SFT de OpenAI, no una prueba de que todos los métodos exijan 500 ejemplos. Cumplir el mínimo de envío y obtener una calidad útil son cuestiones distintas.

Antes de aumentar la cantidad, comprueba si los ejemplos se parecen a las entradas reales, las respuestas son correctas, las clases están equilibradas adecuadamente y existen duplicados o contradicciones. Separa los datos de entrenamiento y evaluación para que las reformulaciones de una misma pregunta no aparezcan en ambos conjuntos e inflen los resultados. Enseñar una respuesta correcta cuando la entrada no contiene la información necesaria para deducirla puede favorecer las conjeturas sin fundamento. Consulta la guía de OpenAI sobre calidad de datos y separación de los datos de evaluación.

Precios: incluye el uso posterior, no solo el entrenamiento

Si se factura por tokens, parte de «tokens de entrenamiento facturables ÷ un millón × precio unitario»; si se factura por tiempo, utiliza «tiempo facturable × tarifa por hora». Revisa qué tokens o periodos cuentan y cómo trata el proveedor los fallos y reintentos. Si gestionas el entrenamiento, estima también las pasadas por los datos, la longitud de entrada, el número de GPU y el tiempo de ejecución.

Estos dos ejemplos utilizan métodos y unidades distintos, y proceden de las tarifas Standard de la tabla oficial de precios de OpenAI, consultada el 10 de octubre de 2026. Que aparezcan aquí no significa que puedan registrarse nuevos usuarios; consulta las condiciones de disponibilidad más abajo.

Está previsto retirar o4-mini y su versión ajustada de este ejemplo de precios el 23 de octubre de 2026. Consulta el aviso oficial de retirada de OpenAI antes de elegir un modelo.

Son precios de fine-tuning e inferencia de la API, no de suscripciones a ChatGPT. El procesamiento por lotes y el intercambio de datos pueden tener tarifas propias, por lo que «$25–$100 por millón de tokens» no es un precio común a todos los métodos. Incluye las condiciones de intercambio y las tarifas de inferencia en tu cálculo.

Si buscas ahorrar, mide si el coste por petición realmente baja después del entrenamiento. Dividir el coste de implantación entre el ahorro por petición da una estimación del volumen necesario para amortizarlo, pero solo si la calidad de las respuestas es comparable y el ahorro es positivo. Con pocas peticiones, el ahorro en inferencia puede no compensar la preparación.

Disponibilidad: retirada gradual de OpenAI y entrenamiento autogestionado

Fuente: cambios de disponibilidad del fine-tuning de autoservicio de OpenAI, consultados el 10 de octubre de 2026. Que una tabla de precios o una guía siga disponible no demuestra que tu organización pueda empezar.

Para entrenar por tu cuenta un modelo cuyos pesos puedas gestionar, SFTTrainer de Hugging Face TRL es una opción. Comprueba las licencias del modelo y los datos, la memoria de la GPU, la longitud de entrada, los métodos admitidos y dónde se almacenan los datos. Si recurres al servicio gestionado de otro proveedor, verifica también los modelos, las regiones, las condiciones contractuales y las unidades de facturación en sus especificaciones actuales.

6. Una prueba pequeña para decidir su adopción

El siguiente plan es un ejemplo para clasificar consultas como «envíos», «devoluciones» u «otras». No es un informe de entrenamientos, rendimiento medido ni facturas de este artículo.

1. Define criterios de aceptación: registra la precisión de clasificación, la gestión de casos inciertos, el tiempo de respuesta y el coste por petición. Registra los errores graves por separado del rendimiento medio.
2. Mide el rendimiento de referencia: organiza las instrucciones y los ejemplos y evalúa con datos que no se usarán para entrenar. Distingue entre falta de instrucciones, falta de información y decisiones del modelo.
3. Elige un método que responda a la causa: si falta material de referencia, revisa el sistema de recuperación. Si el problema está en los criterios de decisión o en los patrones de respuesta, incluye el fine-tuning en la comparación. No siempre es necesario probar RAG primero.
4. Comprueba las condiciones de ejecución: verifica la disponibilidad, el modelo, el presupuesto, los permisos de uso de los datos, el envío externo y el almacenamiento antes de planificar un entrenamiento pequeño.
5. Compara con la misma evaluación: plantea las mismas preguntas al modelo base y al ajustado. Incluye entradas no vistas, otros idiomas, textos largos y peticiones que deberían rechazarse.
6. Decide si adoptar, ajustar o aplazar: compara las mejoras de calidad, los costes, la latencia y el trabajo operativo. Si no hay mejoras, revisa los datos o la configuración en lugar de sustituir inmediatamente el modelo en producción. Conserva una versión a la que puedas volver.

Después del entrenamiento, sigue vigilando los ámbitos donde aumentan los errores, las actualizaciones de información y la retirada de modelos base. El rendimiento durante el entrenamiento no demuestra por sí solo que el modelo maneje entradas nuevas. La guía de evaluación de OpenAI también recomienda separar los datos de entrenamiento y prueba.

Resumen

Tres ideas sobre el fine-tuning:

• Qué es: entrenamiento adicional de un modelo preentrenado para ajustar sus patrones de respuesta actualizando pesos o adaptadores adicionales.
• Cómo elegir: identifica si el problema está en la información de referencia, las instrucciones o los patrones de respuesta, y compara métodos en las mismas condiciones.
• Cómo empezar: comprueba la disponibilidad, el presupuesto y los permisos de uso de datos. Los datos necesarios y los costes varían según el método, el modelo y el caso de uso.

El fine-tuning es una opción de mejora cuya eficacia debe comprobarse mediante evaluación. Completar un entrenamiento y mejorar la calidad en el trabajo real requieren comprobaciones distintas. Las guías sobre RAG y ingeniería de contexto ayudan a entender el panorama de la personalización de IA. Otra técnica relacionada para reducir el tamaño de los modelos es la destilación de modelos.

Preguntas frecuentes