Un modelo de lenguaje llega a ti sabiendo un poco de todo: escribe correos, resume textos, programa. Pero no sabe de lo tuyo: el tono de tu marca, la jerga clínica de tu hospital, el formato exacto en que tu empresa clasifica sus tickets. El fine-tuning (ajuste fino) es tomar ese modelo generalista y seguir entrenándolo con tus propios ejemplos, hasta que se especialice en tu tarea.
La analogía: contratar y capacitar
Piensa en el modelo base como un profesional recién egresado: tiene una formación amplia y sólida. El fine-tuning es la inducción en tu organización: le muestras cientos o miles de casos de "así se hace aquí" y ajusta lo que sabe para encajar en tu contexto. No aprende de cero —eso costaría millones—; parte de todo lo que ya sabe y se especializa.
Técnicamente, el modelo ya tiene sus pesos entrenados; el fine-tuning los sigue moviendo un poco con tus ejemplos, usando el mismo descenso de gradiente y backpropagation de siempre, pero partiendo desde un punto muy avanzado.
La pregunta clave: ¿fine-tuning, o basta con el prompt?
Este es el error más común: hacer fine-tuning cuando no hacía falta. Antes de entrenar nada, tienes dos alternativas más baratas:
- Ingeniería de prompts: darle mejores instrucciones y ejemplos dentro del mensaje. Cambio instantáneo, cero entrenamiento.
- RAG: darle acceso a tus documentos para que responda con información actualizada.
La distinción que ordena todo:
RAG le da conocimiento; el fine-tuning le da comportamiento.
Si el problema es que al modelo le falta información (datos de tu empresa, hechos recientes), casi siempre la respuesta es RAG. Si el problema es que necesitas una forma muy específica y consistente —un tono, un formato de salida, una habilidad especializada que el prompt no logra sostener—, ahí el fine-tuning brilla.
| Necesitas… | Herramienta |
|---|---|
| Información actualizada o privada | RAG |
| Un tono, estilo o formato consistente | Fine-tuning |
| Un ajuste rápido y barato | Prompt |
| Reducir costo por respuesta (prompts más cortos) | Fine-tuning |
Qué hace falta
El insumo del fine-tuning son ejemplos de la tarea ya resuelta: pares de entrada y la salida deseada. Para clasificar tickets, cientos de tickets con su categoría correcta; para imitar un tono, muchos textos escritos en ese tono. La calidad y consistencia de esos ejemplos importa más que la cantidad: unos cientos de ejemplos limpios superan a miles ruidosos y contradictorios.
LoRA: el fine-tuning que sí cabe en tu presupuesto
Reentrenar todos los pesos de un modelo grande es carísimo. Por eso hoy domina el fine-tuning eficiente, y en particular LoRA (Low-Rank Adaptation): en vez de mover los miles de millones de parámetros, se congela el modelo y se entrena solo un pequeño conjunto de parámetros nuevos que se le "acoplan". El resultado se acerca al fine-tuning completo por una fracción del costo y la memoria, y produce un archivo de ajuste liviano que puedes intercambiar según la tarea.
El riesgo a vigilar
El fine-tuning puede salir mal de dos formas conocidas. Puede sobreajustarse (overfitting) a tus ejemplos y volverse rígido; y puede sufrir olvido catastrófico: al especializarse demasiado, pierde parte de la habilidad general con la que venía. La disciplina de siempre aplica: separa un conjunto de evaluación, mide sobre datos que no usó para entrenar, y compáralo honestamente contra la versión sin ajustar. Si un buen prompt ya resolvía el problema, ese es tu punto de partida —y muchas veces, también el de llegada—.