No existe un número mágico de ejemplos para afinar un modelo de IA con los datos de tu empresa. Depende de lo que quieras que aprenda, y pesan más la calidad y la variedad de los ejemplos que su cantidad. Unos pocos casos bien resueltos, revisados por una persona y que cubran las situaciones reales suelen valer más que un montón de casos repetidos, descuidados o contradictorios.
«¿Cuántos ejemplos necesito?» es la primera pregunta que hace casi todo el mundo cuando oye hablar de afinar (fine-tuning) un modelo, y la respuesta honesta es que quien te dé una cifra sin haber visto tu caso está adivinando. Lo que sí puedes hacer es prepararte para que, cuando alguien lo evalúe, tus datos estén en condiciones. Y antes de eso, comprobar si afinar es lo que de verdad necesitas, como explicamos en qué probar primero: instrucciones, tus datos o afinar el modelo.
¿Por qué no hay una cifra universal?
Porque «ejemplos suficientes» depende de tres cosas que cambian de una empresa a otra: lo difícil que es la tarea, lo distinto que debe ser el resultado respecto a lo que el modelo ya hace bien y la variedad de situaciones con las que se va a encontrar. Enseñar a un modelo a responder siempre con un formato concreto es una tarea pequeña. Enseñarle a clasificar reclamaciones con un criterio propio, con muchas excepciones, es mucho mayor. Por eso un proveedor serio no te promete una cantidad de entrada: hace una prueba pequeña, mide qué mejora y calcula a partir de ahí cuántos ejemplos más compensan. Si te piden un volumen cerrado antes de ver tus datos, pide que te expliquen de dónde sale.
Calidad antes que cantidad
Un ejemplo, en este contexto, es un caso real con su solución correcta: la consulta de un cliente y la respuesta que habría dado tu mejor persona, o la factura y los datos bien extraídos. El modelo aprende de lo que le enseñas, incluidos los fallos. Si entre los ejemplos hay respuestas descuidadas, contradictorias o desactualizadas, el modelo las aprenderá. Más ejemplos malos no mejoran el resultado; lo empeoran con mayor seguridad aparente. Por eso tiene más valor una colección pequeña, revisada una a una, que una enorme volcada sin criterio desde el archivo de correos.
Variedad: que estén los casos raros, no solo los de siempre
Los ejemplos tienen que parecerse a lo que el modelo se va a encontrar de verdad. Si casi todos tus ejemplos son consultas fáciles, el modelo sabrá hacer bien lo fácil y fallará justo en lo que más cuesta. Conviene incluir los casos habituales, pero también las excepciones, las preguntas mal formuladas, los clientes enfadados y las situaciones en las que lo correcto es no contestar y pasar a una persona. Esto último es especialmente importante: un modelo afinado solo con casos resueltos aprende a contestar siempre, incluso cuando no debería.
Qué preparar antes de plantearse afinar
Un recorrido sencillo para reunir un material útil, sin necesidad de entender la técnica:
- Reúne casos reales ya resueltos de la tarea concreta que quieres mejorar. No de todo el negocio: de una tarea.
- Que una persona de tu equipo los revise y marque los que considera buenos. Los dudosos se apartan o se corrigen.
- Unifica el criterio. Si dos personas resuelven el mismo caso de forma distinta, decidid cuál es la forma correcta antes de entregar nada.
- Protege los datos personales. Los casos reales suelen llevar nombres, teléfonos o datos de clientes. Conviene quitarlos o sustituirlos antes de compartirlos, y consultar con quien lleve tu protección de datos qué tratamiento corresponde y si el proveedor puede usarlos.
- Guarda un grupo aparte para comprobar. Una parte de los casos buenos no se usa para enseñar: se reserva como examen, para ver si el modelo afinado responde mejor que el original con casos que no ha visto. Es la forma de saber si merece la pena, y se explica en qué es un dataset de referencia.
¿Cómo sé si afinar me va a compensar?
Compensa si, después de probar con mejores instrucciones y con acceso a tus documentos, el modelo sigue fallando de la misma manera, tienes casos buenos suficientes y variados para enseñarle esa diferencia, y la tarea se repite tantas veces que el esfuerzo se amortiza. Lo razonable es empezar con una prueba pequeña, medirla con el grupo reservado de casos y decidir con esos resultados, no con una intuición. Si la mejora es clara y estable, se amplía; si es pequeña, probablemente sea más rentable seguir mejorando instrucciones y documentos. Además, hay que contar con el mantenimiento: si tus procedimientos o tus precios cambian, parte del trabajo de preparación hay que repetirlo.
Errores frecuentes al preparar los ejemplos
- Mezclar épocas: usar respuestas de hace años que ya no reflejan cómo trabajáis.
- Copiar sin revisar: volcar todo el correo sin separar lo bueno de lo malo.
- Olvidar los casos de «pasar a una persona»: el modelo debe saber cuándo no contestar.
- Incluir datos personales sin necesidad: además de arriesgado, no mejora el resultado.
- No separar un grupo de comprobación: sin él nunca sabrás si el afinado ha mejorado algo.
- Esperar que enseñe datos que cambian: los precios y las tarifas deben consultarse en los documentos, no memorizarse.
Qué hace el agente y qué sigue haciendo una persona
El modelo afinado aprende patrones de los casos que le enseñas, pero no sabe cuáles son buenos. Esa decisión es humana. Una persona de tu equipo debe seleccionar los ejemplos, resolver las contradicciones, revisar con regularidad una muestra de lo que el modelo produce y decidir cuándo reentrenarlo. Y las decisiones delicadas (legales, fiscales, financieras, sobre personas) las toma siempre un profesional, aunque el modelo haya aprendido a prepararlas. Si quieres una visión más amplia del proceso, tienes cómo entrenar un modelo de IA con los datos de tu empresa y qué es un dataset de entrenamiento.
Conclusión
La pregunta de cuántos ejemplos hacen falta se responde mejor con otra: ¿tienes casos bien resueltos, variados, revisados y limpios de datos personales? Con eso, y con una prueba pequeña medida contra un grupo de comprobación, se sabe si afinar compensa. Sin eso, ninguna cifra sirve.
En MG Solutions construimos agentes de IA específicos para cada empresa, adaptados a tu forma de trabajar y a tus herramientas, no una plantilla genérica.
Si quieres ver cómo encajaría en tu empresa, escríbenos y lo hablamos.