Qué es
Partes de un modelo ya entrenado y lo ajustas con un conjunto de ejemplos tuyos. El modelo "aprende" tu estilo y lo aplica sin que se lo repitas en cada prompt.
Por qué importa a una agencia
Sirve cuando necesitas una salida muy consistente (tono de marca, formato fijo). Para conocimiento que cambia, casi siempre conviene RAG, que es más barato y flexible.
Ejemplo
Fine-tunear un modelo para que siempre responda con la voz y el formato de reportes de tu agencia.
En numeros
OpenAI acepta fine-tuning desde 10 ejemplos, pero la mejora clara aparece con 50 a 100 ejemplos de calidad. A diferencia de RAG, el conocimiento queda congelado en el modelo: para actualizarlo hay que reentrenar, mientras que en RAG basta reindexar el documento nuevo. Un dataset de entrenamiento tipico pesa menos de 10 MB: son 100 conversaciones de ejemplo, no gigabytes.