Es una técnica de entrenamiento que ayuda a cerrar la brecha entre la teoría de la IA y los resultados prácticos en producción. A diferencia del aprendizaje supervisado, no requiere datos etiquetados por humanos, ya que el modelo aprende a partir de la propia estructura de los datos. Su importancia radica en que reduce las alucinaciones y mejora la calidad de las respuestas al permitir que el modelo aprenda patrones complejos de forma autónoma. Funciona mejor con grandes volúmenes de datos curados y el uso inteligente de ventanas de contexto y ""guardrails"".