Corte de conocimiento
La fecha en que terminan los datos de entrenamiento de un modelo. Todo lo ocurrido después no existe para él — no puede saber que pasó, y tampoco sabe que no lo sabe.
La fecha de lanzamiento suele caer varios meses más tarde, porque el entrenamiento, la evaluación y el trabajo de seguridad llevan tiempo, así que un modelo nunca está fresco cuando sale. El efecto se nota más en temas que cambian rápido: versiones de bibliotecas, cambios de API, precios y quién ocupa qué cargo. El modelo a menudo responde con aplomo desde el mundo que aprendió, lo cual es más difícil de detectar que un "no lo sé". La contramedida es conectarle búsqueda web o RAG para que la información actual entre en el contexto. Nótese además que un modelo con frecuencia declara mal su propio corte — ese dato es, en sí mismo, algo que solo puede haber aprendido de forma indirecta.