Un LLM (Large Language Model, o modelo de lenguaje grande) es un programa de inteligencia artificial entrenado con enormes cantidades de texto para predecir qué fragmento viene a continuación. De esa tarea sencilla salen capacidades útiles: redactar, resumir, traducir, explicar o escribir código.
Es el motor que hay detrás de asistentes como ChatGPT, Gemini o Claude. Esta guía explica cómo funciona, qué hace bien, dónde falla y cómo sacarle partido.
¿Qué es exactamente un modelo de lenguaje grande?
Es un tipo de red neuronal especializada en lenguaje. «Grande» se refiere a dos cosas: la cantidad de texto con la que se entrena y el tamaño del propio modelo, es decir, el número de parámetros que ajusta durante el aprendizaje.
Un parámetro es un valor numérico interno. El modelo los modifica millones de veces durante el entrenamiento hasta que sus predicciones mejoran.
Un LLM no guarda una enciclopedia que consulta. Aprende patrones estadísticos del lenguaje: qué palabras suelen ir juntas, cómo se estructura un argumento, qué tono tiene un correo formal. Por eso puede escribir un texto nuevo que nunca existió.
Encaja dentro de un marco más amplio. Si necesitas situarlo, repasa qué es la inteligencia artificial y qué es el machine learning. Un LLM es una aplicación concreta de ambos al procesamiento de lenguaje natural.
¿Cómo funciona un LLM por dentro?
A alto nivel, hay cuatro piezas: los tokens, el entrenamiento previo, la arquitectura Transformer y el ajuste posterior. Vamos una por una.
Tokens: las piezas con las que lee el modelo
Un LLM no lee palabras ni letras sueltas. Divide el texto en tokens, que son fragmentos: una palabra corta, la mitad de una larga, un signo de puntuación o un espacio.
Cada tokenizador parte el texto a su manera. Una palabra común suele ser un solo token. Una palabra rara o un nombre propio se trocea en varios.
Esto tiene consecuencias prácticas. El modelo trabaja con tokens, no con letras, y por eso a veces se equivoca al contar las letras de una palabra o al jugar con rimas.
Entrenamiento previo: aprender a predecir
En la fase de entrenamiento previo (pre-training), el modelo recibe cantidades enormes de texto. La tarea es siempre la misma: dada una secuencia de tokens, predecir el siguiente.
Si lee «La capital de Francia es», debe asignar una probabilidad muy alta a «París». Cuando falla, sus parámetros se corrigen un poco. Repetido a gran escala, el modelo acaba captando gramática, datos del mundo y estilos de escritura.
Al terminar, el resultado es un modelo base. Completa textos con soltura, pero no sabe obedecer instrucciones: si le escribes una pregunta, puede continuarla con otras preguntas.
Transformer: la arquitectura que lo hizo posible
Casi todos los LLM actuales usan la arquitectura Transformer, presentada en 2017 en el artículo «Attention Is All You Need». Su idea central es el mecanismo de atención.
La atención permite que el modelo, al procesar un token, pondere cuánto importan los demás tokens del texto. Así entiende que en «María le dijo a Ana que ella llegaría tarde» el pronombre depende del contexto.
Además, el Transformer procesa muchos tokens en paralelo. Eso permitió entrenar con volúmenes de texto que las arquitecturas anteriores no soportaban.
Ajuste con instrucciones y con preferencias humanas
Un modelo base todavía no sirve como asistente. Hace falta una segunda etapa, el ajuste con instrucciones: se le entrena con ejemplos de peticiones y buenas respuestas escritas por personas.
Después llega el ajuste con preferencias humanas. Evaluadores comparan varias respuestas del modelo y marcan cuál es mejor, más clara o más segura. El modelo se reajusta para producir respuestas del tipo que la gente prefiere.
Esta técnica se describe en el trabajo de investigación «Training language models to follow instructions with human feedback». Explica por qué un asistente responde con educación, estructura y cierta cautela.
¿Qué puede hacer un LLM y qué no?
Un LLM rinde bien en tareas donde el lenguaje es la materia prima. Piensa en lo que harías con un colega rápido, pero que no sabe qué es verdad.
- Resumir un informe largo en puntos clave.
- Reescribir un correo con otro tono.
- Traducir y adaptar textos entre idiomas.
- Explicar un concepto difícil con ejemplos.
- Escribir y revisar código o fórmulas de hoja de cálculo.
- Clasificar opiniones, correos o incidencias por tema.
Tiene tres límites que conviene conocer desde el primer día.
Alucinaciones: respuestas plausibles pero falsas
Un LLM genera el texto más probable, no el más verdadero. Si no sabe algo, puede inventarlo con total seguridad: una cita que no existe, una sentencia imaginaria, un dato mal atribuido.
A este fallo se le llama alucinación. Es más frecuente con datos muy concretos, nombres poco conocidos y preguntas que contienen una premisa falsa.
Regla práctica: cualquier dato que vayas a publicar, firmar o usar para decidir, se verifica en una fuente fiable. Esto vale el doble en temas de salud, legales o financieros, donde el modelo solo debe darte orientación general.
Contexto: la memoria de trabajo es limitada
El modelo solo «ve» lo que cabe en su ventana de contexto: tu conversación, los documentos que pegas y las instrucciones del sistema. Todo se mide en tokens.
Si la conversación es muy larga, las partes antiguas pueden quedar fuera o perder peso. Entonces el asistente «olvida» algo que dijiste al principio. La solución es recordarle lo esencial o empezar una conversación nueva con un resumen.
Fecha de corte: conoce el mundo hasta cierto día
El entrenamiento termina en una fecha. Lo que ocurrió después no forma parte de lo que el modelo aprendió.
Muchos asistentes pueden consultar la web o usar herramientas externas para compensarlo. Aun así, si preguntas por noticias recientes, comprueba si el asistente está buscando en internet o respondiendo de memoria.
¿Es lo mismo un LLM que un chatbot?
No. El LLM es el motor. El chatbot es el producto que lo envuelve con una interfaz de conversación, instrucciones previas, herramientas y, a veces, acceso a documentos o a la web.
| Aspecto | LLM | Chatbot o asistente |
|---|---|---|
| Qué es | Modelo entrenado que predice tokens | Aplicación que usa uno o varios modelos |
| Cómo se usa | Mediante código o interfaz de desarrollador | Escribiendo en una ventana de chat |
| Qué añade | Capacidad de lenguaje | Memoria de conversación, búsqueda, archivos, reglas de seguridad |
| Ejemplo | El modelo que hay dentro de ChatGPT, Gemini o Claude | ChatGPT, Gemini o Claude como aplicación |
| Límite típico | Alucinaciones y fecha de corte | Los mismos, atenuados por las herramientas que incorpora |
Un chatbot tampoco tiene por qué usar un LLM. Los antiguos chatbots de atención al cliente seguían guiones fijos. Si quieres construir uno propio, mira cómo crear un asistente virtual paso a paso.
Para ver ejemplos de producto, tienes la sección de asistentes de IA.
¿Y si buscabas el LL.M. de Derecho?
Una aclaración rápida. En el ámbito jurídico, la sigla LL.M. (del latín Legum Magister, «Master of Laws») designa un máster de posgrado en Derecho. No tiene relación con la inteligencia artificial.
La coincidencia es solo gráfica. Si buscas ese máster, consulta los requisitos y la oferta en la web de cada universidad.
¿Cómo usar un LLM para que responda bien?
El resultado depende mucho de lo que pides. Un buen prompt da contexto, define la tarea, acota el formato y señala qué no debe hacer el modelo.
Prueba esta estructura con un caso real: tienes un correo largo de un cliente enfadado y necesitas responder sin perder la calma.
Eres un responsable de atención al cliente de una tienda online de material deportivo.
Tarea: lee el correo del cliente que pego abajo y prepara una respuesta.
Condiciones:
- Tono empático y profesional, sin frases hechas.
- Máximo 120 palabras.
- No prometas reembolsos ni plazos concretos; indica que lo revisaremos.
- Si falta algún dato (número de pedido, fecha), pídelo al final.
Antes de la respuesta, resume en dos líneas qué reclama el cliente.
Correo del cliente:
"""
[pega aquí el correo]
"""Lo esperable es una salida con tres partes: un resumen breve de la queja, un borrador de respuesta cordial y concreto, y una petición final del dato que falte. No hay garantía de que salga perfecto, pero el borrador llegará más cerca de lo que necesitas que con un «responde a este cliente».
Cinco hábitos que mejoran cualquier prompt
- Da contexto. Quién eres, para quién escribes y con qué objetivo.
- Pide un formato. Lista, tabla, párrafo corto, correo.
- Pon límites. Longitud, tono y lo que debe evitar.
- Itera. Si la primera respuesta no sirve, di qué cambiar en lugar de empezar de cero.
- Verifica. Contrasta datos, cifras y citas antes de usarlos.
Hay datos que no conviene compartir. Evita pegar contraseñas, datos personales de terceros o documentos confidenciales salvo que tu organización lo permita y conozcas la política de privacidad del servicio.
Para una guía de uso paso a paso, tienes cómo usar ChatGPT. Si quieres profundizar en la terminología, consulta el glosario de inteligencia artificial. La documentación para desarrolladores de OpenAI también explica conceptos como tokens y contexto con ejemplos técnicos.
Si quieres empezar hoy, elige una tarea pequeña que ya haces a mano, como resumir una reunión o pulir un correo. Pégala en un asistente con la estructura del prompt de arriba y compara el resultado con el tuyo. Cuando veas dónde acierta y dónde inventa, sabrás en qué tareas fiarte.
Preguntas frecuentes
¿Un LLM entiende lo que dice?
Depende de qué se entienda por «entender». Un LLM maneja el significado con notable soltura, pero lo hace mediante patrones estadísticos, no mediante experiencia del mundo. Por eso puede razonar bien en un caso y fallar en otro parecido.
¿Cuál es la diferencia entre LLM e IA generativa?
La IA generativa es la categoría amplia: sistemas que crean contenido nuevo, ya sea texto, imágenes, audio o vídeo. Un LLM es la variante centrada en texto. Algunos asistentes combinan un LLM con otros modelos para trabajar con imágenes o voz.
¿Por qué un LLM se inventa cosas?
Porque está diseñado para producir texto plausible, no para comprobar hechos. Si no tiene la información, completa el hueco con lo que suena más probable. Pedirle que cite fuentes y verificarlas reduce el riesgo, pero no lo elimina.
¿Un LLM aprende de mis conversaciones?
No aprende en tiempo real de lo que escribes: sus parámetros no cambian durante la charla. Sin embargo, algunos servicios pueden usar las conversaciones para mejorar futuros modelos, según su política y tus ajustes. Revisa las condiciones de privacidad del servicio que uses.
