LLM: tres letras que están detrás de casi todo
LLM son las siglas de Large Language Model — modelo de lenguaje grande en español. Es el tipo de sistema de inteligencia artificial que hay detrás de ChatGPT, Claude, Gemini y prácticamente cualquier herramienta de IA con la que puedas mantener una conversación escrita hoy.
La palabra "grande" no es metafórica. Se refiere al tamaño del modelo en parámetros — los valores numéricos que el sistema ajusta durante el entrenamiento para aprender a generar lenguaje — y al volumen de texto con el que fue entrenado. Hablamos de cientos de miles de millones de parámetros y de corpus de entrenamiento que incluyen libros, artículos, foros, código, transcripciones y páginas web en decenas de idiomas.
Pero el tamaño es solo el contexto. Lo que importa entender es qué hace el modelo con todo eso.
La única cosa que hace un LLM
A pesar de todo lo que parecen capaces de hacer, los LLMs están entrenados para hacer una sola cosa: predecir qué token viene después del anterior. Un token es, aproximadamente, una palabra o fragmento de palabra. Cuando escribes una pregunta y el modelo genera una respuesta, lo que está haciendo es predecir, token a token, cuál es la continuación más probable de lo que has escrito.
Eso parece una operación muy simple. Y lo es, en cierto modo. Lo que no es simple es la escala a la que ocurre ni la cantidad de patrones que el modelo ha interiorizado para hacer esas predicciones con la precisión que tiene. El resultado es un sistema que puede escribir código, resumir documentos, traducir textos, responder preguntas complejas y mantener una conversación coherente — todo sin haber sido programado explícitamente para ninguna de esas tareas. Las aprendió de forma implícita al procesar suficiente texto humano.
Un LLM no busca respuestas en una base de datos. Las genera en el momento, token a token, basándose en los patrones que aprendió durante el entrenamiento. Por eso es flexible — y por eso también puede equivocarse.
Qué pasa exactamente cuando pulsas Enter
Cuando escribes un mensaje a un LLM, lo que envías — tu pregunta, más el historial de la conversación si lo hay — se convierte en la entrada del modelo. El sistema lo procesa y empieza a generar la respuesta de izquierda a derecha, una pieza de texto cada vez, hasta que considera que la respuesta está completa.
En cada paso, el modelo asigna probabilidades a todos los posibles tokens que podrían venir a continuación y selecciona uno — no siempre el más probable, porque eso generaría respuestas demasiado predecibles y repetitivas. Hay un parámetro llamado temperatura que controla cuánta variabilidad se introduce en esa selección. Temperatura alta, respuestas más creativas e impredecibles. Temperatura baja, respuestas más consistentes y conservadoras.
Todo esto ocurre en fracciones de segundo para cada token. Una respuesta de 300 palabras puede implicar varios cientos de estas operaciones encadenadas.
Por qué a veces la respuesta es incorrecta — y el modelo no lo sabe
Este es el punto que más cuesta entender a quien empieza a usar estas herramientas. Un LLM no tiene acceso a una fuente de verdad externa. No verifica lo que genera contra ninguna base de datos de hechos. Predice texto plausible, y texto plausible no es sinónimo de texto correcto.
Cuando el modelo no tiene información suficiente sobre algo — porque ese tema estaba poco representado en sus datos de entrenamiento, porque es un evento posterior a su fecha de corte, o simplemente porque la pregunta es muy específica — puede generar igualmente una respuesta con el mismo tono seguro que usaría para responder algo que sí sabe. A este fenómeno se le llama alucinación, y es una limitación estructural de cómo funcionan estos sistemas, no un fallo puntual que se pueda eliminar del todo.
La implicación práctica es clara: para tareas creativas, de síntesis o de razonamiento, los LLMs son herramientas muy potentes. Para obtener datos concretos, fechas, cifras o información reciente, conviene contrastar lo que generan con otras fuentes.
Un LLM no distingue entre lo que sabe y lo que no sabe. Puede inventar una cita, una estadística o un nombre con total convicción. En tareas donde los datos concretos importan, verifica siempre.
ChatGPT, Claude, Gemini — qué los diferencia
Los tres son LLMs, pero no son intercambiables. Comparten la misma arquitectura de base — transformers, entrenamiento con texto masivo, generación token a token — pero cada empresa ha tomado decisiones distintas que afectan al resultado.
El tamaño del modelo, la composición y calidad de los datos de entrenamiento, el proceso de alineación con valores humanos, las capacidades adicionales como búsqueda en tiempo real o análisis de imágenes — todo eso varía. Para la mayoría de tareas cotidianas las diferencias son menores. Para tareas muy específicas — razonamiento largo, código en un lenguaje concreto, respuestas en un idioma que no sea el inglés — vale la pena probar más de uno.
Lo que sí tienen en común es el mecanismo fundamental: todos predicen texto. Entender eso es entender por qué funcionan bien en unas cosas y mal en otras, con cualquiera de ellos.
Preguntas frecuentes
¿Qué es exactamente un LLM?
Un LLM (Large Language Model) es un sistema de inteligencia artificial entrenado con cantidades masivas de texto para aprender a predecir qué palabra o fragmento viene después de otro. ChatGPT, Claude y Gemini son ejemplos. Su capacidad de generar respuestas coherentes y útiles viene de haber procesado más texto del que cualquier persona podría leer en toda su vida.
¿En qué se diferencia de un buscador?
Un buscador encuentra páginas existentes que contienen tu consulta. Un LLM genera una respuesta nueva a partir de lo que aprendió durante su entrenamiento. No recupera información almacenada — la construye en el momento. Eso lo hace más flexible, pero también más propenso a equivocarse en datos concretos.
¿Por qué los LLMs a veces inventan información?
Porque su objetivo es generar texto coherente y plausible, no verificar hechos. Cuando no tiene información suficiente sobre algo, puede generar una respuesta que suena correcta pero no lo es. A esto se le llama alucinación. Ocurre más con temas poco documentados, datos muy específicos o eventos posteriores a la fecha de entrenamiento del modelo.