¿Qué es un LLM en IA?

Si hoy preguntas a alguien qué es la inteligencia artificial, lo más probable es que te describa un chat. Esa respuesta no es del todo justa, pero tampoco es casual: detrás de ChatGPT, Claude, Gemini o Grok suele haber un LLM. La sigla se ha convertido en atajo para “la IA que habla”, y por eso conviene desmontarla con calma.

Un LLM —large language model, o modelo de lenguaje de gran tamaño— es, de forma general, una red neuronal entrenada con cantidades enormes de texto para modelar secuencias. No “entiende” el mundo como una persona; calcula qué token encaja mejor a continuación. Esa predicción repetida miles de veces es lo que acaba pareciendo una respuesta, un resumen o un trozo de código.

-IA Crew dice: El truco más caro de la década consiste en adivinar la siguiente palabrita con una seriedad de catedral.-

No es magia: es la siguiente ficha

Antes de pensar en frases, el modelo parte el texto en piezas llamadas token. Un token puede ser una palabra corta, un trozo de palabra, un signo o incluso un fragmento de código. El modelo no lee letras como nosotros; opera sobre esas fichas numeradas.

Cuando escribes un prompt, el sistema lo convierte en tokens, les asigna vectores y recorre capas de red. Al final sale una distribución de probabilidad sobre el siguiente token, no un veredicto filosófico. Se elige uno, se añade a la secuencia y se vuelve a tirar. Así, ficha a ficha, aparece un párrafo.

Esa mecánica explica rarezas que parecen misterio y no lo son. Si el modelo “se inventa” una cita o un paper, está completando un patrón plausible, no consultando un archivo secreto. También explica por qué un mismo prompt puede dar dos respuestas distintas: hay aleatoriedad controlada en la elección.

El transformer y por qué importó tanto

La arquitectura que hizo viable este salto fue el transformer, descrita en 2017 en el artículo Attention Is All You Need. La atención permite que cada token mire a otros tokens de la secuencia y decida cuáles importan más para predecir el siguiente.

Antes, las redes recurrentes iban palabra a palabra y se ahogaban en dependencias largas. El transformer procesa la secuencia en paralelo y escala mucho mejor cuando hay datos y chips de sobra. No es la única arquitectura posible, pero es la que ha dominado los LLM de texto de estos años.

El tamaño importa, aunque no exista un número mágico de parámetros que convierta un modelo en “large”. “Grande” es relativo a su época: lo que en 2018 parecía enorme hoy cabe en una tarjeta de consumo. Lo que sí se mantiene es la receta: muchos parámetros, mucho texto y mucho cómputo.

-IA Crew dice: Si el transformer fuera un electrodoméstico, su manual diría: “atiende a todo a la vez y pide una factura de electricidad que asusta”.-

Preentrenamiento, ajuste y la ventana que no es memoria humana

El preentrenamiento es la fase en la que el modelo ve texto a escala de internet —libros, código, webs, conversaciones— y aprende estadística del lenguaje. Ahí no se le enseña “ser útil”; se le enseña a continuar texto. Después suele llegar un ajuste: instrucciones, preferencias humanas, herramientas o datos de un dominio.

Otra pieza práctica es la ventana de contexto: cuántos tokens puede mirar de una sentada. No es memoria biográfica ni un disco duro; es el tablero visible en esa conversación. Si te sales del tablero, el modelo deja de “tener a mano” lo que quedó fuera, por muy brillante que sonara el mensaje anterior.

Por eso importan el prompt, los documentos que pegas y los sistemas que rodean al modelo. Un LLM suelto predice texto; un producto con herramientas, memoria y reglas convierte esa predicción en una tarea. La diferencia se nota cuando dejas de chatear y empiezas a pedirle que actúe.

Qué hace bien, dónde se rompe y por qué sigue siendo el centro

En la práctica, un LLM bueno resume, traduce, redacta, explica y escribe código con una fluidez que hace cinco años parecía ciencia ficción. Esa versatilidad viene de haber compactado patrones de muchísimos dominios en un solo modelo. No hace falta un sistema distinto para cada tarea pequeña de lenguaje.

También se rompe de formas predecibles. Alucina con seguridad, hereda sesgos del texto con el que se entrenó y se pierde si el contexto está mal cortado. No sustituye por sí solo una base de datos, un motor de búsqueda fiable ni un criterio humano cuando el error sale caro.

Aun así, el LLM se ha convertido en la pieza central de la IA generativa porque encaja en casi todo lo que pasa por texto: chats, agentes, IDEs, buscadores conversacionales y asistentes de empresa. Entender qué es —un predictor de tokens a gran escala, no un oráculo— sirve para usarlo con más oficio y menos fe.

Si te quedas con una frase, que sea esta: el modelo no “sabe” la respuesta; apuesta por la continuación más coherente con lo que ha visto. El resto —calidad de datos, alineación, herramientas y límites— es lo que decide si esa apuesta te ayuda o te complica el día.

-IA Crew dice: Llamarlo “inteligencia” vende más que “máquina de fichas con presupuesto de central nuclear”, y por eso la sigla ganó la pelea.-

Diccionario de la Crew

LLM — Modelo de lenguaje de gran tamaño: red neuronal entrenada con mucho texto para predecir y generar secuencias de tokens.

Token — Unidad mínima con la que trabaja el modelo: palabra, subpalabra, signo u otro fragmento de texto o código.

Transformer — Arquitectura de red, popularizada en 2017, que usa atención para relacionar tokens de una secuencia y escalar el entrenamiento.

Preentrenamiento — Fase inicial en la que el modelo aprende estadística del lenguaje a partir de corpora masivos, normalmente prediciendo el siguiente token.

Ventana de contexto — Cantidad de tokens que el modelo puede considerar a la vez en una inferencia; no equivale a memoria humana persistente.