¿Qué es un LLM? Modelos de lenguaje grandes explicados fácil

Un LLM, o modelo de lenguaje grande (large language model), es un tipo de IA entrenada con enormes cantidades de texto para entender y generar lenguaje. Dado un texto, predice qué debería venir después, un pequeño fragmento cada vez, y esa capacidad sencilla resulta suficiente para responder preguntas, escribir, resumir, traducir y programar. Los modelos que hay detrás de ChatGPT, Claude y Gemini son todos LLM.

Por qué importa cuando creas con IA

Si construyes con un constructor de apps con IA, trabajas con un LLM de dos maneras. Primero, un LLM es quien construye: lee tu petición, planifica los cambios y escribe el código. Segundo, puede que quieras un LLM dentro de tu app — un chatbot, un botón de resumen, un asistente de escritura.

Entender lo básico ayuda en ambos casos. Explica por qué la IA a veces malinterpreta una petición vaga, por qué puede producir con seguridad algo incorrecto, por qué las conversaciones largas pueden hacerle perder el hilo de detalles anteriores y por qué añadir funciones de IA a tu app cuesta dinero por cada uso. No necesitas matemáticas, solo un modelo mental sólido.

Una analogía cotidiana

Imagina a alguien que ha leído una biblioteca inmensamente grande — libros, webs, manuales, código, foros — y se ha vuelto extraordinariamente bueno continuando cualquier texto de forma coherente. Dale el principio de un correo y lo terminará con tu tono. Hazle una pregunta y escribirá el tipo de respuesta que suele seguir a una pregunta así.

Pero no tiene apuntes que consultar, y la biblioteca cerró en una fecha concreta. Recuerda patrones, no busca datos. La mayoría de las veces los patrones son correctos. A veces rellena un hueco con algo que simplemente suena bien, con exactamente la misma seguridad.

Eso es un LLM: un escritor muy culto y muy fluido, con una memoria imperfecta y sin verificador de datos incorporado.

Cómo funciona un LLM, en términos sencillos

1. Entrenamiento. Al modelo se le muestra una cantidad enorme de texto y aprende, ajustando miles de millones de números internos (sus parámetros), a predecir el siguiente fragmento de texto. El diseño que usan la mayoría de los LLM se llama transformer, presentado por investigadores de Google en 2017.
2. Ajuste fino. El modelo bruto se refina después para seguir instrucciones, mantener una conversación y evitar respuestas dañinas, a menudo usando retroalimentación humana.
3. Uso (inferencia). Cuando envías un prompt, el modelo lo lee y genera una respuesta un token cada vez, eligiendo en cada paso el siguiente token más probable según todo lo anterior.

No tiene una base de datos de hechos dentro, y no sigue aprendiendo de tu chat. Todo lo que «sabe» en una conversación procede del entrenamiento o de lo que tiene delante en ese momento — su ventana de contexto.

Un ejemplo práctico: una respuesta de atención al cliente

Digamos que riges una tienda online de plantas y pegas esto en un LLM:

Un cliente escribe: «Mi pedido #4412 llegó con una maceta rota. ¿Qué pueden hacer?». Nuestra política: sustituimos los artículos dañados gratis en un plazo de 14 días si el cliente envía una foto. Escribe una respuesta amable.

Lo que ocurre:

• El texto se divide en tokens, quizá unos cientos.
• El modelo lee todo: el mensaje del cliente, tu política y tu instrucción.
• Genera una respuesta token a token: «¡Hola! Siento muchísimo que la maceta haya llegado rota…» y pide una foto, mencionando la sustitución gratuita.

Ahora prueba la misma petición sin la política. El modelo igualmente escribirá una respuesta amable y segura — pero quizá prometa un reembolso o un plazo de 30 días, porque son patrones comunes en los correos de atención al cliente que ha visto. Eso es una alucinación, y muestra la lección práctica más importante sobre los LLM: son tan precisos como la información que les das. Las apps que necesitan respuestas fiables le dan al modelo el material de referencia adecuado en cada consulta, una técnica llamada RAG.

Términos clave explicados

Errores comunes e ideas equivocadas

• «Busca cosas en internet». Un LLM normal no lo hace. Algunas apps añaden búsqueda web o recuperación de documentos, pero el modelo en sí genera a partir de patrones.
• «Si suena seguro, es correcto». La seguridad y la precisión no tienen relación. Comprueba nombres, cifras, fechas, precios y cualquier cosa legal o médica.
• «Recuerda todo lo que le dije». Solo recuerda lo que cabe en la ventana de contexto. En conversaciones muy largas, los primeros detalles pueden perderse o recibir menos atención. Repite lo que importa.
• «Piensa como una persona». Puede razonar con problemas de forma impresionante, pero no tiene objetivos, creencias ni conciencia de las consecuencias. Trata su respuesta como un borrador que hay que revisar.
• «Más grande o más nuevo siempre es mejor». Para una tarea sencilla y de alto volumen, un modelo más pequeño, barato y rápido suele ser la opción adecuada.
• Enviar datos privados sin comprobarlo. Antes de pegar datos de clientes en cualquier servicio de IA o integrarlos en una app, revisa las condiciones de uso de datos y de retención del proveedor.

Qué pedir a tu constructor de IA

Cuando el LLM está construyendo tu app:

• «Antes de cambiar nada, dime lo que has entendido y lo que vas a hacer.»
• «Aquí tienes el texto exacto de la política; úsalo palabra por palabra en lugar de inventar detalles.»
• «No supongas datos como precios o fechas. Deja un marcador y enuméralos para mí.»

Cuando quieres un LLM dentro de tu app:

• «Añade un botón [resumir] que llame a la API de [proveedor] desde el servidor. Guarda la clave de API en un secreto, nunca en el navegador.»
• «Incluye nuestras políticas en el prompt para que las respuestas se ajusten a ellas, y que diga “no lo sé” cuando no esté seguro.»
• «Limita la longitud de las respuestas y el número de peticiones que puede hacer un usuario al día.»
• «Registra cuánto cuesta cada petición para que pueda ver el uso.»

Para un recorrido paso a paso, consulta cómo añadir funciones de IA a tu app.

LLM y Mythex

El agente constructor de Mythex funciona con un LLM. Todo el mundo usa el mismo agente Standard — no hay selector de modelo — y construir consume créditos de Mythex. Las funciones de IA dentro de la app que construyes son aparte: traes tu propia clave de API de un proveedor como OpenAI o Anthropic, la guardas como secreto del proyecto y el proveedor te factura ese uso directamente. La receta de la documentación añadir IA a tu app muestra el prompt que hay que usar.

Preguntas