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

Un LLM, o modelo de lenguaje grande (large language model), es un tipo de IA entrenada con enormes cantidades de texto para que pueda 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 escribir código. Los modelos detrás de ChatGPT, Claude y Gemini son todos LLM.

Por qué importa cuando construyes 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, quizá 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 algo erróneo con total seguridad, por qué las conversaciones muy largas pueden hacer que pierda el hilo de los detalles anteriores y por qué añadir funciones de IA a tu app cuesta dinero por cada uso. No necesitas matemáticas: basta un modelo mental sólido.

Una analogía cotidiana

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

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. El modelo ve enormes cantidades 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. El modelo en bruto se refina 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 dado todo lo anterior.

No tiene dentro una base de datos de hechos, 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

Supón que diriges una tienda de plantas en línea y pegas esto en un LLM:

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

Esto es lo que ocurre:

• El texto se divide en tokens, quizá un centenar más o menos.
• El modelo lee todo: el mensaje del cliente, tu política y tu instrucción.
• Genera una respuesta token a token: «¡Hola! Lamentamos mucho que la maceta llegara rota…», y pide una foto mencionando la sustitución gratuita.

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

Términos clave explicados

Errores comunes e ideas equivocadas

• «Busca las cosas». Un LLM simple 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 confianza y la precisión no están relacionadas. 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 detalles anteriores pueden perderse o recibir menos atención. Repite lo que importa.
• «Piensa como una persona». Puede razonar sobre 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 es siempre mejor». Para una tarea sencilla y de gran volumen, un modelo más pequeño, barato y rápido suele ser la opción adecuada.
• Enviar datos privados sin comprobar. Antes de pegar datos de clientes en cualquier servicio de IA o de integrarlos en una app, revisa las condiciones del proveedor sobre uso y conservación de datos.

Qué pedir a tu constructor de IA

Cuando el LLM construye tu app:

• «Antes de cambiar nada, dime lo que has entendido y lo que vas a hacer.»
• «Aquí está el texto exacto de la política; úsalo palabra por palabra en lugar de inventar detalles.»
• «No adivines 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 un usuario puede hacer al día.»
• «Registra lo que 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 que construye en Mythex funciona con un LLM. Todos usan 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: usas 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 debes usar.

Preguntas