Un modelo de lenguaje grande o LLM (large language model) es un modelo entrenado con grandes colecciones de texto para estimar qué token debe aparecer a continuación dado un contexto. Al repetir esa predicción, puede generar texto, transformar información y seguir instrucciones.
El tamaño ayuda a aprender patrones complejos, pero «grande» no tiene un umbral universal. Un LLM no es una base de datos ni una aplicación completa: es un componente probabilístico que necesita contexto, controles y evaluación.
Cómo funciona
La mayoría de los LLM actuales utiliza la arquitectura Transformer, presentada en 2017. Durante el preentrenamiento, el modelo ajusta millones o miles de millones de parámetros para reducir errores de predicción sobre grandes conjuntos de datos. Después puede recibir ajustes adicionales para seguir instrucciones, respetar preferencias o especializarse.
En una interacción normal ocurre algo distinto del entrenamiento:
- la entrada se divide en tokens;
- esos tokens se representan numéricamente y se procesan junto con su posición y contexto;
- el modelo calcula una distribución de probabilidad para el siguiente token;
- el sistema selecciona uno y repite el proceso hasta terminar.
El modelo no «busca» automáticamente una respuesta en Internet o en los sistemas de la empresa. Si necesita información actual o privada, la aplicación debe proporcionársela mediante contexto, RAG o herramientas.
Qué aporta y qué no
| Capacidad | Utilidad habitual | Límite que debe recordarse |
|---|---|---|
| Generación | redactar, resumir o transformar | puede producir contenido plausible sin respaldo |
| Clasificación | asignar categorías con ejemplos e instrucciones | necesita criterios y casos límite |
| Extracción | convertir texto en campos estructurados | requiere validar esquema y evidencia |
| Razonamiento aplicado | descomponer tareas y proponer pasos | una explicación convincente no garantiza corrección |
| Uso de herramientas | preparar llamadas a funciones | los permisos y la ejecución pertenecen a la aplicación |
Ejemplo empresarial
Un equipo utiliza un LLM para convertir correos de incidencias en un resumen, una categoría y los datos del pedido. El modelo interpreta lenguaje variable; una regla valida los campos; el sistema de pedidos aporta el estado real; y una persona revisa los casos de alto impacto.
El LLM no sustituye al sistema de registro. Su función es interpretar y producir una propuesta que el resto de la arquitectura puede comprobar.
Cómo elegir y evaluar un LLM
La comparación debe partir de la tarea, no de una clasificación general. Un modelo puede destacar en código y fallar en extracción jurídica; otro puede ser suficiente con menor coste y latencia.
Prueba casos normales, ambiguos, largos, adversariales e irresolubles. Mide exactitud de la decisión, evidencia, formato, abstención, seguridad, tiempo y coste por resultado aceptado. Registra la versión concreta: el comportamiento puede cambiar aunque la interfaz sea la misma.
También importa la arquitectura de servicio: residencia y retención de datos, controles empresariales, capacidad, disponibilidad, contratos y posibilidad de cambiar de proveedor.
Qué no debe confundirse con un LLM
- Chatbot: interfaz conversacional que puede utilizar uno o varios modelos.
- Agente de IA: sistema que dirige pasos y herramientas; el LLM puede ser su motor de decisión.
- Modelo fundacional: categoría más amplia que puede trabajar con lenguaje, imagen, audio u otras modalidades.
- IA generativa: conjunto de modelos y aplicaciones que producen contenido; no toda IA generativa es un LLM.
- RAG: arquitectura que aporta información externa al contexto del modelo.
La decisión útil
No elijas «el mejor LLM». Define primero la unidad de trabajo, el resultado verificable y el coste del error. Después selecciona el modelo mínimo que alcance el nivel necesario dentro de una arquitectura controlable.
Fuentes y lecturas recomendadas
- Vaswani et al., Attention Is All You Need, arquitectura Transformer, 2017.
- Google for Developers: large language model, definición y conceptos relacionados, consultado el 20 de agosto de 2026.
- NIST AI 600-1, perfil de IA generativa, riesgos y evaluación de sistemas generativos, julio de 2024.
Definición y vigencia revisadas el 20 de agosto de 2026.