Glosario de IA Models & Architecture
¿Qué es un modelo de lenguaje grande (LLM)?
LLM (Large Language Model)
← Todos los términos del glosarioRed neuronal entrenada con enormes cantidades de texto para predecir la siguiente palabra, lo que le permite redactar, resumir, traducir y responder preguntas.
Explicación
Un modelo de lenguaje grande (LLM) es una red neuronal, casi siempre basada en la arquitectura transformer, entrenada con grandes corpus de texto para predecir el siguiente token de una secuencia. Hacerlo a esa escala le da una capacidad amplia para generar texto coherente, seguir instrucciones, responder preguntas, resumir, traducir y escribir código. Familias conocidas son GPT, Claude, Gemini, Llama y Mistral. Por sí solo, un LLM solo sabe lo que había en sus datos de entrenamiento; en la empresa se combina con la recuperación de documentos propios, herramientas y guardarraíles.
Cómo funciona un LLM
Un LLM divide el texto en tokens (trozos de palabras) y aprende, durante el preentrenamiento, a predecir qué token viene después. La arquitectura transformer le permite relacionar cada parte de la entrada con todas las demás. Eso es lo que hace posibles respuestas largas y coherentes.
Tras el preentrenamiento, el modelo se ajusta para seguir instrucciones y comportarse de forma segura, a menudo con feedback humano. Cuando lo usas, genera la respuesta token a token, a partir del prompt y del contexto que le des.
Para qué usan las empresas un LLM
- Asistentes que responden sobre documentos internos, combinados con recuperación (RAG).
- Redactar y resumir correos, informes, contratos y actas.
- Clasificar y extraer datos de texto no estructurado: tickets, siniestros, facturas.
- Atención al cliente por chat y por voz.
- Escribir y revisar código.
- Hacer de motor de razonamiento de agentes de IA que llaman a herramientas y sistemas.
Límites que hay que prever
- Puede dar respuestas fluidas pero falsas (alucinaciones). Las salidas importantes necesitan fuentes o comprobaciones.
- Su conocimiento acaba en su fecha de corte, salvo que le des datos actuales.
- Tiene una ventana de contexto finita: solo considera una cantidad limitada de texto a la vez.
- El coste y la latencia crecen con el tamaño del modelo y con la longitud de prompts y respuestas.
- Los datos sensibles y la regulación (RGPD, Reglamento de IA de la UE) condicionan qué modelo puedes usar y dónde se ejecuta.
Preguntas frecuentes
¿Qué significa LLM?
LLM son las siglas de large language model, modelo de lenguaje grande. «Grande» se refiere al número de parámetros y al volumen de texto de entrenamiento; «modelo de lenguaje», a un modelo que estima qué palabra o token es probable que venga después.
¿ChatGPT es un LLM?
ChatGPT es una aplicación construida sobre LLM de la familia GPT de OpenAI. El LLM es el modelo; ChatGPT le añade la interfaz de chat, la memoria, las herramientas y las capas de seguridad.
¿Qué diferencia hay entre un LLM y la IA generativa?
La IA generativa es la categoría amplia de modelos que crean contenido: texto, imagen, audio, vídeo o código. Un LLM es el tipo de modelo generativo especializado en lenguaje, y hoy es el más usado en la empresa.
¿Cómo se entrena un LLM?
Primero se preentrena con un corpus de texto muy grande para predecir el siguiente token. Después se adapta con ajuste por instrucciones y, a menudo, aprendizaje por refuerzo con feedback humano, para que siga peticiones y evite respuestas dañinas. Las empresas casi nunca entrenan uno desde cero: usan un modelo existente y lo adaptan con prompts, recuperación o fine-tuning.
¿Puede un LLM usar los datos de mi empresa?
Sí, normalmente sin reentrenarlo. El patrón habitual es la generación aumentada por recuperación: se buscan los documentos relevantes y se pasan al modelo junto con la pregunta. Los permisos de acceso, la residencia de los datos y el registro de uso hay que diseñarlos desde el principio.
¿Qué LLM es mejor para una empresa?
Depende de la tarea, el idioma, el coste por petición, la latencia y dónde se pueden procesar los datos. Muchas organizaciones combinan un modelo grande para el razonamiento complejo con otros más pequeños para tareas sencillas y de mucho volumen. Lo sensato es probarlos con tus propios casos antes de elegir.
Guías de decisión que usan este término
- LLM open source vs propietarios: ¿cómo debe elegir una empresa?
- Un único proveedor de IA vs estrategia multimodelo: ¿conviene apostar por uno solo?
- AI gateway o integraciones directas por API: ¿cómo conectar tus aplicaciones a los modelos?
- Ventanas de contexto largas o RAG: ¿sigue haciendo falta un pipeline de recuperación?
- Modelos de razonamiento o LLM estándar: ¿cuándo compensa pagar por pensar más?
- IA por licencia o por consumo: ¿qué modelo de precio encaja con el uso real que hará tu organización?
- Modelos de lenguaje pequeños o grandes: ¿cuál debe resolver tu caso de uso?
Cómo llevarlo a la práctica
Dónde aparece en Thinkia
Para seguir leyendo
Términos relacionados
Fuentes
- Vaswani et al. · Attention is all you need (arXiv, en inglés)
- Brown et al. · Language models are few-shot learners (arXiv, en inglés)
- Ouyang et al. · Training language models to follow instructions with human feedback (arXiv) (en inglés)
Actualizado: 2026-10-21