Conocimiento · Fundamentos de IA

LLM · Modelo de lenguaje a gran escala

Large Language Model

📂Fundamentos de IA⏱Lectura de 2 min📊Introductorio🔗5 relacionados

¿Qué es un LLM?

Definición en una línea
Gran modelo de lenguaje (Large Language Model), es decir, una gran red neuronal que aprende de textos masivos, predice 'la siguiente palabra' y genera oraciones. Es el cerebro de ChatGPT y Claude.
⚡ Resumen en 3 líneas
  • Predice la 'siguiente palabra' con base en textos masivos
  • Una red neuronal que genera oraciones
  • El cerebro de ChatGPT y Claude

Lo que realmente cambió el LLM no es la calidad de las respuestas, sino la forma de dar instrucciones al trabajo. Antes, para crear una función que clasificara los correos de consulta por tipo, había que programar las reglas en código y registrar las excepciones una por una. Hoy basta con una instrucción y algunos ejemplos para empezar la misma tarea. Por eso el punto de partida de la automatización pasó del departamento de desarrollo a los profesionales que mejor conocen el trabajo. A cambio, la calidad del resultado depende de la redacción y no del código, así que la responsabilidad de decidir hasta dónde se puede confiar y qué se envía también recae en las áreas de operación.

En la práctica hay que distinguir al menos tres cosas. La ventana de contexto es la cantidad de texto que el modelo puede ver a la vez; según el producto, va de decenas de miles a cientos de miles de tokens (en español, una palabra suele ocupar uno o dos tokens). Además, lo que se pega en esa conversación desaparece al terminarla. Los datos de entrenamiento tienen un corte en el tiempo, así que el modelo no conoce, por ejemplo, el reglamento interno modificado el mes pasado ni la lista de precios de este trimestre. Para incorporar el conocimiento de la empresa hay tres caminos: pegarlo directamente en el prompt, buscarlo y añadirlo con RAG, o ajustar el estilo y el formato con fine-tuning. Si lo que importa es la precisión, normalmente conviene empezar por RAG y dejar el fine-tuning para después.

En la práctica, el malentendido más frecuente es creer que «como metimos nuestros documentos, el modelo ya aprendió». Un documento pegado en la ventana de chat no se aprende: solo se le muestra por un momento, así que al cerrar la ventana el modelo ya no lo conoce. Además, un LLM no es ni calculadora ni base de datos, así que las cifras como totales de ventas o cantidades en stock salen mal con mucha seguridad. Que la misma pregunta produzca respuestas distintas no es una falla: es consecuencia de que el modelo encadena palabras por probabilidad. Si esa respuesta se copia tal cual en una cotización para un cliente o en un texto contractual, salen al mundo cláusulas inexistentes o números de modelo descontinuados, y lo siguiente es redactar un correo de disculpa.

Capacitaciones en las que aparece este término · IA·DX
Cursos recomendados · Instructores recomendados · Mini cotización
🧮 Mini cotización · Criterio de honorarios
Aprox. KRW 1,200,000 (≈ US$900)Charla especial de 2 horas · hasta 20 personas · en coreano
Solicitar cotización formal con estas condiciones →
💡 Dicho de forma sencilla
Con una lectura enorme, acierta «la palabra que viene después» como si lo adivinara: así construye las oraciones.
Por qué es importante en la práctica
Es el corazón de la IA generativa. Si se entiende cómo funciona un LLM, se pueden manejar mucho mejor los prompts, el RAG y las alucinaciones.
LLM vs. sLM (modelo de lenguaje pequeño)
DiferenciasLLM (grande)sLM (pequeño)
EscalaDecenas de miles de millones+ de parámetrosRelativamente pequeño
FortalezasGeneral y de alto rendimientoBajo costo · rápido · en el dispositivo
CostoAltoBajo
UsoTareas complejas y variadasAjuste fino (fine-tuning) para usos específicos
Origen y fuentes

La arquitectura Transformer, base de los LLM actuales, se presentó en 2017 en el artículo «Attention Is All You Need», de investigadores de Google. Sobre ella se construyeron GPT, Claude y Gemini.

Fuente · Vaswani et al., « Attention Is All You Need » (2017, Google) · Ver original
Entender con un caso

Veamos un caso hipotético. La empresa A distribuye piezas industriales, tiene 210 colaboradores y una facturación anual de unos KRW 120,000,000,000 (≈ US$89,816,300). El equipo de atención al cliente, de 6 personas, atiende unos 140 correos diarios de consultas técnicas, y en temporada alta las respuestas se atrasaban dos días y ventas recibía quejas constantes. Durante tres meses se hizo un experimento para generar borradores de respuesta con un LLM.

  1. El jefe del equipo de atención al cliente separó por tipo 4,200 correos de los últimos tres meses y comprobó que el 62% eran consultas sobre especificaciones o compatibilidad, cuya respuesta ya estaba en el catálogo de productos.
  2. El jefe de sección de sistemas de información pegó el catálogo completo y pidió respuestas; el modelo respondió como si un modelo descontinuado hace dos años siguiera en stock.
  3. Por eso se cambió a un método que primero busca en más de 900 PDF internos y incluye solo los párrafos relevantes como base de la respuesta, y al final de cada respuesta se indican el nombre del documento fuente y la página.
  4. El director comercial fue tajante: 'nunca entregues una respuesta sin fuente'. Por eso lo configuramos para que, si no encuentra evidencia, no genere un borrador y muestre solo «Se requiere confirmación del responsable».
  5. Tres meses después, el tiempo de respuesta promedio por caso bajó de 18 minutos a 6 minutos, el 74% de los borradores se envió casi sin cambios y los correos devueltos por error pasaron de 31 al mes a 7.
Términos relacionados
Herramientas de IA relacionadas
Capacitaciones relacionadas con este término
📚Capacitación en ChatGPT y herramientas de IACapacitación corporativa de Nanum Consultoría · presencial/en líneaVer curso →
¿Necesita capacitación interna sobre este tema?
Reciba de inmediato un currículo y una cotización personalizados para su equipo.
Consultar sobre capacitación
Última modificación 2026-09-13 · Revisado por John Kim

Preguntas frecuentes

LLM es un tipo de IA generativa que trabaja con el 'lenguaje'. Los modelos que generan imágenes o voz son otra cosa.
En general, su rendimiento es alto, pero también aumentan los costos y la lentitud. En la práctica, lo importante es elegir un modelo del tamaño adecuado para cada tarea.
El LLM es el ejemplo más representativo de modelo de 'lenguaje' dentro de la IA generativa. La IA generativa abarca también imágenes y voz.
No necesariamente. Lo importante es que el tamaño se ajuste a la tarea. Hay muchos modelos pequeños con muy buen rendimiento.