{"id":147,"date":"2025-11-07T12:25:47","date_gmt":"2025-11-07T17:25:47","guid":{"rendered":"https:\/\/marybernalj.com\/blog\/?p=147"},"modified":"2026-01-18T12:44:53","modified_gmt":"2026-01-18T17:44:53","slug":"como-funciona-realmente-un-llm-y-por-que-no-es-magia","status":"publish","type":"post","link":"https:\/\/marybernalj.com\/blog\/index.php\/2025\/11\/07\/como-funciona-realmente-un-llm-y-por-que-no-es-magia\/","title":{"rendered":"\u00bfC\u00f3mo funciona un LLM (y por qu\u00e9 no es magia)?"},"content":{"rendered":"\n

Entender c\u00f3mo funciona un modelo de lenguaje nos permite ir m\u00e1s all\u00e1 del asombro y usarlos con criterio, intenci\u00f3n y prop\u00f3sito. Porque la verdadera inteligencia no est\u00e1 solo en la tecnolog\u00eda, sino en c\u00f3mo decidimos guiarla.<\/em><\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Cada vez que escribimos una pregunta a un asistente basado en inteligencia artificial generativa y obtenemos una respuesta clara, estructurada y aparentemente razonada, ocurre algo curioso: tendemos a atribuirle comprensi\u00f3n. Pero lo que est\u00e1 pasando por dentro es mucho m\u00e1s interesante, y m\u00e1s t\u00e9cnico, que esa idea simplificada de \u201cla m\u00e1quina piensa o razona\u201d cuando solo reconoce patrones.<\/p>\n\n\n\n

Un modelo de lenguaje grande, o LLM, funciona a partir de una tarea muy concreta: predecir el siguiente elemento de texto m\u00e1s probable dado un contexto previo<\/strong>. Ese elemento no siempre es una palabra completa; muchas veces es un token<\/em>, que puede ser una s\u00edlaba, una parte de una palabra o incluso un signo de puntuaci\u00f3n. Antes de \u201centender\u201d un texto, el modelo lo descompone en estas piezas y trabaja matem\u00e1ticamente con ellas.<\/p>\n\n\n\n

Por ejemplo, si escribimos:<\/p>\n\n\n\n

\n

\u201cLa inteligencia artificial aplicada a la salud requiere datos de alta\u2026\u201d<\/em><\/p>\n<\/blockquote>\n\n\n\n

El modelo no completa la frase porque \u201csepa\u201d de salud, sino porque, al analizar millones de textos previos, ha aprendido que despu\u00e9s de esa secuencia suelen aparecer tokens como calidad<\/em>, resoluci\u00f3n<\/em> o confiabilidad<\/em>. Internamente, lo que ocurre es una distribuci\u00f3n de probabilidades: cada posible token recibe un valor, y el modelo selecciona uno seg\u00fan esa distribuci\u00f3n. La sensaci\u00f3n de coherencia emerge de esa estad\u00edstica refinada, no de una comprensi\u00f3n conceptual.<\/p>\n\n\n\n

Ese refinamiento se logra durante el entrenamiento. En una primera fase, el modelo se expone a enormes vol\u00famenes de texto y aprende a minimizar el error entre lo que predice y lo que realmente viene despu\u00e9s. T\u00e9cnicamente, esto se hace ajustando millones de par\u00e1metros mediante algoritmos de optimizaci\u00f3n. No hay etiquetas, no hay explicaciones humanas; solo un objetivo claro: reducir el error de predicci\u00f3n<\/strong>. En esta etapa, el modelo adquiere estructura ling\u00fc\u00edstica, relaciones sem\u00e1nticas y patrones de uso del lenguaje.<\/p>\n\n\n\n

Luego viene una segunda fase, m\u00e1s cercana a lo humano, donde el modelo se ajusta para seguir instrucciones, responder preguntas y mantener cierto tono o l\u00edmites. Aqu\u00ed entran ejemplos curados y retroalimentaci\u00f3n humana. Es importante entender esta diferencia, porque explica por qu\u00e9 un LLM puede escribir con gran soltura sobre casi cualquier tema, pero aun as\u00ed fallar en matices cr\u00edticos si no se le gu\u00eda bien.<\/p>\n\n\n\n

El verdadero salto t\u00e9cnico de los LLM est\u00e1 en la arquitectura Transformer<\/em> y, en particular, en el mecanismo de autoatenci\u00f3n<\/strong>. A diferencia de modelos antiguos que le\u00edan el texto de forma secuencial, un Transformer analiza una frase completa y calcula qu\u00e9 partes del texto son m\u00e1s relevantes entre s\u00ed. Cada token \u201cmira\u201d a los dem\u00e1s y asigna pesos: algunos fragmentos importan m\u00e1s que otros para interpretar el significado.<\/p>\n\n\n\n

Supongamos esta frase:<\/p>\n\n\n\n

\n

\u201cLos datos longitudinales permiten modelar la evoluci\u00f3n de la capacidad funcional en el envejecimiento.\u201d<\/em><\/p>\n<\/blockquote>\n\n\n\n

Cuando el modelo procesa la palabra evoluci\u00f3n<\/em>, presta m\u00e1s atenci\u00f3n a datos longitudinales<\/em> que a envejecimiento<\/em>, porque estad\u00edsticamente esa relaci\u00f3n es m\u00e1s fuerte para construir sentido. Este juego de pesos ocurre en m\u00faltiples capas, lo que permite captar relaciones simples y complejas al mismo tiempo. No es memoria en el sentido humano; es relevancia calculada en tiempo real<\/strong>.<\/p>\n\n\n\n

Ahora bien, esta misma l\u00f3gica explica uno de los fen\u00f3menos que m\u00e1s desconciertan a quienes usan estos modelos: su capacidad para equivocarse con elegancia. Un LLM no verifica hechos ni contrasta fuentes por s\u00ed mismo. Su funci\u00f3n objetivo no es la verdad, sino la coherencia ling\u00fc\u00edstica. Si una afirmaci\u00f3n es probable dentro del patr\u00f3n aprendido, puede aparecer como respuesta aunque sea incorrecta. Por eso es capaz de inventar referencias, fechas o autores sin \u201cdarse cuenta\u201d. No est\u00e1 mintiendo; est\u00e1 completando una secuencia de texto plausible.<\/p>\n\n\n\n

Aqu\u00ed es donde el uso consciente marca la diferencia. Un LLM es extraordinariamente \u00fatil para explorar ideas, generar borradores, explicar conceptos t\u00e9cnicos en lenguaje sencillo o simular escenarios. En investigaci\u00f3n, puede ayudar a pensar estructuras, identificar relaciones o incluso detectar inconsistencias narrativas. Pero no sustituye el juicio experto ni la validaci\u00f3n rigurosa. Funciona mejor cuando lo usamos como amplificador del pensamiento<\/strong>, no como su reemplazo.<\/p>\n\n\n\n

Entender c\u00f3mo funciona un LLM cambia la forma en que interactuamos con \u00e9l. Nos obliga a formular mejores preguntas, a dar m\u00e1s contexto y a evaluar cr\u00edticamente las respuestas. La inteligencia no est\u00e1 solo en el modelo; emerge de la interacci\u00f3n entre el sistema y la persona que lo gu\u00eda.<\/p>\n\n\n\n

Y quiz\u00e1 esa sea la idea central: la IA no nos ahorra pensar, nos invita a pensar mejor<\/strong>. La tecnolog\u00eda, por s\u00ed sola, no define el rumbo. El verdadero impacto aparece cuando combinamos capacidad t\u00e9cnica con intenci\u00f3n, criterio y prop\u00f3sito.<\/p>\n\n\n\n

<\/p>\n","protected":false},"excerpt":{"rendered":"

Entender c\u00f3mo funciona un modelo de lenguaje nos permite ir m\u00e1s all\u00e1 del asombro y usarlos con criterio, intenci\u00f3n y prop\u00f3sito. Porque la verdadera inteligencia no est\u00e1 solo en la tecnolog\u00eda, sino en c\u00f3mo decidimos guiarla. Cada vez que escribimos una pregunta a un asistente basado en inteligencia artificial generativa y obtenemos una respuesta clara, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[9],"tags":[8,22,25],"class_list":["post-147","post","type-post","status-publish","format-standard","hentry","category-inteligencia-artificial","tag-datascience","tag-datos","tag-ia"],"_links":{"self":[{"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/posts\/147","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/comments?post=147"}],"version-history":[{"count":2,"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/posts\/147\/revisions"}],"predecessor-version":[{"id":152,"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/posts\/147\/revisions\/152"}],"wp:attachment":[{"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/media?parent=147"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/categories?post=147"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/tags?post=147"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}