Un LLM es un modelo de lenguaje grande, un programa entrenado con cantidades enormes de texto para predecir qué palabra viene después de otra. Cuando le escribes una pregunta, calcula pieza a pieza la continuación más probable de tu texto y así redacta la respuesta.
Lo que parece una conversación es una predicción repetida a toda velocidad. ChatGPT, Gemini o Claude funcionan con modelos de este tipo.
Y si llevas un negocio, esto no es solo curiosidad. Que ChatGPT o Gemini citen tu web cuando alguien pregunta por lo que vendes, o que citen a tu competencia, depende de cómo aprende el modelo y de cuándo busca en internet.
Lo que hay dentro de un modelo de lenguaje grande (LLM)
Las siglas vienen del inglés large language model. Lo de grande se mide por dos cosas, el texto con el que se entrena y el número de parámetros, que son los valores internos que va afinando mientras aprende. GPT-3 ya tenía en 2020 175.000 millones de parámetros. Cuantos más, más matices capta, y más caro sale entrenarlo.
Los tokens, las piezas con las que trabaja el modelo
Un token es un trozo de texto, que puede ser una palabra corta, un fragmento de una larga o un signo de puntuación. Una palabra frecuente suele ser un solo token, y una rara le llega partida en varios.
El modelo parte el texto así porque, con un repertorio corto de piezas, puede formar cualquier palabra, incluso las que no ha visto nunca o las que llevan una errata.
La ventana de contexto es todo lo que el modelo puede tener a la vista mientras te responde, tu mensaje, lo que ya habéis hablado y los documentos que le pases. Se mide en tokens, y los modelos grandes de hoy admiten alrededor de un millón, que son muchas páginas, pero el límite está ahí.
Cuando se llena, lo más antiguo se recorta o se resume según cómo lo gestione cada asistente. Por eso en conversaciones muy largas parece que se le olvida lo que le dijiste al principio.
Los transformers y la parte que decide qué mira de lo que escribes
Casi todos los LLM actuales usan la arquitectura transformer, que un equipo de Google presentó en 2017 en el artículo "Attention Is All You Need". Se convirtió en el estándar porque lee de una vez todo el texto que le pasas, en lugar de ir palabra por palabra como los sistemas anteriores, y así se puede entrenar con mucho más material.
Su pieza central es el mecanismo de atención, que decide qué partes del texto importan para interpretar cada token. Piensa en esta frase, "El cliente llamó a la tienda porque el pedido que hizo en marzo, con tres cajas y una factura mal emitida, todavía no le había llegado".
Para entender a quién se refiere ese "le", el modelo tiene que conectarlo con "cliente", que está al principio, y no con "tienda" ni con "factura". La atención es lo que le permite relacionar palabras alejadas.
La predicción de la siguiente palabra, repetida miles de veces
El modelo no tiene un cajón de respuestas guardadas. Con lo que lleva escrito calcula la probabilidad de cada token posible, elige uno, lo añade al texto y repite el cálculo. Un artículo largo son miles de esas vueltas, y por eso la misma pregunta puede darte respuestas algo distintas cada vez.
Aun así, puede reproducir fragmentos literales de lo que leyó. Un equipo de investigadores extrajo cientos de secuencias textuales de los datos de entrenamiento de GPT-2, incluidos nombres, teléfonos y correos.
Lo que más se memoriza es lo que más se repite en los datos. Por eso puede devolverte tal cual un párrafo que está en mil webs, y no conviene dar por original lo que escribe.
El entrenamiento es lo que decide lo que sabe y lo que no
Un modelo pasa por varias fases antes de llegar a tus manos, y cada una deja su huella en cómo responde y en qué sabe.
Preentrenamiento, la fase en la que lee millones de textos de la web
En esta primera fase el modelo lee una cantidad enorme de texto y aprende a predecir la siguiente palabra. OpenAI publicó de dónde sacó los textos de GPT-3. Un 60 % venía de un archivo público de páginas web rastreadas llamado Common Crawl, un 22 % de páginas enlazadas desde Reddit, un 16 % de libros y un 3 % de la Wikipedia en inglés.
De los modelos actuales no sabemos la mezcla, porque las empresas ya no la publican con ese detalle.
El modelo necesita mucho texto y muy variado. Con pocos textos, o con los mismos repetidos, se los aprendería de memoria. Con millones de formas distintas de explicar un precio o describir un producto, aprende cómo se hace y puede aplicarlo a uno que no ha visto nunca.
Para tu negocio esto significa que lo que estaba publicado y accesible en la web es todo lo que el modelo pudo aprender sobre ti.
Después, unas personas le enseñan a responder
Un modelo recién salido del preentrenamiento continúa textos, pero no sabe seguir instrucciones. El ajuste fino lo corrige con ejemplos escritos por personas, pares de instrucción y respuesta como "resume este correo en dos líneas" seguido del resumen bien hecho.
Después se afina con valoraciones humanas. En InstructGPT, el trabajo de OpenAI de 2022 que dio pie a ChatGPT, varias personas puntuaron qué respuestas preferían y el modelo se volvió a entrenar para parecerse a las mejor valoradas. Esa fase es la que le da el tono servicial y ordenado de cualquier asistente.
La fecha de corte y cuándo sale a buscar en internet
Un modelo aprende con textos recogidos hasta un día concreto, y a partir de ahí deja de enterarse. Ese día es lo que se llama fecha de corte. Lo que publiques después, un servicio nuevo, un cambio de precios o una ley reciente, queda fuera de lo que aprendió.
Para cubrir ese hueco, los asistentes pueden buscar en internet mientras responden, pero no lo hacen en cada pregunta. Lo decide el propio sistema y no hay reglas públicas que lo detallen. Por lo que se observa, busca sobre todo en preguntas de actualidad o que piden datos concretos, y tú también puedes pedírselo.
Ahí es donde tu web puede entrar en la respuesta. Cuando el asistente busca, lee varias páginas y cita algunas. Trabajar una web para estar entre esas citas es lo que se llama GEO, optimización para motores generativos. Para comprobar si ya apareces, te explicamos cómo saber si ChatGPT cita tu web.
Un LLM, ChatGPT y la inteligencia artificial (IA) generativa no son lo mismo
La IA generativa es la categoría amplia, la de los sistemas que crean contenido. Un LLM es la parte que se dedica al lenguaje. GPT es una familia de LLM de OpenAI, y ChatGPT es el producto, el chat construido sobre esos modelos. Hoy casi todos los LLM comerciales entienden también imágenes, así que hacen más cosas que solo texto.
Además, no todos los LLM son iguales. Hay dos diferencias que se notan al usarlos.
- Base o ajustado para conversar. El modelo base sale del preentrenamiento y solo continúa texto, el ajustado es el que usas en un chat.
- Propietario o de pesos abiertos. El propietario no se puede descargar, solo se usa pagando por su servicio. En los de pesos abiertos la empresa publica lo que el modelo ha aprendido, sus pesos, así que puedes instalarlo en tus servidores y ajustarlo con tus datos.
Por último, llms.txt suena parecido pero no es un modelo. Es un fichero que Jeremy Howard propuso en septiembre de 2024 para que las webs resumieran su contenido pensando en los LLM. Google Search dice en su guía de optimización para funciones de IA generativa que no lo usa, así que para salir en Google no te hace falta.
Estos son seis de los modelos que hay detrás de los asistentes más usados. Los agrupamos por familia, porque las versiones cambian cada pocos meses.
| Modelo | Empresa | Tipo | En qué destaca |
|---|---|---|---|
| GPT | OpenAI | Propietario, aunque OpenAI publica también dos modelos abiertos | Está detrás de ChatGPT y de Microsoft Copilot |
| Gemini | Propietario | Integrado en el buscador de Google, en Android y en Workspace | |
| Claude | Anthropic | Propietario | Muy usado para programar y para tareas largas de varios pasos |
| Muse Spark | Meta | Propietario, Meta dice que abrirá versiones futuras | Es el que usa Meta AI en WhatsApp, Instagram y Facebook desde 2026, en lugar de Llama, que sí es abierto |
| Mistral | Mistral AI, Francia | Pesos abiertos | Es europeo y está detrás del asistente Le Chat |
| DeepSeek | DeepSeek, China | Pesos abiertos | Se descarga gratis, así que puedes usarlo en tus servidores sin pagar por cada consulta |
Para qué los están usando ya las empresas
Según el INE, el 21,1 % de las empresas españolas de 10 o más empleados ya usaba inteligencia artificial a principios de 2025, casi 9 puntos más que el año anterior. La media europea es parecida y, entre las empresas grandes, Eurostat la sube al 55 %.
Esas cifras cuentan cualquier tipo de IA, pero la parte que más se usa es la del texto, que es justo lo que hace un LLM.
En la práctica, se están usando para cosas como estas.
- Atención al cliente. Un chat que responde dudas de envíos o plazos a partir de tus políticas y pasa a una persona lo que no sabe resolver.
- Redacción y traducción comercial. Fichas de producto o correos de campaña en dos idiomas a partir de un borrador.
- Resumen de documentación interna. Un contrato de 40 páginas reducido a sus cláusulas de pago y penalización.
- Clasificación de correos o incidencias. Separar soporte, facturación y ventas antes de que alguien los abra.
- Apoyo a la programación. Escribir un script que cruza dos hojas de cálculo o revisar código antes de publicarlo.
- Análisis de opiniones. Leer quinientas reseñas y sacar las tres quejas que más se repiten.
A veces se lo inventa, y conviene saber hasta dónde fiarte
Una alucinación es una respuesta falsa dicha con seguridad, como una cifra, una cita o una fuente que no existen. OpenAI explica que pasa porque el entrenamiento y las evaluaciones premian acertar y no premian reconocer que no se sabe. Una respuesta en blanco puntúa cero y una apuesta a veces acierta, así que el modelo aprende a apostar.
Además arrastra los sesgos de los textos con los que aprendió. Si en la web pesan más ciertos países, idiomas o perfiles, el modelo tiende a reproducir esa mirada, y en español puede responderte con referencias pensadas para el mercado estadounidense.
Antes de dar por bueno lo que te devuelve, piensa qué pasaría si estuviera mal. Comprueba siempre las cifras, las fechas, los precios, lo que citas de una ley y cualquier texto que vaya a leer un cliente. Un borrador interno o una lluvia de ideas aguantan errores pequeños, porque alguien los va a mirar después.
Un LLM aprendió de la web hasta una fecha, unas personas le enseñaron después a responder y, cuando le hace falta, sale a buscar lo que no sabe. Con eso redacta, resume y clasifica muy bien, se inventa cosas cuando no sabe, y de tu negocio solo puede contar lo que encuentre publicado.
Si quieres saber si tu web está preparada para que la encuentren en Google y en estos asistentes, le echamos un ojo. Pide tu análisis SEO gratuito, revisamos 41 factores y te mandamos un vídeo con lo que mejoraríamos.
