Un LLM (Large Language Model, o gran modelo de lenguaje) es una red neuronal entrenada con cientos de miles de millones de tokens de texto para generar, traducir, resumir y razonar sobre lenguaje natural. ChatGPT los puso en el mapa en noviembre de 2022, pero la arquitectura que los hace posibles data de 2017, cuando Google publicó «Attention is All You Need» y cambió de raíz cómo se construyen estos modelos.
Cómo funciona un LLM
La arquitectura dominante es el transformer, presentado por Google en 2017. Su mecanismo de atención evalúa la relevancia de cada palabra respecto al contexto completo, sin leer el texto de forma secuencial como hacían los sistemas anteriores. Eso le permite responder sobre documentos extensos con una precisión que los modelos previos no alcanzaban.
El entrenamiento tiene dos fases. En el preentrenamiento el modelo procesa cientos de miles de millones de tokens de libros, páginas web, código y artículos científicos, y aprende patrones estadísticos del lenguaje. Después llega el fine-tuning, donde el modelo se especializa con datos más concretos para alinearlo con criterios de utilidad y seguridad, o para tareas específicas.
Hay dos grandes enfoques en el mercado:
- BERT (enmascarado): predice palabras ocultas dentro del texto. Funciona bien en tareas de comprensión y clasificación.
- GPT (autorregresivo): predice la siguiente palabra a partir del texto anterior. Es el enfoque de los modelos generativos más conocidos, GPT-4o y Claude entre ellos.
El coste de la inferencia —ejecutar el modelo para responder una consulta— también ha bajado con avances como EAGLE 3.1, que demuestra que mejorar el software puede acelerar los LLM sin tocar el hardware.
Los modelos más destacados en 2025 y 2026
Desde 2020, cuando Microsoft presentó Turing NLG con 17.000 millones de parámetros, el ritmo ha sido difícil de seguir. Los modelos de frontera actuales superan los cientos de miles de millones de parámetros y, en arquitecturas de mezcla de expertos (MoE), pueden superar el billón.
OpenAI mantiene la familia GPT-4o y los modelos de razonamiento o1 y o3. Anthropic lanzó Claude Fable 5, un modelo que reposiciona la apuesta de la compañía en la carrera de los modelos de frontera. Google compite con Gemini 2.5 Flash y Pro. Meta mantiene Llama como la opción de código abierto más adoptada. DeepSeek irrumpió en enero de 2025 con un modelo que igualaba en benchmarks —MMLU y HumanEval— a los mejores modelos cerrados con una fracción del coste de entrenamiento, y su presencia en empresas estadounidenses no ha dejado de crecer desde entonces. La compañía cerró su primera ronda externa de 7.400 millones de dólares, lo que refuerza su posición como uno de los laboratorios que marcan el ritmo del sector.
También hay propuestas como MiniMax M3, que combina código y agentes con una ventana de contexto de un millón de tokens y compite en precio con los modelos propietarios.
Los LLM no se limitan al texto. Los más avanzados incorporan entrenamiento con datos de imagen, audio y vídeo. LLaVA, por ejemplo, conectó un codificador visual con un LLM y alcanzó un 92,53% de precisión en Science QA, un benchmark estándar de razonamiento científico.
Para qué sirven en una empresa
Las aplicaciones corporativas llevan dos años saliendo de la fase piloto para entrar en producción real. Las más habituales son estas:
- Generación de contenido: borradores, propuestas comerciales, resúmenes de documentos y traducciones. Actúa como asistente de redacción, no como sustituto del criterio humano.
- Atención al cliente: chatbots que resuelven consultas frecuentes y derivan al agente humano cuando el caso lo requiere, recortando tiempos de respuesta sin perder calidad en los casos simples.
- Desarrollo de software: asistentes como GitHub Copilot o Cursor reducen el tiempo que los equipos dedican a depurar y escribir funciones repetitivas.
- Análisis de documentos: los LLM con ventanas de contexto largas —algunos superan el millón de tokens— pueden leer contratos, informes o bases de conocimiento internas y responder preguntas sobre ellos.
- Ciberseguridad: detección de phishing, generación de informes de incidentes y análisis de logs, además de red team automatizado para identificar vulnerabilidades.
La integración en software empresarial ya no es experimental. SAP llegó a un acuerdo con Anthropic para llevar agentes de IA al núcleo de sus soluciones de negocio. El siguiente paso es la IA agéntica: sistemas que no solo responden preguntas sino que toman decisiones y ejecutan tareas de forma autónoma, lo que plantea preguntas serias sobre control y supervisión corporativa.
Límites reales que conviene tener presentes
Los LLM cometen errores. Pueden generar información incorrecta con total confianza —un fenómeno conocido como alucinación— y no razonan de forma deductiva: procesan patrones estadísticos, lo que les permite dar respuestas plausibles pero no siempre correctas en problemas que requieren lógica formal.
El coste de entrenamiento acota quién puede competir en este espacio. Entrenar un modelo como GPT-4 cuesta decenas de millones de dólares y exige infraestructura de GPU al alcance de muy pocos. Para la mayoría de empresas la alternativa es usar los modelos vía API, lo que plantea preguntas legítimas sobre privacidad de datos y dependencia de terceros. OpenAI y Anthropic parecen encaminarse hacia una guerra de precios por los tokens, un movimiento que puede cambiar el cálculo para muchas organizaciones. Revistacloud analiza cómo el modelo de negocio de la IA empieza a parecerse más a un servicio de suministro que a un producto de software, una lectura útil si estás evaluando qué proveedor elegir a largo plazo.
El sesgo es otro problema real. Los modelos aprenden de internet y heredan sus sesgos. Las versiones más recientes incluyen técnicas de alineamiento para reducirlos, aunque ningún sistema es completamente neutral.
Quién puede trabajar con LLMs hoy
Desplegar un LLM ya no requiere perfiles muy técnicos. Hay APIs accesibles, interfaces sin código y herramientas de orquestación que permiten construir aplicaciones sin tocar el código del modelo. Para quien quiere mantener los datos en casa, proyectos como Odysseus llevan la experiencia de modelos avanzados a infraestructura propia. La demanda de profesionales que sepan integrar y gestionar esta infraestructura sigue siendo alta, con propuestas de formación específica de 500 horas para cubrir ese hueco.
Preguntas frecuentes
¿Qué diferencia hay entre un LLM y ChatGPT?
ChatGPT es una aplicación construida sobre GPT-4, con una interfaz de conversación y ajustes de alineamiento encima. Un LLM es el modelo de base; ChatGPT es una forma de acceder a él.
¿Cuántos parámetros tiene un LLM grande?
Los modelos pequeños (SLM) tienen entre 1.000 y 7.000 millones de parámetros. Los de frontera actuales, como GPT-4o o Gemini Ultra, se estiman en cientos de miles de millones, y en arquitecturas MoE pueden superar el billón.
¿Qué es un token en un LLM?
Un token es la unidad mínima de procesamiento del modelo: puede ser una palabra completa, una sílaba o un signo de puntuación. En inglés una palabra equivale a 1-1,5 tokens; en español algo más, por las contracciones y las tildes.
¿Qué es el fine-tuning de un LLM?
El fine-tuning consiste en seguir entrenando un modelo ya preentrenado con datos más específicos de una tarea o dominio, lo que permite que funcione mejor en, por ejemplo, documentación médica o atención al cliente de una empresa concreta.
¿Puedo usar un LLM en mi empresa sin que los datos salgan a la nube?
Sí. Modelos de código abierto como Llama o Mistral se pueden desplegar en infraestructura propia (on-premise o en nube privada), sin enviar datos a terceros. El coste de hardware para inferencia es menor que para entrenamiento y ya está al alcance de muchas medianas empresas.
