TL;DR
Un gran modelo de lenguaje hace exactamente una cosa: dado un texto, predice el siguiente fragmento de texto, una y otra vez. Todo lo demás, las respuestas fluidas, el código, los consejos asombrosamente buenos y los disparates dichos con aplomo, sale de ese único mecanismo funcionando a una escala enorme. Esta explicación construye el modelo mental sin matemáticas: qué es un token, qué cambia realmente el entrenamiento, por qué el modelo no tiene una base de datos donde buscar y por qué «se lo inventó» no es un fallo sino el mismo proceso que produce su mejor trabajo, apuntado a una pregunta que no puede responder. Entiende el mecanismo y dejas de sorprenderte con el modelo para empezar a dirigirlo. Aprende como un estudiante que quiere saber cómo funciona el motor, úsalo como un director general que sabe en qué se puede confiar de la herramienta y en qué no.
Cientos de millones de personas escriben hoy a diario en un modelo de IA y no podrían decirte, ni siquiera a grandes rasgos, qué pasa después de pulsar enter. Eso no es una falta de inteligencia. Nadie lo explicó. El resultado es una fuerza de trabajo que trata a un predictor de la siguiente palabra como un buscador, un oráculo o una persona, y luego se siente traicionada cuando no se comporta como ninguno de ellos.
Entender el mecanismo se está convirtiendo rápido en una alfabetización básica, no en una destreza de especialista. A medida que más trabajo pasa por estas herramientas, quienes más sacan de ellas no son los que conocen los prompts más ingeniosos. Son los que tienen un modelo mental exacto de lo que ocurre bajo el capó, porque ese modelo les dice en qué confiar, qué comprobar y cómo preguntar. Planteamos el argumento amplio en El prompt engineering no basta. Este artículo pone el cimiento que hay debajo.
Lo único que hace un LLM
Aquí está todo el motor en una frase: un gran modelo de lenguaje toma el texto que le das y predice de forma repetida el siguiente fragmento de texto más plausible.
No es una simplificación de lo que hace. Es lo que hace. Escribes una pregunta; el modelo la lee y predice una primera palabra probable de una respuesta. Luego lee tu pregunta más esa primera palabra y predice la segunda. Luego la tercera. Escribe como podrías terminar la frase de otro, salvo que nunca deja de terminar, un pequeño paso cada vez, hasta que la respuesta está completa.
La unidad que predice no es exactamente una palabra. Es un token, un fragmento de texto que a menudo es una palabra entera pero puede ser parte de una, un signo de puntuación o un fragmento de palabra frecuente. «Understanding» puede ser un token o partirse en «Understand» e «ing». Por eso los modelos a veces cuentan mal las letras de una palabra o tropiezan con los juegos de palabras: no ven las letras como tú. Ven tokens.
Todo lo impresionante de estos sistemas es ese único bucle, funcionando a una escala difícil de imaginar. Y todo lo frustrante de ellos es el mismo bucle, funcionando más allá del borde de lo que sabe de forma fiable.
Qué cambió de verdad el «entrenamiento»
Si el modelo solo predice el siguiente token, ¿de dónde viene su conocimiento aparente? Del entrenamiento, y esta es la parte que vale la pena entender bien.
Un modelo es, mecánicamente, un vasto conjunto de números llamados parámetros, a menudo miles de millones. Antes del entrenamiento esos números son en esencia aleatorios, y las predicciones del modelo son un galimatías. El entrenamiento es el proceso de mostrar al modelo una enorme cantidad de texto y, cada vez que predice un token siguiente, desplazar levemente esos miles de millones de números para que la próxima vez su predicción quede un poco más cerca de lo que realmente vino después en el texto real.
Haz eso sobre una inmensa porción de la internet escrita, libros y código, billones de veces, y ocurre algo notable. Para volverse bueno prediciendo el siguiente token en cualquier texto, el modelo se ve forzado a codificar patrones: gramática, hechos, estilos, pasos de razonamiento, la estructura de una cláusula legal, el ritmo de un poema. Nadie los programa. Son el residuo estadístico de la predicción hecha a escala. La arquitectura que lo hizo práctico se llama transformador, presentada en el artículo de investigación «Attention Is All You Need» de 2017, cuya idea clave, la atención, deja que el modelo pondere qué palabras anteriores importan más para predecir la siguiente.
De forma crucial, cuando el entrenamiento termina, los números se congelan. El modelo no sigue aprendiendo de tus conversaciones y no tiene memoria de ayer a menos que el sistema a su alrededor la reintroduzca. Lo que sabe está grabado en esos parámetros congelados, y por eso cada modelo tiene una fecha de corte de conocimiento y no puede decirte qué pasó esta mañana.
La escala de este proceso trepa a un ritmo que vale la pena ver en un solo lugar.
Tabla 1. La trayectoria de la tecnología (datos verificados)
| Medida | Hallazgo | Fuente |
|---|---|---|
| Cómputo de entrenamiento | Se duplica cada 5 meses aproximadamente | Stanford HAI AI Index 2025 |
| Tamaño del conjunto de datos de entrenamiento | Se duplica cada 8 meses aproximadamente | Stanford HAI AI Index 2025 |
| Costo de consultar un modelo de nivel GPT-3.5 | Cayó de $20 a $0,07 por millón de tokens (nov 2022 a oct 2024) | Stanford HAI AI Index 2025 |
| Cuota de modelos notables de la industria, 2024 | ~90% (desde ~60% en 2023) | Stanford HAI AI Index 2025 |
La fila del medio cambió el mundo en silencio: una caída de más de 280 veces en el costo de la salida de un modelo capaz en menos de dos años es la razón por la que la tecnología pasó de demostración a servicio público.
Por qué no «busca» nada
Ahora lo más útil de entender, porque explica el comportamiento que hace tropezar a todos.
Un LLM no tiene una base de datos dentro. Cuando haces una pregunta factual, no rastrea registros para devolver una coincidencia. Hace lo único que hace: predecir la continuación más plausible de tu pregunta, a partir de los patrones grabados en sus parámetros. Cuando la respuesta es común en su texto de entrenamiento, predicción y verdad encajan de maravilla, y parece «saber» el hecho. Cuando la respuesta es rara, ambigua o ausente, el modelo no se detiene para decir «sin resultado». No puede. Predice igualmente una continuación que suena plausible, porque ese es todo su trabajo.
Eso es una alucinación. No es que el modelo funcione mal. Es el modelo funcionando exactamente como fue diseñado, generando texto fluido y seguro, apuntado a un hueco donde el texto seguro resulta ser falso. La fluidez es idéntica sea el contenido verdadero o inventado, y por eso justo no puedes distinguirlo por el tono. Un modelo mental útil: el LLM no es un bibliotecario que trae un libro. Es un improvisador extraordinariamente leído que siempre te dará una respuesta pulida y no tiene una señal incorporada para la diferencia entre recordar e inventar.
Esto también explica dos conductas más del día a día. El muestreo es la razón de que obtengas una respuesta distinta al mismo prompt dos veces: el modelo no siempre elige el único token siguiente más probable; muestrea entre los probables, que es lo que lo hace sentir creativo y no robótico. Y la ventana de contexto es la cantidad de texto, tu prompt más la conversación hasta ese punto, que el modelo puede atender a la vez. Si la superas, las partes más antiguas simplemente se salen de la vista, y por eso las conversaciones muy largas parecen «olvidar» lo que dijiste al principio.
El modelo mental que funciona
Junta las piezas y obtienes un modelo fácil de llevar que cambia cómo usas la herramienta.
Tabla 2. Un modelo mental funcional de un LLM (marco editorial de CEOtudent)
| Si lo piensas como… | Esperarás… | Y te equivocarás, porque… |
|---|---|---|
| Un buscador | Hechos recuperados y con fuente | Genera texto plausible, no recupera registros |
| Una persona que te entiende | Memoria, intención, responsabilidad | No tiene memoria entre sesiones ni un modelo de verdad |
| Una calculadora de palabras | Salida determinista y repetible | Muestrea, así que el mismo prompt puede responder distinto |
| Un improvisador leído | Ayuda fluida que hay que comprobar | Este es más o menos el correcto |
El modelo del improvisador rinde en tres movimientos prácticos. Primero, dale el material. Como predice a partir de lo que tiene delante, pegar el documento, los datos o el contexto relevante en el prompt supera confiar en su memoria congelada; por eso instruir bien a una IA es una destreza en sí misma, que desglosamos en Cómo delegar en un agente de IA. Segundo, verifica todo lo que importe. La fluidez no es prueba. Para cualquier afirmación factual, nombre, cifra o cita sobre la que vayas a actuar, el modelo es un primer borrador que comprobar, no una fuente en la que confiar. Tercero, úsalo donde ser plausible basta. Redactar, hacer lluvia de ideas, reestructurar, explicar y traducir son tareas donde una respuesta plausible fuerte tiene verdadero valor; los hechos de alto riesgo y las decisiones irreversibles, no.
Nada de esto exige saber las matemáticas. Exige saber el mecanismo: un bucle, que predice el siguiente token, a partir de patrones congelados en el momento del entrenamiento, sin búsqueda y sin un sentido incorporado de lo verdadero. Sostén eso, y el modelo deja de ser magia o amenaza para ser lo que es: una herramienta potente cuyos límites son tan conocibles como sus fortalezas. Ese saber es en sí la destreza duradera, porque las herramientas seguirán cambiando y el mecanismo no, un punto que desarrollamos en El manual del gestor de IA.
Preguntas frecuentes
¿El modelo de verdad piensa o razona?
A menudo produce texto que parece razonamiento, y los modelos «de razonamiento» generan pasos intermedios que de verdad mejoran sus respuestas en problemas difíciles. Pero mecánicamente sigue prediciendo tokens; la salida con forma de razonamiento es una versión muy sofisticada del mismo proceso, no una facultad aparte. Trata el razonamiento visible como útil y aun así comprobable, no como prueba.
¿Aprende de mis conversaciones?
El modelo central no, cuyos parámetros quedan congelados tras el entrenamiento. Algunos productos reintroducen tus mensajes recientes o preferencias guardadas en el prompt para simular memoria, pero eso es el sistema circundante, no el modelo actualizándose a sí mismo. Tu chat no lo reentrena.
¿Por qué está tan seguro cuando se equivoca?
Porque seguridad y corrección no guardan relación en su salida. El modelo genera la continuación más fluida sin importar si el contenido subyacente es exacto, y el texto fluido se lee como seguro. No hay una señal incorporada de «no estoy seguro» pegada a un hecho alucinado, y por eso justo la verificación externa te toca a ti.
Si solo predice texto, ¿por qué es tan bueno?
Porque predecir bien el siguiente token, sobre esencialmente todo el saber humano escrito, resulta exigir codificar una cantidad asombrosa de estructura sobre lengua, hechos y razonamiento. La simplicidad de la tarea y la riqueza del resultado son toda la sorpresa del campo. La escala hizo el resto, como muestra la Tabla 1.
¿Necesito entender esto para usar bien la IA?
No necesitas la ingeniería. Necesitas el modelo mental, porque es lo que te dice cuándo confiar en la salida y cuándo comprobar. Las personas con un modelo exacto del mecanismo obtienen de forma consistente más valor y cometen menos errores costosos que quienes tratan la herramienta como una mente o un buscador.
Fuentes: Vaswani et al., «Attention Is All You Need», 2017; Stanford Institute for Human-Centered Artificial Intelligence, AI Index Report 2025; literatura fundacional de aprendizaje automático sobre modelos de lenguaje con transformador y entrenamiento de redes neuronales.
Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.
This post is also available in:
