{"id":324672,"date":"2026-07-26T04:56:08","date_gmt":"2026-07-26T01:56:08","guid":{"rendered":"https:\/\/ceotudent.com\/como-funcionan-realmente-los-llm-explicacion-sencilla"},"modified":"2026-07-26T04:56:08","modified_gmt":"2026-07-26T01:56:08","slug":"como-funcionan-realmente-los-llm-explicacion-sencilla","status":"publish","type":"post","link":"https:\/\/ceotudent.com\/es\/como-funcionan-realmente-los-llm-explicacion-sencilla","title":{"rendered":"C\u00f3mo funcionan realmente los LLM: una explicaci\u00f3n sencilla para quienes usan la IA a diario"},"content":{"rendered":"<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\">Table of Contents<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Alternar tabla de contenidos\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewBox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewBox=\"0 0 24 24\" version=\"1.2\" baseProfile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/ceotudent.com\/es\/como-funcionan-realmente-los-llm-explicacion-sencilla\/#TLDR\" >TL;DR<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/ceotudent.com\/es\/como-funcionan-realmente-los-llm-explicacion-sencilla\/#Lo-unico-que-hace-un-LLM\" >Lo \u00fanico que hace un LLM<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/ceotudent.com\/es\/como-funcionan-realmente-los-llm-explicacion-sencilla\/#Que-cambio-de-verdad-el-%C2%ABentrenamiento%C2%BB\" >Qu\u00e9 cambi\u00f3 de verdad el \u00abentrenamiento\u00bb<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/ceotudent.com\/es\/como-funcionan-realmente-los-llm-explicacion-sencilla\/#Por-que-no-%C2%ABbusca%C2%BB-nada\" >Por qu\u00e9 no \u00abbusca\u00bb nada<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/ceotudent.com\/es\/como-funcionan-realmente-los-llm-explicacion-sencilla\/#El-modelo-mental-que-funciona\" >El modelo mental que funciona<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/ceotudent.com\/es\/como-funcionan-realmente-los-llm-explicacion-sencilla\/#Preguntas-frecuentes\" >Preguntas frecuentes<\/a><\/li><\/ul><\/nav><\/div>\n<h2 id=\"tldr\"><span class=\"ez-toc-section\" id=\"TLDR\"><\/span>TL;DR<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Un gran modelo de lenguaje hace exactamente una cosa: dado un texto, predice el siguiente fragmento de texto, una y otra vez. Todo lo dem\u00e1s, las respuestas fluidas, el c\u00f3digo, los consejos asombrosamente buenos y los disparates dichos con aplomo, sale de ese \u00fanico mecanismo funcionando a una escala enorme. Esta explicaci\u00f3n construye el modelo mental sin matem\u00e1ticas: qu\u00e9 es un token, qu\u00e9 cambia realmente el entrenamiento, por qu\u00e9 el modelo no tiene una base de datos donde buscar y por qu\u00e9 \u00abse lo invent\u00f3\u00bb 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 c\u00f3mo funciona el motor, \u00fasalo como un director general que sabe en qu\u00e9 se puede confiar de la herramienta y en qu\u00e9 no.<\/p>\n<p>Cientos de millones de personas escriben hoy a diario en un modelo de IA y no podr\u00edan decirte, ni siquiera a grandes rasgos, qu\u00e9 pasa despu\u00e9s de pulsar enter. Eso no es una falta de inteligencia. Nadie lo explic\u00f3. El resultado es una fuerza de trabajo que trata a un predictor de la siguiente palabra como un buscador, un or\u00e1culo o una persona, y luego se siente traicionada cuando no se comporta como ninguno de ellos.<\/p>\n<p>Entender el mecanismo se est\u00e1 convirtiendo r\u00e1pido en una alfabetizaci\u00f3n b\u00e1sica, no en una destreza de especialista. A medida que m\u00e1s trabajo pasa por estas herramientas, quienes m\u00e1s sacan de ellas no son los que conocen los prompts m\u00e1s ingeniosos. Son los que tienen un modelo mental exacto de lo que ocurre bajo el cap\u00f3, porque ese modelo les dice en qu\u00e9 confiar, qu\u00e9 comprobar y c\u00f3mo preguntar. Planteamos el argumento amplio en <a href=\"\/en\/prompt-engineering-is-not-enough-ai-literacy-stack\">El prompt engineering no basta<\/a>. Este art\u00edculo pone el cimiento que hay debajo.<\/p>\n<h2 id=\"lo-nico-que-hace-un-llm\"><span class=\"ez-toc-section\" id=\"Lo-unico-que-hace-un-LLM\"><\/span>Lo \u00fanico que hace un LLM<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Aqu\u00ed est\u00e1 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 m\u00e1s plausible.<\/p>\n<p>No es una simplificaci\u00f3n 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 m\u00e1s esa primera palabra y predice la segunda. Luego la tercera. Escribe como podr\u00edas terminar la frase de otro, salvo que nunca deja de terminar, un peque\u00f1o paso cada vez, hasta que la respuesta est\u00e1 completa.<\/p>\n<p>La unidad que predice no es exactamente una palabra. Es un <strong>token<\/strong>, un fragmento de texto que a menudo es una palabra entera pero puede ser parte de una, un signo de puntuaci\u00f3n o un fragmento de palabra frecuente. \u00abUnderstanding\u00bb puede ser un token o partirse en \u00abUnderstand\u00bb e \u00abing\u00bb. 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 t\u00fa. Ven tokens.<\/p>\n<p>Todo lo impresionante de estos sistemas es ese \u00fanico bucle, funcionando a una escala dif\u00edcil de imaginar. Y todo lo frustrante de ellos es el mismo bucle, funcionando m\u00e1s all\u00e1 del borde de lo que sabe de forma fiable.<\/p>\n<h2 id=\"qu-cambi-de-verdad-el-entrenamiento\"><span class=\"ez-toc-section\" id=\"Que-cambio-de-verdad-el-%C2%ABentrenamiento%C2%BB\"><\/span>Qu\u00e9 cambi\u00f3 de verdad el \u00abentrenamiento\u00bb<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Si el modelo solo predice el siguiente token, \u00bfde d\u00f3nde viene su conocimiento aparente? Del entrenamiento, y esta es la parte que vale la pena entender bien.<\/p>\n<p>Un modelo es, mec\u00e1nicamente, un vasto conjunto de n\u00fameros llamados <strong>par\u00e1metros<\/strong>, a menudo miles de millones. Antes del entrenamiento esos n\u00fameros son en esencia aleatorios, y las predicciones del modelo son un galimat\u00edas. 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 n\u00fameros para que la pr\u00f3xima vez su predicci\u00f3n quede un poco m\u00e1s cerca de lo que realmente vino despu\u00e9s en el texto real.<\/p>\n<p>Haz eso sobre una inmensa porci\u00f3n de la internet escrita, libros y c\u00f3digo, billones de veces, y ocurre algo notable. Para volverse bueno prediciendo el siguiente token en <em>cualquier<\/em> texto, el modelo se ve forzado a codificar patrones: gram\u00e1tica, hechos, estilos, pasos de razonamiento, la estructura de una cl\u00e1usula legal, el ritmo de un poema. Nadie los programa. Son el residuo estad\u00edstico de la predicci\u00f3n hecha a escala. La arquitectura que lo hizo pr\u00e1ctico se llama <strong>transformador<\/strong>, presentada en el art\u00edculo de investigaci\u00f3n \u00abAttention Is All You Need\u00bb de 2017, cuya idea clave, la atenci\u00f3n, deja que el modelo pondere qu\u00e9 palabras anteriores importan m\u00e1s para predecir la siguiente.<\/p>\n<p>De forma crucial, cuando el entrenamiento termina, los n\u00fameros 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 est\u00e1 grabado en esos par\u00e1metros congelados, y por eso cada modelo tiene una fecha de corte de conocimiento y no puede decirte qu\u00e9 pas\u00f3 esta ma\u00f1ana.<\/p>\n<p>La escala de este proceso trepa a un ritmo que vale la pena ver en un solo lugar.<\/p>\n<p><strong>Tabla 1. La trayectoria de la tecnolog\u00eda (datos verificados)<\/strong><\/p>\n<table>\n<thead>\n<tr>\n<th>Medida<\/th>\n<th>Hallazgo<\/th>\n<th>Fuente<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>C\u00f3mputo de entrenamiento<\/td>\n<td>Se duplica cada 5 meses aproximadamente<\/td>\n<td>Stanford HAI AI Index 2025<\/td>\n<\/tr>\n<tr>\n<td>Tama\u00f1o del conjunto de datos de entrenamiento<\/td>\n<td>Se duplica cada 8 meses aproximadamente<\/td>\n<td>Stanford HAI AI Index 2025<\/td>\n<\/tr>\n<tr>\n<td>Costo de consultar un modelo de nivel GPT-3.5<\/td>\n<td>Cay\u00f3 de $20 a $0,07 por mill\u00f3n de tokens (nov 2022 a oct 2024)<\/td>\n<td>Stanford HAI AI Index 2025<\/td>\n<\/tr>\n<tr>\n<td>Cuota de modelos notables de la industria, 2024<\/td>\n<td>~90% (desde ~60% en 2023)<\/td>\n<td>Stanford HAI AI Index 2025<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>La fila del medio cambi\u00f3 el mundo en silencio: una ca\u00edda de m\u00e1s de 280 veces en el costo de la salida de un modelo capaz en menos de dos a\u00f1os es la raz\u00f3n por la que la tecnolog\u00eda pas\u00f3 de demostraci\u00f3n a servicio p\u00fablico.<\/p>\n<h2 id=\"por-qu-no-busca-nada\"><span class=\"ez-toc-section\" id=\"Por-que-no-%C2%ABbusca%C2%BB-nada\"><\/span>Por qu\u00e9 no \u00abbusca\u00bb nada<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Ahora lo m\u00e1s \u00fatil de entender, porque explica el comportamiento que hace tropezar a todos.<\/p>\n<p>Un LLM no tiene una base de datos dentro. Cuando haces una pregunta factual, no rastrea registros para devolver una coincidencia. Hace lo \u00fanico que hace: predecir la continuaci\u00f3n m\u00e1s plausible de tu pregunta, a partir de los patrones grabados en sus par\u00e1metros. Cuando la respuesta es com\u00fan en su texto de entrenamiento, predicci\u00f3n y verdad encajan de maravilla, y parece \u00absaber\u00bb el hecho. Cuando la respuesta es rara, ambigua o ausente, el modelo no se detiene para decir \u00absin resultado\u00bb. No puede. Predice igualmente una continuaci\u00f3n <em>que suena plausible<\/em>, porque ese es todo su trabajo.<\/p>\n<p>Eso es una <strong>alucinaci\u00f3n<\/strong>. No es que el modelo funcione mal. Es el modelo funcionando exactamente como fue dise\u00f1ado, generando texto fluido y seguro, apuntado a un hueco donde el texto seguro resulta ser falso. La fluidez es id\u00e9ntica sea el contenido verdadero o inventado, y por eso justo no puedes distinguirlo por el tono. Un modelo mental \u00fatil: el LLM no es un bibliotecario que trae un libro. Es un improvisador extraordinariamente le\u00eddo que siempre te dar\u00e1 una respuesta pulida y no tiene una se\u00f1al incorporada para la diferencia entre recordar e inventar.<\/p>\n<p>Esto tambi\u00e9n explica dos conductas m\u00e1s del d\u00eda a d\u00eda. El <strong>muestreo<\/strong> es la raz\u00f3n de que obtengas una respuesta distinta al mismo prompt dos veces: el modelo no siempre elige el \u00fanico token siguiente m\u00e1s probable; muestrea entre los probables, que es lo que lo hace sentir creativo y no rob\u00f3tico. Y la <strong>ventana de contexto<\/strong> es la cantidad de texto, tu prompt m\u00e1s la conversaci\u00f3n hasta ese punto, que el modelo puede atender a la vez. Si la superas, las partes m\u00e1s antiguas simplemente se salen de la vista, y por eso las conversaciones muy largas parecen \u00abolvidar\u00bb lo que dijiste al principio.<\/p>\n<h2 id=\"el-modelo-mental-que-funciona\"><span class=\"ez-toc-section\" id=\"El-modelo-mental-que-funciona\"><\/span>El modelo mental que funciona<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Junta las piezas y obtienes un modelo f\u00e1cil de llevar que cambia c\u00f3mo usas la herramienta.<\/p>\n<p><strong>Tabla 2. Un modelo mental funcional de un LLM (marco editorial de CEOtudent)<\/strong><\/p>\n<table>\n<thead>\n<tr>\n<th>Si lo piensas como&hellip;<\/th>\n<th>Esperar\u00e1s&hellip;<\/th>\n<th>Y te equivocar\u00e1s, porque&hellip;<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Un buscador<\/td>\n<td>Hechos recuperados y con fuente<\/td>\n<td>Genera texto plausible, no recupera registros<\/td>\n<\/tr>\n<tr>\n<td>Una persona que te entiende<\/td>\n<td>Memoria, intenci\u00f3n, responsabilidad<\/td>\n<td>No tiene memoria entre sesiones ni un modelo de verdad<\/td>\n<\/tr>\n<tr>\n<td>Una calculadora de palabras<\/td>\n<td>Salida determinista y repetible<\/td>\n<td>Muestrea, as\u00ed que el mismo prompt puede responder distinto<\/td>\n<\/tr>\n<tr>\n<td><strong>Un improvisador le\u00eddo<\/strong><\/td>\n<td><strong>Ayuda fluida que hay que comprobar<\/strong><\/td>\n<td><strong>Este es m\u00e1s o menos el correcto<\/strong><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>El modelo del improvisador rinde en tres movimientos pr\u00e1cticos. Primero, <strong>dale el material<\/strong>. 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 s\u00ed misma, que desglosamos en <a href=\"\/en\/how-to-delegate-to-an-ai-agent-briefing-framework\">C\u00f3mo delegar en un agente de IA<\/a>. Segundo, <strong>verifica todo lo que importe<\/strong>. La fluidez no es prueba. Para cualquier afirmaci\u00f3n 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, <strong>\u00fasalo donde ser plausible basta<\/strong>. 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.<\/p>\n<p>Nada de esto exige saber las matem\u00e1ticas. Exige saber el mecanismo: un bucle, que predice el siguiente token, a partir de patrones congelados en el momento del entrenamiento, sin b\u00fasqueda y sin un sentido incorporado de lo verdadero. Sost\u00e9n eso, y el modelo deja de ser magia o amenaza para ser lo que es: una herramienta potente cuyos l\u00edmites son tan conocibles como sus fortalezas. Ese saber es en s\u00ed la destreza duradera, porque las herramientas seguir\u00e1n cambiando y el mecanismo no, un punto que desarrollamos en <a href=\"\/en\/manager-of-ai-playbook-direct-evaluate-improve\">El manual del gestor de IA<\/a>.<\/p>\n<h2 id=\"preguntas-frecuentes\"><span class=\"ez-toc-section\" id=\"Preguntas-frecuentes\"><\/span>Preguntas frecuentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>\u00bfEl modelo de verdad piensa o razona?<\/strong><br \/>\nA menudo produce texto que parece razonamiento, y los modelos \u00abde razonamiento\u00bb generan pasos intermedios que de verdad mejoran sus respuestas en problemas dif\u00edciles. Pero mec\u00e1nicamente sigue prediciendo tokens; la salida con forma de razonamiento es una versi\u00f3n muy sofisticada del mismo proceso, no una facultad aparte. Trata el razonamiento visible como \u00fatil y aun as\u00ed comprobable, no como prueba.<\/p>\n<p><strong>\u00bfAprende de mis conversaciones?<\/strong><br \/>\nEl modelo central no, cuyos par\u00e1metros 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 actualiz\u00e1ndose a s\u00ed mismo. Tu chat no lo reentrena.<\/p>\n<p><strong>\u00bfPor qu\u00e9 est\u00e1 tan seguro cuando se equivoca?<\/strong><br \/>\nPorque seguridad y correcci\u00f3n no guardan relaci\u00f3n en su salida. El modelo genera la continuaci\u00f3n m\u00e1s fluida sin importar si el contenido subyacente es exacto, y el texto fluido se lee como seguro. No hay una se\u00f1al incorporada de \u00abno estoy seguro\u00bb pegada a un hecho alucinado, y por eso justo la verificaci\u00f3n externa te toca a ti.<\/p>\n<p><strong>Si solo predice texto, \u00bfpor qu\u00e9 es tan bueno?<\/strong><br \/>\nPorque predecir <em>bien<\/em> 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.<\/p>\n<p><strong>\u00bfNecesito entender esto para usar bien la IA?<\/strong><br \/>\nNo necesitas la ingenier\u00eda. Necesitas el modelo mental, porque es lo que te dice cu\u00e1ndo confiar en la salida y cu\u00e1ndo comprobar. Las personas con un modelo exacto del mecanismo obtienen de forma consistente m\u00e1s valor y cometen menos errores costosos que quienes tratan la herramienta como una mente o un buscador.<\/p>\n<hr>\n<p><em>Fuentes: Vaswani et al., \u00abAttention Is All You Need\u00bb, 2017; Stanford Institute for Human-Centered Artificial Intelligence, AI Index Report 2025; literatura fundacional de aprendizaje autom\u00e1tico sobre modelos de lenguaje con transformador y entrenamiento de redes neuronales.<\/em><\/p>\n<hr>\n<p><em>Este contenido fue recopilado con el apoyo de la IA tras una investigaci\u00f3n exhaustiva, y luego redactado y preparado para su publicaci\u00f3n por el equipo editorial de CEOtudent.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"<p>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 dem\u00e1s, las respuestas fluidas, el c\u00f3digo, los consejos asombrosamente buenos y los disparates dichos con aplomo, sale de ese \u00fanico mecanismo funcionando a una escala enorme. Esta explicaci\u00f3n construye el&#8230;<\/p>\n","protected":false},"author":1,"featured_media":324673,"comment_status":"open","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[4599,5],"tags":[],"class_list":["post-324672","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-gelisim","category-is"],"_links":{"self":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/posts\/324672","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/comments?post=324672"}],"version-history":[{"count":0,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/posts\/324672\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/media\/324673"}],"wp:attachment":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/media?parent=324672"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/categories?post=324672"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/tags?post=324672"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}