Un modelo de lenguaje es un programa que ha leído una cantidad enorme de texto y, a partir de eso, ha aprendido a adivinar qué palabra viene después de otra con muchísimo acierto. Eso es todo lo que hace ChatGPT, Gemini o Claude en el fondo: adivinar la siguiente palabra, una y otra vez, tan rápido y tan bien que el resultado parece una conversación real.
¿Por qué «adivinar la siguiente palabra» puede parecer una conversación?
Cuando lees una frase a medias, tu cabeza también adivina cómo va a terminar. Si alguien escribe «buenos días, ¿cómo», casi cualquier persona completaría con «estás». Un modelo de lenguaje hace lo mismo, pero entrenado con tantísimo texto que sabe completar no solo frases cortas, sino párrafos enteros, respetando el tema, el tono y hasta el estilo de quien pregunta.
La diferencia con una persona no es que la máquina entienda mejor. Es que ha visto un volumen de texto que ningún ser humano podría leer en varias vidas, y de ese volumen ha sacado patrones muy finos sobre cómo se conecta una idea con la siguiente.
¿Cómo «aprende» un modelo de lenguaje, sin tecnicismos?
Imagina a alguien que aprende un idioma nuevo leyendo millones de libros, periódicos y conversaciones, sin que nadie le explique una sola regla de gramática. Con el tiempo, esa persona empezaría a escribir bien el idioma, no porque memorizara las reglas, sino porque las habría visto repetirse tantas veces que las reconocería sin poder nombrarlas.
Eso es, en esencia, cómo entrena un modelo de lenguaje. Durante el entrenamiento se le muestra una cantidad ingente de texto y se le pide, una y otra vez, que intente adivinar la palabra que falta. Cada vez que falla, ajusta un poco su forma interna de predecir. Repetido miles de millones de veces, ese ajuste constante es lo que llamamos aprendizaje.
¿El modelo entiende lo que dice o solo lo repite?
Esta es la pregunta que más confunde, y la respuesta honesta es que no entiende como entiende una persona, y tampoco repite como una grabadora. No piensa, no razona en el sentido humano, no tiene opinión propia ni recuerdos, pero tampoco copia frases enteras de ningún libro concreto. Genera texto nuevo, palabra a palabra, basándose en patrones aprendidos.
Por eso puede explicar algo con sus propias palabras, resumir un texto largo o adaptar el tono de una respuesta, cosas que una grabación no podría hacer nunca. Y por eso también puede equivocarse con total seguridad, porque no tiene forma interna de saber si lo que acaba de generar es cierto: solo sabe que suena a algo que podría ser cierto.
¿Por qué a veces se equivoca con tanta seguridad?
Cuando un modelo de lenguaje no tiene información suficiente sobre algo concreto, no se calla ni avisa de que no lo sabe: sigue prediciendo la palabra más probable, que puede sonar perfectamente convincente y ser falsa. Esto pasa sobre todo con datos muy específicos, como cifras exactas, fechas recientes o información sobre personas y negocios poco conocidos.
Esta es una de las razones por las que a un profesional que trabaja por su cuenta le conviene saber qué dicen estos sistemas sobre él. Si el modelo tiene poca información fiable sobre ti, puede rellenar los huecos con suposiciones que suenan bien pero que no son ciertas, y esas suposiciones son las que le llegan a quien pregunta.
Esto no es un defecto oculto ni un secreto técnico, es simplemente cómo funciona el mecanismo por dentro, y conviene tenerlo presente antes de dar por buena cualquier respuesta sobre datos concretos, precios, cifras o hechos recientes que te dé uno de estos sistemas sin citar de dónde los sacó.
¿Qué modelos de lenguaje existen y quién los hace?
GPT es el modelo de OpenAI y es el que está detrás de ChatGPT. Claude es el modelo de Anthropic. Gemini es el modelo de Google. Y Llama es el modelo de Meta, con la particularidad de que su código es abierto y cualquiera puede usarlo o adaptarlo. Son los cuatro nombres que más vas a encontrarte si empiezas a prestar atención a este terreno.
Cada uno se entrena con enfoques y datos algo distintos, lo que explica por qué a veces dos de estos sistemas responden cosas diferentes ante la misma pregunta. No es que uno mienta y otro diga la verdad, es que cada uno construyó su propio mapa de probabilidades a partir de textos distintos.
¿Por qué le importa esto a alguien que no programa?
Porque cada vez más gente le pregunta a uno de estos modelos antes de buscar en un buscador tradicional, y la respuesta que reciben sobre ti, tu negocio o tu profesión sale de ese mismo mecanismo de predicción que acabamos de describir. Si el modelo ha «leído» poco sobre ti, o ha leído información contradictoria, la respuesta que da reflejará esa confusión.
No hace falta entender cómo se entrena un modelo para sacarle partido a esta idea. Basta con entender que estos sistemas construyen su respuesta a partir de lo que encuentran repetido y coherente, y que cuanto más clara y consistente sea la información disponible sobre ti, con más seguridad y precisión te va a nombrar cuando alguien pregunte.
Es una idea sencilla, pero cambia por completo cómo conviene pensar en la propia presencia digital. Ya no se trata solo de tener una web bonita, se trata de que la información sobre ti sea la misma, correcta y fácil de encontrar en varios lugares distintos, porque eso es exactamente lo que un modelo de lenguaje busca antes de nombrar a alguien con confianza.
¿Qué diferencia hay entre un modelo de lenguaje y un buscador tradicional?
Un buscador tradicional te enseña una lista de páginas donde podrías encontrar la respuesta, y eres tú quien decide cuál abrir y en cuál confiar. Un modelo de lenguaje te da directamente una respuesta ya elaborada, sin enseñarte de dónde salió cada parte, salvo que el sistema incluya enlaces de forma explícita.
Esa diferencia traslada la responsabilidad de verificar. Antes, el usuario comparaba varias fuentes con sus propios ojos. Ahora, gran parte de esa comparación ya la hizo la máquina antes de responder, y si esa comparación estuvo mal informada, el usuario recibe una respuesta segura que puede no ser exacta, sin ninguna señal visible de que algo falla.
¿Por qué estos sistemas mejoran tan rápido cada año?
Cada nueva versión de estos modelos se entrena con más texto, con mejores formas de corregir sus propios errores durante el entrenamiento y con ajustes posteriores hechos por personas que revisan y corrigen sus respuestas. Ese proceso de revisión humana, que se añade después del entrenamiento con texto, es lo que hace que las respuestas suenen cada vez más naturales y menos robóticas.
No es magia ni un salto repentino de inteligencia. Es, sobre todo, más datos, mejores formas de aprender de esos datos y más ajustes finos hechos a mano por equipos que prueban miles de respuestas antes de que el modelo llegue al público. Cada versión nueva es una acumulación de mejoras pequeñas, no un cambio de naturaleza.
¿Qué significa que un modelo «cita» o «recomienda» algo?
Cuando uno de estos sistemas nombra a una persona, un negocio o un producto dentro de su respuesta, no está consultando un directorio oficial en ese momento. Está prediciendo, igual que con cualquier otra palabra, cuál es el nombre más probable que debería aparecer ahí según todo lo que ha leído sobre ese tema durante su entrenamiento y, en algunos casos, según lo que encuentra al buscar en tiempo real.
Por eso dos preguntas casi idénticas pueden dar nombres distintos, y por eso el nombre que aparece con más frecuencia no es necesariamente el más adecuado, es el que el sistema encontró más veces asociado a ese tema de forma clara. Entender este mecanismo es el primer paso para saber por qué a veces el modelo te menciona y otras veces menciona a otra persona con tu mismo oficio.
¿Se puede confiar en lo que dice un modelo de lenguaje?
Se puede confiar en que va a dar una respuesta coherente y bien construida. No siempre se puede confiar en que esa respuesta sea exacta, sobre todo cuando el tema es muy específico, muy reciente o poco documentado en internet. La forma más sensata de usarlos es como un primer borrador útil, no como la última palabra sobre nada importante.
Y para un profesional que quiere que estos sistemas hablen bien y con precisión de su trabajo, la conclusión práctica es sencilla: cuanta más información correcta, actualizada y repetida en varios sitios exista sobre él, menos margen tiene el modelo para rellenar huecos con suposiciones.
Sobre el autor
Javier G. Amblar suma 27 años dedicados a la formación de profesionales, con más de 33.000 alumnos en 55 países. Fue profesor asociado del IE Business School, reconocido con el Premio a la Excelencia Docente, y ha colaborado con RTVE, Telemadrid, Onda Cero y EsRadio. Es autor del libro Liderazgo (Editatum, 2018), su canal de YouTube reúne más de 368.000 suscriptores y su comunidad en línea supera las 500.000 personas. Conoce RADAR, su servicio para comprobar qué dice de ti la Inteligencia Artificial.
