Qué es un LLM y cómo 'piensa'

LLM = Large Language Model (modelo de lenguaje grande). Es el tipo de IA detrás de Claude, ChatGPT y Gemini. En la lección anterior vimos QUÉ es (un predictor); ahora vamos a ver CÓMO 'piensa', porque hay cuatro cosas que, una vez que las entiendes, cambian por completo cómo lo usas — y son la diferencia entre pelearte con la IA o volverla tu superpoder.

1. Piensa en tokens, no en palabras

El modelo parte tu texto en pedacitos llamados tokens (más o menos sílabas o fragmentos de palabra) y predice el siguiente, y el siguiente. No lee letras sueltas ni palabras completas: lee tokens.

¿Por qué te importa esto? Porque explica rarezas que si no te van a confundir. Por ejemplo, a veces cuenta mal las letras de una palabra o se traba con acentos: no es que sea tonta, es que literalmente no ve letras, ve fragmentos. Sabiéndolo, dejas de pedirle cosas para las que no está hecha y le pides las que sí.

2. Tiene una 'ventana de contexto'

Es cuánto puede 'tener en mente' a la vez: tu instrucción + los archivos + toda la conversación. Piénsalo como una mesa de trabajo de tamaño fijo. Cabe mucho, pero no infinito. Si sigues apilando papeles, los primeros se caen por el borde.

Traducido: si la conversación se hace larguísima o le pegas demasiado material, el modelo 'olvida' lo que dijiste al principio. No se descompuso — simplemente ya no le cabe. Por eso, para construir, le das el contexto justo y relevante: ni de más (lo saturas), ni de menos (adivina).

3. A veces alucina (y no es que mienta)

Como predice, a veces inventa cosas que suenan perfectas pero son falsas: una función que no existe, una librería inventada, un dato que nunca fue real. A esto se le llama 'alucinar'. No es mala fe: es que, en ese punto, el patrón más probable resultó ser una invención convincente.

4. Responde a cómo le hablas

El mismo modelo te da resultados mediocres o brillantes según cómo le pidas. Con la misma capacidad, un prompt vago produce basura y uno claro produce oro. Ese es el skill central del builder moderno, y lo vemos a fondo en el Módulo 1: estructurar prompts.

• Dale contexto claro y específico — no ve tu proyecto ni tu cabeza.
• Dile el formato de salida que quieres (¿código?, ¿lista?, ¿pasos?).
• Divide tareas grandes en pasos: pide una pieza a la vez, no 'toda la app'.
• Verifica y corrige — es un proceso iterativo, no un botón mágico.

Ejemplo trabajado: por qué 'olvidó' lo que le dijiste

Imagina que llevas dos horas de conversación construyendo una app. Al inicio le dijiste 'usa siempre Tailwind para los estilos'. Cuarenta mensajes después, le pides un componente nuevo y te lo entrega con estilos escritos a mano, ignorando Tailwind. Te frustras: '¡pero si te lo dije!'.

Lo que pasó no es rebeldía: tu instrucción inicial se cayó de la mesa de trabajo cuando la ventana de contexto se llenó. La cura no es regañarlo, es volver a poner esa instrucción encima: 'recuerda, usa Tailwind para todo' — o abrir un chat fresco con las reglas al principio. Entender el mecanismo convierte una frustración en un movimiento de dos segundos.

Lo que te llevas

• El LLM piensa en tokens (fragmentos), no en letras ni palabras completas.
• Tiene una ventana de contexto finita: si te pasas, olvida lo primero que dijiste.
• Alucina — inventa con seguridad — porque rellena patrones; por eso verificas lo clave.
• Rinde según cómo le hablas: mismo modelo, resultados opuestos según el prompt.
• Estas cuatro ideas juntas ya te ponen por encima del 90% de quienes 'usan IA'.

No necesitas saber cómo está hecho el motor. Necesitas saber cómo se conduce — y eso es justo lo que acabas de aprender.