Un LLM es una función… y por eso se parece a un espejo

Un modelo de lenguaje se puede entender de muchas formas, pero hay una que se me ocurrió (no he visto ninguna referencia similar a esta analogía) y me parece especialmente útil: como un espejo. Le haces una pregunta y te devuelve algo. Así de simple… o eso parece.

Sin embargo, hay otra forma de verlo que, a primera vista, parece completamente distinta: como una función (sobre esta analogía sí hay multitud de referencias). Le das una entrada y te devuelve una salida. Si lo piensas con calma, ambas ideas no están tan lejos entre sí. De hecho, describen el mismo fenómeno desde dos perspectivas diferentes.

Un LLM es una función

Desde un punto de vista técnico, un modelo de lenguaje no es más que una función extremadamente compleja. Recibe texto como entrada y genera texto como salida, prediciendo cómo debería continuar una secuencia en función de todo lo que ha aprendido previamente.

No tiene intención propia ni objetivos, y tampoco “piensa” como lo hacemos nosotros. Lo que hace es algo mucho más simple —y a la vez más potente—: transformar una entrada en una salida.

Pero aquí aparece algo importante. No es una función cualquiera.

En una función matemática clásica, pequeñas variaciones en la entrada suelen producir cambios relativamente predecibles en la salida. En un modelo de lenguaje, en cambio, ocurre algo distinto:

• una pregunta vaga → respuesta vaga
• una pregunta estructurada → respuesta más clara
• una pregunta profunda → respuestas más interesantes

Y ahí es donde aparece la intuición del espejo.

El espejo no refleja lo que dices, sino cómo piensas

Un LLM no devuelve simplemente información. Devuelve una respuesta condicionada por la forma en la que has planteado la pregunta.

En el prompt no solo hay contenido, también hay estructura, contexto y forma de pensar. En realidad, cuando escribes una pregunta, estás dejando implícitas muchas más cosas de las que parece:

• tu nivel de claridad
• tu contexto
• tu forma de estructurar ideas
• incluso tu forma de razonar

El modelo responde a todo eso.

No es un espejo porque refleje lo mismo.
Es un espejo porque refleja cómo estás pensando.

¿La respuesta ya existía?

Esta es una de las preguntas más interesantes. Si el modelo puede generar una respuesta, ¿significa que esa respuesta ya estaba dentro de él?

La intuición habitual es pensar que sí. Que el modelo “tiene” respuestas y simplemente las devuelve.

Pero no funciona así.

Un modelo de lenguaje no guarda respuestas. Lo que tiene es un espacio enorme de posibilidades sobre cómo continuar un texto. Antes del prompt, no hay una respuesta esperando, sino múltiples posibles caminos.

Cuando haces una pregunta, ocurre algo clave: reduces ese espacio y fuerzas una trayectoria concreta. En cierto modo, eliges qué tipo de respuesta puede aparecer.

No estás recuperando una respuesta.
Estás provocando una.

El problema: el espejo no es neutro

Hasta aquí, la analogía del espejo funciona bastante bien. Pero hay un detalle importante que cambia completamente la historia.

Un modelo de lenguaje no se entrena en una sola fase. Primero aprende patrones del lenguaje a gran escala, pero después pasa por un proceso de ajuste en el que se le enseña a comportarse como asistente.

Se le entrena para:

• ser útil
• responder de forma clara
• evitar ciertos errores
• mantener un tono determinado

Esto cambia profundamente su comportamiento.

El modelo ya no solo transforma texto. También interpreta, filtra y moldea la respuesta.

Un espejo… con criterio

Quizá una forma más precisa de verlo es esta:

un LLM es un espejo que alguien ha pulido antes de dártelo.

Refleja, sí, pero no de forma neutra. Enfatiza ciertas cosas, suaviza otras y evita determinados caminos. La respuesta ya no depende solo de tu pregunta, sino también de cómo ha sido entrenado el modelo.

No estás hablando solo con un modelo

Aquí hay otra capa que suele pasar desapercibida.

Cuando usas herramientas como ChatGPT, no estás interactuando únicamente con un modelo de lenguaje. Estás utilizando un sistema más amplio en el que intervienen múltiples elementos.

Además del modelo, entran en juego:

• el historial de la conversación
• instrucciones internas (que no ves)
• posibles memorias del usuario
• acceso a información externa (RAG)
• herramientas y acciones en sistemas más avanzados

Todo eso forma parte de la respuesta.

No es solo una función.
Es una función dentro de un sistema.

El usuario también forma parte del sistema

Y aquí es donde todo encaja.

La respuesta que recibes no depende solo del modelo ni del sistema. Depende también de ti. En realidad, es el resultado de la interacción entre tres elementos:

• el modelo
• el sistema
• el usuario

Y de los tres, el más variable eres tú.

Dos personas usando la misma IA pueden obtener resultados completamente distintos. No porque el modelo cambie, sino porque cambia la entrada.

La consecuencia (la parte que importa)

Todo esto tiene una implicación muy práctica.

El valor no está solo en la herramienta, sino en cómo la utilizas. Está en cómo preguntas, en cómo estructuras el contexto y en cómo defines el problema.

La inteligencia artificial no es una ventaja automática. Es una ventaja para quien sabe utilizarla bien.

Un LLM es una función, pero especial

Un LLM es una función en la que la calidad de la salida depende directamente de la calidad de la entrada.

Y por eso se parece tanto a un espejo.

No porque refleje lo que dices, sino porque refleja cómo estás pensando.