Cada vez que alguien en tu empresa abre Claude, ChatGPT, Gemini o Copilot, está hablando con un LLM. La sigla aparece en cada propuesta de proveedor y en cada nota de diario, y casi nadie la explica con una fuente. Acá va la definición de los que los construyen, cómo funciona por dentro en cinco ideas, qué modelos existen hoy y cuánto cuestan, y las tres cosas que un gerente tiene que saber antes de firmar nada.
Un LLM (large language model, modelo de lenguaje grande) es un modelo de inteligencia artificial con miles de millones de parámetros, entrenado con enormes volúmenes de texto para predecir la siguiente palabra y que, por esa vía, genera texto, responde preguntas, resume, traduce y escribe código. Es la tecnología detrás de Claude (Anthropic), ChatGPT (OpenAI), Gemini (Google) y Microsoft Copilot, que corre sobre modelos de OpenAI y de Anthropic. Trabaja con tokens (fragmentos de palabra), dentro de una ventana de contexto limitada, y no busca en una base de datos: calcula probabilidades.
Para una empresa, un LLM es una capacidad, no un producto: el mismo modelo se contrata por suscripción (unos USD 20 a 25 por usuario por mes en Claude, ChatGPT o Gemini) o por API, a precio por millón de tokens (de USD 0,10 a USD 10 por millón de entrada según el modelo). Puede inventar datos con seguridad porque, según el paper de Kalai y otros (2025), fue entrenado y evaluado premiando adivinar antes que admitir la duda. Por eso la pregunta útil no es “qué LLM es mejor” sino qué tarea, con qué datos, bajo qué cuenta y con quién revisando.
¿Qué es un LLM y qué significa la sigla?
LLM es la sigla de large language model, modelo de lenguaje grande. La definición de Anthropic en su glosario para desarrolladores: “modelos de lenguaje de IA con muchos parámetros, capaces de realizar una variedad de tareas sorprendentemente útiles; entrenados con grandes cantidades de texto, pueden generar texto similar al humano, responder preguntas, resumir información y más”. La de Google, en su introducción a los modelos de lenguaje (actualizada el 9 de enero de 2026), apunta al mecanismo: “un modelo de lenguaje estima la probabilidad de que un token o una secuencia de tokens aparezca dentro de una secuencia más larga”.
Las dos palabras importan. Lenguaje: el modelo aprendió la estructura del texto, no hechos verificados ni reglas de negocio. Grande: se refiere a la cantidad de parámetros (los números internos que ajusta el entrenamiento, hoy en los cientos de miles de millones) y al volumen de datos con que se entrenó. Un LLM no es la inteligencia artificial completa: es un tipo de modelo, dentro de la IA generativa, que resultó tan versátil que hoy está debajo de casi todo lo que una empresa llama “IA”.
¿Cómo funciona un LLM? Tokens, predicción y entrenamiento
Cinco ideas alcanzan para entender el 90 % de lo que importa en una empresa.
| Idea | Qué es | Qué implica para vos |
|---|---|---|
| Tokens | El modelo no lee palabras sino fragmentos: según Anthropic, en los modelos Claude anteriores a 4.7 un token equivale a unos 3,5 caracteres en inglés; en español la proporción es peor y los modelos 4.7 y posteriores producen alrededor de un 30 % más de tokens por el mismo texto. | Todo se cobra y se limita en tokens: el precio de la API, el largo de lo que podés subir y el de la respuesta. |
| Predicción | El modelo calcula qué token tiene más probabilidad de seguir y lo agrega; repite hasta terminar. No consulta una base de datos ni “sabe” nada en el sentido de un archivo. | Puede escribir algo plausible y falso con la misma fluidez que algo cierto. La revisión humana no es opcional. |
| Transformer | La arquitectura que hizo posible la escala actual, publicada por Vaswani y otros el 12 de junio de 2017 en “Attention Is All You Need”: un mecanismo de atención que mira todo el contexto a la vez, prescindiendo de redes recurrentes. | Es por lo que un modelo puede leer un contrato de 80 páginas y relacionar la cláusula 3 con la 47. |
| Entrenamiento en tres etapas | Preentrenamiento (predecir la siguiente palabra sobre un corpus enorme), fine-tuning (entrenamiento adicional con datos elegidos) y RLHF (personas ordenan respuestas y el modelo aprende a preferir las mejor rankeadas). Anthropic aclara que el modelo preentrenado “no es inherentemente bueno respondiendo preguntas o siguiendo instrucciones”. | El “asistente” que usás es el resultado de las tres etapas. El fine-tuning con datos propios no está disponible en la API de Claude: la vía para usar tus datos es el contexto y RAG. |
| Ventana de contexto | La “memoria de trabajo”: cuánto texto puede mirar el modelo en una conversación. Claude Opus 5.5, Sonnet 5 y Fable 5.1 tienen 1 millón de tokens (unas 2.500 páginas); en ChatGPT depende del plan (256.000 tokens totales en Plus y Business, 400.000 en Pro); Google no publicó la de Gemini 4 Argon. | Lo que no entra en la ventana, el modelo no lo ve. Y la ventana es distinta del conocimiento con el que se entrenó, que tiene fecha de corte. |
Un detalle que ahorra discusiones: la temperatura regula cuánta aleatoriedad tiene la predicción, pero Anthropic documenta que incluso en cero la salida no es totalmente determinista. Dos consultas idénticas pueden dar respuestas distintas. Si un proceso necesita el mismo resultado siempre, no se resuelve con un LLM solo: se resuelve con reglas alrededor del LLM.
¿Qué LLM existen en 2026 y cuál usa cada herramienta?
Los tres laboratorios que importan para una empresa argentina son Anthropic, OpenAI y Google, y Microsoft no tiene modelo propio en Copilot: según su documentación del 14 de octubre de 2026, Copilot corre sobre modelos de OpenAI y de Anthropic. Precios de API por millón de tokens (entrada / salida), según las páginas de precios de cada proveedor:
| Modelo | Quién | Dónde lo usás | API, USD por millón de tokens |
|---|---|---|---|
| Claude Opus 5.5 | Anthropic | Claude Pro, Max, Team y Enterprise; Microsoft Copilot; Bedrock, Vertex AI y Foundry | 4 / 20 (desde el 22 de septiembre de 2026) |
| Claude Sonnet 5 | Anthropic | Todos los planes de Claude, incluido Free | 2 / 10 |
| Claude Haiku 4.5 | Anthropic | API, para tareas de volumen | 1 / 5 |
| GPT-6 Astra | OpenAI | ChatGPT Pro, Business y Enterprise; Work y Codex en Plus | 10 / 50 |
| GPT-6 Sol y GPT-6 Luna | OpenAI | Sol en el chat de los planes pagos; Luna en Free y Go | Sol 2 / 10 · Luna 0,10 / 0,50 |
| Gemini 4 Argon | Google AI Pro y Ultra, Gemini for business, API y Antigravity (desde el 13 de octubre de 2026) | 2 / 10 hasta el 30 de noviembre de 2026; después 4 / 20 | |
| Gemini 3.8 Flash | Gemini Enterprise por defecto; API | 0,75 / 3,75 hasta el 31 de diciembre de 2026; se duplica desde 2027 |
La lectura para una pyme: la diferencia de precio entre el modelo más barato y el más caro es de 100 veces, y la mayoría de las tareas de oficina (resumir, redactar, clasificar) no necesitan el más caro. Si tu equipo usa la app y no la API, lo que pagás es la suscripción: alrededor de USD 20 a 25 por usuario por mes en Claude Pro o Team, ChatGPT Plus o Business y Google AI Pro, con el detalle en Claude vs Gemini para empresas argentinas y en qué es Microsoft 365 Copilot y cuánto cuesta.
¿Qué diferencia hay entre un LLM, un chatbot, un agente y RAG?
| Término | Qué es | Ejemplo en una empresa |
|---|---|---|
| LLM | El modelo: calcula el texto más probable a partir de lo que recibe. | Claude Opus 5.5, GPT-6, Gemini 4 Argon. |
| Chatbot o asistente | La interfaz de conversación sobre un LLM. Responde y espera. | La app de Claude, ChatGPT o Gemini; el asistente de atención al cliente en WhatsApp. |
| Agente | Un LLM con un objetivo, herramientas y permiso para encadenar pasos. | Claude trabajando sobre tus archivos hasta entregar el informe; Copilot Cowork. La guía completa, en agentes de IA. |
| RAG | Buscar primero en tus documentos y pasarle al LLM lo encontrado dentro del contexto, para que responda con evidencia. Según Anthropic, su efectividad depende de la calidad de la base documental. | Un asistente interno que responde con el manual de procedimientos vigente y cita la página. |
| MCP | El protocolo abierto que conecta el modelo con tus sistemas y herramientas de forma estándar. | Claude leyendo el CRM o la planilla de stock a través de un conector. |
¿Por qué un LLM alucina y qué hacer en la empresa?
Alucinar es afirmar algo falso con la misma seguridad que algo cierto: una norma que no existe, una cifra inventada, un cliente que nunca escribió. El paper “Why Language Models Hallucinate” (Kalai, Nachum, Vempala y Zhang, 4 de septiembre de 2025) da la explicación más clara que leí: las alucinaciones “no tienen por qué ser misteriosas: se originan simplemente como errores de clasificación binaria” cuando el modelo no puede distinguir una afirmación incorrecta de un hecho, y persisten porque “los modelos de lenguaje están optimizados para ser buenos rindiendo exámenes, y adivinar cuando hay incertidumbre mejora el rendimiento en el examen”. Los autores proponen cambiar la forma de puntuar los benchmarks que hoy premian adivinar por sobre admitir la duda.
¿Qué significa un LLM para tu empresa?
Que la capacidad ya está en manos de tu gente, con o sin tu decisión. Según la encuesta nacional de CEPE (Di Tella) y Fundar (individuos, agosto-septiembre de 2025), el 85,6 % de quienes usan IA en el trabajo aprendió por su cuenta, el 13,7 % recibió capacitación de su organización y solo el 16 % dice que su empresa tiene una estrategia de IA. En las pymes, el relevamiento nadIA (402 empresas, publicado en abril de 2026) encontró un 41,6 % que ya usa IA y un 57,4 % que no mide el impacto.
- Elegí el LLM por tu stack, no por el ranking. Si el equipo vive en Google Workspace, Gemini; en Microsoft 365, Copilot o Claude; si querés el modelo directo y conectores, Claude. Las herramientas de IA por área ordenan quién necesita qué.
- Cuenta corporativa, nunca personal. El modelo es el mismo; lo que cambia es qué pasa con tus datos. Los planes de empresa no entrenan con tu contenido y dan administración central.
- Empezá por tareas donde el error es barato de detectar (borradores, resúmenes, clasificación) y medí horas antes de pasar a tareas con salida directa al cliente.
- Alfabetización primero. Qué es un LLM, qué hace bien, dónde alucina y qué se le puede pedir es la primera sesión de cualquier plan serio: capacitación en IA para empresas en Argentina.
Eso es lo que hago con las empresas: traducir el LLM a los procesos del equipo, con la cuenta correcta y una política de uso escrita, en capacitaciones corporativas en IA. Si querés verlo aplicado a tu caso: Agendar una conversación.
Preguntas frecuentes.
Un LLM (large language model, modelo de lenguaje grande) es un modelo de inteligencia artificial con muchos parámetros, entrenado con enormes volúmenes de texto para predecir el siguiente fragmento de palabra (token) y que, por esa vía, genera texto, responde preguntas, resume, traduce y escribe código. Según el glosario de Anthropic, son modelos capaces de realizar una variedad de tareas sorprendentemente útiles; según Google, un modelo de lenguaje estima la probabilidad de que un token aparezca dentro de una secuencia. Es la tecnología detrás de Claude, ChatGPT, Gemini y Microsoft Copilot.
LLM significa large language model, en español modelo de lenguaje grande o de gran escala. Lenguaje porque el modelo aprendió la estructura del texto, no hechos verificados; grande porque tiene cientos de miles de millones de parámetros (los números internos que ajusta el entrenamiento) y se entrenó con un volumen enorme de datos. Es un tipo de modelo dentro de la inteligencia artificial generativa, no toda la IA.
En 2026, los modelos de los tres laboratorios principales: Claude Opus 5.5, Claude Sonnet 5 y Claude Haiku 4.5 de Anthropic; GPT-6 Astra, GPT-6 Sol y GPT-6 Luna de OpenAI; y Gemini 4 Argon y Gemini 3.8 Flash de Google. Microsoft Copilot no tiene un modelo propio: según la documentación de Microsoft del 14 de octubre de 2026, corre sobre modelos de OpenAI y de Anthropic. Las apps (Claude, ChatGPT, Gemini) son la interfaz; el LLM es el modelo que hay debajo.
ChatGPT es una aplicación de chat de OpenAI; el LLM es el modelo que la hace funcionar (hoy GPT-6 Sol en los planes pagos y GPT-6 Luna en Free y Go, con GPT-6 Astra en Work, Codex y la opción Pro). Lo mismo vale para Claude (la app) y Claude Opus 5.5 o Sonnet 5 (los modelos), o Gemini (la app) y Gemini 4 Argon (el modelo). Un mismo LLM puede usarse desde la app, desde la API o dentro de otra herramienta, como Claude dentro de Microsoft Copilot.
La IA generativa es la categoría: modelos que producen contenido nuevo (texto, imágenes, audio, video, código). El LLM es el tipo de modelo generativo especializado en lenguaje, y hoy el más usado en las empresas porque texto es casi todo lo que una oficina produce: mails, informes, contratos, planillas con etiquetas. Un generador de imágenes es IA generativa pero no es un LLM; muchos modelos actuales son multimodales y combinan las dos cosas.
El token es la unidad mínima con la que trabaja el modelo: un fragmento de palabra, una palabra corta o un signo. Según Anthropic, en los modelos Claude anteriores a 4.7 un token equivale a unos 3,5 caracteres en inglés; en español la proporción es menos favorable, y los modelos 4.7 y posteriores producen alrededor de un 30 % más de tokens por el mismo texto. Importa porque el precio de la API, el límite de lo que podés subir (la ventana de contexto) y el largo de la respuesta se miden en tokens.
Porque genera el texto más probable, no el verificado, y porque fue entrenado y evaluado premiando la respuesta sobre la duda. El paper Why Language Models Hallucinate (Kalai, Nachum, Vempala y Zhang, 4 de septiembre de 2025) explica que las alucinaciones se originan como errores de clasificación binaria, cuando el modelo no puede distinguir una afirmación incorrecta de un hecho, y persisten porque los modelos están optimizados para rendir bien en exámenes y adivinar cuando hay incertidumbre mejora el puntaje. En la empresa se mitiga con revisión humana, con RAG (responder a partir de documentos cargados) y con una política de uso que defina qué tareas pasan por revisión.
Depende de la vía. Por suscripción, alrededor de USD 20 a 25 por usuario por mes: Claude Pro USD 20 y Team USD 25 (20 anual), ChatGPT Plus USD 20 y Business USD 25 (20 anual), Google AI Pro USD 19,99, y Microsoft 365 Copilot Business USD 18 promocional (lista 21). Por API, se paga por millón de tokens de entrada y salida: Claude Haiku 4.5 USD 1 / 5, Claude Sonnet 5 USD 2 / 10, Claude Opus 5.5 USD 4 / 20, GPT-6 Sol USD 2 / 10, GPT-6 Astra USD 10 / 50, Gemini 4 Argon USD 2 / 10 hasta el 30 de noviembre de 2026 (después 4 / 20) y Gemini 3.8 Flash USD 0,75 / 3,75. Entre el modelo más barato y el más caro hay 100 veces de diferencia, y la mayoría de las tareas de oficina no necesitan el más caro.
Última actualización: · Versión 1.0 · Fuentes: Anthropic — Glossary, Google for Developers — Introduction to Large Language Models (09/01/2026), Vaswani et al. — Attention Is All You Need (12/06/2017), Kalai et al. — Why Language Models Hallucinate (04/09/2025), Microsoft Learn — What is Microsoft Copilot (14/10/2026), Anthropic — Pricing, OpenAI — API pricing, Google Cloud Blog — Gemini 4 Argon (13/10/2026), CEPE y Fundar — Encuesta Nacional sobre Adopción de IA y Perfil — encuesta nadIA a pymes (29/04/2026). Precios de API verificados en las páginas de cada proveedor entre el 23 de septiembre y el 14 de octubre de 2026. Análisis: Diego Ceredi, consultor en IA para empresas.
Precio de una capacitación de IA para empresas en Argentina (2026)
7 min de lectura
Cómo armar el presupuesto de IA de tu PyME en Argentina (con plantilla en 3 niveles)
9 min de lectura