IA Generativa, Modelos de Lenguaje y LLMs
Por el Equipo docente del Instituto Data Science · Actualizado en octubre de 2026
Qué es la IA generativa, cómo funciona un modelo de lenguaje por dentro, para qué sirve, dónde falla y cómo usarla con criterio.
Resumen de la guía: la IA generativa es la rama de la inteligencia artificial que crea contenido nuevo (texto, imágenes, audio, video o código) a partir de patrones aprendidos de grandes volúmenes de datos. Los modelos de lenguaje extensos (LLM) son su ejemplo más difundido. En esta guía vas a ver cómo funcionan, qué pueden y qué no pueden hacer, qué riesgos tienen y qué tendencias se discuten hoy.
¿Qué es la Inteligencia Artificial Generativa?
Es el conjunto de modelos capaces de crear contenido nuevo a partir de datos preexistentes. A diferencia de los modelos tradicionales, que se limitan a clasificar, predecir o detectar patrones, un modelo generativo produce algo que antes no existía.
Texto y código
Redactar, resumir, traducir, explicar y programar.
Imagen y video
Generar y editar piezas visuales a partir de una descripción.
Audio y música
Sintetizar voz, componer y transformar sonido.
Datos sintéticos
Crear datos artificiales con propiedades parecidas a los reales.
Las arquitecturas detrás
Los modelos generativos modernos se apoyan en tres familias: las redes generativas antagónicas (GANs), los modelos de difusión y, sobre todo, los Transformers, que dieron origen a los modelos de lenguaje actuales. Se ubican dentro del deep learning, como explicamos en la guía de ramas de la IA.
Por qué se volvió dominante
Adaptación
Se entrena con enormes cantidades de datos y luego se ajusta a tareas específicas.
Generalización
Puede manejar contextos variados y producir respuestas nuevas, no copias de lo que vio.
Interacción
Permite conversar con el sistema en lenguaje humano, sin aprender una interfaz técnica.
Para ubicar la IA generativa dentro del campo completo, empezá por la guía de Inteligencia Artificial.
Qué son los Modelos de Lenguaje (LLM)
Los Large Language Models (LLM) son modelos entrenados para procesar y generar lenguaje natural. Ejemplos conocidos son GPT, Gemini, Llama o Claude, y todos están construidos sobre la arquitectura Transformer.
Características principales
| Característica | Qué significa |
|---|---|
| Entrenamiento masivo | Usan corpus enormes de texto: libros, artículos científicos, código y sitios web. |
| Aprendizaje autosupervisado | Aprenden prediciendo la palabra (o fragmento) siguiente, sin necesidad de etiquetas humanas para cada ejemplo. |
| Multitarea | Un mismo modelo puede escribir, resumir, traducir, explicar y programar. |
| Interacción conversacional | Mantienen diálogos largos usando el contexto de lo ya dicho. |
| Escala | En general, más parámetros y más datos mejoran el desempeño, aunque con costos crecientes de cómputo y energía. |
¿Un LLM “entiende”?
Los LLM no entienden como las personas: aprenden patrones estadísticos del lenguaje. Esos patrones son tan sofisticados que las respuestas parecen producto de comprensión, pero buen desempeño no equivale a conciencia ni a razonamiento humano. Si te interesa cómo se ubica esto en las definiciones oficiales, mirá la guía de Inteligencia Artificial.
Cómo funciona un LLM por dentro
La IA generativa moderna se apoya en tres pilares: la arquitectura Transformer, el mecanismo de atención y el entrenamiento en varias fases.
La arquitectura Transformer
Fue presentada en 2017 por Vaswani y su equipo en el artículo Attention Is All You Need. Reemplaza las secuencias tradicionales (RNN, LSTM) por un mecanismo que procesa todo el contexto a la vez. Eso permite mayor velocidad, mejor rendimiento y escalar a miles de millones de parámetros.
El mecanismo de atención
Le permite al modelo determinar qué partes del contexto son relevantes para cada predicción.
Ejemplo: en “El modelo generó el informe porque estaba bien entrenado”, la atención ayuda a asociar “estaba” con “el modelo” y no con “el informe”.
Las fases de entrenamiento
Preentrenamiento
El modelo predice la siguiente unidad de texto (token) millones de veces y construye una representación estadística del lenguaje.
Ajuste fino (fine-tuning)
Se entrena para tareas específicas: conversación, redacción, análisis, código.
Alineamiento con feedback humano (RLHF)
Se optimiza para que las respuestas sean útiles, seguras y apropiadas, usando evaluaciones hechas por personas.
Un LLM trabaja con una ventana de contexto limitada, medida en tokens. Lo que queda fuera de esa ventana no lo “ve”. Por eso técnicas como el RAG, que recupera información de fuentes externas y se la entrega al modelo, ayudan a que las respuestas se apoyen en documentos concretos. Hay un caso aplicado en el proyecto de generación aumentada por recuperación del Laboratorio de Datos.
- ¿Qué hace el mecanismo de atención?
- ¿Para qué sirve la fase de alineamiento?
Ver respuestas
1) Determina qué partes del contexto son relevantes para cada predicción. 2) Ajusta el modelo, con feedback humano, para que sus respuestas sean más útiles y seguras.
Aplicaciones reales de la IA generativa
Las aplicaciones son amplias y transversales. Estas son las más extendidas.
Educación
- Tutores y asistentes de estudio
- Elaboración de materiales
- Resúmenes y simulación de evaluaciones
Ciencia de datos y ML
- Generación de código
- Apoyo al análisis exploratorio
- Documentación y explicación de resultados
Empresas
- Automatización de tareas repetitivas
- Generación de reportes
- Soporte conversacional multilingüe
- Asistentes corporativos
Desarrollo de software
- Análisis y refactorización de código
- Generación de tests
- Ayuda para depurar errores
Industrias creativas
- Guiones y storytelling
- Diseño visual y música
- Publicidad
Un ejemplo aplicado es la planificación de viajes con inteligencia artificial, y otro, las técnicas de NLP y machine learning para e-commerce.
Ventajas de la IA generativa
Productividad
Acelera tareas repetitivas, como redactar borradores, resumir o generar código base. La mejora depende de la tarea y de la revisión posterior.
Menos barreras técnicas
Quien no programa puede obtener un primer código y quien no diseña puede producir un boceto visual.
Reducción de tiempos
Las organizaciones pueden optimizar tiempos y recursos en procesos de texto y documentación.
Síntesis de información
Ayuda a condensar material extenso y a entender datos complejos con más rapidez.
Experimentación
Permite probar ideas, prototipos y contenidos en ciclos más cortos.
Una advertencia útil: estas ventajas se aprovechan cuando una persona revisa y valida el resultado. Sin revisión, la velocidad también acelera los errores.
Limitaciones, riesgos y sesgos
Son herramientas potentes, pero con riesgos que se deben gestionar con criterio.
Pueden inventar información, citas o código incorrecto con un tono muy seguro. Conviene usarlos como herramientas asistidas, no como fuente primaria de verdad.
Al entrenarse con datos históricos, pueden replicar y amplificar estereotipos culturales, de género o socioeconómicos.
Sin conexión a fuentes externas, un modelo solo conoce lo que vio hasta su fecha de corte de entrenamiento.
Un uso poco reflexivo puede debilitar el juicio propio y la práctica de habilidades básicas.
Cargar datos sensibles en herramientas externas puede exponerlos; además, estas herramientas pueden usarse para producir contenido malicioso.
El NIST (EE. UU.) publicó un perfil específico para IA generativa, el AI 600-1, que identifica doce riesgos propios de estos sistemas, entre ellos la confabulación (las llamadas alucinaciones), el contenido falso, los problemas de privacidad de datos y los sesgos. Es un marco voluntario.
IA generativa en el trabajo con datos
Un proyecto de ciencia de datos se transforma en varias etapas con estas herramientas, siempre que alguien valide los resultados.
| Etapa | Cómo puede ayudar | Qué hay que controlar |
|---|---|---|
| Exploración y preparación | Documentar variables, explicar columnas, generar datos sintéticos. | Que los datos sintéticos no introduzcan sesgos ni filtraciones. |
| Modelado | Proponer variables, sugerir diseños y ayudar a interpretar métricas. | Que las métricas y su interpretación sean correctas. |
| Despliegue | Escribir endpoints, optimizar pipelines, documentar el sistema. | Seguridad y pruebas del código generado. |
| Mantenimiento | Acelerar el debugging y la actualización de modelos. | Que los cambios no rompan comportamientos existentes. |
El proceso completo está en la guía de Ciencia de Datos, y los perfiles que combinan datos e IA, en la de roles y especialidades en datos.
Cómo usar la IA generativa con criterio
Definí bien la tarea
Cuanto más claro sea el objetivo, el formato esperado y el contexto, mejor suele ser el resultado.
Dale contexto y ejemplos
Incluir el material de referencia y uno o dos ejemplos de lo que buscás mejora la respuesta.
Verificá siempre lo importante
Contrastá datos, citas y cifras con fuentes confiables antes de usarlos.
Cuidá la información sensible
No cargues datos personales o confidenciales en herramientas que no controlás.
Mantené la responsabilidad humana
La decisión final y la trazabilidad de las fuentes siguen siendo de la persona.
Tendencias y regulación
Estas son las direcciones que más se discuten hoy. Son líneas de trabajo, no predicciones cerradas.
Modelos más pequeños y eficientes
Entrenados para tareas específicas y capaces de correr con menos recursos.
Agentes basados en LLM
Sistemas que combinan un modelo con herramientas para buscar información, ejecutar acciones y completar tareas con distintos grados de autonomía.
Multimodalidad
Modelos que combinan texto, imágenes, video, audio y otras señales.
Colaboración humano-IA
Modelos integrados a equipos de trabajo, donde las habilidades humanas y las asistidas se complementan.
Regulación
La regulación ya empezó. En la Unión Europea, el Reglamento 2024/1689 incluye obligaciones para los modelos de IA de propósito general desde el 2 de agosto de 2025 y reglas de transparencia para el contenido generado por IA, que se aplican por etapas. Como el cronograma se modificó en 2026, conviene confirmar las fechas vigentes en EUR-Lex.
En Argentina, a octubre de 2026 no hay una ley integral de IA. Qué normas rigen y qué marcos internacionales existen lo explicamos en la guía de ética y regulación en inteligencia artificial.
Preguntas frecuentes sobre IA generativa
¿Qué es la IA generativa en pocas palabras?
Es la inteligencia artificial que crea contenido nuevo (texto, imágenes, audio, código) a partir de patrones aprendidos de muchos datos. Lo vemos en ¿Qué es la IA generativa?
¿Qué es un LLM?
Un modelo de lenguaje extenso: un modelo entrenado con grandes cantidades de texto para procesar y generar lenguaje natural. Se basa en la arquitectura Transformer. Ver Qué son los LLM.
¿Un LLM razona o entiende como una persona?
No. Aprende patrones estadísticos del lenguaje, y eso le permite producir respuestas que parecen producto de comprensión. Puede resolver bien muchas tareas y fallar en otras de maneras que una persona no fallaría.
¿Qué es una alucinación?
Una respuesta falsa o inventada que el modelo presenta con seguridad. Por eso conviene verificar datos, citas y código antes de usarlos. Ver Limitaciones, riesgos y sesgos.
¿Qué es el RAG y para qué sirve?
Es una técnica que combina un modelo de lenguaje con una búsqueda en fuentes externas, para que las respuestas se apoyen en documentos concretos y no solo en lo aprendido en el entrenamiento. Ver Cómo funciona un LLM.
¿La IA generativa reemplaza a los profesionales de datos?
Automatiza tareas, pero definir el problema correcto, validar resultados, entender el contexto y asumir la responsabilidad siguen siendo trabajo humano. Ver IA generativa en el trabajo con datos.
¿Es seguro cargar datos de mi empresa en un asistente de IA?
Depende de la herramienta y de sus condiciones de uso. Conviene no cargar datos personales o confidenciales en servicios que no controlás y revisar las políticas de tratamiento de datos. En Argentina rige además la Ley 25.326 de protección de datos personales.
Cómo seguir después de esta guía
Ya sabés qué es la IA generativa, cómo funciona un LLM y dónde están sus límites. Estos son los próximos pasos:
- Ubicá la IA generativa en el campo completo: repasá las ramas de la IA y la guía de Machine Learning.
- Entendé el marco responsable: leé la guía de ética y regulación en IA.
- Mirá aplicaciones reales: los proyectos del Laboratorio de Datos muestran técnicas de IA con datos abiertos.
Esta guía es informativa y no reemplaza un plan de estudios. Si buscás formación estructurada, el instituto ofrece cursos de ciencia de datos online, diplomaturas en ciencia de datos y cursos on demand.
Fuentes consultadas en octubre de 2026: Vaswani et al. – Attention Is All You Need (2017) · NIST AI 600-1 – Generative AI Profile · Reglamento (UE) 2024/1689 · Ley 25.326. El marco general de definiciones está en la guía de Inteligencia Artificial.