Un LLM individual funciona bien para tareas aisladas, pero tiene dificultades cuando un objetivo requiere varios pasos coordinados en el tiempo. De ahí nacen los sistemas multiagente: un orquestador (que también es un LLM) descompone el objetivo en subtareas y las asigna a agentes especializados, en un recorrido que parte de la pregunta de Turing de los años 50 y llega a los modelos generativos de hoy, open weight y closed weight.
Qué es un LLM, en pocas palabras
Un LLM — Large Language Model — es un sistema de software entrenado con cantidades enormes de texto: miles de millones de páginas entre libros, artículos, foros, código fuente, documentación científica. Durante el entrenamiento, el sistema aprende los patrones estadísticos del lenguaje —qué palabras se acompañan, cómo se estructuran los razonamientos, cómo se responde a una pregunta— hasta desarrollar una capacidad extraordinaria: producir texto coherente y sensato sobre cualquier tema.
No "piensa" en el sentido humano del término, no tiene conciencia ni memoria persistente, pero el nivel de competencia adquirido durante el entrenamiento es tal que el resultado parece, a todos los efectos, inteligencia real.
"Large Language Model" significa literalmente "gran modelo de lenguaje". El término pesos (weights) se refiere a los miles de millones de parámetros numéricos que el sistema ha adquirido durante el entrenamiento: son su "memoria", el know-how destilado en números a partir de enormes cantidades de texto. Cuando hablas con ChatGPT, Claude o Gemini, estás interactuando con un LLM.
Setenta años de investigación: de Turing a los modelos generativos
Hay una idea extendida de que la inteligencia artificial ha explotado de la nada en los dos o tres últimos años. No es así. Los fundamentos teóricos se remontan a los años 50, cuando Alan Turing formuló la pregunta que orientaría décadas de investigación: "¿Pueden pensar las máquinas?" Desde entonces, generaciones de investigadores han ido construyendo ladrillo a ladrillo.
Nacen los primeros programas de Inteligencia Artificial simbólica: sistemas basados en reglas escritas a mano por expertos. Funcionaban en dominios muy restringidos y no aprendían de la experiencia.
Se impone el Machine Learning: en lugar de escribir las reglas a mano, se enseña a la máquina a obtenerlas por sí sola analizando ejemplos. Los filtros antispam del correo, los que todavía hoy separan tu bandeja de entrada del alud de promociones, son uno de los primeros éxitos masivos del machine learning.
El machine learning entra en la vida cotidiana sin que nadie lo llame así. Los sistemas de recomendación de Netflix, Spotify y Amazon ("también te podría gustar…") son ML. Igual que el reconocimiento de voz de los primeros asistentes y la segmentación publicitaria en línea.
El giro del Deep Learning: gracias a redes neuronales mucho más profundas y a GPU cada vez más potentes, los sistemas aprenden a reconocer imágenes, traducir idiomas y jugar al ajedrez mejor que cualquier ser humano. Es el precursor directo de los modelos generativos.
El Deep Learning aplicado al lenguaje produce los primeros modelos generativos de gran tamaño: GPT, BERT y luego Claude, Gemini, Llama. La IA generativa no es una revolución caída del cielo: es el último eslabón de una cadena de setenta años.
Inteligencia Artificial es el campo general. Dentro está el Machine Learning (sistemas que aprenden de los datos). Dentro del ML está el Deep Learning (redes neuronales profundas). Y el Deep Learning aplicado al lenguaje a escala enorme produce los LLM, los modelos con los que interactuamos hoy.
Open weight y closed weight: ¿existe la receta secreta?
Todos los LLM se entrenan básicamente de la misma manera, pero hay una diferencia fundamental que divide el mundo de la IA en dos grandes familias: los que comparten su "código secreto" y los que lo guardan bajo llave en la caja fuerte.
¿Recuerdas los pesos de los que hablábamos antes, esos miles de millones de números que representan todo lo que el modelo ha aprendido? Pues bien: un modelo open weight los hace públicos. Cualquiera puede descargarlos, usarlos, modificarlos y ejecutarlos en su propio ordenador. Un modelo closed weight, en cambio, los mantiene secretos: solo puedes usar el modelo a través de un servicio en línea, y pagar por ello.
Los pesos son públicos
- Puedes descargarlo y ejecutarlo en tu hardware
- Ningún dato sale de tu red: privacidad total
- Puedes modificarlo y entrenarlo más
- Sin coste por llamada a la API
- Solo dependes de ti mismo (y de tu electricidad)
Los pesos siguen siendo secretos
- Accesible solo mediante API o interfaz web
- Los datos pasan por servidores externos (atención al RGPD)
- No puedes modificarlo ni inspeccionarlo
- Se paga según el uso
- A menudo, los modelos más capaces del mercado
Ninguno de los dos es intrínsecamente mejor. Es una elección que depende de tus prioridades: si necesitas privacidad total y quieres tenerlo todo en casa, el open weight es el camino. Si quieres el máximo rendimiento sin preocuparte por la infraestructura, el closed weight es lo tuyo.
"Open weight" no es lo mismo que "open source". Un modelo open weight comparte los pesos pero no necesariamente el código de entrenamiento ni los datos usados para crearlo. Es como recibir de regalo una tarta ya hecha: puedes comértela e incluso modificarla, pero no sabes exactamente cómo se preparó ni con qué ingredientes.
¿Un solo LLM lo hace todo? Casi.
Un LLM por sí solo ya es potente. Puedes pedirle que escriba un correo, resuma un documento, traduzca un texto o explique un concepto complicado. Sirve para la mayoría de las cosas.
Pero piensa en este escenario: quieres construir un sistema que cada mañana lea las noticias financieras, analice las acciones de tu cartera, consulte el tiempo, actualice una hoja de cálculo y te envíe un resumen por Telegram. Un solo LLM podría intentarlo, pero sería como pedirle a un gran cocinero que además haga de camarero, cajero y friegaplatos, todo a la vez.
Piensa en un hospital. No existe un médico que lo haga todo: está el cardiólogo, el radiólogo, el cirujano, el enfermero. Cada uno está especializado. Y está el jefe de servicio que coordina quién hace qué y cuándo. Los sistemas multiagente funcionan exactamente así.
Qué es un sistema multiagente con orquestador
Un sistema multiagente es un conjunto de "agentes", cada uno de los cuales suele ser un LLM con una tarea específica, que trabajan juntos para alcanzar un objetivo mayor.
Pero ¿quién los coordina? ¿Quién decide quién debe hacer qué, en qué orden y qué hacer si algo sale mal?
Entra en escena el orquestador. También él es un LLM, pero su trabajo no es realizar tareas técnicas. Su trabajo es pensar a lo grande: entiende el objetivo final, lo descompone en subtareas, las asigna a los agentes adecuados, recoge los resultados y los ensambla en una respuesta coherente.
El orquestador, en la práctica, es el director de orquesta. No toca ningún instrumento, pero sin él la orquesta no sería más que ruido.
Un equipo de especialistas, no un solo modelo
Llegamos a la parte más interesante. En un sistema multiagente bien diseñado, los miembros del equipo no funcionan todos con el mismo modelo de IA. Este enfoque se llama arquitectura multimodelo heterogénea: cada agente del equipo puede usar un LLM distinto, elegido expresamente para el tipo de tarea que debe realizar, igual que en una empresa se contratan perfiles distintos para funciones distintas.
¿Por qué? Porque los modelos de IA no son todos iguales, ni conviene que lo sean. Algunos son enormes, razonan de forma sofisticada pero son lentos y caros. Otros son compactos, rápidos y perfectos para tareas acotadas. ¿Tiene sentido movilizar a todo el equipo de investigadores sénior para responder a una pregunta trivial? En absoluto: de eso se encarga el júnior.
De este modo el equipo se vuelve extremadamente flexible: puedes tener un miembro que funciona en tu ordenador de casa (privado, sin conexión, a coste cero), otro que usa un potente modelo cloud para los razonamientos complejos y otro entrenado específicamente en medicina, derecho o código, según lo que requiera el proyecto.
Estás construyendo un asistente médico. El orquestador (un modelo potente) entiende la pregunta del médico. Se la pasa a un agente especializado en literatura clínica que usa un modelo fine-tuned con PubMed. Un segundo agente recupera de la web las guías actualizadas. Un tercero lo sintetiza todo en lenguaje sencillo. Tres modelos distintos, un único objetivo.
Todo junto: el panorama completo
Así que, recapitulando sin grandes palabras: un sistema multiagente con orquestador y arquitectura multimodelo heterogénea es, básicamente, un equipo de inteligencias artificiales especializadas, cada una con su propio modelo a medida, coordinadas por un agente jefe de proyecto que gestiona el flujo de trabajo. Cada miembro del equipo hace lo que mejor sabe hacer; el orquestador lo mantiene todo unido.
Es la forma en que la IA está pasando de ser un asistente genérico individual a un equipo de asistentes personales listos para afrontar problemas cotidianos concretos: gestionar tu agenda, vigilar tus finanzas, buscar información médica, responder al correo, rellenar documentos; no uno a uno, sino en paralelo y de forma coordinada.
Y no es casualidad que los grandes fabricantes de sistemas operativos estén ya replanteando la interfaz del PC precisamente en esta dirección. Windows, macOS y los principales sistemas operativos móviles se están preparando poco a poco para acoger a los agentes de IA como intermediarios naturales entre el usuario y las aplicaciones: ya no un icono en el que hacer clic para cada tarea, sino un conjunto de asistentes inteligentes que entienden lo que quieres hacer y lo hacen por ti, o casi.
Es la misma lógica con la que pasamos de la línea de comandos a las interfaces gráficas en los años 80: una simplificación radical de la interacción, que hace accesibles a todos unas herramientas potentes. Solo que esta vez el intermediario no es un cursor de ratón, sino un agente que habla tu idioma.
Y todo esto, lo recordamos, es el resultado de setenta años de investigación. No es magia. Es ingeniería, construida con paciencia.