# Todo lo que necesitas saber sobre el desarrollo con IA

- Channel: [BettaTech](https://www.youtube.com/channel/UCSf6S_PAhXsqGMTPDiKgdRg)
- Published: 2026-03-22
- Source video: [Watch on YouTube](https://youtube.com/watch?v=MgtM_Ktuc5A)
- Read on ReadTube: https://www.read.tube/p/videos/MgtM_Ktuc5A
- Language: Original (source language)

## Article

Si últimamente estás intentando aprender a desarrollar con inteligencia artificial, seguramente te ha pasado algo de esto. Empiezas a investigar qué puedes utilizar, qué puedes hacer y te empiezan a aparecer un montón de conceptos que desconoces, como por ejemplo LLM, token, contexto, agentes. Parece que antes de poder ponerte a construir algo, tienes que pasarte horas o incluso días aprendiendo cómo funciona todo este nuevo diccionario. El problema es que la mayoría de tutoriales te explican solamente cómo funcionan herramientas específicas, no cómo funcionan estos conceptos de verdad. En este artículo, bajaremos a tierra los conceptos fundamentales de la inteligencia artificial aplicada al desarrollo.

### ¿Qué es un LLM?

La mejor forma de explicar qué hace un LLM es mediante un ejemplo. Cuando decimos que los LLM se encargan de predecir texto, estamos diciendo que calculan probabilidades sobre la siguiente palabra, o mejor dicho, el siguiente token. Imagina que pasamos la frase incompleta "La capital de Francia es." a un modelo de lenguaje:

| Opción | Probabilidad |
| :--- | :--- |
| París | 72% |
| Lyon | 10% |
| Marsella | 7% |
| Roma | 3% |

Dado un historial de tokens anterior, el modelo es capaz de calcular la probabilidad aprendida de lo que sería el siguiente token. Ejecutando esto en bucle, se genera texto de manera indefinida, que es precisamente como funcionan los chats como ChatGPT.

#### El concepto de Token

El token es la unidad mínima de procesamiento que utilizan los LLM. En general, un token equivale casi siempre a una palabra, aunque no siempre es cierto. A veces, una palabra puede estar dividida en varios tokens. Puedes verificar esto en la página [tokenizer](https://platform.openai.com/tokenizer) de OpenAI.

Es fundamental recordar que estos modelos utilizan números y se basan en operaciones matemáticas. El texto se traduce a lo que se conoce como **token IDs**, que son los números que representan cada uno de estos tokens.

### Arquitectura: Redes Neuronales y Transformers

La funcionalidad de los LLM se consigue gracias a su arquitectura basada en redes neuronales, modelos matemáticos inspirados en las conexiones de neuronas en el cerebro humano. 

Las redes neuronales clásicas tenían limitaciones para modelar frases complejas donde las palabras relacionadas estaban distantes (por ejemplo, en "El gato no cruzó la calle porque estaba cansado", entender que quien estaba cansado era el gato). En 2017, el paper *Attention is all you need* de Google presentó la arquitectura de **Transformers**.

La arquitectura de Transformers permite modelar la relación entre tokens asignando un peso a la relación de cada palabra con todas las demás. Esto permite a la red visualizar una frase completa y entender la importancia de los términos, logrando generar texto coherente.

### El entrenamiento

El entrenamiento es el proceso de aprendizaje de cualquier modelo de IA. Al crear una red neuronal con transformadores, se le sirve un *set* de entrenamiento (libros, guiones, artículos web). 

El método consiste en trocear textos, eliminar la última palabra de una frase y utilizar esa parte para predecir la siguiente. Si el modelo acierta, sigue; si falla, se apunta el error y reajusta internamente sus **pesos** para acercarse a su propósito. La forma específica en la que se gestionan estas arquitecturas y el entrenamiento es lo que distingue a modelos como los de OpenAI, Anthropic, DeepSeek o MiniMax.

### La ventana de contexto

Al enviar entradas a un modelo, consumimos capacidad de cálculo. Cuantos más tokens pasamos, más llenamos el **contexto**. Los sistemas tienen límites y, al llegar a ellos, pueden ocurrir comportamientos como que el modelo "olvide" instrucciones previas. Los modelos gestionan esto mediante varias técnicas:

*   **Olvido directo:** Simplemente descartan los tokens más antiguos al llegar al límite.
*   **Sumarization:** Agrupan tokens antiguos y los resumen para ocupar menos espacio.
*   **Gradiente:** Dan más importancia a los tokens nuevos que a los antiguos.

### Agentes de IA

Los agentes son programas capaces de percibir su entorno y ejecutar acciones tomando decisiones utilizando el modelo como cerebro. A diferencia de un chat tradicional, un agente:

1.  Percibe el entorno (ej. lee ficheros del sistema).
2.  Piensa (analiza con el LLM).
3.  Interactúa (ejecuta herramientas).

Ejemplo: `Claude Code` con Opus 4.6 puede ejecutar scripts de test, leyendo el sistema de ficheros bajo nuestra autorización.

#### Skills y MCP

Para organizar estas capacidades existen dos conceptos clave:

*   **Skills:** Capacidades que puede tener un agente (ej. buscar en la web, consultar una base de datos). El modelo las invoca de manera dinámica.
*   **MCP (Model Context Protocol):** Es un estándar de comunicación entre inteligencias artificiales y herramientas tradicionales de software (como REST o GraphQL para APIs). Permite que modelos se conecten de forma estandarizada a bases de datos, calendarios o herramientas como Gmail.

En herramientas como `Claude Code`, puedes gestionar estos protocolos usando comandos como `/skills` o `/mcp`.

Como recomendación final, mantente al día pero con precaución, ya que el ecosistema cambia cada pocos meses. Una metodología interesante para explorar es el *spec-driven development* (desarrollo basado en especificaciones) para asegurar que la IA trabaje de manera inteligente.