He oído demasiadas veces en los últimos años: “un LLM funciona igual que un cerebro humano” o, peor, “eres igual que un LLM”.

Siempre me ha parecido que algo no encaja, que no leñe, que no somos iguales, pero no he sabido bien cómo argumentar o deshacer algunas de las falacias que intuía detrás de todo esto.

Feynmann

Richard Feynmann decía que “si no puedes explicarlo de forma sencilla, no lo entiendes” y además era un tipo que había hackeado su propio sistema de aprendizaje.

Había aprendido a aprender y a ser honesto con lo que no entendía.

El siguiente paso para alguien como yo ha sido: “crear una skill con un modelo mental como el de Feynmann”.

Y el siguiente, usar esa skill: “Feynmann, explícame por qué un LLM no es un cerebro humano (o si lo es)”.

Después de dos horas de toma y daca, estas son las conclusiones a las que hemos llegado Richard y yo.

Una neurona no es un número

Cuando escuchamos “un LLM tiene mil millones de parámetros” y “un cerebro tiene 86 mil millones de neuronas”, parece que estamos más o menos en el mismo sitio. Pero no es así.

Una neurona biológica tiene entre 5.000 y 20.000 sinapsis. Cada dendrita computa por separado. Es como tener miles de núcleos de procesamiento en una sola célula. Una neurona artificial tiene un peso. Suma un número. Aplica una función. Fin.

Y luego está la energía. El cerebro humano funciona con 20 vatios. Una bombilla. Un LLM comparable necesita megavatios. Un millón de veces más.

No es una diferencia de grado. Es una diferencia de categoría.

Las “capacidades emergentes”

Este es el argumento que más me ha costado digerir.

“Mirad”, me dicen, “el LLM desarrolla habilidades que no le enseñaron. Eso es emergencia. Igual que el cerebro”.

Sí, es cierto. Cuando un modelo supera cierto umbral, aparecen cosas nuevas: razonamiento paso a paso, aprendizaje con pocos ejemplos. Nadie lo programó. Emergió de la escala.

Pero yo también he tenido “aha moments”. Hay un momento en el que llevas meses tocando el piano y, de repente, las dos manos saben qué hacer solas. O llevas años intentando pensar en inglés y un día descubres que estás pensando en inglés sin darte cuenta.

La diferencia es que yo he sufrido ese proceso. He tenido frustración, dolor en los dedos, miedo a fallar. Mi cerebro se ha reorganizado físicamente. El LLM ni se ha reorganizado ni ha sufrido nada. Sus pesos no cambiaron. Solo se activó una configuración que ya existía, como una imagen pixelada que de repente se ve nítida. No es que la imagen “aprendió” a ser nítida. Es que la resolución alcanzó un umbral.

El problema del “grounding”

Un LLM puede decirte que “el fuego quema”. Lo ha visto escrito millones de veces. Pero nunca ha sentido calor. Nunca se ha quemado.

El cerebro humano está atado al mundo. Cada concepto está ligado a una experiencia sensorial con consecuencias reales. “Dulce” es azúcar en la lengua. “Peligro” es adrenalina en el cuerpo.

Los agentes de IA actuales ya tienen sensores, acceso a internet, capacidad de ejecutar código. Pero tener una cámara no es lo mismo que ver. Procesar datos de temperatura no es lo mismo que sentir calor.

La diferencia no es sensorial. Es sobre consecuencias. Un humano tiene “skin in the game”. Un agente no. Si un robot se cae, puede reiniciarse. Si yo me caigo, me hago daño y tengo miedo a volver a caerme.

No tengo claro este argumento, la verdad…

El salto real: no es el LLM, es el sistema

Aquí es donde la cosa se pone interesante. Porque cuando alguien dice “la IA ha mejorado muchísimo”, no está hablando solo de que los LLMs tengan más parámetros.

El verdadero salto ha sido otro: los agentes.

Un LLM puro es un generador de texto. Le das una entrada, te da una salida. Fin. No tiene acceso al mundo, no puede verificar sus propias respuestas, no tiene memoria entre conversaciones.

Pero cuando le añades herramientas, contexto y la capacidad de ejecutar acciones, deja de ser un generador de texto para convertirse en algo completamente diferente.

Piensa en la diferencia entre un cerebro en una jarra y un humano con manos, herramientas y conexión al mundo.

Un LLM puro es el cerebro en la jarra. Puede “pensar”, pero no puede actuar.

Un agente de IA es el humano con herramientas. Tiene:

• Herramientas: Puede buscar en la web, ejecutar código, leer archivos, conectarse a APIs. No solo predice tokens: actúa sobre el mundo.
• Contexto: No empieza cada consulta desde cero. Mantiene historial, recuerda lo que has dicho antes, usa información relevante de fuentes externas.
• Loops: No genera una respuesta y para. Puede iterar: ejecutar algo, ver el resultado, ajustar, volver a intentar. Como un humano que prueba, falla y vuelve a intentarlo.
• Arquitectura: El LLM es solo una pieza de un sistema mayor. Hay un orquestador que decide qué herramienta usar, cuándo parar, cómo verificar.

El valor no está en el modelo. Está en el sistema completo.

Y esto es lo que la mayoría de la gente no entiende cuando dice “un LLM es como un cerebro”. No estás hablando con un LLM. Estás hablando con un sistema complejo que usa un LLM como componente.

Conclusiones

Después de estas reflexiones, me quedo con cuatro ideas clave:

1. La analogía cerebro-LLM es superficial. Ambos son “redes”, sí. Pero las diferencias son de categoría: complejidad de las neuronas, conectividad, eficiencia energética, aprendizaje continuo y grounding en el mundo real.

2. La emergencia no implica comprensión. Que un LLM desarrolle habilidades no entrenadas no significa que “entienda” algo. Es un efecto de resolución estadística, no de cognición genuina.

3. El verdadero salto son los agentes, no los modelos. Los LLMs puros son generadores de texto. Los agentes, con sus herramientas, contexto y loops, son sistemas que actúan sobre el mundo. Ahí es donde está el valor real.

4. Saber qué NO puede hacer un LLM es tan importante como saber qué puede. Si estás construyendo sistemas de IA, diseñarlos asumiendo sus limitaciones es la clave del éxito.

¿Y ahora qué?

Yo sigo usando LLMs y agentes de IA cada día. Son herramientas increíbles. Pero ya no pienso en ellos como “inteligencia artificial” en el sentido humano de la palabra.

Los veo como lo que son: sistemas potentes que necesitan ser controlados, verificados y entendidos.

Y cada vez que alguien me dice que “la IA va a reemplazar a los programadores”, pienso: “Seguro, pero ahora mismo, no”.

Esto es lo que he aprendido investigando. Si te interesa el tema o quieres hablar de cómo implementar IA de forma realista en tu empresa, hablemos.