Le pides al asistente de casa que apague las luces del salón y te responde con una explicación larguísima. Detrás de muchos chatbots y asistentes hay un LLM, un modelo de inteligencia artificial que genera texto a partir del contexto, aunque eso no significa que siempre entienda la situación ni que compruebe si su respuesta es cierta.

Un LLM genera respuestas útiles, pero puede equivocarse con seguridad
- LLM significa «Large Language Model», o modelo de lenguaje de gran tamaño.
- Predice tokens, fragmentos de texto que va enlazando para construir una respuesta.
- No verifica automáticamente los hechos: una contestación convincente puede contener errores.
- En una casa conectada, limita qué dispositivos puede consultar o controlar.
Un LLM predice qué texto encaja a continuación
Imagina que empiezas una frase con «El termostato está…». El modelo calcula qué fragmentos de texto podrían seguir según los patrones que aprendió durante el entrenamiento y el contexto de la conversación. Esa predicción se repite hasta formar una respuesta completa.
Los fragmentos se llaman tokens: pueden ser palabras enteras, partes de palabras o signos. La explicación didáctica de Google for Developers describe esta generación como una predicción de tokens, no como una consulta automática a una base de datos con respuestas verificadas.
Por eso un LLM puede redactar, resumir, traducir o responder con soltura y, a la vez, inventar un dato. La fluidez mide cómo suena el texto, no si es cierto. Considero que esta distinción evita el error más común: tratar una respuesta bien escrita como si fuera una prueba.
Un chatbot es una aplicación que puede usar un LLM
Cuando escribes en un chatbot, normalmente interactúas con una aplicación que envía instrucciones y contexto al modelo y presenta el resultado. El LLM es el componente que genera lenguaje; la aplicación puede añadir otras funciones, como buscar información, consultar documentos o llamar a herramientas.
Esto explica por qué dos asistentes pueden contestar de forma distinta a la misma pregunta: quizá usan modelos diferentes, instrucciones distintas o herramientas adicionales. El chatbot es la interfaz; el LLM es una de las piezas que puede haber detrás.
También conviene distinguir un LLM de un sistema tradicional que clasifica o activa una orden predefinida. Un control domótico puede reconocer «enciende la lámpara» mediante reglas concretas; un modelo de lenguaje permite formular la petición de manera más flexible, pero esa flexibilidad trae un margen de interpretación.
En casa, el acceso concedido al modelo determina el riesgo
Preguntar cómo reducir el consumo del aire acondicionado tiene un riesgo distinto de permitir que un asistente cambie la temperatura o accione una cerradura. En el segundo caso, el modelo puede influir en dispositivos físicos, así que importa qué herramientas tiene disponibles y qué entidades puede controlar.
La documentación de Home Assistant separa las herramientas de control de dispositivos de las herramientas para gestionar la propia plataforma. Advierte que una configuración amplia puede permitir cambios no deseados si el agente interpreta mal una petición. Para un uso cotidiano, la opción prudente es limitar el acceso a los dispositivos necesarios y mantener separadas las funciones administrativas.
| Situación | Qué puede ocurrir | Qué hacer |
|---|---|---|
| El asistente explica cómo funciona un enchufe inteligente | Puede dar un dato incorrecto, pero no debería cambiar el enchufe sin acceso a herramientas | Comprueba la información en las instrucciones del dispositivo |
| El modelo puede controlar luces y climatización | Una petición ambigua puede activar el dispositivo equivocado | Limita las entidades expuestas y prueba órdenes sencillas |
| El agente puede gestionar toda la plataforma | Un error podría afectar configuraciones o automatizaciones | Reserva ese acceso para tareas administrativas y usa un agente aparte para órdenes diarias |
La tabla sirve como regla práctica: si el modelo solo informa, verifica sus respuestas; si además actúa, reduce sus permisos. Y si el control afecta a una función importante del hogar, no conviene dejar que una frase ambigua decida por sí sola.
Una respuesta segura no garantiza que el modelo haya comprobado los hechos
Un LLM no funciona como un buscador que siempre consulta una fuente externa antes de responder. Puede completar una respuesta con patrones aprendidos y generar una explicación plausible aunque le falte información. A ese tipo de salida errónea se le suele llamar alucinación.
La guía de Google for Developers también señala que estos modelos pueden producir errores y sesgos. Si la respuesta incluye una instrucción para una cerradura, una cámara o una alarma, trátala con más cautela que una sugerencia para cambiar el nombre de una bombilla.
Hay otro riesgo distinto al error casual: una instrucción maliciosa puede intentar desviar el comportamiento de una aplicación conectada al modelo. OWASP incluye la inyección de instrucciones y el exceso de autonomía entre los riesgos que deben considerarse en aplicaciones basadas en LLM. En casa, eso refuerza una regla sencilla: el modelo no debería recibir permisos que no necesita para su tarea.
La mejor forma de usar un LLM es decidir qué puede hacer
Si le pides ideas para ahorrar energía, el modelo puede servir como punto de partida; si quieres que actúe sobre el sistema domótico, delimita los dispositivos y revisa el resultado. Cuanto mayor sea el efecto de una acción, menos conviene dejarla a una interpretación automática.
En pocas palabras, un LLM genera lenguaje mediante patrones y contexto. Puede resultar útil para conversar con la tecnología del hogar, pero no sustituye la comprobación de los datos ni una configuración cuidadosa de permisos: antes de conectarlo a tus dispositivos, decide qué puede consultar y qué puede cambiar.