LLM vs chatbot vs agente: la diferencia que de verdad importa.

Tres palabras se enredan en cualquier conversación sobre IA generativa: LLM, chatbot, agente. La gente las usa como sinónimos, los proveedores las difuminan a propósito y quien empieza acaba razonando sobre lo que no es. Aquí tienes la separación más limpia, la que sobrevive al contacto con la realidad.

La versión de 30 segundos

• Un LLM es un modelo. Recibe texto, devuelve texto. Eso es todo lo que hace.
• Un chatbot es un LLM envuelto en una interfaz conversacional, con memoria del chat actual.
• Un agente es un chatbot al que se le permite llamar a herramientas, ejecutar acciones y repetir el ciclo hasta alcanzar un objetivo.

El mismo cerebro, distinto arnés. La diferencia de capacidad está en el arnés, no en el modelo.

El LLM, con más precisión

Un modelo de lenguaje grande es una función. Le das una cadena de tokens y devuelve una distribución de probabilidad sobre el siguiente token. Envuelto en un bucle de muestreo, eso produce texto. Nada en un LLM, por sí mismo, sabe que está hablando con una persona, recuerda conversaciones pasadas ni puede hacer otra cosa que emitir tokens.

GPT-4, Claude 4, Llama 4, Mistral, Gemini: todos son LLMs. Sin un envoltorio no puedes hablar con ellos de una forma que resulte natural. Les pasarías un prompt y leerías la completación.

El chatbot, con más precisión

Un chatbot añade tres cosas encima de un LLM:

1. Una interfaz de turnos (tu mensaje, luego la respuesta del modelo, luego el tuyo otra vez).
2. Memoria de la conversación dentro de la sesión: al modelo se le muestran los turnos anteriores para que pueda referirse a ellos.
3. A menudo, un prompt de sistema que da forma al tono, la personalidad y lo que el modelo tiene permitido hacer.

ChatGPT, Claude.ai, Gemini, Copilot Chat: todos son chatbots. No son "más listos" que el LLM subyacente. Son el mismo modelo con un arnés utilizable.

El agente, con más precisión

Un agente es un chatbot al que además se le permite hacer cosas. "Cosas" significa llamar a funciones externas: buscar en la web, leer archivos, ejecutar código, enviar correos, controlar un navegador. El modelo decide qué herramienta llamar, el runtime la ejecuta y el resultado se reinyecta en la conversación. Entonces el modelo puede decidir llamar a otra herramienta. El bucle termina cuando el modelo considera que el objetivo se ha cumplido.

El mismo LLM está haciendo el razonamiento. Lo que cambió es que alguien le dio manos.

Por qué importa esta distinción

La capacidad –y el riesgo– cambia drásticamente a medida que bajas por la lista.

• Un LLM solo puede engañarte con texto. El daño se queda en tu cabeza.
• Un chatbot puede engañarte y seguir haciéndolo durante una conversación más larga, pero aún así no puede actuar en tu nombre.
• Un agente puede engañarte y ejecutar las consecuencias. Si decide con seguridad "arreglar" un bug de permisos, puede ejecutar chmod sobre los archivos equivocados antes de que te des cuenta.

Cómo saber cuál estás usando

Fíjate en tres señales:

1. ¿Recuerda tu último mensaje? Si no, está más cerca de un LLM puro. Si sí, es al menos un chatbot.
2. ¿Puede navegar, buscar o ejecutar código? Si sí, es un agente, aunque la interfaz parezca la de un chatbot.
3. ¿Tarda más de unos segundos en responder? Casi siempre es porque está llamando a herramientas en un bucle. Eso es comportamiento de agente.

La regla práctica

Trátalos como productos distintos con modelos de amenaza distintos:

• Para un LLM: preocúpate por la alucinación.
• Para un chatbot: preocúpate por la alucinación y por lo que le cuentas (podría quedar registrado).
• Para un agente: preocúpate por todo lo anterior, más por lo que podría hacer sin preguntarte dos veces.

Si una herramienta afirma ser un agente, pregunta exactamente qué acciones puede ejecutar y cuál es el plan para revertirlas. Si la respuesta es vaga, considérala todavía en beta.