¿Por qué tu LLM cree que «The Madison» está en Wisconsin?

Por Tyler Bell, vicepresidente sénior de Producto

Esta es una situación muy habitual: con tanta oferta de contenidos televisivos, acabas pidiendo recomendaciones a tus amigos y familiares para ahorrarte tener que estar buscando sin fin. Por suerte, un amigo que sabe que te han gustado «Yellowstone», «Landman» y «Mayor of Kingstown» te recomienda la última serie de Taylor Sheridan, «The Madison».

Con muchas ganas de empezar a ver la serie, le pides a tu mando a distancia con control por voz que busque y reproduzca el primer episodio. Pero, en lugar de mostrarte el drama protagonizado por Michelle Pfeiffer sobre una familia que se muda de Nueva York a las zonas salvajes de Montana, te aparece un reality show sobre un grupo de jóvenes que viven en Madison, Wisconsin.

Esto puede parecer poco probable, teniendo en cuenta el revuelo que ha suscitado Taylor Sheridan y su imperio de series de televisión de éxito. Sin embargo, es precisamente la respuesta que nos dio un modelo de lenguaje grande (LLM) sin datos de entrenamiento cuando le pedimos información sobre la última serie del universo televisivo de Sheridan.

Por muy sorprendente que pueda parecer la respuesta, no debería serlo. Esto se debe a que los modelos de lenguaje grande (LLM) tienen algunas limitaciones muy básicas.

Aunque los modelos de lenguaje grande (LLM) destacan en el razonamiento y la inferencia, no están diseñados para exponer hechos. Como motores de predicción, su única función es predecir el siguiente token. Y en el ejemplo anterior, el límite de conocimientos del LLM le impide saber nada de lo que ocurrió tras finalizar su periodo de entrenamiento, incluido el estreno de «The Madison» en marzo de 2026. 

En el caso de un modelo de lenguaje grande (LLM), la precisión de las respuestas depende totalmente de una plausibilidad optimizada, no de los hechos. Los datos y el entrenamiento pueden mejorar los resultados, pero nadie debería esperar certeza factual de una máquina entrenada para responder basándose en probabilidades. Al igual que ocurre con los chatbots más populares, como ChatGPT y Gemini, el modelo de lenguaje grande integrado en cualquier servicio de distribución de vídeo necesita^{una base1} para verificar, corregir y mejorar las respuestas que ofrece.

Sin embargo, a diferencia de esos populares chatbots, los modelos de lenguaje grande (LLM) utilizados para la búsqueda y el descubrimiento de contenidos necesitan una base específica del ámbito. Una base basada en datos fiables del mundo del entretenimiento, por ejemplo, evitaría que un LLM sin esa base ofreciera información sobre una serie de televisión de Starz llamada «Heels», emitida entre 2021 y 2023, cuando se le preguntara por una película de 2025 con un nombre muy similar: «Heel».

A medida que crecen los catálogos de contenidos, la dificultad para encontrar contenidos es una realidad, ya que los espectadores afirman que ahora dedican 14 minutos a buscar algo que^ver². Los modelos de lenguaje a gran escala (LLM) tienen la capacidad de resolver los retos que plantea el descubrimiento de contenidos para el público, pero no pueden hacerlo por sí solos.

El enfoque realista permite que los modelos de lenguaje grandes (LLM) se mantengan al día con los tiempos

Al basarse únicamente en sus datos de entrenamiento, los LLM no son bancos de conocimientos exhaustivos. Esta característica fundamental explica, en gran medida, por qué los LLM necesitan datos externos para garantizar que las respuestas que ofrecen sean actuales y precisas. Sin una base externa, por ejemplo, los límites de conocimiento hacen que los LLM no tengan constancia de ningún contenido publicado después de su implementación, lo que supone una limitación notable si tenemos en cuenta la cantidad de nuevas series de televisión y películas que se estrenan cada año.

Aunque resulte frustrante para el público, la mejor respuesta posible de un modelo de lenguaje grande (LLM) cuando se le pregunta por un nuevo estreno podría ser aquella que simplemente reconozca las limitaciones de sus datos de entrenamiento. En un estudio reciente de « Gracenote », un modelo de lenguaje grande sin datos de entrenamiento lanzado en mayo de 2025 hizo precisamente eso, señalando que no disponía de información sobre diversas películas comerciales recientes estrenadas en 2025 y 2026.

Sin embargo, lo más habitual es que los modelos de lenguaje grande (LLM) inventen lo que no saben (es decir, «alucinen»), y lo hagan con total seguridad. Esto supone un riesgo importante para la experiencia del usuario en el mundo del entretenimiento, sobre todo en un contexto de creciente fragmentación y de predominio de títulos relanzados con el mismo nombre que sus predecesores.

Para comprender mejor el impacto de las alucinaciones en la búsqueda de contenidos, nuestro reciente estudio evaluó cuánta información inventó un modelo de lenguaje grande (LLM) sin datos de referencia sobre los 100 episodios de televisión y las 100 películas más populares en 13 países. De los 2.600 títulos analizados, el LLM sin datos de referencia inventó el 100 % de la información a nivel de atributos de 506 títulos (casi el 20 % del total).

Los modelos de lenguaje grande (LLM) no pueden ofrecer certeza factual

En conjunto, las limitaciones de infraestructura asociadas a los datos de entrenamiento finitos, la predicción del siguiente token y la falta de datos de referencia dan lugar a una experiencia desfavorable para los espectadores de televisión. Al fin y al cabo, una experiencia de usuario positiva depende de que los espectadores encuentren lo que buscan. En este sentido, los modelos de lenguaje grandes (LLM) sin datos de referencia no están a la altura de la tarea, simplemente porque la precisión factual es imposible.

Para los servicios de streaming, la IA sin base real no es algo teórico. Si un asistente inventa un argumento, indica un reparto erróneo o confunde títulos similares, los espectadores no van a culpar al modelo. Van a culpar a la experiencia, por lo que la base real es esencial para la confianza, la fidelización y la monetización.

Ese riesgo es lo que hace que resolver el problema del descubrimiento de contenidos sea tan urgente, y el mayor reto al que se enfrenta ahora el público es encontrar algo que ver. Los modelos de lenguaje grandes (LLM) desempeñarán un papel fundamental en este sentido, pero las estrategias de IA exitosas no se basarán en modelos más grandes. 

En cambio, las empresas de medios y los proveedores de streaming más exitosos desarrollarán una inteligencia de contenidos completa y actualizada directamente en su infraestructura de IA, que se proporcionará a través de conjuntos de datos con licencia, servidores MCP u otras conexiones a un grafo de conocimiento de referencia.

Agentes y modelos: Pero el chatbot lo hace muy bien…

He aquí una distinción de vital importancia en el mundo de la IA: cuando tú, como consumidor, interactúas con ChatGPT, Gemini o Claude, no estás utilizando el modelo que adquirirías mediante una licencia profesional de OpenAI, Google o Anthropic, respectivamente. En cambio, estás interactuando con un agente, una implementación del modelo subyacente que se combina con un número significativo de herramientas y datos complementarios. 

¿Tienes alguna duda sobre matemáticas? El modelo la remite a una herramienta aritmética. ¿Quieres saber algo sobre un acontecimiento reciente, los resultados deportivos o las últimas noticias? El modelo transfiere esa consulta a una herramienta específica que busca en Internet. Estos chatbots dirigidos al consumidor se basan en decenas —si no cientos— de herramientas y fuentes de datos específicas para cada ámbito y tarea, con el fin de ofrecer la experiencia bien fundamentada que proporcionan.

Cuando se utiliza un modelo de lenguaje grande (LLM) en tu entorno de entretenimiento, no se tiene acceso a las mismas herramientas ni a los mismos datos que en el caso de un chatbot para consumidores. El LLM es una solución incompleta. En este caso, debes obtener tus propios datos y herramientas para:

• Limitar las respuestas del modelo LLM para evitar alucinaciones endémicas
• Proporcionar capacidades complementarias que el modelo de lenguaje grande (LLM) no puede realizar por sí mismo, y 
• Asegúrate de que el modelo tenga acceso a información actualizada 

Las herramientas específicas, como los servidores MCP, se combinan con instrucciones de comportamiento (las indicaciones del sistema) y la lógica de negocio dentro de un agente. Probablemente implementarás un agente diferente para cada tarea relacionada con la IA en tu pila de entretenimiento, pero todos ellos utilizarán el mismo modelo de lenguaje grande (LLM) y, en gran medida, las mismas herramientas.

Este artículo se publicó originalmente en Streaming Media.