El caso. Una empresa SaaS quiere adaptar un LLM enorme a su dominio (soporte, jerga interna, tono de marca) sin pagar el coste de reentrenarlo entero. LoRA congela los pesos originales W y solo entrena dos matrices finas, B y A, de rango r.

Lee así. Al subir r el coste entrenable sube de forma lineal, siempre minúsculo frente a W. α no cambia el coste: solo escala la actualización, α/r. Y d es el modelo que te toca adaptar: el completo crece como d² y LoRA como d, así que cuanto más grande es el modelo, más gana LoRA (ahorro × d/2r).

La idea. En vez de tocar los millones de pesos de W, LoRA aprende una corrección de rango bajo: el producto B·A. Dos matrices finas bastan para reorientar el modelo hacia tu dominio.

Negocio. La empresa SaaS entrena en horas, en una sola GPU, y guarda un adaptador de pocos MB por cliente en vez de una copia entera del modelo. Menos cómputo, menos memoria, despliegue barato.

Y ahora. LoRA adapta el qué sabe el modelo. Alinear el cómo responde con las preferencias humanas es otra vía: RLHF y DPO. Combinadas, adaptan un LLM al negocio a coste contenido.