Hoy es 12 de octubre y toca hablar del español, así que voy a hacer una confesión: casi todo lo que le pregunto a una IA se lo pregunto en español, y casi nunca tengo la sensación de estar hablando con alguien que piense en español. Las respuestas son correctas, la gramática es impecable y el vocabulario está bien elegido. Pero detrás hay otra cabeza. Pides un ejemplo de contrato y te sale uno con cláusulas que suenan a Delaware. Preguntas por un trámite y la estructura de la respuesta presupone un sistema que no es el nuestro. Pides humor y te llega un chiste traducido.
No es una impresión mía. El propio Barcelona Supercomputing Center lo cuantificó cuando presentó ALIA: los grandes modelos comerciales se entrenan con menos de un 5 % de datos en español y lenguas cooficiales. Somos la segunda lengua materna del planeta y en el material con el que aprenden las máquinas somos una nota a pie de página.
El problema no es el idioma, es la cultura
Aquí es donde creo que nos equivocamos de diagnóstico. Los modelos actuales hablan español de maravilla. Lo que les falta no es idioma, es contexto: nuestras leyes, nuestra administración, nuestra forma de discutir, nuestras referencias. Un modelo entrenado mayoritariamente con internet en inglés traduce una visión del mundo, y lo hace tan bien que ni nos damos cuenta.
España intentó responder a eso con ALIA, la iniciativa pública de IA multilingüe, con un presupuesto específico de 10,2 millones de euros y un modelo insignia de 40.000 millones de parámetros entrenado en el MareNostrum 5. La intención era buena. El resultado, de momento, discreto: a principios de año se publicó que su modelo principal apenas superaba el centenar y medio de descargas mensuales en Hugging Face. Para un modelo abierto que pretende ser infraestructura de país, eso no es adopción, es testimonio.
Mi lectura es que ALIA intentó competir en el terreno equivocado. Nadie va a cambiar ChatGPT, Claude o Gemini por un modelo generalista público que rinde peor. Donde sí tiene sentido es en lo que el propio proyecto ha ido sacando después casi sin ruido: modelos pequeños especializados en lenguaje jurídico y administrativo, biomédico o de patrimonio cultural. Eso no lo va a hacer bien OpenAI, porque no le compensa. Y eso es exactamente lo que necesita un hospital, un juzgado o un ayuntamiento español.
Lo que de verdad nos falta son datos
El cuello de botella no es el superordenador, es el corpus. Un modelo aprende de lo que lee, y el español de calidad, bien etiquetado y con licencia clara, está disperso en mil sitios: boletines oficiales, archivos de prensa, fondos de bibliotecas, sentencias, tesis doctorales. Gran parte de ese material lo financiamos con dinero público y sigue cerrado o en formatos que ninguna máquina puede leer.
Y aquí el 12 de octubre deja de ser una efeméride para convertirse en argumento. España sola no tiene masa crítica de datos. El español sí. Si los países hispanohablantes pusieran en común corpus abiertos de calidad, con los proyectos que ya existen al otro lado del Atlántico, como LatamGPT desde Chile, cualquier modelo del mundo, abierto o cerrado, tendría que contar con nosotros. Y en plena guerra entre IA abierta y cerrada, quien controla los datos de calidad tiene algo que negociar.
No necesitamos un ChatGPT con bandera. Necesitamos que cuando una IA piense en un contrato de alquiler, piense en uno de Madrid o de Valparaíso y no en uno de Ohio. Casi 600 millones de personas hablamos esta lengua. Lo raro no es que la IA piense en inglés; lo raro es que todavía no le hayamos dado motivos para pensar de otra manera.
0 Comentarios