«Tío, ¿qué dices?»: el reto de enseñarle a la IA el español de verdad, el que habla la gente

Si alguna vez le has preguntado a un chatbot algo usando jerga de tu barrio y te ha respondido con la frialdad de un manual de instrucciones, ya sabes de qué va esto. La inteligencia artificial lleva tiempo prometiendo que nos entiende, pero hasta hace poco entendía el español de los libros de texto, no el que usamos cuando llamamos a un amigo, discutimos en el grupo de WhatsApp del trabajo o pedimos una caña en la barra de un bar.

Eso está cambiando. Y está cambiando, en parte, gracias a proyectos que nacen en España.

El problema de fondo: el español no es uno solo

Hay algo que los modelos de lenguaje entrenados principalmente con datos en inglés no han terminado de pillar: el español es una lengua enorme, fragmentada y viva. No hablamos igual en Sevilla que en Bilbao, ni en Madrid que en Canarias. Y dentro de cada ciudad, tampoco hablan igual un chaval de veinte años que su abuelo de ochenta.

Los regionalismos son solo la punta del iceberg. Está el «chaval», el «majo», el «guiri», el «tío» que puede ser un apelativo cariñoso o un insulto suave dependiendo del tono. Está el humor, que en España tiene una ironía y una tendencia al sarcasmo que los modelos interpretan literalmente y, claro, la lían. Y está el contexto cultural: referencias a programas de televisión, a memes que duran tres días, a expresiones que nacen en Twitter un martes y ya las usa todo el mundo el jueves.

Cuando ChatGPT o cualquier otro modelo generalista responde a algo con ese tono neutro, casi aséptico, en realidad está usando un español «de manual» que no representa a nadie en particular. Es correcto, sí. Pero no es tuyo.

Lo que están haciendo las empresas españolas

Aquí es donde la antena de Web Antena capta una señal interesante. Varias compañías y grupos de investigación en España llevan tiempo trabajando en algo que, aunque suena técnico, tiene mucho sentido práctico: entrenar modelos de lenguaje con datos reales de conversaciones en español.

Alia, el proyecto de inteligencia artificial impulsado por el Instituto Nacional de Tecnologías de la Comunicación (INCIBE) y el Ministerio de Asuntos Económicos, es uno de los más ambiciosos. Su objetivo es construir modelos de lenguaje soberanos, es decir, entrenados con datos europeos y españoles, que respeten la normativa de privacidad y que, además, reflejen cómo habla la gente de verdad. No solo el castellano estándar, sino también las otras lenguas cooficiales: catalán, euskera, gallego.

Luego está el trabajo de grupos universitarios como el de la Universidad Politécnica de Valencia o el del Centro Nacional de Inteligencia Artificial (CENIA) en Chile, que colabora con instituciones españolas para crear corpus lingüísticos más ricos y representativos. Un corpus, en este contexto, es básicamente una colección masiva de textos y conversaciones reales que se usan para entrenar a la IA. Cuanto más variado y auténtico sea ese corpus, mejor aprende el modelo a entender el lenguaje tal como se usa.

Y no solo hablamos de instituciones públicas. Startups como Sherpa.ai o Narrativa llevan años trabajando en procesamiento del lenguaje natural aplicado al español, con casos de uso que van desde la atención al cliente hasta la generación de noticias. Su ventaja competitiva es precisamente esa: conocen el matiz local.

¿Por qué importa esto más de lo que parece?

Puede sonar como un debate lingüístico para académicos, pero las implicaciones son muy concretas. Piénsalo así: si la IA que gestiona las consultas de tu banco no entiende que cuando dices «estoy a dos velas» no te refieres a la iluminación de tu casa, sino a que estás sin un euro, el sistema falla. Si el asistente virtual de un hospital no detecta que el paciente está usando eufemismos para describir síntomas, porque en su región se habla así, puede haber consecuencias serias.

El lenguaje no es solo comunicación. Es identidad. Es contexto. Es la forma en que procesamos el mundo. Una IA que no entiende cómo hablas realmente no te entiende a ti. Y eso tiene un impacto directo en la calidad del servicio, en la confianza que depositas en la tecnología y, en última instancia, en si la usas o no.

Hay además una dimensión de equidad que merece atención: los modelos entrenados mayoritariamente con datos en inglés tienen un sesgo inherente hacia la cultura anglosajona. Cuando alguien de Extremadura, del barrio de Vallecas o de un pueblo de Galicia interactúa con esa IA, la experiencia es notablemente peor que la de alguien que habla inglés nativo. Eso es una brecha tecnológica que tiene mucho que ver con quién tiene acceso real a los beneficios de la IA.

El humor, el gran test

Si quieres medir lo bien que un modelo de lenguaje domina el español coloquial, ponle a prueba con el humor. Es el campo de batalla más difícil, porque el chiste depende del doble sentido, de la entonación implícita en el texto, de referencias culturales compartidas y de un timing que en el lenguaje escrito se simula con puntuación, emojis y contexto.

Los modelos actuales todavía fallan bastante en esto. Cuando alguien escribe «qué mal rollo, tío» con ironía, muchos sistemas lo interpretan como una queja real. Cuando alguien usa el humor negro tan característico del humor español, la IA a veces lo toma al pie de la letra o, peor, lo filtra como contenido inapropiado.

Los investigadores que trabajan en esto saben que el humor es el último escalón. Si un modelo entiende el chiste, es que realmente ha entendido la lengua. Y para llegar ahí, necesitan datos reales: conversaciones de Twitter, de foros, de grupos de Telegram, de comentarios en YouTube. El problema es que esos datos son difíciles de conseguir con todas las garantías legales y de privacidad que exige la normativa europea.

El futuro: IA que suene como tú

La tendencia que se está consolidando apunta hacia modelos más pequeños, más especializados y más locales. En lugar de un único modelo gigante que lo sepa todo más o menos bien, varios modelos más ajustados que dominen un contexto concreto: el español coloquial de la Península, el español de Canarias, el catalán informal, el euskera técnico.

Eso tiene ventajas claras: mayor precisión, menor coste computacional y, sobre todo, una experiencia de usuario que se siente genuina. Cuando el chatbot de tu compañía eléctrica te responde con un tono que reconoces como propio, la interacción cambia por completo. No es solo más agradable. Es más eficiente.

En Web Antena llevamos tiempo siguiendo de cerca cómo España está apostando por construir su propia capa de IA, una que no dependa exclusivamente de los gigantes de Silicon Valley y que refleje quiénes somos, cómo pensamos y, sobre todo, cómo hablamos. Porque al final, la mejor señal de que la tecnología ha llegado de verdad es que parece que te conoce. Y para conocerte, primero tiene que entenderte.