Los modelos entrenados mayoritariamente con español de España rinden por debajo con el español de América Latina porque el vocabulario, las convenciones de cortesía y el uso pragmático varían de forma sistemática según la región. Corregirlo exige anotación por hablantes nativos de cada variante sobre datos producidos originalmente en esa variante, en lugar de datos de entrenamiento traducidos.
Una empresa que expande un producto en español desde España hacia América Latina suele descubrir lo mismo y en el mismo orden. El modelo funciona en España. Funciona de forma aceptable en México. Se degrada a través de los mercados andinos y rioplatenses. En el Caribe falla.
El patrón es lo bastante consistente como para ser estructural y no incidental, y la causa no es el acento. Se trata de sistemas de texto e intención. El acento es irrelevante. La causa es que el español varía entre regiones de maneras que importan para un clasificador y que resultan invisibles para quien trate el español como un solo idioma con matices regionales.
Cómo rompe realmente los modelos esa variación
Cuatro mecanismos, en orden aproximado del daño que hacen.
Divergencia de vocabulario en conceptos ordinarios. Sustantivos y verbos comerciales comunes difieren entre mercados. Un modelo que aprendió una forma como la expresión canónica de un concepto trata las demás como señales más débiles, o las pierde.
Convenciones de cortesía y de franqueza. La manera de expresar una queja difiere sustancialmente según la región. En algunos mercados la insatisfacción se enuncia de forma directa. En otros va envuelta en cortesía que un modelo entrenado en otro lugar lee como satisfacción. Clasificar mal una queja como una consulta neutral no es un error menor, porque encamina al cliente al flujo equivocado justo cuando ya está molesto.
Uso de diminutivos e intensificadores. Los patrones regionales de formación de diminutivos e intensificación cargan un significado pragmático que cambia la lectura de una oración. Los modelos aprenden esos patrones de los datos, y si los datos vienen de una región aprenden los patrones de una región.
Cambio de código. El cambio de código entre español e inglés es común en los mercados del Caribe y de México y en las comunidades hispanas de Estados Unidos, y sigue patrones regulares. Un modelo entrenado con español monolingüe lo maneja mal.
Cada uno de estos es pequeño por separado. Juntos son la diferencia entre un modelo comercialmente usable en un mercado y uno que no lo es.
Por qué los datos de entrenamiento traducidos no lo resuelven
El instinto cuando aparece el problema es traducir el corpus existente a las variantes regionales y volver a entrenar.
Eso produce un resultado específico y engañoso. Los puntajes de benchmark mejoran. El desempeño en producción no mejora mucho. La traducción convierte el vocabulario correctamente y no convierte la pragmática. El resultado son datos gramaticalmente regionales y pragmáticamente peninsulares: palabras correctas, patrones de uso equivocados. El modelo aprende a reconocer vocabulario regional mientras sigue leyendo mal la intención regional, y como el benchmark se construye con los mismos datos traducidos, el benchmark no puede detectar la falla.
Hemos visto este enfoque implementado al menos dos veces por empresas que luego concluyeron, de forma razonable pero equivocada, que la brecha restante era irreducible.
Qué sí funciona
Tres requisitos, todos innegociables.
Anotación nativa de datos nativos. Cada registro anotado por un hablante nativo de la variante a la que pertenece, usando datos producidos originalmente en esa variante. No datos traducidos. No un hablante no nativo con fluidez. Esta es la única decisión que determina si las mejoras se sostienen en producción o solo en los benchmarks.
Etiquetas pragmáticas, no solo semánticas. El esquema de etiquetado tiene que capturar los rasgos que efectivamente varían: franqueza, registro de cortesía, señalización de urgencia, intensidad del sentimiento. Un esquema que capture solo intención y sentimiento va a perder por completo el modo de falla, porque la falla está en cómo se expresa la intención y no en cuál es la intención.
Calibración entre variantes. Esta es la parte más difícil. Los anotadores de las distintas variantes deben revisar con regularidad una muestra compartida para establecer dónde un concepto es genuinamente el mismo entre regiones y dónde difiere de verdad. Sin calibración, cada mesa de trabajo se desvía hacia sus propias convenciones y el conjunto de datos resultante queda internamente inconsistente, lo que le enseña ruido al modelo.
La calibración es sustancialmente más fácil cuando las mesas de trabajo están en el mismo edificio. Distribuir la anotación entre cinco países convierte la revisión semanal entre variantes en un problema de agenda en cinco zonas horarias.
Por qué el Caribe es un buen lugar para hacer esto
Dos razones, una general y una específica.
La razón general es la zona horaria. El trabajo de anotación que alimenta un pipeline de entrenamiento vivo se beneficia de que el equipo de anotación esté localizable durante la jornada del equipo de aprendizaje automático, porque las prioridades de anotación deberían responder al desempeño del modelo cada semana en lugar de fijarse una sola vez al inicio del proyecto.
La razón específica es la composición del mercado laboral. Algunos mercados laborales del Caribe, y el corredor este dominicano en particular, atraen trabajadores de toda América Latina porque la economía local atiende a una base de visitantes internacional. Hay trabajadores venezolanos, colombianos, argentinos, mexicanos y peruanos junto a la población dominicana. Eso produce algo genuinamente inusual: múltiples variantes del español representadas de forma nativa en un solo lugar, que es exactamente lo que requiere la calibración entre variantes.
Guía práctica
Si está planificando la expansión a América Latina de un modelo en español:
- Mida el desempeño por variante antes de construir. Un único puntaje agregado de español oculta el problema que está por tener.
- Secuencie la anotación según el orden de entrada a cada mercado y según la debilidad medida, no de forma pareja.
- Use la incertidumbre del modelo para priorizar qué registros se anotan. El muestreo uniforme desperdicia una parte sustancial del presupuesto en registros que el modelo ya maneja.
- Exija que la concordancia entre anotadores se mida por variante y no de forma agrupada. La concordancia agrupada oculta una mesa de trabajo débil.
- Presupueste anotación continua en lugar de un conjunto de datos de una sola vez. La lengua se mueve, y un modelo entrenado con un corpus fijo se degrada frente al uso real.
Preguntas frecuentes
- ¿Por qué los modelos de IA en español rinden peor en América Latina?
- Porque el vocabulario, las convenciones de cortesía, el uso de diminutivos y el cambio de código varían de forma sistemática según la región. Los modelos entrenados mayoritariamente con español de España aprenden los patrones de una región y leen mal los de otras, sobre todo en la clasificación de quejas e intención.
- ¿Se puede corregir el desempeño de un modelo en español latinoamericano con datos de entrenamiento traducidos?
- No de forma efectiva. La traducción convierte el vocabulario pero no la pragmática, y produce datos gramaticalmente regionales y pragmáticamente peninsulares. Los puntajes de benchmark mejoran mientras el desempeño en producción en gran medida no.
- ¿Qué es la calibración entre variantes en anotación de datos?
- Un proceso regular en el que anotadores que trabajan en distintas variantes regionales revisan una muestra compartida para establecer dónde un concepto es genuinamente el mismo entre regiones y dónde difiere de verdad, manteniendo el conjunto de datos internamente consistente.
- ¿Dónde debería hacerse la anotación de español latinoamericano?
- Idealmente en un lugar donde varias variantes estén representadas de forma nativa y que comparta horario laboral con el equipo de aprendizaje automático, para que las prioridades de anotación puedan responder al desempeño del modelo de forma continua.