Las máquinas también excluyen cuando no entienden nuestras lenguas

NO ES UN RECURSO ESCASO

En procesamiento del lenguaje natural, llamar low-resource a una lengua sirve para señalar una carencia técnica: faltan corpus, anotaciones, herramientas, benchmarks o modelos entrenados con suficiente calidad.

El problema comienza cuando la etiqueta parece trasladar esa escasez a la lengua misma.

Muchas lenguas africanas tienen comunidades extensas, tradiciones orales y escritas, variaciones dialectales, literatura, prensa, radio, conversación cotidiana y conocimiento acumulado durante generaciones. Lo que escasea no es necesariamente el lenguaje. Escasea su conversión al formato que una determinada infraestructura computacional sabe consumir.

Ese desplazamiento importa porque cambia la pregunta. Si la carencia estuviera en la lengua, la solución consistiría en adaptarla a una tecnología ya terminada. Si la carencia está en la infraestructura, también podemos discutir qué tecnología construir, con quién y bajo qué condiciones.

La investigación de Marivate trabaja desde esa segunda posibilidad.

No espera que las lenguas lleguen dócilmente al modelo. Obliga al modelo, a los datos y a la comunidad de investigación a moverse hacia ellas.

TAMBIÉN TIENE GEOGRAFÍA

Durante años, buena parte del avance del procesamiento automático del lenguaje se apoyó en grandes cantidades de texto disponibles en unas pocas lenguas. Esa abundancia facilitó métricas, competencias, herramientas y modelos que luego se convirtieron en referencia para todo el campo.

La desigualdad inicial empezó así a producir una segunda desigualdad: aquello que tenía más datos atraía más investigación; aquello que atraía más investigación generaba mejores herramientas; y las mejores herramientas volvían todavía más rentable seguir trabajando sobre las mismas lenguas.

Marivate participó en proyectos que intentan romper ese círculo.

El trabajo de Masakhane sobre traducción automática creó benchmarks y conjuntos de datos para decenas de lenguas africanas mediante una metodología participativa. Más tarde, proyectos como MasakhaNER ampliaron recursos de reconocimiento de entidades nombradas y permitieron estudiar cómo funcionan —y dónde fallan— modelos multilingües cuando se los desplaza hacia contextos africanos.

No es un detalle técnico menor. Una persona, una ciudad, una institución o un acontecimiento que un sistema no sabe reconocer tampoco entra de la misma manera en buscadores, clasificadores, asistentes o herramientas de análisis.

La representación computacional empieza mucho antes de la interfaz donde vemos el resultado.

Empieza en aquello que consiguió entrar en el conjunto de datos.

CON QUIENES HABLAN

Masakhane introdujo otra alteración importante: no limitar la investigación a pequeños equipos que recolectan material lingüístico desde afuera.

En su trabajo sobre traducción de lenguas de bajos recursos, decenas de participantes contribuyeron con conocimiento lingüístico, construcción de datasets, evaluación y experimentación. Algunas de esas personas no provenían de trayectorias académicas tradicionales en procesamiento del lenguaje natural.

La operación cambia quién puede producir conocimiento técnico.

Quien habla una lengua no es simplemente proveedor de ejemplos para que otro investigador construya el sistema. Puede participar en la definición del problema, detectar errores que una métrica no ve, decidir qué variaciones importan y contribuir al modelo que finalmente será evaluado.

Eso no elimina las asimetrías entre universidades, empresas, financiadores y comunidades. Pero modifica el lugar asignado a quienes durante mucho tiempo aparecieron al final de la cadena como “usuarios”.

La lengua deja de ser materia prima.

Sus hablantes pueden convertirse en investigadores, diseñadores y evaluadores de la tecnología que la procesa.

NO ALCANZAN

En su conferencia inaugural, Marivate propuso pensar el procesamiento del lenguaje natural como un problema adaptativo.

La formulación es importante porque evita una receta demasiado fácil: juntar más datos, entrenar un modelo más grande y suponer que la diferencia desaparecerá.

Las lenguas cambian según región, edad, contexto, préstamos, registro, escritura y uso. Los objetivos también cambian. Un sistema pensado para traducción no enfrenta exactamente los mismos problemas que uno destinado a salud, educación, servicios públicos, búsqueda o conversación.

Además, cada comunidad define de manera distinta qué error resulta tolerable y cuál destruye el sentido.

Por eso la adaptación no es simplemente fine-tuning.

Incluye decisiones sobre datos, participación, evaluación, licencias, infraestructura y pertinencia cultural. Un modelo puede obtener una mejora estadística y seguir siendo poco útil para quienes deberían utilizarlo.

Marivate insiste en una idea sencilla y bastante incómoda para la lógica de escala: una solución que funciona en otro lugar no se vuelve universal por haber sido desplegada en todas partes.

TAMBIÉN REQUIERE PREGUNTAR DE QUIÉN SON

La escasez de datos suele producir una respuesta automática: hay que abrir más datasets.

Pero compartir información lingüística no es un gesto neutral cuando esa información proviene de comunidades con poca capacidad para decidir cómo será utilizada, combinada o comercializada.

En su trabajo reciente, Marivate ha defendido la construcción de recursos abiertos al mismo tiempo que participa en discusiones sobre licencias y marcos capaces de proteger datos comunitarios. En Beyond the Symbols presentó, entre otros ejemplos, iniciativas como NOODL y Esethu vinculadas a esa preocupación.

La tensión no tiene solución sencilla.

Cerrar completamente los datos puede impedir que investigadores con pocos recursos participen. Abrirlos sin condiciones puede facilitar que organizaciones mucho más poderosas capturen el trabajo colectivo, lo incorporen a modelos comerciales y devuelvan poco o nada a quienes lo produjeron.

La soberanía sobre los datos empieza entonces a parecerse menos a una cerradura y más a una negociación sobre derechos, reciprocidad y capacidad de decisión.

NO CONSTRUYE UN ECOSISTEMA

Otra característica del trabajo de Marivate es que la unidad de análisis rara vez termina en el modelo.

Deep Learning Indaba nació para fortalecer una comunidad africana de aprendizaje automático. Masakhane construyó redes alrededor de las lenguas. Lelapa AI intenta desarrollar productos desde el continente. AfriDSAI reúne investigación, formación y colaboración institucional desde la Universidad de Pretoria.

En 2026 Marivate describió la necesidad de un ecosistema circular: formar talento, construir capacidad local, desplegar soluciones situadas y reinvertir parte del valor generado para sostener a la siguiente generación de investigadores y constructores.

La palabra circular importa.

Un ecosistema que solo forma personas para que las absorban centros tecnológicos externos puede producir talento sin acumular capacidad. Uno que solo consume modelos creados en otros lugares puede incorporar tecnología sin adquirir poder para modificarla.

Construir inteligencia artificial también consiste en construir las instituciones capaces de discutirla, mantenerla y transformarla.

A LA MESA GLOBAL

En 2026 Marivate fue incorporado al Panel Científico Internacional Independiente sobre Inteligencia Artificial de las Naciones Unidas. El desplazamiento parece enorme: de datasets y lenguas de bajos recursos a una instancia global de evaluación científica.

En realidad, la conexión es bastante directa.

Si los sistemas de IA se evalúan únicamente desde los lugares donde fueron creados, muchos de sus límites aparecerán tarde o directamente no aparecerán. Las fallas lingüísticas, las dependencias de infraestructura, los costos de acceso a cómputo y la concentración de capacidad científica forman parte de los riesgos y oportunidades de la tecnología tanto como las arquitecturas de los modelos.

Una gobernanza verdaderamente internacional no se completa agregando representantes a una mesa ya diseñada.

También necesita incorporar problemas que esa mesa no habría formulado por sí sola.

Hablar de “IA africana” puede convertirse rápidamente en otra simplificación.

África no es una unidad lingüística, cultural, económica ni tecnológica. Tiene miles de lenguas, marcos regulatorios distintos, capacidades científicas desiguales y relaciones muy diferentes con empresas, universidades y potencias tecnológicas. Una apelación demasiado cómoda a lo “local” puede borrar esa diversidad con la misma facilidad con que antes la borraba la palabra “global”.

La soberanía tecnológica tampoco resuelve por sí sola quién controla la tecnología dentro de cada territorio. Una infraestructura puede ser producida localmente y seguir concentrando poder, excluyendo comunidades o reproduciendo jerarquías.

El aporte de Marivate resulta más interesante cuando no se lo convierte en una consigna identitaria. Su trabajo muestra algo más concreto: los sistemas funcionan mejor cuando quienes conocen los contextos dejan de ser considerados un caso periférico del problema.

La diversidad no reemplaza la evaluación técnica.

Obliga a hacerla más exigente.

Vukosi Marivate sirve como precursor porque altera una imagen muy instalada de la inteligencia artificial: un núcleo tecnológico inventa y el resto del mundo adopta.

Su trayectoria propone otra circulación. Las comunidades pueden producir datos, modelos, criterios, instituciones y empresas. Pueden decidir qué problemas merecen ser resueltos y cuáles no. Pueden aprender de herramientas construidas afuera sin aceptar que la única dirección posible sea importarlas intactas.

Eso no garantiza soberanía ni justicia. Tampoco elimina dependencias globales de cómputo, capital o infraestructura.

Pero cambia la posición desde la cual se negocian.

Una lengua ausente de un modelo no es una anomalía estadística. Es una señal de qué parte del mundo fue considerada suficientemente importante como para ser convertida en datos, herramientas y capacidad técnica.

La pregunta no es cuántas lenguas puede enumerar una máquina.

La pregunta es quién participa cuando la máquina aprende a entenderlas.