Cuando los agentes de IA ignoran la diversidad lingüística o dan prioridad a las lenguas dominantes, corren el riesgo de borrar identidades y excluir comunidades, reforzando las desigualdades sociales y económicas existentes.
La mayoría de los modelos de IA se entrenan principalmente con inglés y lenguaje formal, por lo que no entienden bien los dialectos, los acentos, la alternancia de códigos y los matices emocionales.
La Reunión Anual 2026 del Foro Económico Mundial, que tendrá lugar en Davos, Suiza, destacará la creciente importancia del diálogo abierto e imparcial bajo el lema «El espíritu del diálogo».
Vivimos una época de divisiones cada vez mayores. Según las Naciones Unidas, dos tercios de la población mundial viven ahora en países donde la desigualdad va en aumento y la confianza en las organizaciones disminuye. En 2023, el 1 % más rico poseía casi la mitad de la riqueza mundial. Mientras tanto, casi el 40 % de los adultos poseía menos del 1 %.
La brecha entre quienes se benefician y quienes no lo hacen crece en todos los países, sectores y sistemas. Pero la desigualdad no es solo económica. También es lingüística.
Más de 6.000 millones de personas (casi el 80 % de la población mundial) hablan como lengua materna o segunda lengua una lengua distinta del inglés; esta realidad determina quién tiene acceso a la atención sanitaria, la educación, los servicios y las oportunidades.
Cada conversación conlleva un profundo peso cultural.
Y a medida que el mundo está más interconectado y mediado digitalmente, la lengua se convierte en una línea divisoria silenciosa que determina la inclusión o exclusión de las personas.
Ese es el reto que ahora heredan los agentes de IA. A medida que se convierten en el primer punto de contacto entre las personas y las organizaciones, asumen una responsabilidad considerable: ayudar a las personas a sentirse reconocidas y escuchadas.
Los sistemas que construimos hoy determinarán cómo nos conectaremos mañana. Así que la pregunta es: ¿cómo los diseñamos para que nos comprendan a cada uno de nosotros?
La lengua es identidad
Cada conversación conlleva un profundo peso cultural. La forma de hablar de las personas —por ejemplo, la lengua que eligen, las metáforas que utilizan y el ritmo de su habla— refleja mucho más que peculiaridades lingüísticas. Revela una historia arraigada, el contexto social y las dinámicas de poder.
Esto se ve claramente en Nueva Zelanda, donde la lengua maorí está arraigada en el territorio. Los nombres de ríos, colinas y bosques trazan viajes ancestrales y relaciones tribales, y son huellas vivas de la memoria y el lugar. Como la gente sigue usando el maorí en las escuelas, los medios de comunicación y la vida pública, esos significados continúan evolucionando.
Si se elimina esa lengua, no solo se borra el significado: también se borra el sentido de pertenencia.
La investigación lo confirma. Los estudios demuestran sistemáticamente que la lengua es un símbolo fundamental de identidad. Determina cómo se ven las personas a sí mismas, cómo se relacionan con los demás y cómo perduran las culturas.
Un estudio sobre jóvenes chinos transnacionales, por ejemplo, concluyó que mantener su lengua materna, incluso mientras aprendían otras, ayudaba a preservar su bienestar emocional y su sentido de pertenencia social. En otras palabras, la lengua mantiene intacta la identidad, incluso en tiempos de cambio.
Pero esa continuidad se está desvaneciendo. La globalización sigue erosionando la diversidad lingüística y, con ella, las culturas que esas lenguas transmiten. El informe de la UNESCO de 2025 aboga por la educación multilingüe para proteger esa diversidad y subraya la necesidad de políticas lingüísticas flexibles y adaptadas a cada cultura.
Cuando ignoramos cómo funciona la lengua, corremos el riesgo de alejar a las comunidades y perpetuar la brecha creciente que intentamos cerrar. Esa es la tensión a la que se enfrenta la tecnología de IA.
El contexto es clave para una IA equitativa
Con demasiada frecuencia, al diseñar agentes de IA, las organizaciones tratan la lengua como un sencillo problema de entrada y salida: analizar las palabras, identificar la intención y generar una respuesta. Esto puede funcionar en tareas sencillas. Pero en ámbitos complejos y de alto riesgo, como la atención sanitaria o los servicios financieros, simplificar el lenguaje puede borrar matices.
Y cuando se pierde el contexto, también se pierde la equidad.
De hecho, los estudios muestran que la traducción literal palabra por palabra puede hacer perder hasta el 47 % del significado contextual y más de la mitad de los matices emocionales. Y este reto va más allá de los errores de traducción.
De las 7.000 lenguas del mundo, la mayoría de los grandes modelos de lenguaje (LLM) todavía se entrenan predominantemente en inglés y esto sesga la forma en que los sistemas entienden y responden a las conversaciones. Esos sesgos pueden causar daños.
En definitiva, cuando diseñamos pensando en una sola voz, reforzamos la desigualdad
Esto se ve en algo tan común como una llamada al servicio de atención al cliente.
Imaginemos que una persona en Brasil contacta con un centro de atención de servicios financieros tras recibir un aviso de desahucio. Está presa del pánico y explica su situación con expresiones regionales del portugués y un lenguaje informal.
Sin embargo, el agente de IA, entrenado principalmente con inglés y portugués europeo formal, no detecta la urgencia. Trata su súplica como una consulta rutinaria, ofrece una respuesta estándar y coloca su caso en la cola general. Esto refleja un sesgo incorporado en las suposiciones del sistema sobre la lengua, la identidad y quién cuenta.
A los agentes de IA todavía les faltan matices
Las consecuencias son aún más graves en ámbitos críticos como la atención sanitaria, donde no hay margen de error. Un estudio de 2024 sobre el reconocimiento automático del habla en entornos clínicos concluyó que los sistemas obtenían sistemáticamente peores resultados con hablantes con acentos y dialectos no nativos.
Esto incluía lenguas tonales como el vietnamita y variedades como el inglés vernáculo afroamericano. Como resultado, los errores de transcripción podían provocar diagnósticos erróneos, retrasos en la atención y otras consecuencias graves, especialmente para pacientes que ya se enfrentan a barreras sistémicas.
Estas fallas revelan algo fundamental: la mayoría de los agentes de IA no se diseñaron para reflejar cómo habla la gente en realidad. A estos sistemas les cuesta manejar la alternancia de códigos, los dialectos y las expresiones informales porque las organizaciones no los crearon para afrontar esa complejidad. Sin ello, la IA no puede ayudar precisamente a las personas a las que está destinada a servir.
Para crear mejores agentes de IA, hay que adaptarse a las circunstancias de las personas.
Incorporar normas interculturales
Dicho esto, la IA tiene un enorme potencial para apoyar la colaboración intercultural.
Si se diseñan bien, los agentes de IA pueden servir de puente: traducir entre lenguas, conservar la memoria institucional y permitir que los sistemas respondan con mayor rapidez, justicia y empatía. Pero solo si los construimos teniendo esos objetivos en cuenta.
Eso empieza por la inteligencia cultural, porque la lengua no es neutral. Las personas aportan todo su ser a una conversación: identidad, historia, emociones y expectativas. Y en contextos multilingües o multiculturales, esas capas se multiplican.
Para crear agentes de IA que realmente funcionen en distintas culturas, hay que diseñarlos desde el principio para adaptarse a la variación. Esto significa ajustarse a las diferentes normas según las lenguas, las regiones y los casos de uso, sin recurrir a un enfoque único para todos.
Quizá se trate de cambiar el tono en una conversación de atención al cliente en Japón, o de reconocer que las expresiones indirectas son una muestra de cortesía en Nigeria. Esa es la diferencia entre una interacción funcional y una respetuosa.
Para lograrlo, hay que:
Invertir en lenguas con pocos recursos.
Colaborar con las comunidades lingüísticas locales.
Entrenar los sistemas con datos auténticos y representativos.
Pero construir es solo una parte del trabajo. También debemos replantearnos cómo evaluamos los agentes de IA. Las métricas estándar, como la tasa de error por palabra o la precisión de la intención no reflejan la complejidad de la comunicación en el mundo real. Necesitamos mejores evaluaciones para determinar si un agente de IA comprende el tono emocional, el contexto y el ritmo de una conversación.
¿Son adecuadas sus respuestas, además de correctas?
¿Puede distinguir entre urgencia y frustración?
¿Sabe cuándo derivar el caso o cuándo guardar silencio?
La inteligencia cultural requiere colaboración
La colaboración no solo es importante entre ingenieros y lingüistas, sino también con las comunidades a las que estos sistemas pretenden servir. Eso implica incorporar ciclos de retroalimentación al proceso de diseño. Cuando las personas ayudan a dar forma a la tecnología que utilizan, surge la confianza.
En definitiva, cuando diseñamos pensando en una sola voz, reforzamos la desigualdad. En cambio, cuando diseñamos para muchas voces, hacemos posible la inclusión y logramos que los agentes de IA sean puentes, no barreras.
Cómo ayuda el Foro a los líderes a comprender la IA y colaborar en una innovación responsable
El Centro para la Excelencia en IA conecta a líderes de distintos sectores para comprender la rápida evolución de la inteligencia artificial y sus implicaciones para las economías y las sociedades. Promueve un diálogo fundamentado sobre las oportunidades, los riesgos y las disyuntivas vinculados a la adopción de la IA.
A través de espacios de confianza e iniciativas colaborativas, el Centro permite a sus socios construir una comprensión compartida y trabajar juntos en enfoques responsables para la innovación y el uso de la IA.
