¿Qué es una lengua de escasos recursos?

01 · El concepto

Una condición de datos, no un veredicto lingüístico

El término nació dentro del procesamiento del lenguaje natural (PLN) y la lingüística computacional, y arrastra el sesgo de su cuna: mide una lengua por lo que una máquina puede aprender de ella. Una lengua con una tradición literaria milenaria, una morfología rica y millones de hablantes puede seguir siendo «de escasos recursos» si muy poco de ella existe como texto limpio, licenciado y legible por máquina, o como habla transcrita. Al contrario, una lengua con menos hablantes pero décadas de inversión pública en corpus, correctores ortográficos, treebanks y memorias de traducción puede no ser de escasos recursos en absoluto. El número de hablantes y los recursos digitales son dos ejes distintos, y la IA solo ve el segundo.

El planteamiento académico más útil viene de Hedderich y sus colegas (NAACL 2021), que describen un escenario de escasos recursos en lugar de una lengua de escasos recursos. El escenario se define en 3 dimensiones: la disponibilidad de datos etiquetados para la tarea concreta, la disponibilidad de texto sin etiquetar en la lengua o el dominio y la disponibilidad de datos auxiliares (diccionarios, lenguas emparentadas, bases de conocimiento). Por eso la misma lengua puede estar bien servida para la corrección ortográfica y mal servida para el reconocimiento de voz, o ser fuerte en texto periodístico y débil en notas clínicas. De hecho, incluso el inglés se convierte en un escenario de escasos recursos en un dominio técnico estrecho sin datos anotados. Haddow y sus colegas (Computational Linguistics, 2022) añaden una dimensión temporal para la traducción automática: algunos pares de lenguas considerados escasos hace una década disponen hoy de muchos más datos gracias al rastreo web y al uso de texto monolingüe.

Por supuesto, la etiqueta tiene un coste. Algunos investigadores señalan que «de escasos recursos» define una lengua por lo que le falta y puede invisibilizar el conocimiento, las prácticas y las prioridades de sus hablantes. Vuelvo sobre esa crítica más adelante, porque tiene consecuencias prácticas sobre cómo deben recopilarse los datos. Por ahora, la definición de trabajo importa porque la contratación pública, la financiación de investigación y las notas de lanzamiento de modelos la usan sin decir casi nunca a cuál de las 3 dimensiones se refieren.

04 · Consecuencias

¿Por qué fallan los sistemas de IA en lenguas de escasos recursos?

Los grandes modelos de lenguaje aprenden de lo que contiene la web, y la web está lingüísticamente desequilibrada. Blasi, Anastasopoulos y Neubig (ACL 2022) documentaron desigualdades sistemáticas de rendimiento entre las lenguas del mundo en traducción automática, respuesta a preguntas, comprensión lectora, síntesis de voz, análisis sintáctico y flexión morfológica, y mostraron que esas brechas siguen factores económicos, demográficos y académicos, no la dificultad lingüística. Los modelos multilingües amplían la cobertura, pero compartir un mismo conjunto de parámetros entre cientos de lenguas no garantiza resultados equivalentes para cada una. El proyecto No Language Left Behind de Meta (NLLB-200, publicado en Nature en 2024) escaló la traducción automática neuronal a 200 lenguas y unas 40 000 direcciones de traducción precisamente combinando aprendizaje por transferencia con minería de datos a gran escala, y su propia evaluación muestra lo desigual que sigue siendo la calidad dentro de ese rango.

El fallo más sutil es la brecha entre cobertura nominal y utilidad efectiva. Una lengua puede figurar en la lista de lenguas soportadas de un modelo y aun así rendir muy por debajo de sus vecinas, o haber sido evaluada solo en un registro estrecho como el texto bíblico o Wikipedia. Sin bancos de pruebas fiables construidos por humanos, ni siquiera se puede saber. Por eso los datos de evaluación no son un lujo para las lenguas de escasos recursos: son el único instrumento que separa una afirmación de una capacidad real.

06 · España como laboratorio

¿Es el catalán una lengua de escasos recursos? Catalán, valenciano, euskera y gallego

España es uno de los mejores lugares del mundo para ver lo relativa que es esta etiqueta, porque 4 lenguas con historias muy distintas conviven dentro de un mismo Estado y un mismo sistema de investigación. Ninguna encaja en una sola categoría, y cada una se ha convertido en el escaparate de una estrategia diferente.

Catalán: bien organizado, todavía fragmentario

El catalán cuenta con una comunidad digital fuerte (Softcatalà, corpus abiertos, correctores ortográficos, software libre) que los investigadores describen como un caso de resiliencia digital. Aun así, el informe de ELE de 2022 sobre la lengua catalana, firmado por Maite Melero, Blanca C. Figueras, Mar Rodríguez y Marta Villegas, situó su apoyo tecnológico global en la categoría «fragmentario», con grandes diferencias entre áreas como el texto, el habla y la traducción automática. La Generalitat de Catalunya respondió con el Projecte AINA, desarrollado por el Barcelona Supercomputing Center (BSC), que ha publicado corpus y modelos abiertos para el catalán. En abril de 2025 el Gobierno de España presentó la familia ALIA a través del BSC, una infraestructura pública y abierta para el español y las lenguas cooficiales; sus modelos Salamandra se entrenaron con 35 lenguas europeas bajo licencia Apache 2.0.

Para nosotros en Pangeanic esto no es un caso de estudio abstracto. Hemos trabajado con el BSC en conjuntos de datos personalizados de segmentos bilingües clasificados por dominio y estilo (con especial énfasis en el catalán), en anotación de datos con control de calidad en nuestra plataforma PECAT, en aprendizaje por refuerzo con retroalimentación humana con datos de modelos de recompensa y en conjuntos de datos de detección de discurso de odio multilingüe para reducir sesgos en los modelos de lenguaje. El alcance completo se describe en nuestro caso de uso del Barcelona Supercomputing Center.

Valenciano: la variedad dentro de la lengua

La escasez de recursos no es uniforme dentro de una misma lengua. El mismo informe de ELE reconoce que en la Comunitat Valenciana la denominación tradicional de la lengua es valencià, e inventaría recursos específicos valencianos como el Corpus Informatitzat del Valencià y el Corpus Toponímic Valencià, aunque advierte de que varios corpus son pequeños, están restringidos por licencia o carecen de conjuntos de evaluación comparables. El conjunto CATalog de AINA reconoce abiertamente que la mayor parte de su material es catalán central y que se están incorporando de forma activa textos valencianos y baleares para reducir el sesgo de variedad. En habla, el proyecto VIVES publicó un corpus de más de 270 horas de Les Corts Valencianes, concebido en parte para compensar la escasez de datos de voz en valenciano. Un sistema entrenado sobre todo con catalán central puede soportar formalmente el catalán y ofrecer al mismo tiempo una cobertura más débil de las formas valencianas o baleares.

Aquí es también donde los datos de habla se encuentran con el servicio público. Llevamos prestando transcripción con IA a Les Corts Valencianes desde 2021, y en 2024 se nos adjudicó el contrato para introducir transcripción con IA en el Congreso de los Diputados, que cubre intervenciones en catalán, gallego y euskera junto al español. El habla parlamentaria es exactamente el tipo de audio extenso, con varios hablantes y con alternancia de código que expone las brechas de recursos entre variedades.

Euskera: una lengua aislada que construyó su propio modelo

El euskera no tiene parientes lingüísticos cercanos, así que no puede apoyarse en la transferencia entre lenguas como sí hace el gallego con el portugués o el valenciano con el resto del catalán. El HiTZ Center (Universidad del País Vasco) respondió con Latxa, una familia de modelos abiertos de 7000 a 70 000 millones de parámetros preentrenados con un nuevo corpus de euskera de 4,3 millones de documentos y 4200 millones de tokens, publicado junto con 4 nuevos bancos de pruebas de evaluación construidos a partir de exámenes de acreditación, comprensión lectora, cultura general y oposiciones públicas. El artículo recibió el premio Best Resource Paper en ACL 2024. La lección para todos los demás: el banco de pruebas de evaluación fue una aportación tan importante como el modelo.

Gallego: transferencia desde un vecino grande

El gallego ilustra la estrategia contraria. Proxecto Nós, liderado por CiTIUS en la Universidade de Santiago de Compostela junto con la Xunta de Galicia, ha producido corpus gallegos y modelos generativos abiertos (entre ellos Carballo), incluido un modelo bilingüe gallego-portugués que explota la proximidad entre ambas lenguas. La proximidad ayuda, pero tiene un efecto secundario conocido: los modelos derivan hacia la ortografía y el vocabulario del vecino más grande a menos que los datos y la evaluación de hablantes nativos los frenen.

07 · Más allá de Europa

África, América y Asia

África: donde está la mayor parte de la diversidad

África concentra una parte muy grande de la diversidad lingüística mundial, y sigue estando poco representada en corpus y modelos. Una revisión de 884 artículos de PLN africano publicados entre 2020 y 2025 (Alabi, Hedderich, Adelani y Klakow, EMNLP 2025) describe un crecimiento sostenido de la investigación, con una cobertura muy desigual entre lenguas, tareas y regiones. Masakhane, fundada en 2019 como una comunidad de investigación distribuida, cambió el método tanto como el resultado: su estudio de traducción automática participativa (Nekoto et al., 2020) produjo datos y sistemas para más de 30 lenguas africanas con investigadores y hablantes locales al mando. Los obstáculos no son solo de volumen. Para el medumba, hablado en Camerún, los investigadores documentaron problemas con los métodos de escritura y codificación, la ausencia de terminología técnica normalizada, la escasez de recursos digitales y la financiación limitada. Cuando recopilamos datasets africanos para entrenamiento de IA, la alternancia de código y las condiciones acústicas reales (mercados, transporte, entornos rurales) resultan importar tanto como el vocabulario.

América: las lenguas indígenas en sus propios términos

En América Latina, la posición tecnológica del español y el portugués contrasta con fuerza con la de las lenguas indígenas. La dificultad rara vez procede de un número reducido de hablantes: procede de la falta de corpus digitales, de ortografías no siempre estables y de la escasez de herramientas de segmentación, datos paralelos, habla grabada y conjuntos de evaluación (Mager et al., COLING 2018). El taller AmericasNLP, iniciado en 2021 dentro de la Association for Computational Linguistics, organizó la primera tarea compartida de traducción automática abierta para 10 lenguas indígenas emparejadas con el español: aimara, bribri, asháninka, guaraní, wixárika, náhuatl, hñähñu, quechua, shipibo-konibo y rarámuri. Ediciones posteriores se ampliaron a más lenguas, a materiales educativos y a métricas de traducción. En 2026 un proyecto de diseño comunitario construyó recursos de reconocimiento de voz para el quechua de Puno a partir de decenas de horas de grabaciones y transcripciones, con la comunidad implicada en el diseño y la recopilación. Ese modelo de trabajo (comunidades que fijan objetivos y validan resultados) se está convirtiendo en la norma, no en la excepción.

Asia: escrituras, segmentación y escala

Asia demuestra que ser de escasos recursos no significa ser pequeño. El bhoypurí aparece en la clase 1 de Joshi pese a una base de decenas de millones de hablantes; el konkaní y el lao se sitúan en la clase 2; el cebuano y el indonesio en la clase 3. Aquí las carencias suelen ser técnicas antes que estadísticas: las escrituras sin espacios entre palabras (lao, tailandés, jemer) rompen los tokenizadores ingenuos, y las lenguas emparentadas se etiquetan a menudo mal como si fueran la dominante, lo que infla la cobertura aparente de la lengua mayor y borra a la menor. Mi lectura, y es una inferencia y no una medición publicada, es que la próxima ola de IA útil para lenguas asiáticas vendrá de habla y texto bien segmentados y correctamente etiquetados recopilados en el propio país, no de rastreos más grandes. Ese es el principio detrás de nuestros datasets del sudeste asiático para entrenamiento de IA.

09 · La crítica

¿Es «de escasos recursos» la etiqueta correcta?

La comunidad de PLN sigue usando el término como estándar, pero sus críticos han afinado lo que esconde. Steven Bird sostiene que la etiqueta agrupa situaciones muy distintas (lenguas estandarizadas sin apoyo tecnológico, lenguas locales de tradición mayoritariamente oral, lenguas de contacto) cuyas funciones sociales y expectativas tecnológicas no son comparables, y se pregunta si el PLN debe ser necesariamente extractivo (ACL 2024). Tratar los datos lingüísticos como materia prima que se extrae puede reproducir relaciones coloniales y desplazar a las autoridades comunitarias. Mager, Mager, Kann y Vu (ACL 2023) entrevistaron a líderes comunitarios, docentes y activistas y concluyeron que incluir a los hablantes es esencial para una traducción automática útil y ética de las lenguas indígenas, lo que apunta hacia la soberanía de datos lingüísticos: las comunidades conservan el control sobre cómo se usan los materiales que aportan para entrenar IA.

Estoy de acuerdo con la crítica, y creo que tiene una traducción comercial que la industria ha tardado en aceptar. Unos datos cuya procedencia, consentimiento y licencia no puedan documentarse son un pasivo, y en las lenguas de escasos recursos ese pasivo se concentra, porque las mismas pocas fuentes se reutilizan en todas partes. El origen ético de los datos no es un impuesto sobre la IA de escasos recursos: es la única forma de construir conjuntos de datos que sobrevivan a una auditoría. Por eso insistimos en un modelo con la persona en el centro, en el que los hablantes nativos no son un trámite de validación sino quienes deciden qué significa «correcto» para su variedad.

11 · Nuestro trabajo

Cómo abordamos las lenguas de escasos recursos en Pangeanic

Pangeanic empezó construyendo y procesando datos bilingües para sistemas de traducción automática, mucho antes de que «datos de entrenamiento» se convirtiera en una categoría de mercado. Esa historia nos enseñó que lo difícil de una lengua de escasos recursos nunca es la arquitectura del modelo: es encontrar, licenciar, limpiar, alinear y validar los datos, y demostrar después con evaluación que el resultado funciona para quienes la hablan. Hoy ese trabajo pasa por nuestros servicios de Data for AI (sourcing, recopilación, anotación, RLHF y datos de evaluación), nuestros corpus paralelos y nuestra práctica de evaluación de IA, con validación de hablantes nativos en cada paso. La misma disciplina de datos sostiene nuestra Deep Adaptive AI Translation, que adapta el resultado a la terminología y el estilo del cliente, una necesidad que se agudiza, no se suaviza, en lenguas donde los motores genéricos apenas han visto texto.

Si quieres una mirada más larga sobre dónde sigue fallando la traducción automática, escribí sobre las lenguas que desafían la traducción automática desde nuestra experiencia en producción.