Investigación encabezada por una lingüista de la Universidad Autónoma de Madrid advierte que los grandes modelos de lenguaje distinguen con mayor facilidad algunas variedades del español, como la de España y Argentina, mientras que el habla chilena continúa siendo un desafío.
La inteligencia artificial se ha convertido en una herramienta habitual para millones de personas, tanto en el trabajo como en los estudios y la vida cotidiana. Sin embargo, a pesar de sus avances, todavía presenta dificultades para comprender las particularidades del idioma español en sus distintas regiones. Una de las situaciones que más desconcierto genera entre los usuarios es la tendencia de algunos asistentes virtuales a utilizar expresiones propias de Argentina, incluso cuando sus interlocutores son chilenos.
El fenómeno no es exclusivo de una plataforma. Usuarios de distintos países hispanohablantes han manifestado en comunidades digitales su molestia ante respuestas que incorporan expresiones como “vos”, “sos” o “che”, aunque hayan solicitado explícitamente que la inteligencia artificial se comunique en español neutro o respete las características de su país.
La situación evidencia un problema más profundo: los modelos de lenguaje de gran tamaño, conocidos como LLM por su sigla en inglés, todavía tienen dificultades para distinguir de manera consistente las variedades regionales del español.
El español chileno, un desafío para la inteligencia artificial
Entre las experiencias que ilustran este problema se encuentra la de usuarios que trabajan habitualmente con Claude, el asistente desarrollado por Anthropic. Pese a establecer instrucciones para que el sistema utilice español neutro, algunos usuarios señalan que el modelo vuelve a emplear expresiones asociadas al habla argentina.
Preguntas aparentemente sencillas, como si una persona puede subir un archivo a un repositorio, pueden terminar formuladas con expresiones como “¿lo subís vos?”, una construcción que resulta natural en determinadas regiones de Argentina, pero que no corresponde necesariamente a la forma de hablar de un chileno.
Este comportamiento también ha sido comentado en publicaciones de Reddit, donde usuarios de diferentes países comparten experiencias similares con asistentes de inteligencia artificial. Las quejas apuntan a que los sistemas no siempre respetan las preferencias lingüísticas indicadas en las instrucciones y tienden a recurrir a formas de habla que parecen estar más presentes en sus patrones de respuesta.
En Chile, la situación resulta especialmente llamativa debido a las particularidades del vocabulario cotidiano. Palabras como “weón” o “bombilla” forman parte de expresiones habituales y tienen significados reconocibles para los hablantes locales, pero pueden representar una dificultad para modelos entrenados con grandes cantidades de textos procedentes de diferentes países.
Un estudio puso a prueba a los grandes modelos de lenguaje
Las dificultades para identificar las variedades regionales del español fueron examinadas en la investigación titulada “Es igual pero no es lo mismo: ¿Distinguen los LLMs las variedades del español?”, publicada como prepublicación académica en 2025.
El trabajo fue liderado por la lingüista Marina Mayor-Rocher, de la Universidad Autónoma de Madrid, junto con investigadores vinculados a instituciones académicas de España y Nueva York.
La investigación examinó la capacidad de diferentes modelos de lenguaje para reconocer y reproducir características propias de las distintas variedades del español. Para ello, se plantearon tareas que exigían responder como lo haría un hablante nativo de una región determinada.
Entre los ejemplos utilizados aparecen preguntas sobre cómo se llama familiarmente a un amigo o qué palabra se emplea para referirse al utensilio que permite sorber una bebida. Aunque se trata de cuestiones sencillas para una persona familiarizada con el español chileno, los modelos evaluados mostraron dificultades para responder de acuerdo con el uso local.
En el caso de Chile, términos como “weón” y “bombilla” permiten observar una diferencia importante entre conocer el idioma en términos generales y comprender sus particularidades culturales y lingüísticas.
La dificultad no significa que estos sistemas sean incapaces de producir expresiones chilenas. El problema es que no siempre consiguen hacerlo de manera consistente, incluso cuando reciben instrucciones específicas para adoptar una determinada variedad del idioma.
¿Por qué los modelos confunden las formas de hablar?
Los grandes modelos de lenguaje aprenden a generar respuestas a partir de patrones presentes en enormes cantidades de textos. En ese proceso, incorporan vocabulario, estructuras gramaticales y estilos de comunicación, pero no necesariamente desarrollan una comprensión precisa de todas las diferencias regionales.
La representación de cada variedad depende, entre otros factores, de la cantidad y calidad de los datos disponibles, de la presencia de textos representativos de cada país y de la forma en que el sistema aprende a responder a las instrucciones.
Cuando una variedad aparece menos representada o sus características se mezclan con las de otros países, el modelo puede recurrir a expresiones más frecuentes en los datos con los que fue entrenado.
De esta manera, una inteligencia artificial puede escribir correctamente en español y, al mismo tiempo, cometer errores al intentar reproducir el habla de una región específica.
El desafío es particularmente relevante en países donde existen diferencias marcadas entre el lenguaje formal y las expresiones utilizadas en conversaciones cotidianas. El español chileno, por ejemplo, combina modismos, variaciones de pronunciación y usos coloquiales que no siempre quedan reflejados adecuadamente en textos formales.
Por eso, responder en español no equivale necesariamente a responder como un chileno.
El problema va más allá de Claude
Aunque las quejas sobre Claude han contribuido a visibilizar el fenómeno, la dificultad no se limita al sistema de Anthropic. Otros asistentes, como ChatGPT y Gemini, también pueden presentar inconsistencias al intentar adoptar una variedad regional específica.
Esto no significa que todas las plataformas tengan el mismo desempeño ni que sus resultados sean idénticos. La investigación busca examinar una dificultad más amplia: la capacidad de los modelos de lenguaje para reconocer las diferencias entre hablantes que comparten un idioma, pero utilizan vocabularios y expresiones propias.
La distinción es importante porque las instrucciones personalizadas pueden mejorar las respuestas, aunque no garantizan que el modelo mantenga siempre el registro solicitado.
En consecuencia, pedir que una inteligencia artificial responda en español chileno puede producir resultados adecuados en una conversación y, más adelante, dar paso nuevamente a expresiones que no corresponden al habla local.
Una cuestión de identidad cultural y precisión
El reconocimiento de las variedades lingüísticas no es solamente un asunto de preferencias personales. También influye en la calidad de la comunicación, la confianza de los usuarios y la utilidad de las herramientas tecnológicas.
En ámbitos como el periodismo, la publicidad, la atención al público y la comunicación institucional, utilizar expresiones ajenas al público objetivo puede restar naturalidad a un mensaje o transmitir una sensación de distancia cultural.
Para los desarrolladores, el desafío consiste en mejorar la representación de las distintas comunidades hispanohablantes y lograr que los modelos respeten con mayor precisión las instrucciones sobre vocabulario, tono y registro.
Para los usuarios, mientras tanto, sigue siendo recomendable entregar indicaciones concretas sobre la variedad lingüística deseada, especialmente cuando se necesitan textos dirigidos a una audiencia chilena.
Una inteligencia artificial que todavía debe aprender a hablar como nosotros
Los avances de la inteligencia artificial han permitido generar textos, resumir documentos, traducir contenidos y resolver tareas complejas en cuestión de segundos. Sin embargo, las diferencias regionales muestran que todavía existen aspectos del lenguaje que estos sistemas no reproducen con suficiente precisión.
El caso del español chileno es una muestra de esa brecha. Una herramienta puede comprender una instrucción compleja y producir un texto elaborado, pero equivocarse al elegir una palabra cotidiana o al decidir cómo dirigirse a su interlocutor.
La investigación “Es igual pero no es lo mismo: ¿Distinguen los LLMs las variedades del español?” pone el foco precisamente en esa diferencia entre dominar un idioma de manera general y reconocer las particularidades de quienes lo hablan.
Mientras los modelos continúan evolucionando, la pregunta seguirá vigente para muchos usuarios chilenos: ¿por qué una inteligencia artificial capaz de realizar tareas tan sofisticadas todavía insiste en hablar como si estuviera al otro lado de la cordillera?
Fuente de referencia: “Es igual pero no es lo mismo: ¿Distinguen los LLMs las variedades del español?” — arXiv.
