La ingeniera que llevó el náhuatl a la nube

   En Puerto del Caballo, estado de Hidalgo, México, el día empieza temprano. Afuera, el murmullo de la milpa y las voces en náhuatl marcan el ritmo cotidiano. Adentro, frente a una computadora modesta, Gabriela Salas Cabrera revisa archivos escaneados: revistas comunitarias, cuadernos escolares, viejos libros bilingües. Amplía una imagen borrosa, corrige una palabra mal reconocida por el software y la pasa a una hoja de cálculo. Su tarea parece minúscula. En realidad, su trabajo está alimentando a una de las infraestructuras tecnológicas más grandes del planeta.

   Por años, Gabriela reunió y depuró textos en su lengua materna para convertirlos en datos útiles para la inteligencia artificial. Ese trabajo silencioso fue parte del proceso que permitió que el náhuatl se integrara como idioma en Google Translate. La lengua de sus abuelas, hablada por más de un millón y medio de personas en México, había estado prácticamente ausente de las herramientas digitales globales.

   El conflicto es claro: una lengua masiva en número de hablantes, pero invisible para los algoritmos. Los grandes modelos de traducción automática aprenden a partir de enormes volúmenes de texto. Si una lengua no está en esos datos, no existe para la máquina. Y si no existe para la máquina, queda fuera del futuro digital. Si el náhuatl no estaba en los datos, tampoco estaría en nuestro inminente porvenir de IA. Gabriela decidió cambiar eso.

De la lengua del hogar a la ciencia de datos

   Gabriela Salas Cabrera nació en Puerto del Caballo (a unos 200 km al norte de la ciudad de México) y creció escuchando náhuatl en su casa. La lengua era la de las conversaciones familiares, la de las historias contadas por las abuelas, la del mercado y las fiestas. En la escuela rural, como ocurre en muchas comunidades indígenas, el español dominaba los libros de texto y los exámenes.

   Cuando tuvo la oportunidad de estudiar Ingeniería en Tecnologías de la Información, el salto fue doble: geográfico y cultural. De la Huasteca (la región cultural y geográfica de México que abarca varios estados y comparte historia, tradiciones y pueblos indígenas) a la ciudad; de una comunidad donde casi todos se conocen a aulas universitarias donde la tecnología se enseña en inglés técnico. Allí conoció la ciencia de datos y, más específicamente, el procesamiento de lenguaje natural (PLN), el área de la inteligencia artificial que permite que las máquinas analicen y produzcan texto.

   La revelación fue tan técnica como política: las máquinas "hablan" en función de los datos que reciben. Si un idioma no está en las bases de entrenamiento, el algoritmo nunca lo aprenderá. Gabriela empezó a preguntarse: ¿quién decide qué lenguas merecen un lugar en los modelos de IA? ¿Por qué el inglés, el español o el chino tienen millones de ejemplos disponibles y el náhuatl apenas algunos archivos dispersos? Esa pregunta marcó el rumbo de su trabajo.

¿Qué hace falta?

   Un traductor automático basado en inteligencia artificial no funciona como un diccionario digital. Los sistemas actuales se entrenan con millones —a veces miles de millones— de pares de frases: un texto en lengua A y su equivalente en lengua B. A partir de esos ejemplos, el modelo aprende patrones estadísticos y relaciones de significado.

   La palabra clave es corpus. En lingüística computacional, un corpus es una colección organizada de textos que sirve como "alimento" para los algoritmos. Sin corpus, no hay aprendizaje automático posible. Y sin aprendizaje automático, no hay traductor.

   El problema es que muchas lenguas indígenas son consideradas "lenguas de bajo recurso": tienen poca presencia en internet, escasa digitalización y, en muchos casos, múltiples variantes regionales con ortografías no estandarizadas. El náhuatl, con entre 20 y 30 variantes, es un ejemplo emblemático. Hay materiales valiosos —cuentos, manuales, traducciones comunitarias—, pero a menudo están en papel, en PDFs escaneados o en videos que requieren transcripción manual.

   Para que una lengua entre en un sistema global como Google, esos materiales deben convertirse en datos limpios, consistentes y estructurados. Ese fue el desafío que Gabriela asumió.

El trabajo invisible 

  Antes de cualquier integración tecnológica, hubo años de trabajo paciente. Gabriela actuó como curadora de datos de su propia lengua. Reunió libros, folletos educativos, revistas locales, cuentos infantiles, periódicos regionales y registros de hablantes. "Muchos textos estaban solo como imágenes escaneadas. El primer paso fue digitalizarlos y aplicar sistemas de reconocimiento óptico de caracteres (OCR). El segundo, corregir manualmente los errores que el software cometía al enfrentarse a palabras que no "conocía"", detalla.

   Luego venía la normalización: decidir cómo escribir una palabra que suena igual pero aparece con grafías distintas según la región. ¿Se conserva cada variante? ¿Se elige una forma estándar? "Estas no son solo decisiones técnicas; son decisiones culturales. Estandarizar facilita el aprendizaje del modelo, pero puede invisibilizar diferencias locales", dice.

   En una escena repetida durante meses, Gabriela revisaba su hoja de cálculo. Dos columnas con la misma palabra escrita de forma distinta. Una pertenece al náhuatl de la Huasteca hidalguense; la otra, a una variante cercana. "Si eliminaba una, simplificaba el corpus. Si conservaba ambas, aumentaba la complejidad". Finalmente, optó por registrar las dos y documentar la diferencia. "La diversidad no es un error que deba corregirse, sino una realidad que debe gestionarse con trabajo".

   También hubo limpieza de datos: eliminar duplicados, descartar textos con demasiada interferencia del español, corregir errores tipográficos. La tarea, como ella misma cuenta, "Fue "tediosa. Pero sin esa base ordenada, ningún modelo de IA podría aprender de manera eficaz".

Del corpus a la herramienta global

   El aporte de Gabriela no fue "hacer el traductor sola". Los sistemas de traducción automática son desarrollados por equipos multidisciplinarios de ingenieros y lingüistas. Su contribución fue crear y estructurar un corpus robusto en náhuatl, utilizable para entrenar modelos de aprendizaje profundo.

   En 2024, Google Translate anunció la incorporación de más de 110 nuevos idiomas, entre ellos el náhuatl en sus variantes oriental y occidental. La base de datos compilada por Gabriela fue parte de los insumos que hicieron posible ese paso.

   Integrar una lengua no es cuestión de "apretar un botón". Implica entrenar el modelo con los nuevos datos, evaluar su desempeño y realizar pruebas con hablantes nativos. Se revisan errores graves: traducciones culturalmente inadecuadas, términos sagrados mal interpretados, frases que pierden sentido. El proceso es colaborativo: comunidad, académicos y equipos técnicos intervienen en distintas etapas.

Ciencia, identidad y poder de nombrar

   El caso de Gabriela expone un sesgo estructural en la inteligencia artificial: "La mayoría de los modelos se entrenan con lenguas dominantes. No es casual; responde a la disponibilidad de datos y a prioridades económicas. Pero el efecto es claro: las lenguas indígenas quedan relegadas, lo que reproduce desigualdades históricas".

   ¿Quién decide qué lenguas "merecen" recursos computacionales? ¿Qué implica que una comunidad dependa de corporaciones globales para ver su idioma en herramientas digitales? "Tenemos que abrir el debate sobre la soberanía lingüística digital: la necesidad de que las comunidades tengan acceso y control sobre sus propios corpus y herramientas, más allá de una única plataforma comercial", advierte Gabriela.

   Que una mujer indígena nahua, formada en ciencia de datos, lidere este proceso desafía el estereotipo del científico como figura urbana y desvinculada de su territorio. Un caso en el que la tecnología no borra la identidad; la amplifica.

Riesgos de poner una lengua en manos de la IA

   Sin embargo, la presencia en un traductor automático no equivale a la revitalización lingüística. "Las máquinas pueden cometer errores sutiles: traducir literalmente conceptos que tienen carga espiritual, simplificar expresiones comunitarias o descontextualizar saberes tradicionales. También existe el riesgo de que textos culturales circulen sin el marco adecuado. Un traductor es una herramienta de apoyo: puede servir para educación bilingüe, para crear materiales didácticos o para facilitar la comunicación. Pero no reemplaza la transmisión intergeneracional, las conversaciones en casa ni las prácticas comunitarias que mantienen viva una lengua. Por eso, los sistemas deben desarrollarse con participación continua de la comunidad, no como un gesto puntual de inclusión tecnológica", explica Gabriela sobre su experiencia.

   Hoy, Gabriela combina su trabajo profesional con charlas en universidades y escuelas. En su comunidad, la noticia de que el náhuatl forma parte de un traductor global se recibió con orgullo, pero también con cautela. No es un punto de llegada, sino un comienzo.

   Los efectos concretos ya se perciben: estudiantes que buscan palabras en náhuatl en su celular; docentes que experimentan con traducciones para preparar materiales; personas fuera de México que descubren la lengua por curiosidad. La tecnología abre puertas, aunque no garantice por sí sola el futuro.

   En Puerto del Caballo, una niña observa la pantalla de un teléfono. Escribe una palabra en náhuatl y la ve traducida al español. Tal vez no sepa nada de corpus ni de algoritmos de aprendizaje profundo. Pero sabe que su lengua está ahí, visible, nombrable. En los servidores donde la inteligencia artificial aprende a traducir el mundo, la voz del náhuatl ya no es un ruido de fondo: es un idioma que reclama su lugar en el porvenir.