Inteligencia artificial: el impulsor de Latam GPT explicó por qué los modelos de IA se equivocan más cuando responden sobre América Latina
Además de la ...
Además de la aplicación de la inteligencia artificial en campos como la robótica, la industria tecnológica mantiene abierto otro debate candente: ¿regiones como América Latina necesitan desarrollar sus propios modelos de lenguaje o alcanza con adaptar herramientas globales como ChatGPT o DeepSeek?
Las posiciones están divididas. Mientras algunos referentes sostienen que la región debería concentrarse en aprovechar y adaptar los modelos existentes, otros creen que es indispensable desarrollar tecnologías entrenadas con datos y conocimientos locales para reducir los sesgos que presentan los sistemas más populares. Entre los primeros se encuentra Marcio Aguiar, líder de Nvidia para Latam, que en una entrevista con LA NACION afirmó: “La región debería enfocarse más en utilizar las herramientas que existen y desarrollar productos específicos para nuestra cultura, y no pensar en hacer todo desde cero”.
Del otro lado del debate se posiciona Rodrigo Durán, CEO del Centro Nacional de Inteligencia Artificial (Cenia) de Chile y uno de los impulsores de Latam GPT, el primer modelo de lenguaje de código abierto desarrollado específicamente para América Latina y el Caribe.
En diálogo con este medio en el Web Summit Rio 2026, Durán aseguró que los grandes modelos de IA llegan a “alucinar” entre un 20% y un 40% más cuando responden sobre la región, explicó por qué ocurre ese fenómeno y aclaró que Latam GPT no busca competir con los grandes modelos de lenguaje, sino complementarlos, entre otras cuestiones de interés.
-¿Por qué América Latina necesita su propio modelo de lenguaje?
-Desde el Cenia nosotros tenemos la hipótesis de que, si no se desarrolla tecnología abierta basada en los datos locales, vamos a seguir profundizando la brecha de conocimiento para aprovechar la inteligencia artificial. Para responder más concretamente: ¿nosotros por qué hicimos Latam GPT? Lo hicimos porque carecemos de un modelo que responda adecuadamente a preguntas sobre América Latina y el Caribe.
Cuando hicimos los experimentos para ver cuánto alucinaban proporcionalmente los modelos del estado del arte entre América Latina y el Caribe y el norte global, la tasa de alucinación siempre es un 20%, un 30% y hasta un 40% más alta para América Latina y el Caribe. ¿Y eso por qué pasa? Porque tienes pocos datos de América Latina y el Caribe y porque tienes parámetros que minimizan la importancia de los pocos datos que tienes. De ambas cosas se ocupa Latam GPT: recoge datos que no estaban disponibles -son datos inéditos que nosotros los vamos a liberar en este corpus-, y además entrenamos con parámetros y con pesos distintos a los del estado del arte. Justamente ese fue el experimento más interesante que hicimos. Tuvimos que descubrir para la sintaxis y la gramática latinoamericana en español de América Latina, cuál era la combinación de tokens, de pesos y de la longitud del contexto de los tokens para el entrenamiento apropiado para lograr un rendimiento adecuado. Todo eso hoy día es un bien público, o sea, cualquier persona que quiera aprender cómo hicimos Latam GPT lo puede hacer. Y por eso es que esto es relevante, porque liberamos un dataset, liberamos evidencia de los sesgos a través de benchmarks, liberamos mecanismos de comparación de modelos para que los modelos del estado de arte mejoren en su rendimiento en América Latina y el Caribe, y liberamos un modelo que yo espero que dure muy poco, pero que hoy día tiene mejor rendimiento relativo que cualquier otro modelo de su tamaño para contexto América Latina y el Caribe.
-¿Recordás alguna de las preguntas a las que aludiste donde se veían esas alucinaciones o sesgos?
- ¿Cómo medíamos esto? A partir de la cantidad de información precisa que te entregaba ante la misma pregunta, dependiendo del contexto geográfico. Entonces, te voy a dar un caso: cuando tú le preguntabas sobre el cruce de la Cordillera de los Andes del ejército libertador hacia Chile en 1817, la descripción que te hacía de un fenómeno que sucedió hace 200 años era bastante vaga. Eran cuatro o cinco párrafos con citas. Estoy hablando de modelo LLaMA 3.1. Pero si tú le preguntabas sobre la resistencia que hizo Carlo Magno a los árabes cuando trataron de cruzar hacia Francia -una cosa que pasó hace 1200 años-, era ridículamente mayor la información que existía... pero ridículamente mayor: te estoy hablando del detalle de cuántas espadas se usaron, de qué tipo, del peso promedio de la espada, de cuáles eran las túnicas, de los colores favoritos, del material que usaban las distintas tribus... Entonces, estamos hablando de dos momentos históricos que son equivalentemente importantes para Chile, en un caso, y para Francia, en otro, y la cantidad de información era abismalmente distinta, pese a que el primer caso pasó hace mucho menos tiempo.
Al final, la pregunta termina siendo: un modelo para América Latina, ¿me gustaría que supiera más sobre la resistencia de Carlo Magno o sobre el cruce ? Bueno, esa información no estaba. Y cuando tú vas a ver los dataset, cuando tú vas a ver cómo se entrenó el modelo LLaMA 3.1., te das cuenta de que había menos datos, pero no eran tan pocos. Entonces, también los parámetros son relevantes, también los pesos que yo les doy a los conjuntos de datos son relevantes.
-¿Creés que puede competir una inteligencia artificial latinoamericana con las ya conocidas chinas o estadounidenses, o la idea es que coexistan?
-Nosotros queremos complementar, por eso yo te decía antes que espero honestamente que Latam GPT esté dos meses nomás como el modelo con mejor performance en nuestro benchmark. Si nosotros logramos que todo el resto de los modelos avancen y sean igual de buenos o mejores que Latam GPT, es lo mejor que nos podría pasar, porque todo el rendimiento de la inteligencia artificial para América Latina y el Caribe va a funcionar mejor. Entonces, hoy por hoy lo más importante es que no vemos esto como una competencia, sino como un complemento al esfuerzo que hay que hacer para desarrollar una mejor inteligencia artificial.
-Desde el punto de vista del usuario, ¿cómo sería esta experiencia? O sea: ¿para determinado tipo de consultas yo utilizaría GPT y para otras Latam GPT?
-Nosotros lo que sugerimos y cómo vemos que es la mejor forma de utilizar esta tecnología es entender que hoy día tú puedes utilizar lo que se denominan mixturas de expertos. Estas combinaciones de expertos te permiten a través de un nodo identificar qué modelo va a responder la primera pregunta y si esa respuesta es suficiente o tengo que escalarla a un segundo nivel, y eso se lo pregunto otro modelo. Entonces, para ponerte un ejemplo: si alguien quiere saber sobre historia y geografía de Ecuador, el modelo primero va a responder en base a conocimiento que tiene en el modelo más barato posible: hablemos de Deepseek. Y después de eso va a revisar esa respuesta y va a decir: “¿Esta respuesta es adecuadamente latinoamericana?“, y si esa respuesta es ”no", le va a mandar para complementar a Latam GPT. Entonces tú tienes esta mixtura de expertos que te permite mejorar el rendimiento sin perder la precisión que te dan otros modelos. Porque claro, Latam GPT es muy bueno en América Latina, pero es muy malo en béisbol, ¿me entiendes? O sea, no es muy malo, pero es peor que el estado del arte en formulación, redacción, etcétera.
-¿Cómo definirías el éxito de la Latam GPT en los próximos años?
-Que el rendimiento de los modelos del estado del arte, a propósito de la cultura de América Latina y el Caribe, sea igual que el rendimiento que tiene a propósito de la cultura de otros lugares del mundo. Si nosotros logramos eso, es un éxito. Porque de eso se trata: de que la inteligencia artificial funcione igualmente bien para el norte global que para el sur global.
-Para terminar, y ya a nivel de la IA en general, ¿a qué país ves en mejores condiciones para la aplicación y el desarrollo de estas nuevas tecnologías?
-Depende mucho. Yo creo que, por ejemplo, a nivel industrial, México y Brasil están mucho mejor posicionados. A nivel de adopción en investigación universitaria, yo veo a la Argentina y a Uruguay muy bien. Cuando tú piensas en adopción más empresarial -no de industria, sino que de servicios-, Chile tiene una posición mejor. A nivel de gobierno creo que Uruguay y Chile también tienen una mejor posición que el resto de los países. Entonces, depende mucho de cómo tú lo veas. Pero a nivel general, si tú ves todos los parámetros, pareciera ser que Chile, Brasil y Uruguay son los países con mayor facilidad para la adopción temprana de inteligencia artificial.